Das US-Energieministerium kündigte am 15. Oktober die öffentliche Bereitstellung von Genesis Agent Skills für die Genesis Mission an. Das Paket enthält wiederverwendbare Anweisungen und Arbeitsabläufe für KI-Programmierwerkzeuge in der Wissenschaft.
U.S. Department of Energy1 Min. Lesezeit Mit Daten
Meta-Ingenieure integrierten einen KI-Agenten in Planung, Implementierung, Tests und Verifikation, als sie Forum, eine eigenständige App für Facebook-Gruppen, entwickelten. Erfolg bedeutete laut Unternehmen produktionsreife Änderungen, die gebaut, getestet und geprüft wurden, nicht eine bestimmte Menge generierten Codes.
Google.org vergab 2,35 Millionen Dollar an ein Team der UC San Diego, um Klimamodelle zu verbessern und neue Ozeanbeobachtungen zu lenken. Das Team plant, KI-Agenten gemeinsam mit physikbasierten Modellen und Beobachtungsdaten einzusetzen.
Komprise veröffentlichte Ergebnisse einer im September 2026 durchgeführten Befragung von 500 technischen Entscheidungsträgern. 68 Prozent bezeichneten ihre Organisation als im KI-Reifeprozess oder reif, aber nur 28 Prozent hatten den KI-Ertrag quantifiziert. Lediglich 7 Prozent gaben an, mindestens 70 Prozent ihrer Daten seien für KI bereinigt und klassifiziert; 57 Prozent meldeten, höchstens die Hälfte sei bereit.
MLCommons wurde ausgewählt, den Benchmark MLPerf Agents im Rahmen der von der US National Science Foundation unterstützten AI Efficiency Challenge zu entwickeln. Die Förderung beträgt 3,5 Millionen US-Dollar über zwei Jahre. Der geplante Benchmark soll vollständige Arbeitsabläufe messen, nicht nur die Token-Ausgabe des Modells: Agent-Harness, Modellauswahl, Abruf, Tool-Ausführung, Orchestrierung, Zustandsverwaltung, Fehlerbehandlung und Validierung.
Databricks kündigte Predictive AI Functions als Beta an: SQL-Funktionen für Prognosen, Anomalieerkennung, Treiberanalyse und Vorhersagen. Das Paket umfasst ein verbessertes ai_forecast sowie ai_top_drivers, ai_detect_anomalies, ai_predict_value und ai_predict_class. Die Funktionen lassen sich in SQL aufrufen; einige sind auch in Genie verfügbar.
Ein technischer Arm-Beitrag vom 13. Oktober betont, dass bei lokaler KI Modelle, Frameworks und Prozessoren für den gesamten Ablauf ausgewählt werden müssen. Als Beispiele nennt er Veranstaltungsdemos mit einer Übersetzungskette aus mehr als 30 Modellen und Sprachsynthese auf einem Arm-CPU-Kern.
Ein AWS-Leitfaden vom 12. Oktober zeigt eine Ray-LLM-Containerkonfiguration auf EKS, die ein LLM auf zwei GPU-Knoten verteilt und Prefill und Token-Erzeugung trennt. Der Beitrag konzentriert sich auf Bereitstellung und Konfiguration.
AWS Machine Learning Blog1 Min. Lesezeit Mit Daten
Ein IBM-Research-Erklärbeitrag vom 12. Oktober fasst Methoden des llm-d-Frameworks zusammen, darunter cachebewusstes Routing, KV-Cache-Auslagerung, Flusssteuerung und Phasentrennung. Leistungswerte stammen aus den im Beitrag genannten llm-d-Demonstrationen.
Alteryx und Google Cloud veröffentlichten ein Architekturbeispiel, das Live Query und BigQuery für unstrukturierte Dokumentabläufe verbindet. Rechnungs-PDFs bleiben in Cloud Storage; Alteryx erstellt den Ablauf im Browser, während BigQuery Umwandlung und Abgleich per SQL-Pushdown ausführt. Im ausgearbeiteten Beispiel extrahiert Gemini AI.GENERATE Rechnungsfelder.
Microsoft berichtet am 15. Oktober, dass der interne Smart-DRI-Agent mehr als 40 Teams unterstützt und über 7.800 KI-gestützte Interaktionen sowie fast 6.000 proaktive Vorfallmeldungen geliefert hat. Das Unternehmen schätzt die eingesparte Ingenieurszeit auf 600 Stunden monatlich; die Berechnungsmethode wird nicht genannt.