ArtikelTerry Chen, Zhifan Ye, Bing Xu, et al.Forschung
Die manuelle Optimierung von GPU-Kerneln für moderne Architekturen erfordert enormes Expertenwissen. AVO demonstriert, dass autonome Agenten über evolutionäre Schleifen mikroarchitektonische Optimierungen finden können, die selbst hochgradig handoptimierte Bibliotheken übertreffen.
Das Papier markiert einen Schritt von einfachen LLM-Vorschlägen hin zu geschlossenen agentenbasierten Evolutionszyklen. Anstatt Sprachmodelle nur als statische Code-Generatoren einzusetzen, agiert der Agent als vollständiger Variationsoperator mit Feedbackschleifen. Die schnelle Übertragbarkeit auf verwandte Architekturen wie GQA zeigt zudem das Potenzial zur automatisierten Anpassung an neue Hardware- und Kernel-Varianten.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Artikel:Terry Chen, Yeyin (Eva) Zhu, Zhifan Ye, Jean-Francois Puget and Humphrey Shi
NVIDIA präsentiert mit Agentic Variation Operators (AVO) eine Agentenarchitektur für langlaufende Aufgaben, die Claude Opus 5 zu einem perfekten Ergebnis im ARC-AGI-3-Benchmark verhilft.
Link:NVIDIA
NVIDIA stellt mit dem DGX Spark einen kompakten Desktop-Supercomputer vor, der speziell auf lokale autonome Agenten und generative KI-Workloads ausgelegt ist. Das System basiert auf dem GB10 Grace Blackwell Superchip und bietet 128 GB kohärenten Unified Memory.
Artikel:Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu
Das Forschungspapier stellt WikiSkill vor, ein Framework zur kontinuierlichen Weiterentwicklung von KI-Agenten-Fähigkeiten durch eine persistente Wissensdatenbank. Anstatt Erfahrungswerte in isolierten Optimierungsverläufen verstreut zu lassen, trennt WikiSkill Ausführungserfahrung, gesammeltes Wissen und ausführbare Skills voneinander.
Artikel:Shuai Shao, Kangning Zhang, Qingyao Li, Shijian Wang, Hao Wang, Wenxiang Jiao, Yuan Lu, Yi Guo, Weiwen Liu, Weinan Zhang
Ein Forschungsteam stellt Harness-R1 vor, eine Methode zur gezielten Anpassung der Software-Laufzeitumgebung (Harness) von LLM-Agenten. Statt nur Modellgewichte anzupassen, lernt ein separater 9B-Agent per Reinforcement Learning, fehlerhafte Ausführungsspuren zu analysieren und validierte Code-Patches für Kontextaufbereitung, Tool-Vermittlung und Aktionsvalidierung zu generieren.
Artikel:Devansh
Devansh beschreibt die Architektur der 'Stateful Swarms', die das Problem flüchtiger Kontexte und wiederholter Dokumentenverarbeitung durch eine persistente Blackboard-Architektur löst. Anstatt Dokumente mehrfach einzulesen oder Kontext per Prompt-Zusammenfassung zu übergeben, schreiben spezialisierte Agenten strukturierte, auditierbare Einträge in einen gemeinsamen Zustand. Im Harvey Legal Agent Benchmark erreichte dieser Ansatz höhere Erfolgsraten bei drastisch reduzierten Kosten im Vergleich zu traditionellen Systemen.
Artikel:Chris Alexiuk and Chintan Patel
NVIDIA hat Nemotron 3.5 Lightning vorgestellt, ein offenes Mixture-of-Experts-Modell (MoE) mit 30 Milliarden Gesamt- und 3 Milliarden aktiven Parametern. Es wurde speziell für die Ausführungsebene langlebiger KI-Agenten optimiert, um Routineaufgaben wie Tool-Aufrufe und Ergebnisvalidierung schnell und kostengünstig zu bewältigen.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
