Die Redaktion wählt vier Paper aus den arXiv-Einreichungen der vergangenen 24 bis 48 Stunden, die zeigen, wie unterschiedlich weit Fähigkeit, Vertrauenswürdigkeit und Effizienz heutiger KI-Systeme derzeit auseinanderliegen – von einem neuen offenen Großmodell über kippende Sicherheitsgremien und frei erfundene Nutzerprofile bis zu gezielter gesteuerten Denkspuren. Kuratiert wurde nach Substanz: Jedes Paper bietet eine nachvollziehbare Methode und ein konkretes Zahlenergebnis im Abstract, keine bloße Themen-Überschrift. Die Auswahl deckt bewusst vier unterschiedliche Teilgebiete ab – Modell-Release, Sicherheitsbewertung, Personalisierung und Inferenz-Effizienz.
K-EXAONE 2.0: LG AI Research skaliert auf 750 Milliarden Parameter
Ein großes Autorenteam von LG AI Research legt mit K-EXAONE 2.0 ein offenes mehrsprachiges Fundamentmodell vor, das nicht neu trainiert, sondern aus dem Vorgänger K-EXAONE per “Upcycling” erweitert wurde: ein Mixture-of-Experts-Modell (MoE, ein Modell, das pro Anfrage nur einen Teil seiner spezialisierten Teilnetze aktiviert) mit 750 Milliarden Gesamt- und rund 37 Milliarden aktiven Parametern pro Token – mehr als die dreifache Kapazität des Vorgängers. Das Modell unterstützt Kontextlängen bis 256.000 Token und wächst von sechs auf zehn unterstützte Sprachen. Die Trainings-Pipeline kombiniert fortgesetztes Vortraining, schwierigkeitsfokussiertes Zwischentraining und Nachtraining, um Reasoning, agentisches Programmieren, Mehrsprachigkeit und eine an koreanischen gesellschaftlichen Kontexten ausgerichtete Sicherheit zu stärken. Über neun für die Praxis ausgewählte Bewertungskategorien hinweg verbessere sich K-EXAONE 2.0 laut den Autoren gegenüber dem Vorgänger und bleibe konkurrenzfähig zu offenen Modellen, mit den größten Fortschritten bei agentischem Programmieren und Langkontext-Verständnis. Veröffentlicht wird das Modell unter der offenen Apache-2.0-Lizenz. Das zählt, weil damit erneut ein asiatisches Labor ein sehr großes offenes MoE-Modell mit konkreten Parameter- und Kontextzahlen vorlegt – ein Muster, das zuvor bereits bei Thinking Machines’ Modell Inkling mit 975 Milliarden Gesamt- und 41 Milliarden aktiven Parametern zu beobachten war, nur dass K-EXAONE 2.0 zusätzlich Sicherheit explizit an einen konkreten kulturellen Kontext koppelt.
Sicherheitsgremien: Ein falscher Mitspieler kippt die gesamte Mehrheitsentscheidung
Yibo Hu und Jiaming Qu prüfen in Social Pressure Breaks Majority Voting in LLM Safety Panels, was passiert, wenn mehrere KI-Modelle gemeinsam als Gremium unsichere Inhalte erkennen sollen, aber vor der Abstimmung dieselben irreführenden Hinweise sehen. In einem zweistufigen Experiment urteilt jedes Modell zunächst allein über einen Fall, danach erneut, nachdem sechs simulierte Mitspieler entweder ein falsches Label behaupten oder sich enthalten; die finalen Urteile werden per Mehrheitsentscheid zusammengeführt. Über sechs offene Sprachmodelle und sechs Datensätze hinweg steigt laut den Autoren die durchschnittliche Fehlalarmquote einzelner Gutachter durch die falsche Behauptung von 56,5 Prozent (bei schweigenden Mitspielern) auf 87,5 Prozent, und die Mehrheitsentscheidung des gesamten Gremiums treibt die Fehlalarmquote sogar auf 100 Prozent. Ohne behauptetes Label schneidet dasselbe Gremium dagegen besser ab als sein durchschnittliches Mitglied. Der Effekt sei stark asymmetrisch: Gutachter folgen einem Schubs Richtung “unsicher” weit häufiger (rund 75 Prozent) als Richtung “sicher” (rund 17 Prozent), sodass die Fehlalarmquote stark steigt, während sich die Rate übersehener echter Risiken kaum verändert. Das zählt, weil Unternehmen Modell-Gremien zunehmend als zusätzliche Sicherheitsebene einsetzen – ein Anschluss an die zuvor besprochene Prüfung von Agenten-Sicherheitsbenchmarks, die bereits zeigte, wie unzuverlässig gängige Sicherheitsmessungen sein können, hier jedoch nicht wegen fehlerhafter Testfälle, sondern durch geteilte soziale Signale zwischen den Gutachtern selbst.
Fake-Profile: KI erfindet Nutzereigenschaften – und schätzt sich selbst falsch ein
Yushi Sun, Yanjie Zhang und Rui Sheng untersuchen in The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads das Phänomen der “Überinferenz”: Sprachmodelle mit dauerhaftem Gedächtnis erfinden Nutzereigenschaften, für die die vorliegenden Belege gar nicht ausreichen. Für den neuen Benchmark MirageBench verwenden die Autoren 150 Personas zwischen stereotyp, gegen-stereotyp und neutral, sechs Personalisierungsaufgaben sowie eine vierstufige Treue-Taxonomie, die gegen eine blinde menschliche Bewertung von 400 Aussagen validiert wurde (Cohen’s Kappa 0,863 in der Vierklassen-Version); insgesamt wertet ein unabhängiges Richtermodell 143.616 Einzelaussagen von zwölf Modellen aus sieben Modellfamilien aus. Überinferenz sei demnach durchgängig: Jedes der zwölf Modelle erfinde 35 bis 49 Prozent seiner Aussagen frei (Mittelwert 41,6 Prozent), kein einziges Modell entkomme dem Muster. Besonders auffällig sei eine “Selbstüberwachungs-Umkehrung”: Auf Modellebene korreliert die selbst eingeschätzte Überinferenz-Rate negativ mit der vom Richtermodell gemessenen (Rangkorrelation ρ = -0,60) – gerade die Modelle, die am wenigsten Überinferenz melden, würden am häufigsten beim Erfinden ertappt, während die interne Selbstprüfung innerhalb eines einzelnen Modells die eigenen Aussagen noch moderat gut sortiere (AUROC 0,58 bis 0,83). Das zählt, weil personalisierte Assistenten mit Langzeitgedächtnis zunehmend im Alltag eingesetzt werden und die Studie zeigt, dass gerade das Vertrauen in die Selbstauskunft eines Modells über seine eigene Zuverlässigkeit hier in die Irre führt.
ReCo: Weniger Tokens, kleinerer Cache durch belohnungsgesteuerte Kompression
Ein Team um Qiyuan Zhu und Dezhi Li stellt mit Fewer Tokens, Smaller Cache: Reward-Coordinated Efficient Reasoning das Framework ReCo vor, das zwei bislang getrennt behandelte Ansätze zur Beschleunigung von Reasoning-Modellen zusammenführt: KV-Cache-Kompression (ein Verfahren, das den während der Generierung gespeicherten Zwischenzustand des Modells verkleinert) und die Kontrolle der reinen Tokenzahl. Die Autoren beobachten, dass einzelne Reasoning-Schritte unterschiedlich empfindlich auf Speicherverlust reagieren und dass ein zu aggressiv verkleinerter Cache das Modell paradoxerweise zu mehr statt weniger erzeugtem Text verleiten kann. Ein leichtgewichtiger Prozess-Belohnungsschätzer bewertet deshalb jeden abgeschlossenen Denkschritt und steuert darüber drei Mechanismen gemeinsam: adaptive KV-Cache-Kompression, die an besonders wichtigen Schritten stärker eingreift, belohnungsbasierte Abzüge auf redundante Reflexions-Tokens sowie ein konfidenzbasiertes vorzeitiges Stopp-Kriterium. Getestet an drei Reasoning-Modellen und sechs Benchmarks senkt ReCo laut den Autoren die Zahl der erzeugten Tokens um 37 bis 65 Prozent und beschleunigt die Antwortzeit um das 2,08- bis 2,35-Fache gegenüber vollständigem Chain-of-Thought, bei weitgehend erhaltener Genauigkeit. Das zählt, weil es einen direkten Fortschritt gegenüber dem zuvor vorgestellten Verfahren BLADE markiert, das Tokens allein durch vorzeitigen Ausstieg spart: ReCo koppelt diese Ausstiegs-Logik zusätzlich mit der Speicherseite des Problems.
Zum Schluss die übliche Einordnung: Alle vier Arbeiten sind bislang unbegutachtete Preprints, ihre Zahlen stammen aus den eigenen Experimenten der jeweiligen Autorenteams. Die K-EXAONE-Auswertung stützt sich auf neun selbst gewählte Bewertungskategorien, die Panel-Studie auf sechs offene Modelle und sechs Datensätze, MirageBench auf zwölf Modelle mit teils breiten Konfidenzintervallen bei der zentralen Korrelation, und ReCo wurde bislang an drei Modellen und sechs Benchmarks getestet. Ob sich die berichteten Effekte an mehr Modellen, Aufgaben und in unabhängigen Nachbauten bestätigen, muss sich erst noch zeigen.
