Suche
LLM selber trainieren: Die Blackbox wird transparent.
Vergiss die Blackbox! Dieses GitHub-Projekt liefert einen praxistauglichen Blueprint, um ein LLM von Grund auf zu trainieren. Es ist kein Shortcut zu einem fertigen Modell, sondern ein tiefgreifender Guide für alle, die wirklich verstehen wollen, wie generative KI unter der Haube tickt, statt nur APIs zu konsumieren.
Meta schaut zu: Mitarbeiter-Maus & Tastatur füttern die KI
Meta plant ab 2026 die Mausbewegungen und Tastaturanschläge seiner Mitarbeiter zu erfassen, um die internen KI-Modelle zu trainieren und zu verbessern. Obwohl Meta beteuert, die Daten zu anonymisieren und eine Opt-out-Möglichkeit anzubieten, ist dies ein drastischer Schritt, der erneut die Grenzen zwischen Produktivitätssteigerung und Überwachung am Arbeitsplatz verwischt. Es bleibt abzuwarten, wie das von der Belegschaft und Aufsichtsbehörden aufgenommen wird – ein heikler Balanceakt, der weitreichende Präzedenzfälle schaffen könnte.
Die LLM-Blackbox entschlüsselt: Ein visueller Karpathy-Guide
Dieser interaktive, visuelle Guide, basierend auf Andrej Karpathys technischem Deep Dive, erklärt verständlich, wie große Sprachmodelle wie ChatGPT tatsächlich gebaut werden. Er führt von der Datensammlung und -filterung über die Tokenisierung bis hin zur gesamten Trainings-Pipeline. Eine klare und detaillierte Ressource für alle, die das Innenleben von LLMs von Grund auf verstehen wollen.
Datendiebstahl bei Mercor: 4TB Stimmproben von 40.000 KI-Freelancern weg
Die Erpressergruppe Lapsus$ meldet den Diebstahl von 4TB biometrischen Sprachdaten und Ausweisdokumenten von 40.000 KI-Auftragnehmern der Plattform Mercor. Die gestohlenen Datensätze umfassen Stimmproben und IDs von Personen, die für AI-Training wie Datenlabeling oder Lesedurchläufe arbeiteten, und werfen die Frage nach dem Missbrauch dieser permanenten biometrischen Identifier auf.
SOB: Neuer Benchmark für präzise strukturierte LLM-Outputs
Interfaze.ai präsentiert den Structured Output Benchmark (SOB) zur umfassenderen Bewertung von LLMs bei der Erzeugung deterministischer, strukturierter Daten aus vielfältigen Quellen wie OCR oder PDF. Bestehende Benchmarks fokussieren oft nur auf Schema-Konformität, während SOB zeigt, dass Modelle sich insbesondere in der Genauigkeit der extrahierten Werte (`Value Accuracy`) und der `Perfect Response` erheblich unterscheiden. Dies offenbart, dass LLMs bei der fehlerfreien Datenextraktion aus komplexen Quellen noch Mängel aufweisen.
DeepMind DiLoCo: KI-Training endlich robust & dezentral skalierbar
Aktuelle KI-Modelle zu trainieren ist eine Sisyphusarbeit: Es dauert oft Wochen oder Monate, und ein einziger Serverausfall kann alles zunichtemachen. DeepMind zeigt mit „DiLoCo“ jetzt, wie man verteiltes KI-Training robuster macht: Indem Berechnungen entkoppelt werden, laufen die Modelle auch bei Ausfällen weiter und sind effizienter. Das ist kein triviales Detail, sondern ein Game Changer für alle, die wirklich große Modelle zuverlässig und schnell entwickeln wollen – ein echter Schritt nach vorn in der Infrastruktur von morgen.
Ex-DeepMind Silver: 1,1 Mrd. $ für KI, die ohne uns lernt
Der frühere DeepMind-KI-Forscher David Silver hat mit seinem neuen Lab, Ineffable Intelligence, beeindruckende 1,1 Milliarden Dollar eingesammelt. Ihr ambitioniertes Ziel: Eine "Superlearner"-KI zu entwickeln, die Wissen und Fähigkeiten ohne menschliche Daten entdeckt. Sie setzen dabei auf Reinforcement Learning und wollen so die Abhängigkeit von LLM-Datensätzen überwinden.
Kodak-Bilder neu vermessen: PCA enthüllt die DNA visueller Daten
Wer dachte, die alten Kodak PCD0992 Bilder hätten ihre Geheimnisse preisgegeben, irrt sich. Dieses Projekt zerlegt jedes einzelne Bild mit Principal Component Analysis (PCA) und liefert eine statistische Charakterisierung, die aufzeigt, wie visuelle Daten wirklich aufgebaut sind. Es ist ein tiefer Tauchgang in die DNA von Bildern, unerlässlich für jeden, der mit Bild-KI arbeitet und verstehen will, was unter der Haube passiert.
Konvergente Evolution: Wie diverse Modelle Zahlen ähnlich repräsentieren
Entgegen der Black-Box-Annahme lernen unterschiedliche Sprachmodelle – darunter Transformer, RNNs und LSTMs – ähnliche periodische Zahlenrepräsentationen. Diese Konvergenz ist jedoch zweistufig: Während alle Modelle Fourier-Peaks zeigen, entwickeln nur manche geometrisch separierbare Features für die Modulo-Klassifikation. Die genaue Ausprägung der Zahlenrepräsentation hängt stark von Daten, Architektur und Trainingsdetails ab.
KI klärt Himmelsrätsel: ML verifiziert alte Phänomene in Archivbildern
Historische Himmelsbilder zeigen flüchtige, sternähnliche Objekte, deren Natur lange umstritten war – echte Phänomene oder bloße Defekte? Jetzt setzen Forschende Machine Learning ein, um die Identifikation dieser Transienten zu präzisieren und ihre Existenz als echte astronomische Ereignisse zu validieren. Das von Experten trainierte ML-Modell liefert somit belastbare Beweise und stärkt die ursprünglichen Beobachtungen.
LLMs: Schluss mit Typen-Chaos nach der Generierung?
Large Language Models erzeugen zunehmend Code für Sprachen wie Idris oder Lean. Aktuell produzieren sie jedoch untypisierte Token-Listen, deren Typsicherheit erst nachträglich und ad-hoc geprüft wird. Der Artikel hinterfragt diese "Post-Training"-Methoden und schlägt vor, LLMs von Grund auf für die direkte Erzeugung typisierter Ausgaben zu trainieren.
Atlassian's KI-Offensive: Deine Unternehmensdaten landen jetzt standardmäßig im AI-Topf
Atlassian, die Firma hinter Tools wie Jira und Confluence, ändert klammheimlich ihre Datenrichtlinien: Ab sofort werden Nutzerdaten standardmäßig für das Training ihrer KI-Modelle gesammelt. Das bedeutet, sensible Unternehmensinformationen könnten unbeabsichtigt in Atlassians AI-Topf landen, falls man nicht aktiv widerspricht – ein potenzieller Albtraum für IT-Sicherheit und Compliance. Dieser aggressive Schritt von Opt-in zu Opt-out ist ein herber Schlag für das Kundenvertrauen und verdient ein genaues Hinsehen.
KI-Goblins: Wie unbeabsichtigte Muster in Modellen zum Vorschein kommen
OpenAI lüftet das Geheimnis der 'Goblins' – jener bizarren, aber faszinierenden Verhaltensweisen, die in ihren riesigen Sprachmodellen auftauchen, obwohl niemand sie programmiert hat. Es geht um emergente Phänomene: Modelle entwickeln aus der schieren Datenflut eigenständige Repräsentationen und "Skills", die wir noch nicht vollständig entschlüsseln können. Ein klarer Weckruf, der zeigt, wie unberechenbar und doch brilliant unsere KI-Systeme sein können.
Deep Learning: Eine wissenschaftliche Theorie formiert sich
Das Paper argumentiert, dass eine wissenschaftliche Theorie des Deep Learning im Entstehen begriffen ist. Sie soll wichtige Eigenschaften und Statistiken von Trainingsprozessen, Repräsentationen, Gewichten und der Performance neuronaler Netze charakterisieren. Die Autoren fassen dazu bestehende Forschungsstränge zusammen und identifizieren fünf wachsende Arbeitsbereiche, die auf diese Theorie hindeuten.
Talkie-1930: Historische Sprachmodelle als neue humanistische KI-Disziplin
Das am Montag öffentlich zugänglich gemachte "Talkie-1930" ist das größte historische Sprachmodell seiner Art und repräsentiert eine simulierte Kollektivität vergangener Epochen. Autor Benjamin Breen, ein Beta-Tester, sieht "Vintage LLMs" als den Startpunkt eines neuen humanistischen Forschungsfeldes, das aufdeckt, wie unterbewertet diese Perspektive in der gewinnorientierten KI-Entwicklung ist. Dies verdeutlicht, dass selbst auf die 2020er optimierte Modelle auf immense historische und vielsprachige Textdaten zurückgreifen.
PCA-Erweiterung: Polynom-Autoencoder verbessert Transformer-Embeddings
Ein Blogpost stellt eine Methode vor, die PCA für die Kompression von Transformer-Embeddings verbessert: Ein polynomialer Autoencoder (PAE). Dabei bleibt der Encoder eine einfache PCA, während ein quadratischer Decoder nicht-lineare Anteile der Embeddings erfasst. Diese seit 2017 bekannte, geschlossene Lösung reduziert den Informationsverlust im Vergleich zu reinem PCA und erreicht auf Benchmarks wie BEIR/FiQA eine deutlich höhere Retrieval-Qualität.
Stop Flock: Stability AI fordert Opt-Out für AI-Training – Machtwechsel?
Die Initiative 'Stop Flock' von Stability AI bringt frischen Wind in die Debatte um AI-Training und Copyright. Sie schlägt einen `noai`-Standard für `robots.txt` vor, der Creatorn ein einfaches Opt-Out ermöglichen soll. Ein längst überfälliger Schritt, der die ethische Dimension von AI-Modellen endlich ernst nimmt und die Machtverhältnisse neu ordnet.
3D-Körper aus 8 Fragen: Ohne Foto, ohne GPU zum präzisen Avatar
Ein neues Verfahren generiert mit nur acht Fragen einen präzisen 3D-Körper, ganz ohne Fotos oder leistungsstarke GPUs. Ein kleines MLP verarbeitet die Eingaben in Millisekunden auf einer CPU und gibt 58 Anny-Body-Parameter aus. Dies übertrifft die Genauigkeit von Foto-Pipelines bei Umfängen und löst Datenschutz- sowie Kostenprobleme.
Talkie: 13B-Sprachmodell aus 1930 – Blick in die AI-Vergangenheit
Talkie ist ein 13B-Sprachmodell, das ausschließlich auf Texten vor 1931 trainiert wurde. Das ernsthafte Forschungsprojekt simuliert die Interaktion mit einem Modell der Vorkriegszeit, um das allgemeine Verständnis von KI zu vertiefen. Die Ausgaben spiegeln dabei die Kultur und Werte der historischen Trainingsdaten wider.
Alignment-Whack-a-Mole: Finetuning lässt LLMs Copyright-Bücher spucken
Ein neues Paper zeigt auf: Wenn Large Language Models (LLMs) mit urheberrechtlich geschützten Büchern trainiert werden, können spätere Finetuning-Schritte diese Inhalte reaktivieren. Selbst wenn das Modell zuvor darauf getrimmt wurde, diese Daten zu "vergessen", holt das Finetuning unerwartet die geschützten Texte wieder hervor. Das ist ein echtes "Alignment Whack-a-Mole" – ein Problem gelöst, zwei neue aufgetaucht, und es wirft ernste Fragen bezüglich IP und Datenmanagement auf.