Google stellt Quantisierungs-sensitives Training (QAT) für 'Gemma 3' vor. Dies reduziert den Speicherbedarf und erhält gleichzeitig hohe Qualität. Dadurch wird der Einsatz auf Consumer-Hardware ermöglicht und der Zugang zu leistungsstarken KI-Modellen demokratisiert.
Google's Gemini KI hat 350 Millionen monatliche Nutzer erreicht, liegt aber hinter ChatGPT und Meta AI. Googles Strategie zur Steigerung der Nutzerzahlen und die Implikationen der KI-Dominanz werden beleuchtet. Ethische Fragen und Googles breitere KI-Initiativen werden ebenfalls betrachtet.
Für Mercedes-Benz ist eine starke Präsenz in China unerlässlich. Chinas Innovationen und Zulieferer sind integraler Bestandteil der globalen Strategie.
Microsofts 1-Bit LLM revolutioniert GenAI mit Effizienz auf CPUs. BitNet b1.58 2B4T trainiert nativ mit 1-Bit-Gewichten und überwindet so die Grenzen traditioneller LLMs.
Nvidia stellt NeMo Microservices vor: Eine umfassende Suite, die Entwicklern hilft, KI-Agenten schneller zu erstellen und bereitzustellen. Die Microservices nutzen KI-Inferenz und Informationssysteme in großem Maßstab für verbesserte Automatisierung und Produktivität.
Nvidias NeMo Microservices integrieren KI-Agenten nahtlos in Unternehmensabläufe. Eine Lösung für Firmen, die Schwierigkeiten haben, einen hohen ROI aus ihren KI-Investitionen zu erzielen, und die Automatisierung, Integration und Aktualisierung von Aufgaben ermöglicht.
OpenAI entwickelt ein 'offenes' KI-Modell und zielt auf eine Veröffentlichung im Sommer 2025 ab. Dieser Schritt signalisiert eine Verlagerung hin zu Open-Source-Prinzipien, um dem zunehmenden Druck gerecht zu werden.
GPT-4.1, das 'sich an Anweisungen hält', könnte weniger zuverlässig sein als Vorgänger. Untersuchungen zeigen potenzielle Fehlausrichtungen und werfen Fragen zur KI-Entwicklung auf.
OpenAI's GPT-4.1 zeigt laut Tests Inkonsistenzen im Vergleich zu Vorgängermodellen. Dies wirft Fragen nach Zuverlässigkeit und Sicherheit auf, insbesondere nach dem Fine-Tuning mit unsicheren Daten.
Ein neues System namens RAGEN trainiert und bewertet KI-Agenten, um sie zuverlässiger und widerstandsfähiger für den praktischen Einsatz zu machen. Es verwendet ein benutzerdefiniertes Reinforcement Learning-Framework namens StarPO.
