ArtikelWikipedia-AutorenSammlung
Große KI-Modelle erfordern oft immense Rechenressourcen. Sakana AI verfolgt alternative Ansätze über Modellkreuzungen und kollektive Intelligenz, um leistungsfähige Modelle ressourceneffizienter zu erstellen.
Mit Gründern aus führenden KI-Laboren positioniert sich Sakana AI als innovativer Gegenpol zu US-zentrierten Big-Tech-Unternehmen. Die Fokussierung auf evolutionäres Modell-Mergen und automatisierte Forschung könnte den Zugang zur Modellentwicklung abseits massiver GPU-Cluster demokratisieren.
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:Kyt Dotson
Das KI-Startup Nous Research hat eine Series-A-Finanzierungsrunde über 50 Millionen US-Dollar abgeschlossen, die von Paradigm angeführt wurde. Das Unternehmen nutzt die Solana-Blockchain, um das Training von KI-Modellen über dezentral bereitgestellte Rechenleistung zu organisieren.
Link:ricursive.com
Das KI-Forschungslabor Ricursive Intelligence entwickelt selbstverbessernde Systeme im Halbleiterdesign, um den Entwicklungszyklus zwischen KI-Modellen und Hardware zu schliessen.
Link:Discovery Loop
Jeff Dean, Sanjay Ghemawat, Quoc Le und Oriol Vinyals haben Discovery Loop vorgestellt. Das Unternehmen will wissenschaftliche Experimentierzyklen mithilfe von Frontier-KI und verteilten Systemen automatisieren, beginnend bei der ML-Forschung selbst.
Link:Safe Superintelligence Inc.
Safe Superintelligence Inc. (SSI) stellt sich als reines Forschungslabor vor, dessen einziges Ziel und Produkt die Entwicklung einer sicheren Superintelligenz ist. Das Unternehmen arbeitet von Palo Alto und Tel Aviv aus und schirmt seine Entwicklung bewusst von kurzfristigem kommerziellem Druck ab.
Artikel:Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin
Die Autoren stellen mit dem Transformer eine Netzwerkarchitektur vor, die vollständig auf Rekurrenz und Faltungen verzichtet und stattdessen ausschließlich auf Aufmerksamkeitsmechanismen setzt.
Artikel:Maximilian Beck, Korbinian Pöppel, Markus Spanring, Andreas Auer, Oleksandra Prudnikova, Michael Kopp, Günter Klambauer, Johannes Brandstetter, Sepp Hochreiter
Ein Forschungsteam um Sepp Hochreiter stellt xLSTM vor, eine Weiterentwicklung der klassischen Long Short-Term Memory-Architektur für moderne Large Language Models. Die Erweiterung behebt bisherige Skalierungs- und Parallelisierungsgrenzen von LSTMs und erzielt vergleichbare Ergebnisse zu Transformer- und State-Space-Modellen.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
