Der KI-Tag bringt neue Modelle, strengere Zugangsregeln und Forschung mit überraschend praktischen Folgen. Im Mittelpunkt stehen Gemini, ein deutschsprachiges Open-Weights-Modell, die Mondforschung und die Frage, wie zuverlässig sich KI-Agenten selbst verbessern.
Redaktionell zusammengefasst und mit den Originalquellen belegt.
Google schränkt Gratiszugang für Gemini-KI ein
Google ordnet den Zugang zu seinen Gemini-Modellen für Nutzer mit persönlichem Konto neu. Ohne kostenpflichtigen Plan bleibt künftig nur Flash-Lite verfügbar. Das leistungsfähigere Flash-Modell wird dem günstigeren AI-Plus-Tarif zugeordnet, während Pro erst im AI-Pro-Plan enthalten ist. Google verschiebt damit weitere Funktionen aus dem kostenlosen Bereich in sein Abo-System.
Für Nutzer bedeutet das vor allem weniger Auswahl ohne monatliche Zahlung. Wer Gemini bisher regelmäßig für anspruchsvollere Aufgaben eingesetzt hat, muss künftig entweder auf ein kleineres Modell wechseln oder ein Abo abschließen. Die Änderung zeigt zugleich, wie Anbieter versuchen, die hohen laufenden Kosten leistungsfähiger Modelle direkt über gestaffelte Zugänge zu finanzieren. Sie dürfte den Wettbewerb mit ChatGPT und anderen Freemium-Diensten weiter verschärfen.
Aleph Alpha veröffentlicht Kolibri-1 mit 78 Milliarden Parametern
Aleph Alpha hat Kolibri-1 veröffentlicht, ein deutsch-englisches Sprachmodell für lange Dokumente, strukturierte Datenextraktion und agentische Werkzeugaufrufe. Das Modell besitzt insgesamt 78 Milliarden Parameter, aktiviert pro Token aber nur einen kleinen Teil davon. Dadurch soll der Rechenaufwand während der Verarbeitung sinken, auch wenn das vollständige Modell weiterhin im Speicher vorgehalten werden muss. Veröffentlicht wurde es unter der Apache-2.0-Lizenz.
Kolibri-1 ist damit vor allem für Unternehmen interessant, die große Dokumentbestände durchsuchen oder interne Wissenssysteme aufbauen wollen. Der Deutsch-Schwerpunkt ist im europäischen Markt ein wichtiger Unterschied zu vielen überwiegend englisch trainierten Modellen. Gleichzeitig bleiben die Hardwareanforderungen hoch, weshalb die offene Lizenz nicht automatisch einen einfachen Betrieb auf normalen Rechnern bedeutet.
NASA und IBM veröffentlichen Foundation Model für die Mondforschung
NASA und IBM Research haben ein multimodales Foundation Model für die Mondwissenschaft vorgestellt. Es wurde mit fast zwei Millionen Datenpaketen aus 17 Jahren Beobachtungen des Lunar Reconnaissance Orbiter sowie weiteren Mondmissionen trainiert. Das Modell verarbeitet Bilder, Höhendaten und Informationen zur Beleuchtungsgeometrie gemeinsam. Bei der Vorhersage möglicher Eisvorkommen an den Polen reduzierte es den Fehler laut den Entwicklern um bis zu 22 Prozent gegenüber einem Vergleichsmodell.
Das ist relevant, weil dauerhaft verschattete Mondregionen als mögliche Quelle für Wasser, Sauerstoff und Raketentreibstoff gelten. Das Modell ersetzt keine Messinstrumente und liefert nicht immer eine exakte geografische Position. Es kann Forschenden aber helfen, große Mengen heterogener Beobachtungsdaten schneller nach interessanten Strukturen zu durchsuchen und neue Missionen gezielter vorzubereiten.
Google-Forscher entwickeln Methode gegen auswendig lernende KI-Agenten
KI-Agenten können ihre eigene Steuerung, ihr sogenanntes Harness, automatisiert verbessern. Dieses Gerüst legt fest, welche Werkzeuge, Prompts, Speicher und Abläufe ein Agent nutzt. Google-Forscher zeigen jedoch, dass solche Systeme leicht die bekannten Testaufgaben auswendig lernen, statt allgemein besser zu werden. Ihre Methode RRSI begrenzt deshalb große Änderungspakete, verwirft benchmark-spezifische Tricks und prüft zusätzliche Rechenkosten gegen den tatsächlichen Leistungsgewinn.
In Tests mit Programmier-, Büro- und Designaufgaben erzielte RRSI geringere Fortschritte auf den bekannten Trainingsaufgaben, schnitt aber auf unbekannten Aufgaben zuverlässiger ab. Das ist ein wichtiger Hinweis für die Bewertung von Agenten: Ein hoher Benchmark-Wert kann auch bedeuten, dass ein System den Test optimiert hat. Für praktische Anwendungen zählt daher stärker, ob die Verbesserungen auf neue Situationen übertragbar sind und ob der Agent dabei mit vertretbarem Aufwand arbeitet.
Studie untersucht politische Verzerrungen chinesischer KI-Modelle
Aleph Alpha hat 967 politisch sensible Fragen zu Themen wie Tiananmen, Taiwan und Xinjiang an Modelle von Alibaba, DeepSeek und Moonshot AI gestellt. Nach der Bewertung durch ein KI-System fielen je nach Modell nur 17 bis 41 Prozent der Antworten ausgewogen aus. Andere Antworten wiederholten staatliche Positionen, wichen aus oder verweigerten die Frage. Auch ein Nvidia-Modell zeigte in einem Teil der Tests parteitreue Muster, die Aleph Alpha mit erzeugten Trainingsdaten aus chinesischen Modellen in Verbindung bringt.
Die Ergebnisse sind mit Vorsicht zu lesen, weil Aleph Alpha selbst Anbieter sogenannter souveräner KI ist und ein wirtschaftliches Interesse an der Abgrenzung zu chinesischen Modellen hat. Zugleich passen die Befunde zu bekannten Vorgaben der chinesischen KI-Regulierung. Für Unternehmen und Behörden wird damit wichtiger, Modelle nicht nur nach Leistung, sondern auch nach politischen Verzerrungen, Ausweichmustern und Herkunft ihrer Trainingsdaten zu prüfen.