Suche
KI-Inferenz: 10% schneller dank cleverem GPU-Cache in SGLang
Multimodale KI-Modelle sind vielversprechend, aber ihre Inferenz-Engines noch nicht optimiert. Modal.com demonstriert, wie SGLang’s Performance um über 10% gesteigert wurde, indem aufwendige Buchhaltung für geteilten GPU-Speicher durch einen einfachen Cache-Lookup im Scheduler ersetzt wurde. Dieser sogenannte 'Handle Cache' führte zu signifikanten Verbesserungen bei Durchsatz und Latenz auf multimodalen Workloads.
AI-Gedächtnis: Vom freien Abruf zur Schema-basierten Präzision
Die gängige AI-Speicherung via Abruf dient gut der thematischen Erinnerung, ist aber für präzise Fakten, Zustandsführung und Updates unzureichend. Dieses Papier argumentiert, dass zuverlässiges AI-Gedächtnis schema-basiert sein muss. Es wird ein iterativer, schema-bewusster Schreibpfad vorgestellt, der eine "System-of-Record"-Funktionalität statt bloßer Suche ermöglicht.
Stash: Open-Source-Gedächtnis für jede KI – nie mehr Amnesie!
Viele KI-Agenten leiden unter digitaler Amnesie, was zu frustrierender Wiederholung und Kontextverlust führt, da sie sich an frühere Interaktionen nicht erinnern. 'Stash' bietet hierfür eine quelloffene, persistente Gedächtnisschicht, die es jedem AI-Agenten – von Claude über GPT bis zu lokalen Modellen – ermöglicht, sich sitzungsübergreifend an Kontext, Präferenzen und Fehler zu erinnern. Schluss mit dem ewigen Neuerklären: Stash macht KI-Interaktionen endlich kontinuierlich und intelligent.
Wasm & Apple Silicon: KI-Turboboost dank Zero-Copy-GPU-Power
Ein cleverer Trick macht KI-Inferenzen auf Apple Silicon blitzschnell: Statt Daten zwischen CPU und GPU zu kopieren, nutzen Entwickler jetzt Apples Unified Memory Architektur direkt aus WebAssembly. Das bedeutet Zero-Copy-Power, die Performance-Engpässe bei ML-Modellen radikal eliminiert und eine neue Ära für effiziente KI-Anwendungen einläutet.
Dramatischer RAM-Engpass: Nur 60% der Nachfrage bis 2027 gedeckt
Ein anhaltender RAM-Engpass könnte laut Berichten über Jahre andauern. Bis Ende 2027 wird erwartet, dass Speicherhersteller lediglich 60 Prozent der globalen Nachfrage decken können. Das deutet auf eine langanhaltende Herausforderung für die Branche hin.
Hae-OLS: LLM-Gedächtnis-Booster für schlanken Cache, mehr Kontext
LLMs kämpfen mit langen Kontexten, weil ihr KV-Cache massiv RAM frisst. 'Hae-OLS' bietet eine Lösung: Es fasst den Cache mit hoher Präzision zusammen, indem es wichtige Tokens via Entropie erkennt und den Rest effizient mittels Low-Rank-Rekonstruktion verarbeitet. Das Ergebnis? Längere Kontexte mit weniger Speicherbedarf, ohne Leistungseinbußen – ein smarter Move für jeden LLM-Einsatz.
antirez' ds4: Lokale DeepSeek 4 Flash AI-Inferenz für Metal
GitHub-Nutzer antirez hat das Projekt `ds4` veröffentlicht, eine lokale Inferenz-Engine für DeepSeek 4 Flash. Es wurde für die Ausführung auf Systemen mit Metal-Unterstützung entwickelt. Damit wird DeepSeek 4 Flash direkt auf kompatibler Hardware verfügbar.
Zed's neue Threads Sidebar: Parallel Agents im Griff
Zed ermöglicht nun die Orchestrierung mehrerer "Agents" parallel in einem Fenster. Eine neue Threads Sidebar erlaubt es Benutzern, den Zugriff der Agents auf Ordner und Repositories zu steuern und Threads zu überwachen. Dieses Feature verbessert die Übersichtlichkeit bei komplexen Workflows und unterstützt ein flexibles Arbeiten über verschiedene Projekte hinweg, alles bei Zed's gewohnter flüssiger Performance.
AMDs ROCm auf Strix Halo: BIOS- & GRUB-Tweaks für PyTorch-KI
Marco Inacio teilt seine ersten Erfahrungen mit der Einrichtung von AMDs ROCm auf einer Strix Halo APU unter Ubuntu 24.04 LTS. Um PyTorch zum Laufen zu bringen, waren spezifische BIOS-Updates, angepasste Einstellungen für den Shared-Video-Speicher und GRUB-Konfigurationsänderungen erforderlich. Die PyTorch-Installation selbst wurde als "somewhat tricky" beschrieben, konnte aber letztendlich erfolgreich abgeschlossen werden.
Mistral Medium 3.5: Dein Open-Weight-Powerhouse für Coding & AI-Agenten
Mistral präsentiert Medium 3.5, ein 128B Open-Weight-Modell, das Instruction-Following, Reasoning und Coding vereint. Es treibt Mistral Vibe Remote Agents für asynchrones Cloud-Coding und den neuen Work-Modus in Le Chat für komplexe, mehrstufige Aufgaben an. Das Modell ist selbst auf vier GPUs hostbar und für lange Coding- und Produktivitätsaufgaben optimiert.
LLMs: Milliarden-Token-Kontext – Das Ende der Denk-Lücken?
Der Milliarden-Token-Kontext ist das nächste Schlachtfeld der LLM-Entwicklung, denn nur so können KIs wirklich komplexe Inhalte über ganze Bücher oder Codebasen hinweg erfassen. Bisher bremste das quadratische Skalierungsproblem der Attention-Mechanismen, aber neue Architekturen wie Mamba und Tricks wie FlashAttention weisen den Weg. Das Ziel? Eine Ära, in der LLMs zu echten kognitiven Partnern werden, die nicht nur Fragen beantworten, sondern den gesamten Kontext verstehen.
M4 & lokale KI: Der Kampf um unabhängige Inference – ein Erfahrungsbericht
Lokale KI-Modelle auf einem M4-Chip mit 24GB Speicher zum Laufen zu bringen, ist kein Kinderspiel, aber machbar. Der Autor hat nach intensiven Tests eine stabile Konfiguration gefunden: Qwen 3.5-9B (4b quant) läuft über LM Studio mit respektablen 40 Tokens/Sekunde und 128K Kontextfenster. Damit ist eine spannende Unabhängigkeit von großen Cloud-Anbietern für grundlegende Aufgaben möglich, wenn auch nicht auf SOTA-Niveau.
LLM-KVCache: Cross-Datacenter-Serving wird greifbar, aber komplex
Prefill-decode (PD) Disaggregation ist zwar Standard für LLM-Serving, doch die flexible Verteilung über Datacenter hinweg scheitert bislang am massiven KVCache-Transfer. Obwohl neue Hybrid-Attention-Architekturen den KVCache signifikant verkleinern und Cross-Datacenter-Transport nun denkbar machen, stoßen solche Ansätze auf Herausforderungen wie schwankende Bandbreiten und ungleich verteilte Präfix-Caches. Eine simple Externalisierung des Prefill-Schritts über Datacenter-Grenzen würde ohne weitere Optimierung zu Engpässen und Ineffizienz führen.
OpenClaw vs. MS-DOS: Eine Lektion in fehlender Systemsicherheit
Der Autor setzt sich kritisch mit OpenClaw auseinander und zieht Parallelen zur mangelnden Sicherheit von MS-DOS. Er erinnert daran, wie DOS durch fehlende Isolation direkten Kernel-Zugriff erlaubte und Daten ungeschützt speicherte. Eine detaillierte Anekdote über Wal-Mart's unsichere MS-DOS-Kassensysteme illustriert die Risiken und die 'zero safety' jener Ära.
DeepMind: Roboter lernen mit Gedächtnis – so schnell wie nie zuvor.
DeepMind hat mit Gemini Robotics-ER 1.6 einen echten Sprung gemacht: Roboter lernen jetzt mit "episodischem Gedächtnis" und einer robotereigenen Sichtweise auf die Welt. Das bedeutet, sie können sich an frühere Aktionen erinnern und Zusammenhänge besser verstehen, was die Lernzeit drastisch verkürzt und sie unabhängiger von riesigen Datensätzen macht. Ein Game-changer für alle, die hoffen, dass Roboter bald mehr als nur vordefinierte Schritte ausführen können.
Brom: Nahost-Engpass bedroht globale Speicherchip-Produktion
Brom ist das unscheinbare Element, das als entscheidender Ätzstoff für die Produktion *aller* DRAM- und NAND-Speicherchips unerlässlich ist – vom Smartphone bis zum KI-Server. Da Südkorea 97,5% seines Broms aus Israel bezieht, offenbart der Nahost-Konflikt eine kritische Schwachstelle in der globalen Chip-Lieferkette. Eine Eskalation könnte die Chip-Produktion weltweit lahmlegen und unsere digitale Welt ins Stocken bringen.
KI-Agenten: Harness außerhalb des Sandkastens für Multi-User!
Ein Agent Harness steuert LLMs und orchestriert Tool-Aufrufe. Der Artikel diskutiert zwei Architekturen – Harness innerhalb oder außerhalb einer Sandbox – und deren Auswirkungen auf Sicherheit und Funktionalität. Für Multi-User-Systeme, so der Autor, ist das Harness außerhalb der Sandbox die bessere Wahl, welches Tools über eine API in der Sandbox ausführt.
SpaceX-Gerücht: 60 Mrd. $-Deal mit Cursor – doch die X-Seite schweigt
Laut Titel soll SpaceX angeblich den Erwerb von Cursor für 60 Milliarden US-Dollar bekannt gegeben haben. Der Versuch, die verlinkte X-Nachricht zu verifizieren, scheitert jedoch: Die Seite ist aufgrund eines JavaScript-Fehlers oder aktivierter Privacy-Erweiterungen nicht zugänglich. Der Inhalt der vermeintlichen Ankündigung bleibt somit unbestätigt und unklar.
Datalog im GPU-Turbomodus: So wird Logik endlich rasend schnell
Datalog, die oft unterschätzte Sprache für komplexe rekursive Queries, bekommt endlich ihren wohlverdienten Performance-Boost. Eine neue Studie zeigt, wie man Datalog-Programme auf GPUs optimieren kann, um selbst anspruchsvolle Logik-Abfragen massiv zu beschleunigen. Das ist ein Game-Changer für Bereiche wie statische Code-Analyse oder Datenbanken, wo Geschwindigkeit entscheidend ist.
Copy Fail: Nicht AI-relevant für flinkbase.com
Die Story 'Copy Fail' (CVE-2026-31431) beschreibt einen kritischen Linux-Kernel-Exploit, der seit 2017 unentdeckt ist und gängige Distributionen betrifft. Da die Meldung keinerlei direkten Bezug zu KI/ML hat, ist sie für einen AI News Digest wie flinkbase.com thematisch ungeeignet.