KI heute: Anthropic und das RAG-RST-Framework

Der Wissensstand basiert auf dem 2026-10-19. Das Quellmaterial wurde im Zeitraum von 2026-10-18 bis 2026-10-19 gesammelt.

Im heutigen Überblick betrachten wir zwei unterschiedliche Initiativen aus dem Bereich der Sprachtechnologie. Die erste betrifft die unternehmerischen Aktivitäten von Anthropic, die einen Teil des Kapitals für gesellschaftliche Zwecke durch die Gründung eines speziellen Fonds gesichert hat. Die zweite Information bezieht sich auf Forschungsarbeiten zum RAG-RST-Framework, welches einen Suchmechanismus zur Optimierung der Analyse von Diskursstrukturen in Sprachmodellen nutzt, ohne dass ein kostspieliges Gewichts-Finetuning erforderlich ist.

Das Wichtigste in Kürze (TL;DR)

• Anthropic Public Benefit Fund: Das Unternehmen hat 5% der Anteile an einen Fonds zur Unterstützung gesellschaftlicher Zwecke übertragen und plant eine Erhöhung dieses Beitrags mit steigender Bewertung.
• RAG-RST: Eine neue Methode unter Verwendung von Beispielen im Kontext erhöht die Effektivität von Modellen beim Parsen von Nuklearität und Relationen gemäß der RST-Theorie.

Anthropic Public Benefit Fund

Das Unternehmen Anthropic kündigte am 18. Oktober die Gründung des Anthropic Public Benefit Fund an, eines Fonds für das Gemeinwohl, in den zunächst 5% der Firmenanteile übertragen wurden. Der Mechanismus des Fonds sieht vor, dass mit steigendem Unternehmenswert für jeden Anstieg der Bewertung um 50% über einer festgelegten Basis weitere 2% der Anteile in den Fonds-Pool eingezahlt werden.

Der Fonds wurde als Gesellschaft mit beschränkter Haftung (GmbH) gegründet, was Flexibilität bei den Unterstützungsformen wie Spenden an gemeinnützige Organisationen oder direkte Unterstützung bestimmter gesellschaftlicher Gruppen gewährleisten soll. Den Annahmen nach werden die Mittel des Fonds weder für Lobbying- noch für politische Zwecke in den USA oder im Ausland verwendet. Diese Initiative ist eine Erweiterung der bisherigen Aktivitäten des Unternehmens, einschließlich einer früheren Verpflichtung in Höhe von 200 Millionen US-Dollar für die Erforschung der Auswirkungen von KI auf den Arbeitsmarkt sowie Programmen zur freiwilligen Kapitalübertragung durch Gründer und Mitarbeiter. Zusammen sollen nach Berücksichtigung der aktuellen Erklärungen etwa 20% der Anthropic-Anteile für gesellschaftliche Zwecke bestimmt werden. Das Unternehmen kündigt die Veröffentlichung von Details zur Fondsverwaltungsstruktur und eines Berichts über die Fortschritte bei der Missionserfüllung in den kommenden Monaten an.

Für KI-Entwickler: Personen, die juristische Personen mit ähnlichen Fondsstrukturen planen, können die Satzungsbestimmungen von GmbHs als Alternativen zu Stiftungen analysieren. Die Ankündigung präzisiert jedoch nicht, wie sich die Übertragung von Anteilen auf die langfristige finanzielle Liquidität des Unternehmens auswirkt oder wie konkrete Bewertungsmeilensteine in externen Dokumenten definiert werden – dies sind Lücken, die in zukünftigen Berichten überprüft werden müssen.

RAG-RST

Laut einer Ankündigung vom 17. Oktober 2026 haben Forscher RAG-RST vorgestellt, ein retrieval-augmented (durch Suche unterstütztes) Framework zum Parsen von RST (Rhetorical Structure Theory). Diese Methode stellt Modellen ein Diskurs-Schema in Form von Beispielen im Kontext zur Verfügung, was die Vorhersage von Nuklearität und Relationen verbessert, ohne dass eine Aktualisierung der Modellgewichte erforderlich ist.

In der RST-Theorie besitzt jede Kante des Diskurssbaums ein Nuklearitätslabel und eine Relation aus einer geschlossenen Menge funktioneller Kategorien. Die Autoren weisen darauf hin, dass starke Sprachmodelle ohne externe Unterstützung bei dieser Aufgabe 0,794 F1 für Nuklearität und 0,738 F1 für Relationen erreichen. Die Anwendung von RAG-RST erhöht diese Ergebnisse auf 0,846 F1 bzw. 0,788 F1.

Im Rahmen der Arbeiten wurden zwei Strategien verglichen: eine vorkonമ്പ്, die Paare von Diskurseinheiten (EDUs) vor dem Parsen labelt, und eine dynamische, die Beispiele bei jedem Reduktionsschritt abruft. Die dynamische Strategie erwies sich als effektiver. Die Studie zeigt, dass der Nutzen des bereitgestellten Schemas quantitativ begrenzt ist – die Effektivität sättigt sich und sinkt nach dem Überschreiten von 50 Beispielen. Diese Abhängigkeit und die Tatsache, dass die Wirksamkeit der Methode mit der strukturellen Position zusammenhängt, deuten auf die Möglichkeit hin, das formale Sprachschema als Demonstration innerhalb des Modells bereitzustellen.

Für KI-Entwickler: Personen, die an fortgeschrittener Textstrukturanalyse arbeiten, können die Strategie des dynamischen Anhängens von Beispielen an den Prompt testen, anstatt sich auf bisherige Trainingsmethoden zu verlassen. Die Publikation nennt keine Informationen zu den Berechnungskosten im Zusammenhang mit der häufigen Suche nach Beispielen oder zur Unterstützung für andere Sprachen als Englisch – diese Aspekte erfordern vor dem Einsatz in einer Produktionsumgebung eine Überprüfung.

Häufig gestellte Fragen (FAQ)

Was sind die Regeln für die Finanzierung des Anthropic Public Benefit Fund?

Der Fonds erhielt zunächst 5% der Unternehmensanteile. Bei jedem Anstieg der Unternehmensbewertung um 50% über einer festgelegten Basis werden dem Fonds-Pool automatisch weitere 2% der Anteile hinzugefügt. Zusammen mit anderen Verpflichtungen sollen etwa 20% der Unternehmensanteile für gesellschaftliche Zwecke bestimmt werden.

Verbessert RAG-RST die Modellergebnisse ohne Gewichtsaktualisierung?

Ja, diese Methode ermöglicht die Verbesserung der Vorhersage von Nuklearität und Relationen in der Diskursstruktur, ohne dass die Modellgewichte aktualisiert werden müssen. Durch die Bereitstellung des Diskurs-Schemas in Form von Beispielen im Kontext stiegen die F1-Werte für Nuklearität von 0,794 auf 0,846 und für Relationen von 0,738 auf 0,788.

Quellen

• Investing in the public benefit — 2026-10-18
• RAG-RST: Retrieved Exemplars as In-Context Discourse Schema for RST Parsing — 2026-10-17

--- Text vorbereitet automatisch durch das Labor aipoc-lab (AI) auf der Grundlage öffentlich zugänglicher Quellen, die oben genannt wurden. Eigene Zusammenfassungen, keine Kopien. Version vor der menschlichen Redaktion.