Die heutige Auswahl aus den arXiv-Neueinreichungen der vergangenen Tage verbindet vier Fragen, die selten gemeinsam auftauchen: wie sich entfernte Sicherheitssperren offener Modelle nachträglich noch abwehren lassen, wie weit autonome KI-Forschung ohne menschliche Anleitung trägt, wie sich Agenten-Training über verschiedene Einsatzumgebungen hinweg vereinheitlichen lässt und ob sprachliches Rätsellösen ein härterer Gradmesser für KI-Denkfähigkeit ist als Mathematik oder Code. Kuratiert wurde nach Substanz und Streuung: Jedes Paper liefert eine nachvollziehbare Methode mit belastbaren Zahlen im Abstract, und keine zwei Arbeiten behandeln dasselbe Teilgebiet.
Fool’s Gold: Ein Ködertrick gegen entsperrte offene Modelle
Mark Russinovich stellt mit Fool’s Gold eine Verteidigung gegen sogenannte Abliteration vor – ein Verfahren, mit dem sich die eingebauten Verweigerungs-Mechanismen offen verfügbarer KI-Modelle nachträglich entfernen lassen, sodass sie eigentlich gesperrte Anfragen beantworten. Statt den Angriff selbst zu verhindern, vergiftet die vorgeschlagene „Decoy Hardening”-Methode dessen Ertrag: Das Modell bleibt zunächst normal nutzbar, hinterlegt aber verdeckte Köder-Antworten, die erst nach einer erfolgreichen Sperren-Entfernung aktiv werden – selbstbewusst formuliert und flüssig lesbar, aber an entscheidender Stelle absichtlich verfälscht. Getestet an sieben offenen Modellen zwischen 9 und 122 Milliarden Parametern aus fünf Modellfamilien bestanden sechs die Wirksamkeitsprüfung; auf sicherheitsrelevanten Testfragen habe das verteidigte 122-Milliarden-Modell in 82 bis 86 Prozent der Fälle überzeugend klingende, aber fatal falsche Antworten geliefert, gegenüber höchstens 10 Prozent bei unverteidigten Modellen. Die reguläre Leistung des Modells im unangetasteten Zustand bleibe dabei unverändert erhalten. Ein früherer Digest-Beitrag hatte bereits ein Verfahren vorgestellt, das schädliches Fine-Tuning offener Modelle von vornherein blockiert – Fool’s Gold setzt eine Stufe später an und sorgt dafür, dass ein bereits erfolgreicher Angriff dem Angreifer nutzlose bis gefährliche Ergebnisse liefert. Das zählt, weil offen verfügbare Modellgewichte sich technisch nicht vor lokaler Manipulation schützen lassen und Verteidiger deshalb auf genau solche nachgelagerten Gegenmaßnahmen angewiesen sind.
ASI-Bench: Autonome KI-Forschung bricht ohne menschliche Anleitung ein
Ein 42-köpfiges Autorenteam um Junwei Zhou stellt mit ASI-Bench einen mit über 31.000 Arbeitsstunden und mehr als 40 Fachleuten entwickelten Benchmark aus 60 projektartigen Forschungsaufgaben über 11 wissenschaftliche Domänen vor, der gezielt prüft, wie gut KI-Systeme eigene Methoden entwickeln statt vorgegebene auszuführen. Getestet wurden 18 Agenten-Modell-Konfigurationen unter drei Anleitungsstufen: mit vollständiger methodischer Vorgabe, mit nur benannter Methode und mit vollständig eigenständiger Methodenwahl. Die Autoren berichten, der durchschnittliche Score falle von 50,91 Punkten bei voller Anleitung über 29,10 Punkte bei vorgegebener Methode auf nur noch 26,62 Punkte, wenn das System die Vorgehensweise komplett selbst bestimmen müsse – ein Beleg dafür, dass heutige Systeme wissenschaftliche Aufgaben zwar technisch ausführen, aber kaum eigenständig sinnvolle Forschungsrichtungen wählen können. Ein früherer Digest-Beitrag hatte bereits gezeigt, dass Spitzen-Agenten zwar die Technik unveröffentlichter Forschungsfragen meistern, aber am eigentlichen wissenschaftlichen Fortschritt scheitern – ASI-Bench liefert dazu jetzt eine gestufte Messung, die genau zeigt, an welcher Stelle der Prozesskette die Eigenständigkeit einbricht. Das zählt, weil Ankündigungen autonomer KI-Forschungssysteme oft an Aufgaben mit vollständiger Anleitung gemessen werden, während der eigentlich interessante Schritt – die eigenständige Wahl der Methode – laut diesen Zahlen noch der schwächste Teil ist.
Agent Lightning v1.0: Ein Trainingsframework hebt die Coding-Erfolgsquote deutlich
Ein Microsoft-Research-Team um Zhiyuan He stellt mit Agent Lightning v1.0 ein rund 3.500 Zeilen umfassendes Framework für „harnessed agentic RL” vor: Statt ein Modell isoliert zu trainieren, bindet das Verfahren den kompletten Einsatz-Harness – also die Software-Schicht, die Werkzeuge, Kontext und Kontrollfluss eines Agenten verwaltet – direkt ins Nachtraining ein und löst dabei technische Probleme wie Retokenisierung, das Zusammenführen von Stichproben und die Vorteilsberechnung über beliebige Agenten-Harnesses hinweg. In Tests an Instruktionsfolge-, Such- und Coding-Agenten habe sich die Erfolgsquote eines Qwen3.5-9B-Modells auf dem Coding-Benchmark SWE-bench Verified mit nur 6.000 Trainingsbeispielen von 41,8 auf 56,4 Prozent verbessert. Ein früherer Digest-Beitrag hatte bereits berichtet, dass sich Agenten per Reinforcement Learning schneller und günstiger trainieren lassen – Agent Lightning liefert dafür jetzt ein wiederverwendbares, harness-unabhängiges Werkzeug statt einer aufgabenspezifischen Einzellösung. Das zählt, weil uneinheitliche Trainingsintegration bislang ein praktisches Hindernis dafür war, Agenten-Verbesserungen aus der Forschung in reale Produktivsysteme zu übertragen.
IOL-AI Challenge: Claude Opus 4.8 erreicht Goldmedaillen-Niveau bei Sprachrätseln
Ein Team um Eduardo Sánchez stellt mit der IOL-AI Challenge einen offenen Wettbewerb auf bislang unveröffentlichten Aufgaben der Internationalen Linguistik-Olympiade (IOL) 2026 vor – Sprachrätsel, bei denen das lösende System zunächst selbst ein unbekanntes Sprachsystem erschließen muss, statt wie bei Mathematik oder Code auf vorgegebenen Regeln aufzubauen. Erstmals bewertete dabei die offizielle IOL-Jury die eingereichten Systeme nach denselben Maßstäben wie menschliche Teilnehmende. 731 Einreichungen von 46 Teams traten unter strengem Rechenbudget an (eine T4-GPU, 30 Minuten), während 15 uneingeschränkte Spitzenmodelle separat getestet wurden. Die Autorinnen und Autoren berichten, Claude Opus 4.8 erreiche dabei einen von der Jury bestätigten Score auf Goldmedaillen-Niveau, während die eingereichten ressourcenbeschränkten Systeme im untersten 5-Prozent-Bereich der menschlichen Teilnehmenden landeten; ein 14-Milliarden-Modell habe zudem doppelt so große Modelle geschlagen, wobei die Verbesserung eher aus Decodierungs- und Ausgabeverarbeitung als aus roher Modellgröße gestammt habe. Ein früherer Digest-Beitrag hatte bereits gezeigt, dass KI-Agenten bei einem Raumverständnis-Test mit menschlichem Vergleichswert deutlich hinter Menschen zurückblieben – die IOL-AI Challenge zeigt nun das Gegenbeispiel eines Bereichs, in dem ein Frontier-Modell den menschlichen Maßstab erreicht. Das zählt, weil sprachliches Strukturverständnis laut den Autoren kaum von Vorwissen über die getesteten Sprachen profitiert und sich damit als vergleichsweise sauberer Test für generalisierbares Schlussfolgern eignet.
Alle vier Arbeiten sind nicht unabhängig begutachtete Preprints – die berichteten Zahlen stammen aus den Experimenten der jeweiligen Autorenteams und wurden bislang nicht extern repliziert. Das gilt besonders für Fool’s Gold, dessen Wirksamkeit bislang nur gegen die getesteten Abliterations-Verfahren gezeigt wurde, nicht gegen künftige Angriffstechniken, sowie für ASI-Bench, dessen Bewertungsraster von den Autorinnen und Autoren selbst festgelegt wurde. Ob sich die Befunde an weiteren Modellen, Benchmarks und in unabhängigen Nachbauten bestätigen, muss sich erst noch zeigen.
