KI News: Kurz und klar.

In einer neuen Studie wird die Chain‑of‑Thought‑Methode (CoT) über reine Textschritte hinaus erweitert, um multimodale Probleme besser zu lösen. Während CoT LLMs und VLMs dabei unterstützt, Zwischenschritte zu formulieren, stößt die ausschließlich textbasierte Variante bei bildintensiven Aufgaben oft an ihre Grenzen.

Auf der Plattform arXiv wurde ein neues Modell namens MemeLens vorgestellt, das die Analyse von Memes in über 20 Sprachen und für 20 verschiedene Aufgabenbereiche revolutionieren soll. Memes gelten als besonders einflussreich in der Online-Kommunikation, weil ihre Bedeutung aus der Kombination von Text, Bild und kulturellem Kontext entsteht.

Die Vorhersage von Zeitreihen ist für viele Entscheidungen unverzichtbar, doch die meisten bestehenden Modelle bleiben eindimensional und stützen sich ausschließlich auf die Ausdehnung historischer Muster.

Mit dem neuen TowerMind-Umfeld eröffnet sich ein vielversprechender Testbereich für große Sprachmodelle (LLMs) als Agenten. Durch die Kombination von langfristiger Planung und taktischer Anpassung in Echtzeit-Strategiespielen können LLMs ihre Fähigkeiten in komplexen Szenarien unter Beweis stellen.

Google hat die neue Familie T5Gemma 2 veröffentlicht, die auf den vortrainierten Gewichten von Gemma 3 basiert. Durch die Umwandlung in ein Encoder‑Decoder‑Layout und ein weiteres Vortraining mit dem UL2‑Objektiv entstehen leistungsfähige Transformer‑Modelle, die sofort einsatzbereit sind.

Google hat heute Gemini 3 Flash vorgestellt, das neueste Modell der „Flash“-Reihe. Es kombiniert die starken multimodalen, Programmier- und Agentenfunktionen von Gemini 3 Pro mit einer Leistung, die die Vorgängerversion Gemini 2.5 Pro in vielen Benchmarks übertrifft – und das zu weniger als einem Viertel der Kosten.

In der Entwicklung von Knowledge‑Distillation hat sich der Fokus von Logit‑ zu Feature‑basierten Ansätzen gewandelt. Mit der Einführung von Decoupled Knowledge Distillation (DKD) wurde die Bedeutung von Logits jedoch wieder betont – dank ausgefeilter Decoupling‑ und Gewichtungsstrategien. Die neue Arbeit geht noch einen Schritt weiter und betrachtet DKD aus der Perspektive der Vorhersageverteilung.

BiTAgent ist ein neu entwickeltes Framework, das multimodale große Sprachmodelle (MLLMs) und Weltmodelle (WMs) miteinander verbindet, um generalistische, eingebettete Agenten zu schaffen. Das System löst zwei zentrale Probleme: die präzise Kopplung von semantischem Intent aus den MLLMs mit dynamischen Zustandsdarstellungen im latenten Raum des WMs und die anpassungsfähige, auf Aufgaben ausgerichtete Lernfähigkeit über verschiedene Umgebungen hinweg.

Die neueste Veröffentlichung auf arXiv (2511.23055v1) stellt „MindPower“ vor – ein Robot-Centric‑Framework, das Vision‑Language‑Embodied‑Agents (VLM‑basierte Agenten) mit Theory‑of‑Mind‑(ToM) Fähigkeiten ausstattet. ToM bezeichnet die Fähigkeit, mentale Zustände anderer – wie Überzeugungen, Wünsche und Absichten – zu erkennen und zu interpretieren.

Google hat mit Gemini 3 einen neuen Meilenstein gesetzt. Das Modell ist nicht nur schneller, sondern auch intelligenter als frühere Versionen und hat in unabhängigen Tests die meisten Benchmarks übertroffen.

OpenAI hat seine API-Kunden per E‑Mail darüber informiert, dass das Modell chatgpt‑4o‑latest ab Mitte Februar 2026 nicht mehr verfügbar sein wird. Der Zugang endet offiziell am 16. Februar 2026, was Entwicklern etwa drei Monate Zeit gibt, ihre Anwendungen anzupassen.

Google hat die neue Gemini 3-Familie vorgestellt, wobei Gemini 3 Pro das Herzstück bildet. Das Modell nutzt ein sparsames Mixture‑of‑Experts (MoE) und kann bis zu einer Million Tokens gleichzeitig verarbeiten.

Seit der Einführung von GPT‑3 im Jahr 2020 hat die Welt der künstlichen Intelligenz einen rasanten Wandel durchlaufen. In nur drei Jahren sind wir von einem bahnbrechenden Sprachmodell zu einer neuen Generation von KI‑Agenten gelangt, die noch intelligenter, sicherer und vielseitiger agieren.

Neueste Untersuchungen zu Audio‑Modellen haben gezeigt, dass das sogenannte Brain‑Tuning – also das Feintuning von Modellen, um die zugehörige fMRI‑Aktivität besser vorherzusagen – die Ausrichtung des Gehirns verbessert und die Leistung bei nachgelagerten semantischen und audiovisuellen Aufgaben steigert. In dieser Studie wurde dieser Ansatz auf ein multimodales Audio‑Video‑Modell ausgeweitet, um die soziale Kognition zu fördern.

GitHub hat bei der Universe 2025-Konferenz die neue Plattform Agent HQ vorgestellt, die Unternehmen eine zentrale Steuerung für sämtliche KI-Coding-Agenten bietet – statt eines eigenen Agenten. Durch die Integration von Agenten von Anthropic, OpenAI, Google, Cognition und xAI wird GitHub zu einer Orchestrierungs‑Schicht, die alle Agenten unter einem Dach zusammenführt.

Wissenschaftler haben ein neues, modulare und multimodales KI-Framework vorgestellt, das synthetische Daten zu städtischen Wohngebäuden erzeugt. Durch die Nutzung öffentlich zugänglicher Informationen und Bilder können so realistische, beschriftete Energiesimulationsdaten generiert werden, ohne auf teure oder datenschutzrechtlich problematische Quellen zurückgreifen zu müssen.

Entdecken Sie, wie Sie Videos mit Sprechererkennung in einem einzigen Prompt transkribieren können.

Eine neue Studie aus dem arXiv-Repository präsentiert ein einheitliches Vorhersagemodell, das die komplexe Symptomentwicklung bei Parkinson‑Patienten besser abbildet. Das Ziel ist, die bislang unzureichende Berücksichtigung von zeitlichen Abhängigkeiten zu überwinden und gleichzeitig die strukturellen Beziehungen zwischen den Symptomen zu nutzen.

Auf dem arXiv‑Repository wurde ein neues Forschungsdokument veröffentlicht, das ein innovatives, parameter‑effizientes Framework namens UniCast vorstellt. UniCast erweitert die derzeit dominierenden Time‑Series‑Foundation‑Models (TSFMs) um die Möglichkeit, gleichzeitig Zeitreihen, Bild‑ und Textdaten zu verarbeiten. Dadurch kann das Modell die reichhaltigen multimodalen Kontexte nutzen, die in vielen realen Anwendungen – etwa in der Finanz‑, Gesundheits‑ oder Umweltüberwachung – häufig vorhanden sind.

In der Praxis verlangen multimodale Anwendungen von einer echten Any-to-Any‑Fähigkeit, die sowohl das Verständnis als auch die Erzeugung über Text, Bild, Audio und Video hinweg ermöglicht. Traditionelle Ansätze setzen dabei auf starre Pipelines oder stark gekoppelte Architekturen, was Flexibilität und Skalierbarkeit einschränkt.

Wissenschaftler haben mit dem neuen MhAIM-Datensatz einen Meilenstein gesetzt: Er umfasst 154 552 Online‑Posts, von denen 111 153 von KI generiert wurden. Damit lässt sich erstmals großflächig analysieren, wie Nutzer auf multimodale Inhalte reagieren.