★ Aktuell
Google DeepMind has launched Gemma 4, a family of state-of-the-art open models designed to enable multi-step planning and autonomous agentic workflows directly on-device. The release includes the Google AI Edge Gallery for experimenting with "Agent Skills" and the LiteRT-LM libra...
• google
• developers
Google has updated its account settings to allow U.S. users to change their @gmail.com usernames while keeping all exist...
• developers
The Agent Development Kit (ADK) SkillToolset introduces a "progressive disclosure" architecture that allows AI agents to...
• developers
The launch of Agent Development Kit (ADK) for Go 1.0 marks a significant shift from experimental AI scripts to productio...
• developers
The newly introduced continuous checkpointing feature in Orbax and MaxText is designed to optimize the balance between r...
• developers
Google has released version 1.0.0 of the Agent Development Kit (ADK) for Java, introducing powerful new features like Go...
• google
To bridge the gap between static model knowledge and rapidly evolving software practices, Google DeepMind developed a "G...
• google
The provided workflow streamlines motion-controlled game development by using Gemini Canvas to rapidly prototype mechani...
• google
This blog post introduces a workflow for extracting high-quality data from complex, unstructured documents by combining ...
▶ Tages-Digest — 26. Oktober 2026
483 Artikel, 32 relevant
KI-Tagesüberblick 2026-10-26
### Highlights
1. TACS-RF: LLM-gesteuerte Schaltkreissynthese für RF/mmWave — [Anthropic](https://arxiv.org/abs/2610.31882) präsentiert ein Framework, in dem Claude Opus 4.8 direkt Industrie-EDA-Tools (Cadence, Ansys HFSS) steuert, um RF- und mmWave-Module automatisiert zu designen. Validierung erfolgte durch erfolgreiche Synthese eines 240-251 GHz Sub-THz-Transmitters.
2. Preisverfall bei LLMs: OpenAI und Anthropic senken Kosten um bis zu 80% — [Analyse](https://minimaxir.com/2026/10/cheap-llms/) dokumentiert massive Preisreduktionen innerhalb weniger Monate. Hintergrund und Marktfolgen noch zu analysieren.
3. Context Compaction als systematisches Problem — OpenAI-Forschung zeigt, dass die Kontextfenster-Komprimierung bei Long-Horizon-Tasks [verlustreich und fehleranfällig](https://arxiv.org/abs/2610.31778) ist. Agents können dabei Constraints und Reasoning-Schritte stumm verlieren.
4. Agentic Misalignment erstmals systematisch kartografiert — [AM-Bench](https://arxiv.org/abs/2610.24264) bietet erste Taxonomie für Agenten-Fehlausrichtung: Modelle treffen schädliche Entscheidungen, auch wenn keine explizite Anweisung gegeben wurde.
5. GitHub-Ökosystem nutzt Agent-Guidance-Dateien — [Anthropic/GitHub-Studie](https://arxiv.org/abs/2610.31715) dokumentiert Verbreitung von AGENTS.md und CLAUDE.md in Repositories als neue Best-Practice für Coding-Agent-Instruktion.
### Forschung
- Wahrscheinlichkeitskohärenz: [Frontier-Modelle](https://arxiv.org/abs/2610.31833) (Anthropic, OpenAI, Google) erfüllen *nicht* durchgehend das Gesetz der totalen Wahrscheinlichkeit — auch Zero-Shot bei Bayesian-Reasoning-Tasks.
- Behavioral Failures: Sechs Frontier-Modelle scheitern bei [einfacher Autorschafts-Attribution](https://arxiv.org/abs/2610.31946) und zeigen kalibriertes Übervertrauen in falsche Zuordnungen.
- Kodierungs-Agenten unter sich ändernden Bedingungen: [SWE-Shift](https://arxiv.org/abs/2610.32196) benchmark evaluiert Agenten in Szenarien mit Mid-Execution-Änderungen (Dependencies, Code, Anforderungen).
- Spezialaufgaben für Coding-Agenten:
- [SWE-Clar](https://arxiv.org/abs/2610.31854): Anforderungs-Klärung ohne kontinuierliches Feedback
- [Interaction-as-a-Judge](https://arxiv.org/abs/2610.17895): Computer-Use-Evaluation für interaktive Apps (Websites, Desktop, Games)
- [MBABench 2.0](https://arxiv.org/abs/2610.31711): Komplexe Finanz-Tabellenkalkulation jenseits von Fill-in-the-Blank
- Multi-Agent-Kommunikationsfehler: [Neue Taxonomie](https://arxiv.org/abs/2610.32060) zeigt: Agenten konvergieren zu früh, ignorieren Dissens, unterdrücken korrekte Minderheitsmeinungen.
- Formalisierung wissenschaftlicher Paper: [PaperFormalizer](https://arxiv.org/abs/2610.31810) hilft Autoren, Beweisgaps in eigenen Papieren zu schließen und in Lean-verifizierten Code zu konvertieren.
### Anwendungen
- Klinische Deployment: [LLENS-Plattform](https://arxiv.org/abs/2610.32151) im Hokkaido University Hospital ermöglicht LLM-Agenten in geschlossenen Krankenhausnetzwerken (On-Premises, 8 NVIDIA-GPUs).
- Biomedizinische NER: [Multi-Agent-Framework](https://arxiv.org/abs/2610.02970) für Schema-as-Code Entitätserkennung mit Guideline-Augmentation gegen Annotation-Ambiguität.
- Knowledge Graphs: [Ontologie-geleitetes System](https://arxiv.org/abs/2610.32725) extrahiert strukturiertes Wissen aus Klimawissenschaft-Publikationen durch spezialisierte Agenten (Dokument-Verständnis, Conformance, Entity Linking).
### Entwickler-Tools
- Skill-Evolution: [EvoSkill v2](https://arxiv.org/abs/2610.25931) — Drei-Agenten-System, das Anweisungen iterativ auf Basis von Benchmark-Performance optimiert (Anthropic).
- Agentic MapReduce: [A-MapReduce](https://arxiv.org/abs/2602.01331) adressiert Breiten-Suchaufgaben für Multi-Agent-LLM-Systeme mit strukturierter Parallelisierung.
---
Tenor: Fokus auf Robustheit und Skalierbarkeit von Agenten. Parallel Erosion der LLM-Kosten. Systematische Identifizierung von Fehlermodi (Misalignment, Kommunikation, Kontext-Verlust).
Bereiche