Digest-Archiv

KI-Systeme, die sich ohne menschliches Eingreifen verbessern, verlieren an Boden, doch ein Bereich hält stand.

Über vier Wochen hinweg sinken die Veröffentlichungen zu multi-agent systems and negotiation (Multi-Agenten-Systeme und Verhandlung) von 204 auf 111 Artikel, was einem Rückgang um fast die Hälfte entspricht. Dennoch bleibt eine Teilmenge dieser Arbeiten - jene, die recursive self-improvement (rekursive Selbstverbesserung) erforschen - stabil. Der Begriff taucht in diesem Monat in 33 Artikeln auf, ein Volumen, das nahe an den 31 im August liegt. Diese Forschungen befassen sich mit Agenten, die in der Lage sind, ihre eigenen Fehler zu korrigieren und ihre Leistungen zu verfeinern, ohne von externen Daten oder Menschen abhängig zu sein.

Drei aktuelle Artikel veranschaulichen diese Beständigkeit:

• The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
• MetaRSI / RSI2: A Meta-Recursive Self-Improving System for Recursive Self-Improving Systems Themselves
• Generalized Agent Iteration: One Formal Framework for Iterative Policy Improvement and Recursive Self-Improvement

Parallel dazu steigt die Zahl der Artikel zu agent harnesses (Software-Frameworks, die Ziele und Einschränkungen von Agenten definieren) in diesem Monat auf 51, verglichen mit 21 im August. Diese Tools zielen darauf ab, komplexe und langfristige Aufgaben wie Projektmanagement oder zeitlich gestreckte Entscheidungsfindung zu strukturieren. Zwei Beispiele:

• RobustSGPO: Search-Space Control for Agent Harness Evolution
• Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails

Andernorts gehen die meisten großen Themen zurück. Large language models (große Sprachmodelle) sinken von 587 auf 271 Artikel, und multimodale Anwendungen (die Text, Bild und Ton kombinieren) von 575 auf 244. Einzig Speech Recognition and Synthesis (Spracherkennung und -synthese) verzeichnet einen Anstieg mit 112 Artikeln gegenüber 78.

KI-Systeme, die lernen, sich ohne menschliche Daten zu verbessern, nehmen nun einen zentralen Platz in der Forschung ein. In diesem Monat verzeichnen zwei mit diesem Ansatz verbundene Themen ein beispielloses Wachstum: Multi-Agenten-Systeme und Verhandlung (172 Artikel in vier Wochen, gegenüber 53 im Vormonat) und Informationssuche (149 Artikel, gegenüber 47). Diese beiden Bereiche teilen sich eine gemeinsame Technik, die on-policy self-distillation (OPSD), bei der Modelle ihre Antworten verfeinern, indem sie auf ihren eigenen Versuchen trainieren, anstatt auf von Menschen bereitgestellten Beispielen.

OPSD ist keine Neuheit, aber ihre massive Übernahme in konkreten Anwendungen markiert einen Wendepunkt. Die jüngsten Arbeiten begnügen sich nicht mehr damit, ihre Versprechen anzupreisen: Sie testen deren Grenzen. Drei Fragen tauchen in den Titeln dieses Monats immer wieder auf:

• Wie lässt sich vermeiden, dass sich das Modell mit privilegierten Informationen (versteckte Daten, die sein Lernen verzerren) selbst verfälscht? 29 Artikel behandeln dieses Thema, 19 mehr als im Juli.
• Wie lässt sich das Training stabilisieren, wenn Belohnungen selten oder verrauscht sind? 23 Artikel untersuchen den Einsatz von privileged information, um die Distillation zu steuern, und 20 weitere die token-level supervision (ein Lernsignal, das auf der Ebene jedes Wortes oder Symbols verfeinert wird).
• Wie lässt sich eine Antwort bis zu ihrer Quelle zurückverfolgen, um ihre Solidität zu überprüfen? Die Ausdrücke « evidence supports » (22 Artikel) und « local evidence » (17 Artikel) tauchen in Arbeiten auf, die die Zuverlässigkeit von schrittweisen Schlussfolgerungen bewerten.

Einige aktuelle Beispiele:

• Rethinking Privileged Information in On-Policy Self-Distillation
• Beyond Teacher Likelihood: Group-Calibrated On-Policy Distillation for Long-Context Reasoning
• Trust Is Not Enough: Influence Calibration for On-Policy Self-Distillation in Agentic RL
• RuleWeaver: Benchmarking Rule-Centered Scenario Reasoning for Large Language Models
• Neuro-symbolic PRM: Enhancing Scientific Reasoning via Structured Traces and Symbolic Verification

Diese Dynamik geht mit einem deutlichen Rückgang traditioneller Ansätze einher. Generative adversarial networks (268 Artikel, -23 % in einem Monat) und fortgeschrittene neuronale Netze (135 Artikel, -24 %) verlieren an Bedeutung, ebenso wie Explainability (107 Artikel, -38 %). Die Forschung scheint nun Systeme zu bevorzugen, die sich selbst verbessern können, selbst wenn dies auf Kosten eines Teils ihrer Transparenz geht.

Der Korpus des Monats Juli umfasst 6 479 Artikel, gegenüber 12 021 im Juni. Der Rückgang betrifft alle zwanzig verfolgten Unterthemen ohne Ausnahme: Er sagt also etwas über die Erhebung aus, nicht über den Stand der Forschung. Lesbar bleibt die Reihenfolge, in der die Unterthemen zurückgehen.

Nur eines übersteht den Monat nahezu unversehrt: Algorithmen und Architekturen für Quantencomputing, 69 Artikel im Juli gegenüber 79 im Juni, während der gesamte Korpus fast die Hälfte seines Volumens verliert. Es ist zugleich das einzige Thema, das die wöchentlichen Ausgaben zwei Wochen hintereinander wachsen sahen.

Am anderen Ende geben die volumenstärksten Unterthemen am meisten Boden preis: große Sprachmodelle (344 Artikel gegenüber 773), multimodales Lernen (311 gegenüber 684), Robustheit gegen Angriffe (211 gegenüber 464) und Bildsynthese (171 gegenüber 378). Alle fallen stärker zurück als der Durchschnitt des Korpus.

Drei Quantenarbeiten aus dem Monat: Cautious optimism for deep parameterized quantum circuits Towards quantum machine learning for assessing the resilience of post-quantum cryptography Approximate Quantum State Preparation Through Proximal Policy Optimization

Ethik und Multimodalität im starken Aufschwung

Der Monat Juni bestätigt zwei grundlegende Trends in der KI-Forschung, mit Volumina, die weit über saisonale Schwankungen hinausgehen.

Ethik und soziale Auswirkungen: 259 Artikel in diesem Monat veröffentlicht, gegenüber 170 im Mai (+52 %). Die jüngsten Arbeiten behandeln Fragen der Governance, von Bias und Fairness, oft in Verbindung mit konkreten Anwendungen. Drei bemerkenswerte Beispiele:

• AI Governance in the Global South: Challenges and Opportunities for Inclusive Policy Frameworks
• Bias Mitigation in Large Language Models: A Survey of Techniques and Evaluation Metrics
• The Environmental Footprint of Generative AI: Measuring and Mitigating Energy Consumption

Multimodale Anwendungen: 684 Artikel, gegenüber 527 im Mai (+30 %). Modelle, die Text, Bild, Audio und Video integrieren, gewinnen an Reife, mit Architekturen, die für spezifische Aufgaben optimiert sind. Unter den jüngsten Veröffentlichungen:

• Unified Multimodal Transformers for Real-Time Video Question Answering
• Cross-Modal Retrieval with Contrastive Learning: Aligning Text, Image, and Audio Embeddings

Im Gegensatz dazu verlieren Themen wie Generative Adversarial Networks (378 Artikel, -7 %) oder Graph Neural Networks (274, -8 %) an Bedeutung, ohne dass die Daten einen einzigen Faktor identifizieren lassen.

Generative Synthese etabliert sich als Forschungsfeld

Im Mai 2026 ist das Publikationsvolumen zu Generative Adversarial Networks and Image Synthesis auf 408 Artikel angestiegen, gegenüber 171 im Vormonat (+138 %). Diese Verdopplung innerhalb eines Monats macht das Thema zum Spitzenreiter unter den beobachteten Wachstumsbereichen, noch vor Fortschritten in Stochastic Gradient Optimization Techniques (288 Artikel, +112 %) oder Reinforcement Learning in Robotics (442 Artikel, +87 %).

Der Aufschwung der GANs beschränkt sich nicht auf die Quantität: Die jüngsten Titel erkunden hybride Architekturen und neuartige Anwendungen. Drei Artikel veranschaulichen diese Diversifizierung:

• Diffusion-Guided GANs for High-Fidelity Image Synthesis
• Neural Radiance Fields Meets GANs: 3D-Aware Image Generation
• Self-Supervised GANs for Medical Image Augmentation

Die Arbeiten zur stochastischen Optimierung (288 Artikel) und zu graphischen neuronalen Netzen (297 Artikel, +88 %) scheinen diese Dynamik zu befeuern und deuten auf eine Konvergenz zwischen Trainingsmethoden und Inhaltsgenerierung hin. Bemerkenswert: Anwendungen in der medizinischen Bildgebung (118 Artikel in Machine Learning in Healthcare, +44 %) profitieren direkt von diesen Fortschritten.