KI-Entwicklertools · Was kam heute

Anthropic hat Claude Fable 5.1 und Claude Mythos 5.1 veröffentlicht. Fable 5.1 ist ab sofort verfügbar und kostet etwa 25% weniger als Fable 5 bei typischen Workloads, mit bis zu 45% Ersparnis bei agentic work durch reduziertes Cache-Read-Pricing ($0,25 pro Million Tokens statt $1). Das Modell zeigt erhebliche Verbesserungen bei Code, Knowledge Work und wissenschaftlichen Aufgaben: Terminal-Bench-Science 0.1 erreicht 52,6% (vs. 24,7% bei Fable 5), Terminal-Bench 4.0 55,8%, CursorBench 3.2.0 73,4%, und Humanity's Last Exam 60,9% mit Tools. Mythos 5.1 ist identisch, aber mit reduzierten Safeguards für Cyber-Defense und Life Sciences über Verification Programs erhältlich. Bei Scientific Research demonstriert Claude hochaffine Protein-Binder-Designs mit 50% Hit-Rate über 12 Targets (10x höher als bisherige Designs), erstellte eine neue Venus-Elevationskarte und optimierte sieben Deep-Learning-Modelle um bis zu 2,5x schneller. Die neuen Safeguards reduzieren falsch-positive Interventionen um 60% in Cyber-Security und 85% bei elementarer Biologie, während Fable 5.1 nun defensive Vulnerability-Analyse ermöglicht.

Benchmark Radar ist eine neue durchsuchbare Datenbank und Discovery-Engine für KI-Evaluierungs-Benchmarks, die Quellen, Score-Historien und Evidenz aggregiert. Das System kombiniert tägliche Erkennung von Benchmark-Papers, Repositories, Datasets und Releases mit einem durchsuchbaren Katalog und deckt LLM-Evaluierung, agentic tool-use Benchmarks, Coding, Reasoning, Safety und domänenspezifische Evaluierungen ab. Der Katalog enthält 1.283 Source-Records aus 4 Benchmark-Katalogen und 12.916 numerische Beobachtungen mit täglichen Feeds, einem CLI-Tool und reproducible Analysis.

FlashREINFORCE ist ein neues Framework für asynchrones Reinforcement Learning in Sprachmodellen, das mit einzelnen Rollouts pro Prompt arbeitet und damit Speicher- und Synchronisationsprobleme bei Gruppen-basierten Methoden vermeidet. Das Verfahren kombiniert batch-zentrierte Rewards, sequenzbasierte Trust-Gating für stale-data control und sample-mean Gewichtung, um Stabilität ohne gelernten Kritiker zu erreichen. In Experimenten erreicht FlashREINFORCE auf Qwen2.5-Math-1.5B 38.0% über fünf Benchmarks mit halb so vielen Rollouts wie der GRPO-Baseline (256k vs 512k), und bei ALFWorld-Tasks 98.3% auf gesehenen und 96.5% auf ungesehenen Aufgaben, deutlich über vergleichbaren Methoden.