Grok 4.7: Erwartungen herunterschrauben

Amazon hat Metas KI-Agenten Muse gerade die Tür vor der Nase zugeschlagen und ihn aktiv daran gehindert, auf Amazon.com einzukaufen. Als offizielle Gründe wurden mangelnde Berechtigung, fehlende Selbstidentifikation und Sicherheitsbedenken hinsichtlich der Handhabung von Benutzeranmeldeinformationen durch Muse genannt.

Dies ist der erste große Schlag in den agentischen Plattformkriegen. Wir haben zwei Jahre lang darüber nachgedacht, ob Agenten intelligent genug sind, um im Web zu navigieren, und dabei völlig ignoriert, ob das Web sie überhaupt hereinlassen wird. Amazon hat keinerlei Anreiz, Meta die Kundenbeziehung zu überlassen und deren Konversionsdaten abzugreifen.

Wenn Sie verbraucherorientierte Agenten entwickeln, ist Ihre größte existenzielle Bedrohung kein Kontextfenster – es ist die IP-Sperre durch die größten Online-Shops der Welt. Hören Sie auf anzunehmen, dass das Internet ein offener Spielplatz für Ihre automatisierten Tools bleiben wird.

Xiaomi hat gerade MiMo-V2.6-Pro veröffentlicht, ein omnimodales Modell mit offenen Gewichten, das sofort an der Spitze des Artificial Analysis Intelligence Index für offene Gewichte debütierte.

Dies kam nicht von Meta, Mistral oder einem stark finanzierten Labor in San Francisco. Es kam von einem Hardware-Riesen, der am besten für preisgünstige Smartphones und Elektroroller bekannt ist.

Die KI-Front dezentralisiert sich schneller, als die etablierten Unternehmen zugeben wollen. Wenn ein Hardware-Unternehmen ein hochmodernes offenes Modell als Nebenprojekt veröffentlichen kann, verdampft der Burggraben für reine Basismodellunternehmen offiziell.

Fuli Luo, ein ehemaliger DeepSeek-Ingenieur, der jetzt die Bemühungen bei Xiaomi leitet, hat begonnen, die finalen Reinforcement Learning Trainingsläufe des Unternehmens live zu veröffentlichen. Das Maß an Transparenz in Bezug auf ihre internen Metriken ist für ein Modell dieser Größenordnung völlig ungewöhnlich.

Während OpenAI und Anthropic ihre RLHF-Daten wie nukleare Startcodes behandeln, behandelt Xiaomi sie wie ein Open-Source-Repo.

Dies ist nicht nur Altruismus; es ist eine Rekrutierungstaktik. Indem Xiaomi öffentlich entwickelt, signalisiert es Top-Forschungstalenten, dass sie nicht in einer Black Box eingesperrt sein werden. Für die breitere Gemeinschaft ist es eine Meisterklasse, wie modernes omnimodales RL unter der Haube tatsächlich funktioniert.

Google hat Empirical Research Assistance (ERA) vorgestellt, ein Gemini-gestütztes System, das wissenschaftliche Probleme automatisiert lösen soll. Wenn ein Problem auf eine 'bewertbare Aufgabe' reduziert werden kann, wird ERA vielversprechende Experiment-Notebooks kontinuierlich mutieren, bis es eine Lösung findet.

Dies ist ein massiver Sprung von KI als Chat-Interface zu KI als Brute-Force-Entdeckungsmaschine. Es verwandelt die wissenschaftliche Methode in ein rechenintensives Optimierungsproblem.

Für F&E-Abteilungen in Unternehmen ist dies ein klares Signal zur Umstrukturierung. Der Engpass ist nicht länger die Durchführung der Experimente; der Engpass ist die genaue Definition der Bewertungsmetriken, damit ERA nicht für das Falsche optimiert.

Teilnehmer eines Google Kaggle-Wettbewerbs zur Kondensstreifen-Erkennung gewannen den Preis nicht, indem sie ein besseres Vision-Modell bauten, sondern indem sie einen Halbpixel-Fehler in den Dataset-Labels identifizierten und ausnutzten.

Sie optimierten perfekt für die Metrik und ignorierten dabei völlig die realen physikalischen Gegebenheiten des Problems. Dies ist Goodharts Gesetz in Aktion: Wenn ein Maß zu einem Ziel wird, hört es auf, ein gutes Maß zu sein.

Wenn Sie Modelle mit statischen Datensätzen trainieren, ist Ihr leistungsstärkster Checkpoint möglicherweise nur derjenige, der die Fehler Ihrer Datenpipeline auswendig gelernt hat. Schauen Sie immer auf die Ausgaben, nicht nur auf die Verlustkurve.

John Platts Team hat KI erfolgreich eingesetzt, um das kontrafaktische Problem der Modellierung von Flugzeugkondensstreifen zu lösen. Durch die genaue Abbildung der wärmespeichernden und reflektierten Sonnenlichteffekte haben sie eine Variable geknackt, die für etwa 1 % der vom Menschen verursachten globalen Erwärmung verantwortlich ist.

Die Klimamodellierung hatte schon immer Schwierigkeiten mit dynamischen, transienten Phänomenen wie Kondensstreifen. Traditionelle Physik-Engines sind zu langsam, aber KI kann die Kontrafakte in großem Maßstab approximieren.

Genau hier glänzt KI in der physischen Welt: nicht indem sie menschliches Urteilsvermögen ersetzt, sondern indem sie chaotische, hochvariable Systeme entwirrt, die zuvor unmöglich genau zu messen waren.

Nathan Lambert kündigte ein neues Paper mit dem Titel 'Never Give Up' an, das eine Methode zur Zuweisung von mehr Rechenleistung an schwierigere Probleme im Reinforcement Learning beschreibt. Die Technik beinhaltet eine stärkere Stichprobenentnahme mit hoher Wahrscheinlichkeit, wenn GRPO-Gruppen falsche Vervollständigungen produzieren.

Anstatt alle Prompts im RL gleich zu behandeln, leitet dieser Ansatz die Rechenleistung dynamisch an die Randfälle weiter, mit denen das Modell tatsächlich zu kämpfen hat.

Es ist eine hocheffiziente Methode, um Gewinne aus schwierigeren RL-Problemen zu erzielen, ohne blind die Gesamtzahl der Parameter zu erhöhen. Wenn Sie Modelle für komplexes Denken feinabstimmen, ist die dynamische Rechenleistungszuweisung während des Trainings der neue Standard.

Devansh hat kürzlich aufgeschlüsselt, warum KI-Unternehmen Billionen in LLMs investieren und wie ihre unterschiedlichen Gewinnbedingungen ihre Strategien prägen. OpenAI, Anthropic und Google bauen nicht nur verschiedene Modelle; sie bauen auf völlig unterschiedliche Visionen der KI-Interaktion hin.

OpenAI will das Betriebssystem für Verbraucher sein. Google will sein Suchmonopol und seine Enterprise Cloud schützen. Anthropic zielt auf die hochvertrauenswürdige, sicherheitskritische Unternehmensebene ab.

Wenn Sie auf diesen Modellen aufbauen, müssen Sie Ihr Produkt an die ultimative Gewinnbedingung Ihres Anbieters anpassen. Wenn Sie einen Consumer-Wrapper auf Anthropic aufbauen, wundern Sie sich nicht, wenn deren Roadmap Sie ignoriert.

Scott Alexander versuchte, eine ausführliche Widerlegung von Venkatesh Raos Kritik am effektiven Altruismus zu veröffentlichen, wurde aber blockiert. Substack's Paywall-Beschränkungen für Kommentare, Antworten und private Nachrichten zwangen Alexander, seine Antwort stattdessen auf seinem eigenen Substack zu veröffentlichen.

Dies verdeutlicht die wachsende Reibung im dezentralisierten Publishing. Wenn Plattformen die Monetarisierung über die Interoperabilität stellen, brechen die tatsächlichen Gespräche ab und fragmentieren sich über abgeschottete Bereiche.

Für Entwickler ist es eine Erinnerung daran, dass das Vertrauen auf Drittanbieter-Plattformen für das Community-Engagement immer ein Plattformrisiko birgt. Besitzen Sie Ihr Publikum und besitzen Sie Ihre Infrastruktur.