Guten Morgen!
Heute geht es um ein neues Open-Source Modell, Kundensupport und Sicherheitsfragen.
DeepSeek aktualisiert sein günstigstes Open-Weight-Modell
DeepSeek V4.1 Flash 1017 verbessert laut Artificial Analysis seinen Intelligence Index und führt mehrere Open-Weight-Ranglisten an. Das MoE-Modell hat 552 Milliarden Parameter, davon 16 Milliarden aktive, sowie ein Kontextfenster von einer Million Token. Einzelne Tests und Erfahrungsberichte zeigen jedoch Schwächen beim Befolgen von Regeln und Token-Effizienz. [1]
FairStress prüft Einfluss von demografischen Merkmalen bei KI-Entscheidungen
Der neue Benchmark "FairStress" untersucht, ob KI-Modelle Entscheidungen unbeeinflusst von demografischen Merkmalen unterschiedlich treffen. Rund 300 Szenarien aus 29 Bereichen führen durch diverse Varianten zu mehr als 13 Millionen Testfälle. Bei 15 untersuchten Modellen nahmen die beobachteten Unterschiede zu, sobald demografische Identitäten deutlicher erkennbar waren. [2]
Learned Memory steigert Zuverlässigkeit für Anwendung von KI im Kundenservice
IBM Research ergänzt einen einfachen GPT-4.1-Agenten um Learned Memory, das aus früheren Versuchen kurze Handlungsregeln ableitet, ohne Modellgewichte zu verändern (Dadurch ist kein Nachtrainieren nötig). Im Retail-Teil von τ²-bench der Erfolg in allen vier Versuchen, von 57,5 auf 67,5 Prozent. [3]
PyTorch arbeitet an Anwendungsberiechen abseits von Nvidia-Architektur
TorchTPU von Hugging Face und Amazons TorchNeuron soll die Ausführung von PyTorch-Code mit wenigen Änderungen auf Google-TPUs beziehungsweise AWS Trainium ermöglichen. TorchTPU unterstützt Transformers, Diffusers, verteiltes Training , sowie angepasste Kernels; AWS verspricht für TorchNeuron Funktionalität nach einer einfachen Konfigurationsänderung. Bei TorchTPU bestehen noch Kompatibilitätslücken, derzeit bestehen 96,5 Prozent der Tests. [4] [5]
PyTorch 2.15 beschleunigt lokale KI auf Macs
Der Release Candidate von PyTorch 2.15 bringt FP8-Unterstützung und deutlich schnellere MoE-Decodierung für Apples Metal. Auf einem M3 Ultra steigt Qwen3.6-35B-A3B laut Hugging Face von 9,4 auf 61,3 Token pro Sekunde. Erforderlich sind macOS 15 und Python 3.11. [6]
US-Behörden müssen DeepSeek KI-Modelle aus ihren Systemen entfernen
Die US-Regierung untersagt zivilen Bundesbehörden die Verwendung von DeepSeek-Produkten. Teil davon sind auch Angebote von Drittanbietern, die DeepSeek verwenden. Behörden können allerdings Ausnahmen beantragen. Das Heimatschutzministerium begründet die Anordnung mit möglichen Zugriffen chinesischer Behörden auf sensible Nutzerdaten. [7]
|
Zeit für individuelle Insights?Wir sind KI-Experten und haben in und mit mehreren KI-Startups gearbeitet. Für etablierte Unternehmen jeder Größe haben wir KI in bestehende Abläufe integriert. Wir bringen zehn Jahre Erfahrung als Softwareentwickler und Business-Owner mit.
|
Quellen
- [AINews] not much happened today
- FairStress: A deeper evaluation of fairness in LLM decision-making
- ALTK-Evolve: How learned memory tops the τ²-bench leaderboard on customer service tasks without a frontier model
- Hugging Face ❤️ TorchTPU: TPUs, Natively
- Amazon is taking its biggest shot at Nvidia yet with new TorchNeuron dev tool | TechCrunch
- MPS in PyTorch 2.15
- US orders federal agencies to remove China’s DeepSeek AI from their systems | TechCrunch