Entdecken Sie qualitativ hochwertige KI -Werkzeuge
Bringen Sie die weltweit führenden Tools für künstliche Intelligenz zusammen, um die Arbeitseffizienz zu verbessern
Artikel, die von SamuelAdams veröffentlicht wurden
Auf der World AI Conference 2026 prognostizierte Wang He, CTO von Galaxy General Robotics, dass die verkörperte Intelligenz noch vor 2028 bedeutende Durchbrüche erzielen und eine Leistung auf dem Niveau von ChatGPT erreichen werde. Zukünftige, auf riesigen Datenmengen trainierte Grundmodelle könnten bei nicht trainierten Aufgaben eine Erfolgsquote von 70 bis 80 % erreichen – dank fortschrittlicher Vortrainings- und effizienter Nachtrainingsparadigmen.
Auf der World AI Conference 2026 prognostizierte Wang He, CTO von Galaxy General Robotics, dass die verkörperte Intelligenz noch vor 2028 bedeutende Durchbrüche erzielen und eine Leistung auf dem Niveau von ChatGPT erreichen werde. Zukünftige, auf riesigen Datenmengen trainierte Grundmodelle könnten bei nicht trainierten Aufgaben eine Erfolgsquote von 70 bis 80 % erreichen – dank fortschrittlicher Vortrainings- und effizienter Nachtrainingsparadigmen.
Das Microsoft Research AI Frontiers Lab hat die Fara1.5-Reihe von Agentenmodellen veröffentlicht, die für die Browser-Automatisierung entwickelt wurden. Die Modelle mit einer Parameterskala von bis zu 27 Milliarden arbeiten über die MagneticLite-Sandbox und nutzen einen „Observe-Think-Act“-Zyklus, um Webaufgaben auszuführen. In Benchmark-Tests erreichte die 27-Milliarden-Version eine Aufgaben-Erfolgsrate von 72 % und übertraf damit Konkurrenten wie OpenAI Operator. Die Modelle werden auf vielfältigen Daten trainiert und verfügen über Sicherheitsfunktionen, die bei unklaren Aufgaben oder Datenschutzbedenken einen Stopp veranlassen, bevor irreversible Aktionen ausgeführt werden.
Das Microsoft Research AI Frontiers Lab hat die Fara1.5-Reihe von Agentenmodellen veröffentlicht, die für die Browser-Automatisierung entwickelt wurden. Die Modelle mit einer Parameterskala von bis zu 27 Milliarden arbeiten über die MagneticLite-Sandbox und nutzen einen „Observe-Think-Act“-Zyklus, um Webaufgaben auszuführen. In Benchmark-Tests erreichte die 27-Milliarden-Version eine Aufgaben-Erfolgsrate von 72 % und übertraf damit Konkurrenten wie OpenAI Operator. Die Modelle werden auf vielfältigen Daten trainiert und verfügen über Sicherheitsfunktionen, die bei unklaren Aufgaben oder Datenschutzbedenken einen Stopp veranlassen, bevor irreversible Aktionen ausgeführt werden.
OpenAI hat sein „Privacy Filter“-Modell mit 150 Millionen Parametern auf Hugging Face und GitHub unter der Apache-2.0-Lizenz als Open Source veröffentlicht. Das auf MoE basierende Modell nutzt tiefgreifendes Sprachverständnis, um personenbezogene Daten in Texten zu anonymisieren, und erzielt dabei in Benchmarks einen F1-Score von 97,43. Es unterstützt Kontexte mit bis zu 128.000 Token für den lokalen Einsatz. Es trägt zum Datenschutz in Entwicklungspipelines bei, ist jedoch kein Ersatz für Compliance-Anforderungen in Bereichen mit besonders sensiblen Daten.
OpenAI hat sein „Privacy Filter“-Modell mit 150 Millionen Parametern auf Hugging Face und GitHub unter der Apache-2.0-Lizenz als Open Source veröffentlicht. Das auf MoE basierende Modell nutzt tiefgreifendes Sprachverständnis, um personenbezogene Daten in Texten zu anonymisieren, und erzielt dabei in Benchmarks einen F1-Score von 97,43. Es unterstützt Kontexte mit bis zu 128.000 Token für den lokalen Einsatz. Es trägt zum Datenschutz in Entwicklungspipelines bei, ist jedoch kein Ersatz für Compliance-Anforderungen in Bereichen mit besonders sensiblen Daten.
Eine groß angelegte Validierungsstudie mit 246 Teilnehmern ergab, dass handelsübliche Smartwatches eine äußerst zuverlässige Plattform für die Schätzung wichtiger Gangparameter wie Gehgeschwindigkeit und Schrittlänge sind. Mithilfe eines neuartigen Deep-Learning-Modells erreichten am Handgelenk getragene Smartwatches eine Genauigkeit, die mit Smartphone-basierten Methoden vergleichbar ist. Dies ermöglicht eine praktische, kontinuierliche Ganganalyse außerhalb von Laborumgebungen zur Gesundheitsüberwachung und Sturzrisikobewertung.
Eine groß angelegte Validierungsstudie mit 246 Teilnehmern ergab, dass handelsübliche Smartwatches eine äußerst zuverlässige Plattform für die Schätzung wichtiger Gangparameter wie Gehgeschwindigkeit und Schrittlänge sind. Mithilfe eines neuartigen Deep-Learning-Modells erreichten am Handgelenk getragene Smartwatches eine Genauigkeit, die mit Smartphone-basierten Methoden vergleichbar ist. Dies ermöglicht eine praktische, kontinuierliche Ganganalyse außerhalb von Laborumgebungen zur Gesundheitsüberwachung und Sturzrisikobewertung.
