KI heute: OpenAI, NASK und Microsoft Flint

Der Wissensstand vom 25.10.2026. Das Quotenmaterial wurde am 24.10.2026 gesammelt.

Der heutige Überblick umfasst wichtige Änderungen im Bereich der Sicherheit von Systemen der künstlichen Intelligenz, neue Tools zur Unterstützung der Forschungsarbeit sowie Hardware-Optimierungen. OpenAI ging eine Partnerschaft mit NASK im Bereich der KI-Sicherheit ein, Microsoft stellte eine Bibliothek für interaktive Datenvisualisierungen zur Verfügung und Forscher erhielten das System LitPivot. Darüber hinaus besprechen wir neue Werkzeuge zur Überprüfung der Modellkompatibilität mit AWS Trainium sowie technische Aspekte der FP8-Berechnungsoptimierung auf der AMD RDNA 4-Architektur.

Das Wichtigste von heute (TL;DR)

• Partnerschaft zwischen OpenAI und NASK: Die Organisationen unterzeichneten eine Vereinbarung über gemeinsame Forschungen zur Sicherheit fortschrittlicher Systeme der künstlichen Intelligenz.
• Microsoft Research präsentiert Flint-interactive: Das Tool ermöglicht KI-Agenten die automatische Erstellung interaktiver Datenvisualisierungen mit erweiterter Ereignisbehandlung.
• Tool zur Überprüfung der Modellkompatibilität mit AWS Trainium: Ein neuer Bereich in Hugging Face erlaubt die Verifizierung, ob Transformers-Modelle auf Trainium2-Beschleunigern ohne Codeänderungen laufen.
• LitPivot unterstützt den Erstellungsprozess von Forschungskonzepten: Das System nutzt thematische Segmentierung, um wissenschaftliche Ideen mit Fachliteratur zu verknüpfen und Publikationskritik zu generieren.
• FP8 GEMM-Optimierung auf der AMD RDNA 4-Architektur: Die Dokumentation stellt den Prozess der Übertragung des FP16 GEMM-Kernels auf das FP8-Format unter Verwendung von WMMA-Instruktionen in Grafikchips dar.

Partnerschaft von OpenAI und NASK im Bereich der KI-Sicherheit

OpenAI und das polnische Forschungsinstitut NASK unterzeichneten eine Kooperationsvereinbarung, deren Ziel die gemeinsame Erforschung von Risiken und die Entwicklung von Sicherheitsstandards für fortschrittliche Systeme der künstlichen Intelligenz ist. Die offizielle Bekanntgabe der Partnerschaft fand am 23. Oktober statt.

Die Zusammenarbeit sieht die Bündelung des Wissens beider Organisationen vor, um die mit der Entwicklung von KI-Systemen verbundenen Risiken besser zu verstehen und Schutzmechanismen zu stärken. Im Rahmen der Aktivitäten von NASK wird dessen Einheit AI Safety Research Center, die die Rolle des polnischen Instituts für KI-Sicherheit (engl. AISI) innehat, an der Erforschung von Bewertungsmethoden für immer fortschrittlichere Systeme der künstlichen Intelligenz mitwirken. Die gemeinsamen Arbeiten sollen sich auch auf die Identifizierung von Sicherheitslücken und die Schaffung internationaler technischer Standards beziehen.

Die Partnerschaft stützt sich auf frühere Erfahrungen der Zusammenarbeit mit polnischen Cybersicherheitsspezialisten. Im Juli erhielt CERT Polska, das in den Strukturen von NASK agiert, über die Daybreak-Plattform Zugang zu OpenAI-Modellen. Unter Einsatz dieser Werkzeuge gelang es dem Expertenteam, 6 Schwachstellen in der Software MikroTik RouterOS zu entdecken, darunter Lücken, die die Übernahme der Kontrolle über Geräte ohne Authentifizierung ermöglichen. Der Systemhersteller veröffentlichte Patches, was die Wirksamkeit der Maßnahmen von CERT Polska bei der Vorbeugung von Bedrohungen bestätigte.

Für Entwickler mit KI: IT-Sicherheitsspezialisten können die Möglichkeiten der Nutzung von Modellen mit erhöhten Cybersicherheitsfähigkeiten zur Analyse ihrer eigenen Netzwerkumgebungen verifizieren. Die Materialien legen nicht fest, wie hoch die Kosten für den Zugang zu den von CERT Polska verwendeten Technologien sind und ob diese Tools für Teams außerhalb von Forschungseinrichtungen kommerziell verfügbar sind – diese Fragen erfordern eine separate Abstimmung mit dem Anbieter.

Microsoft Research präsentiert Flint-interactive

Microsoft Research stellte am 22. Oktober die Sprache Flint-interactive zur Verfügung, die es KI-Agenten ermöglicht, interaktive Datenvisualisierungen zu erstellen. Das Tool erlaubt Benutzern die direkte Erkundung von Diagrammen durch Klicken, Filtern, Zoomen, Hervorheben von Elementen und Interaktionen zwischen verschiedenen Diagrammen.

Das System löst das Problem statischer Visualisierungen, die oft die Möglichkeit zur Detailanalyse einschränken. Flint-interactive basiert auf dem Flint-Compiler, der Benutzerinteraktionen in semantische Ereignisse übersetzt. Dank dessen müssen Entwickler keinen low-level Visualisierungscode definieren, sondern nutzen high-level Aktualisierungsoperatoren. Die Trennung der visuellen Logik von der Interaktionslogik ermöglicht eine Verringerung der Anzahl von Fehlern im Zusammenhang mit dem Rendering und der Anordnung von Elementen in Diagrammen.

Die Technologie unterstützt die Erstellung interaktiver Datengeschichten, Dashboards und verknüpfter Erlebnisse, bei denen eine Aktion in einer Ansicht, zum Beispiel ein Klick in einer Tabelle, ein Diagramm oder den Anwendungsstatus aktualisieren kann. Entwickler können vordefinierte Interaktionseinstellungen nutzen oder eigene Ereignisbehandlungsfunktionen über eine programmierbare API definieren. Flint-interactive ist in der Chat-Umgebung über Flint-MCP und in Anwendungen, die Flint Canvas nutzen, verfügbar. Benutzer können dem Agenten anzeigen, welche Daten dargestellt werden sollen und welche Art von Interaktionen erforderlich ist, um eine fertige Diagrammspezifikation nebst interaktiver Logik zu erhalten.

Für Entwickler mit KI: Entwickler, die Analyseanwendungen oder Dashboards erstellen, können die Bibliothek in ihren eigenen Agenten integrieren, um die Generierung interaktiver Elemente zu automatisieren. Vor der Implementierung sollten die Token-Generierungskosten bei wiederholten Versuchen zum Debuggen von Diagrammen verifiziert und die Verfügbarkeit einzelner Flint-Komponenten in der gewählten Produktionsumgebung überprüft werden, da die Quelle weder Lizenzbeschränkungen noch Betriebskosten präzisiert.

Tool zur Überprüfung der Modellkompatibilität mit AWS Trainium

Vor zwei Tagen, am 23. Oktober, wurde im Hugging Face-Service ein Informationsbereich zur Verfügung gestellt, der die Verifizierung der Kompatibilität von Transformers-Modellen mit AWS Trainium-Beschleunigern erlaubt. Dieses Tool nutzt das Paket torch-neuronx, das das native PyTorch-Backend für diese Infrastruktur darstellt, und zeigt an, welche Modelle ohne die Notwendigkeit von Codeanpassungen ausgeführt werden können.

Benutzer können beliebte Modelle durchsuchen, indem sie die Ansichten Trending oder Downloads nutzen, welche die aktuellen Plattform-Rankings widerspiegeln. Für jedes getestete Modell werden detaillierte Daten präsentiert: die Anzahl der Trainium-Kerne, auf denen das Modell gesharded ist, die Ausführungszeit (einschließlich Kompilierung) und der maximale Gerätespeicherverbrauch. Bei Modellen, die nicht unterstützt werden oder noch nicht berücksichtigt wurden, erklärt der Informationsbereich die Ursachen für diesen Zustand.

Zum Zeitpunkt der Veröffentlichung umfassen die Tests Textgenerierungsmodelle sowie Bild-Text-zu-Text-Modelle. Das Tool weist auf das Neuron-Paket, für die Installation notwendige Pakete und ein fertiges run.py-Skript hin, das den Befehl torch.compile(backend="neuron") nutzt. Die Tests werden auf trn2-Instanzen unter Verwendung von maximal 16 Kernen (4 Trainium2-Geräten) durchgeführt. Im Falle der Modellausführung kann die Graphkompilierung übersprungen werden, indem der öffentliche NEFF-Cache genutzt wird. Die im Bereich präsentierten Daten stammen aus dem öffentlichen Repository aws-neuron/torch-neuronx-model-support, das Parquet-Dateien für verschiedene Versionen von neuronx-cc und Bibliotheken enthält.

Für Entwickler mit KI: Ingenieurteams, die Modelle auf der AWS-Infrastruktur implementieren, können überprüfen, ob ihr gewähltes Transformers-Modell auf Trainium2 ohne Modifikationen startet. Die Ankündigung gibt nicht an, wie die Leistung bei langen Generierungen aussieht oder ob das Tool spezifische Architekturen außerhalb der Transformers-Gruppe unterstützt, was in der eigenen Testumgebung verifiziert werden muss.

LitPivot unterstützt den Erstellungsprozess von Forschungskonzepten

Laut einem Blogbeitrag vom 23. Oktober 2026 hat ein Forscherteam das System LitPivot entwickelt, das Wissenschaftlern bei der Entwicklung wissenschaftlicher Ideen durch Einbettung in die vorhandene Fachliteratur hilft.

Das System adressiert den Prozess namens "literature-initiated pivot", also die Änderung der Forschungsrichtung unter dem Einfluss der Lektüre früherer Arbeiten. LitPivot integriert die Ideenerstellung mit der Literaturprüfung. Der Benutzer gibt den Text des Forschungsvorschlags in den Editor ein, wo das System die Funktion "facet highlighting" nutzt und die Idee in drei Aspekte unterteilt: Problem, Beitrag und Evaluierungsplan. Das Tool gruppiert unter Verwendung des Asta Paper Finder entsprechende Publikationen um das ausgewählte Textfragment herum. Der Forscher kann Publikationen auswählen, für die das System eine Kritik, gestützt auf Fragmente von Quelltexten, generiert und konkrete Verbesserungsvorschläge für die Bearbeitung vorschlägt. Nach jeder Änderung im Text wird die Literaturliste automatisch aktualisiert.

In einer Studie unter Beteiligung von 17 Wissenschaftlern wurden die unter Verwendung von LitPivot erarbeiteten Konzepte von Experten als besser in der Literatur verankert bewertet als jene, die unter Verwendung von Standardeditoren und KI-Chats erstellt wurden. Die Teilnehmer bewerteten ihre Ideen als neuartiger und nützlicher. Die Autoren identifizierten, dass das Tool bei zwei Arten von Aktivitäten hilft: der Differenzierung der Idee von bestehenden Arbeiten zum Nachweis der Neuheit und der Anpassung der Idee an bereits existierende Lösungen. Das System wird während der Konferenz UIST 2026 in Detroit präsentiert werden.

Für Entwickler mit KI: Wissenschaftler, die an Systemen zur Unterstützung des Schreibens wissenschaftlicher Texte arbeiten, können die Wirksamkeit der Verbindung eines Texteditors mit einer dynamischen Literatursuche auf Basis der thematischen Segmentierung ("facets") überprüfen. Die Quelle präzisiert nicht, ob das Tool andere Sprachen als Englisch unterstützt, wie die Abfragelimits im Asta Paper Finder aussehen und ob das System über eine offene Lizenz verfügt, die eine Implementierung in lokalen akademischen Umgebungen erlaubt.

FP8 GEMM-Optimierung auf der AMD RDNA 4-Architektur

Laut einem Blogbeitrag vom 23. Oktober 2026 stellten die Autoren den Prozess der Portierung eines FP16 GEMM-Kernels auf das FP8-Format für AMD RDNA 4-Grafikprozessoren vor. Die Dokumentation konzentriert sich auf die Nutzung der in der gfx12-Architektur verfügbaren WMMA-Instruktion (konkret am Beispiel der AMD Radeon RX 9070 XT) und auf den Einfluss der geringeren Elementgröße auf die Nutzung des LDS-Speichers (Local Data Store).

Der Übergang von FP16 zu FP8 ändert die Berechnungsstruktur, da jedes Operandenelement 1 Byte statt 2 Bytes belegt. Infolgedessen überträgt ein einzelner 128-Bit-Ladevorgang 16 FP8-Werte statt 8. Die Autoren verglichen vier Kachelkonfigurationen (Tiles) verschiedener Größen und K-Tiefen, wobei sie die Lösung als Basis für weitere Arbeiten zur Quantisierung nutzten.

Im Artikel wurden u.a. ein direkter Port von 128×96 (K=64), größere Konfigurationen vom Typ 256×256 (K=64) sowie Varianten mit größerer K-Tiefe von K=128 (z.B. 256×160 und 192×192) getestet. Die geringere Datengröße erlaubt eine effizientere Bewirtschaftung des verfügbaren 64 KB großen LDS-Speichers, was die Verwendung größerer Kacheln ermöglicht und die Häufigkeit von Synchronisationsbarrieren verringert. Die Implementierung berücksichtigt keine Skalierungsfaktoren und arbeitet auf rohen E4M3-Werten bei Akkumulation des Ergebnisses im FP32-Format. Für die Arbeiten ist die Installation von ROCm 10.0 und dem hipBLASLt-Paket erforderlich.

Für Entwickler mit KI: Ein Programmierer, der Low-Level-Kernel für AMD-Grafikprozessoren schreibt, kann diese Konfigurationen nutzen, um die Rechenleistung in Transformator-Modellen zu erhöhen. Die Ankündigung gibt unter allen Bedingungen keine genauen Leistungsergebnisse im Vergleich zu Standardbibliotheken an und bestimmt nicht den Einfluss des Fehlens von Skalierungsfaktoren auf die Modellgenauigkeit in Produktionsanwendungen – dies muss während eigener Tests verifiziert werden.

Häufig gestellte Fragen (FAQ)

Zu welchem Zweck haben OpenAI und NASK eine Vereinbarung unterzeichnet?

Das Ziel der Zusammenarbeit ist die gemeinsame Erforschung von Risiken und die Entwicklung von Sicherheitsstandards für fortschrittliche Systeme der künstlichen Intelligenz. Die NASK-Einheit, das AI Safety Research Center, wird an der Erforschung von Bewertungsmethoden für KI-Systeme mitwirken, Sicherheitslücken identifizieren und die Schaffung internationaler technischer Standards im Rahmen der Aktivitäten des polnischen Instituts für KI-Sicherheit unterstützen.

Wodurch zeichnet sich das Tool LitPivot für Forscher aus?

LitPivot hilft bei der Entwicklung wissenschaftlicher Ideen durch deren Einbettung in die Fachliteratur. Das system unterteilt die Idee in Problem, Beitrag und Evaluierungsplan und nutzt dann den Asta Paper Finder zur Gruppierung von Publikationen, zur Generierung von Kritik an Quelltexten und zur automatischen Aktualisierung der Literaturliste während der Textbearbeitung durch den Wissenschaftler.

Was ermöglicht das Tool zur Überprüfung der Modellkompatibilität mit AWS Trainium?

Das Tool erlaubt zu überprüfen, ob Transformers-Modelle auf AWS Trainium-Beschleunigern ohne die Notwendigkeit von Codeänderungen ausgeführt werden können. Benutzer erhalten Informationen über die Anzahl der Kerne, die Kompilierungs- und Ausführungszeit sowie den Speicherverbrauch. Das System weist auf erforderliche Pakete und fertige Skripte zur Nutzung des Neuron-Backends hin.

Quellen

• OpenAI and Poland’s NASK partner to advance AI safety and security — 2026-10-23
• Flint-interactive: A language for creating interactive data visualizations — 2026-10-22
• Does Your Model Run on AWS Trainium? Look It Up — 2026-10-23
• LitPivot: Developing research ideas through dynamic contextualization within the literature landscape — 2026-10-23
• FP8 GEMM Optimization on AMD RDNA™ 4 Architecture — 2026-10-23

--- Text vorbereitet automatisch durch das Labor aipoc-lab (AI) auf Basis der oben genannten öffentlich zugänglichen Quellen. Eigene Zusammenfassungen, keine Kopien. Vor der menschlichen Redaktion stehende Version.