Fünf KI-Forschungspapers der Woche: Präzision, die nur dort sitzt, wo sie zählt

Jede Woche erscheinen auf arXiv hunderte neue Manuskripte aus dem Maschinellen Lernen – eine Menge, die niemand vollständig lesen kann. Diese Zusammenfassung greift aus den Veröffentlichungen der vergangenen Tage fünf Arbeiten heraus, die uns besonders bemerkenswert erscheinen, und ordnet sie kurz ein. Sie stammen aus dem jüngsten Schwung der „Hugging Face Daily Papers" vom 11. September 2026; ein Blick auf die Vorwochen zeigt, dass keines der fünf in den vergangenen Tagen hier bereits besprochen wurde.

Ein Motiv verbindet diese Woche: Sparsamkeit an der richtigen Stelle. HyQuant quantisiert den Löwenanteil des Attention-Zustands auf vier Bit, hebt aber fünf Prozent der Tokens in volle Präzision. X-AuT entfernt zwei von achtzehn Audio-Encoder-Layern und friert alles andere ein. GLIE speichert vier statt tausend Vektoren pro Dokumentseite und rekonstruiert den Rest auf Abruf. Alle drei arbeiten nach derselben Logik: Nicht überall gleich viel Genauigkeit, sondern dort, wo sie den Ausschlag gibt.

Die anderen zwei Papers richten den Blick auf das, was fehlt. IdeaAMBIG misst, ob eine Forschungsmethode so beschrieben ist, dass man sie ohne Annahmen implementieren könnte – und findet, dass genau das kein Modell zuverlässig erkennt. Think Before You Link zeigt, dass „selten" keine Frage der Klickzahlen ist, und dass in 72 % der Fehler die richtige Entität nie gefunden wurde.

1. HyQuant: Viereinhalb Prozent Attention, die niemand komprimieren darf

arXiv 2608.27875 – „HyQuant: Hybrid-Precision Quantization for LLM Attention" (Jiatong Ding, Bingxin Xing, Yu Zhang, Dian Ding, Xiaodong Yi, Xianbin Ouyang, Feihu Zhou, Kun Zhang, Zhenyu Guo, Hao Pan, Guangtao Xue, Yiming Zhang – Shanghai Jiao Tong University, Xi'an Jiaotong University, Tencent Penglai Lab, Xiamen University)

Quantisierung ist der Standardhebel, um Trainings- und Inferenzkosten von Sprachmodellen zu senken. Bei Attention-Modulen mit sehr geringer Bitbreite bricht die Qualität jedoch ein; die gängigen Verfahren behandeln das Problem mit Glättungstechniken gegen Ausreißer. HyQuant setzt anders an: Eine gleichmäßige tokenweise Genauigkeit verkenne, dass wenige Positionen den Fehler dominieren – uniforme Kompression überkomprimiere kritische Tokens und verschwende an anderer Stelle Budget.

Das Muster: vertikale Linien

In Attention-Heatmaps zeigen sich über Modellfamilien hinweg vertikale Linien: einzelne Tokens, auf die praktisch alle Abfragen hohe und stabile Aufmerksamkeitsmasse legen. Diese Linien tragen überproportional Masse, decken aber nur einen winzigen Tokenanteil ab, typisch unter 5 %. Genau diese Positionen – plus ein lokales Sliding-Window – bleiben in voller Präzision; alles andere wird quantisiert. Anders als MInference, das solche Muster als Sparsity-Maske nutzt, weist HyQuant Tokens unterschiedliche Präzision zu und behält auch unwichtige Tokens in Niedrigbit-Form.

Die Aufteilung als Formel

Die Keys zerfallen in drei disjunkte Mengen:

$$K = K_{VL} \cup K_{Win} \cup K_Q \tag{1}$$

mit dem lokalen Fenster und dem zugehörigen Präfix

$$K_{Win}(t) = {, k \mid k \in [\max(0, t-W+1),, t] ,}, \qquad K_{pre}(t) = K \setminus K_{Win}(t) \tag{2,3}$$

Die Auswahl der Vertical-Line-Positionen erfolgt über die spaltenweise akkumulierte Attention-Masse:

$$S(k) = \sum_{t \in T} a_{t,k}, \qquad K_{VL} = \mathrm{TopK}\left(S|{K{pre}},\ \rho \cdot |K_{pre}|\right), \quad \rho \ll 1 \tag{4,5}$$

Im Prefill entsteht daraus ein hybrid-präziser Attention-Operator, der quantisierte und vollpräzise Blöcke in einer Softmax zusammenführt:

$$O = \mathrm{Softmax}!\left( \frac{Q \hat{K}Q^{\top}}{\sqrt{d}} \parallel \frac{Q K{FP}^{\top}}{\sqrt{d}} \right) \cdot \left( \hat{V}Q \parallel V{FP} \right) \tag{6}$$

In der Decode-Stufe wird dasselbe Prinzip auf den KV-Cache angewandt und die Dequantisierung in die Attention-Berechnung fusioniert.

Die Ergebnisse

Konfiguration: die online identifizierten Top-5 % der Vertical-Line-Tokens plus lokales Fenster in voller Präzision, alle übrigen KV-Positionen als Key 4 Bit / Value 4 Bit; getestet auf Qwen3-8B, Qwen3-32B, LLaMA3.1-8B(-Instruct) und GLM-4-9B mit LongBench, GSM8K und MATH500 auf einer H100.

Erreicht werden 1,32× bis 3,58× Speedup im Decode-Kernel und 1,04× bis 1,17× End-to-End-Decode-Speedup – bei nahezu vollpräziser Genauigkeit.

Wie viel Attention-Masse das kleine Budget abdeckt, zeigt die folgende Übersicht (lokales Fenster W = 128):

Modell	TOP-1 %	TOP-5 %	TOP-5 % + Fenster
Llama-3.1-8B	58,83 %	64,09 %	85,63 %
Qwen3-8B	47,30 %	54,10 %	82,53 %

Bemerkenswert ist ein Negativbefund: Für die Prefill-Stufe berichten die Autoren bewusst keinen Geschwindigkeitsgewinn – die Latenz sei mit der von SageAttention vergleichbar –, sondern nur numerische Abweichungen. Der Effizienzgewinn sitzt also im Decode und im KV-Cache, nicht im Prefill.

2. X-AuT: Dem Audio-Encoder zwei Layer nehmen, ohne etwas zu verlieren

arXiv 2609.11412 – „X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation" (Haojun Zhang, Yi Zou, Min Chen, Qize Yu, Lianrui Fan, Xini Ding, Hao Li, Shuchang Zhou, Xianming Liu, Shiyu Huang – XPeng Inc.)

Sprachmodelle verbrennen Rechenzeit in ihrem Audio-Tower. Ihn flacher zu machen ist naheliegend, aber riskant: Wer ganze Transformer-Blöcke entfernt, stört die Embeddings, die der Decoder konsumiert, und provoziert Löschfehler sowie vorzeitige End-of-Sequence-Ausgaben. X-AuT geht das als Post-Training-Problem an einem bereits starken Modell an (Qwen3-ASR-0.6B, 18-schichtiger Audio-Tower) und komprimiert in zwei kontrollierten Sprüngen: 18 → 16 → 14 Layer.

Fünf Bausteine, ein eingefrorenes Rückgrat

Erstens eine Layer-Auswahl über kurze Verhaltens-Proben („behavioral probes"): Kandidaten-Layermengen werden unter identischer Initialisierung, Datenlage und Optimierung verglichen. Zweitens Representation Alignment in Stage 0 mit Intermediate-Layer-, Bridge-, Logit- und Transkript-Verlust. Drittens Cross-Scale-Distillation von einem Qwen3-ASR-1.7B-Lehrer, wobei gruppiertes Layer-Matching und eine gelernte MLP-Bottleneck-Projektion die Tiefen- und Breitenunterschiede überbrücken. Viertens eine geplante Überwachung nach Schüler-Policy: Nach 20 % von Stage 1 wird jeder fünfte Optimizer-Schritt auf Kontexte aus der eigenen Generierung des Schülers umgestellt. Fünftens LoRA-Finetuning (Rank 32 auf q/k/v/o). Eingefroren bleibt durchgehend das Sprachmodell-Rückgrat; nur die Decoder-Adapter und zeitweise das gebundene Output-Embedding lernen, der Lehrer wird zur Inferenz verworfen.

Formal wird über Layermenge und Parameter minimiert:

$$\min_{I,\theta',\phi',\omega'} \mathrm{TER}(E_{\theta',I}, B_{\phi'}, D_{\psi}, H_{\omega'}) \quad \mathrm{s.t.} \quad |I| = M < N \tag{1}$$

$$L_{S0} = \lambda_{layer}L_{layer} + \lambda_{bridge}L_{bridge} + \lambda_{logit}L_{logit} + \lambda_{ce}L_{ce} \tag{2}$$

Bemerkenswert ist die Selektionslogik selbst: Im Single-Layer-Sweep liegen die Fehlerraten zwischen 6,29 % und 8,90 %; das gewählte Layerpaar {5,6} kommt auf 6,93 %, das Paar {6,8} auf 7,78 % – die Interaktionsstrafe zwischen zwei entfernten Layern (0,58 gegenüber 1,38 Prozentpunkten) entscheidet also mit.

Die Ergebnisse

Konfiguration	Mittlerer Fehler	Audio-Tower-Parameter
Basis (18 Layer)	5,61 %	186,376 M
X-AuT 16 Layer	5,27 %	167,085 M (−10,35 %)
X-AuT 14 Layer	5,75 %	147,794 M (−20,70 %)

Der erste Schnitt macht das Modell auf zehn chinesisch-englischen Benchmarks sogar besser: Der makro-gemittelte Fehler sinkt von 5,61 % auf 5,27 %. Bei 14 Layern liegt er mit 5,75 % leicht über der Basis, dafür mit 20,7 % weniger Audio-Tower-Parametern. Zwei Vergleiche stützen das Vorgehen: Mit demselben Rezept liefert der 1,7B-Lehrer 5,55 % mittleren Fehler gegenüber 8,45 % bei Self-Distillation, und progressives 18 → 16 → 14 schlägt das direkte 18 → 14 (5,75 % gegenüber 6,73 %). Auf dem Fahrzeug-Beschleuniger sinkt die Latenz um 21,4 %, auf einer H800 um 11,4 %.

Ehrlich benannt ist die Schwäche: Alle Zahlen stammen aus Einzelläufen mit Seed 42, ohne Wiederholungs-Seeds oder Signifikanztests, und die Checkpoint-Auswahl nutzt feste Entwicklungs-Teilmengen mit höchstens 25 Äußerungen pro Benchmark. Die kleine Lücke des 14-Layer-Modells zur Basis ist damit deskriptiv, nicht abgesichert.

3. GLIE: Vier Vektoren statt tausend – und der Rest wird gerechnet

arXiv 2609.11808 – „Generative Late-Interaction Embeddings for Visual Document Retrieval" (Mohamed Eltahir, Talal Aloushan, Rose Khairoalsendi, Jana Shata, Mohammed Alhassan, Leen Alrehaili, Tanveer Hussain, Naeemullah Khan – KAUST, Edge Hill University)

Late-Interaction-Retrieval ist State of the Art für visuelle Dokumentensuche: Statt eine Seite zu einem Vektor zu verdichten, wird jeder Bild-Patch einzeln eingebettet und die Anfrage über MaxSim gegen die Seite bewertet. Der Preis ist der Speicher: 1.031 Patch-Vektoren à 128 Dimensionen pro Seite, rund 258 KB in bfloat16 – eine Million Seiten kosten ein Viertel Terabyte, bevor überhaupt eine Indexstruktur dazukommt. Bestehende Kompressionsverfahren speichern eine Teilmenge oder ein lokales Mittel; unterhalb von etwa sechzehn Vektoren pro Seite berichtet keines von ihnen einen Betriebspunkt, und die Verfahren, die kleinere Budgets erreichen, trainieren den Encoder neu und entwerten damit alle bereits berechneten Embeddings.

Erst messen, dann komprimieren

Die Autoren schauen zunächst nach, was da eigentlich gespeichert wird, und finden über 6.729 Seiten und drei Encoder hinweg zwei konsistente Eigenschaften: Die Vektoren liegen exakt auf der Einheitskugel und konzentrieren sich nahe einer Mannigfaltigkeit mit intrinsischer Dimension fünf bis sechs.

Daraus folgt erstens eine kostenlose Korrektur. Standard-k-means-Zentroide sind euklidische Mittel von Einheitsvektoren und liegen deshalb strikt innerhalb der Kugel, was MaxSim systematisch unterschätzt:

$$\frac{1}{n}\sum_{i=1}^{n}\lVert x_i - c\rVert^2 = 1 - \lVert c\rVert^2, \qquad \sum_j n_j,(1 - \lVert c_j\rVert^2)$$

Die Rückprojektion auf die Kugel ist gratis und bringt bis zu +0.093 nDCG@5 gegenüber rohen Zentroiden.

Zweitens erlaubt die niedrige intrinsische Dimension, den vollen Vektorsatz aus wenigen Vektoren zu rekonstruieren. GLIE speichert $k \ll N$ Vektoren pro Seite, lernt sie aus den normalisierten Zentroiden und nutzt sie zugleich als leichten Index und als Basis. Ein Refiner verfeinert die Anker, ein geteilter Decoder expandiert zur Abfragezeit nur die Top-Kandidaten zurück auf alle $N$ Vektoren zum exakten Re-Scoring:

$$C = \text{normalize}\big(U + \pi_\theta(\text{Attn}(U, X, X))\big)$$

Trainiert wird direkt auf den MaxSim-Score, nicht auf Rekonstruktion:

$$\mathcal{L}{tok} = \frac{1}{m}\sum{j=1}^{m}\Big(\max_l \langle q_j, \hat{x}_l\rangle - \max_i \langle q_j, x_i\rangle\Big)^2 \tag{3}$$

Der Rekonstruktionsfehler fehlt bewusst in der Zielfunktion, weil er die Kinder in die Clustermitte zöge – genau in jenen Kollaps, der die von MaxSim gelesenen Extrempunkte verliert.

Die Ergebnisse

Bei nur vier Vektoren pro Seite auf ViDoRe v1 behält GLIE knapp 80 % des nDCG@5 des unkomprimierten Systems, gegenüber 70 % beim besten früheren Post-hoc-Verfahren – und liegt damit klar vor den naheliegenden Baselines:

Verfahren (ViDoRe v1, k = 4, Makro-nDCG@5)	Wert
GLIE	0,657
Token Pooling	0,584
Raw k-means	0,512
Cluster Merging	0,471

Der Aufwand ist absurd klein: ein 415K-Parameter-Netz, in unter drei GPU-Minuten auf nur 1.000 Trainingsseiten gefittet. Bei angeglichenem Budget erreicht ein Encoder-Fine-Tuning mit 13,3 M LoRA-Parametern nicht einmal die trainingsfreie normalisierte k-means-Stufe – GLIE gewinnt an allen sechs Budgets um +0.074 bis +0.132. Der Speichereffekt ist drastisch: 1.040 Bytes pro Seite gegen 257,8 KB unkomprimiert, eine Million Seiten schrumpft von 258 GB auf 1,0 GB.

Die entscheidende Schranke liegt nicht in der Shortlist, sondern in der Decoder-Treue: Verbreitert man die Kandidatenliste von 5 auf 100, steigt das Oracle von 0,705 auf 0,822 – GLIE aber nur von 0,647 auf 0,660. Die Kandidaten sind also da, der Decoder nutzt sie nicht aus.

4. IdeaAMBIG: Die Lücke sehen ist schwerer als sie schließen

arXiv 2609.10539 – „IdeaAMBIG: Benchmarking Implementation-Critical Gaps in Research-Idea Specifications" (Yiling Ma, Yilun Zhao, Sihong Wu, Manasi Patwardhan, Arman Cohan – Yale NLP Lab, TCS Research)

Eine Forschungsidee kann neuartig, kohärent und plausibel sein – und trotzdem zu ungenau beschrieben, um sie originalgetreu umzusetzen. Die Autoren nennen das „Codification Readiness": eine Spezifikation ist dann bereit, wenn sie einem kompetenten Implementierer oder Coding-Agenten genug methodische Information gibt, die beabsichtigte Methode ohne ungestützte Annahmen zu bauen. Sie ist nicht bereit, wenn zwei kompetente Implementierer materiell unterschiedliche, methodendefinierende Entscheidungen treffen könnten, ohne dass Evidenz belegt, welche gemeint ist.

Der Benchmark

IdeaAMBIG umfasst 660 evidenzbasierte Einzeldefekt-Instanzen: 163 reale Lücken aus Reproducibility-Reports und GitHub-Issues sowie 497 kontrolliert injizierte synthetische Lücken. Die Spezifikationen und ihre gestützten Auflösungen werden aus Papern, Codebases, Issue-Threads und Reproduktions-Artefakten rekonstruiert. Aus 4.106 geschlossenen Issues aus 50 paper-verlinkten Repositories (2017–2025) blieben nach Klassifikation, Dekomposition und Prüfung 121 reale Instanzen; weitere 42 kamen aus Reproducibility-Reports. Synthetische Defekte werden in drei Kategorien injiziert – Ambiguität, Inkomplettheit, Inkonsistenz –, jede Instanz enthält genau einen Defekt.

Formal ist eine Instanz ein Tripel aus Spezifikation, Taxonomie-Labels und der unaufgelösten Implementierungsentscheidung:

$$x_i^- \in X \text{ (NOTREADY)},\quad d_i = (z_i^{(1)}, z_i^{(2)}, e_i)$$

Geprüft werden drei Fähigkeiten: Codification-Readiness Assessment, Defect Localization und Clarification Action Generation. Der methodische Kern liegt in der Asymmetrie: Die Lokalisierung erhält nur die Spezifikation, die Klärung zusätzlich den annotierten Defekt.

Die Ergebnisse

Über 13 LLMs hinweg erreicht das beste Modell nur 9,6 % Macro Defect Recovery Rate auf realen Instanzen – aber 80,6 % Macro Clarification Action Success Rate, sobald ihm der Defekt gegeben wird. In der Oracle-Studie hebt die fehlende Gold-Information die nachgelagerte Codification-Ready-Rate von 14 % auf 98 %.

Der Engpass ist damit eindeutig verortet: Modelle fordern hilfreiche Informationen an, sobald man sie auf den Blocker richtet – sie finden ihn aber nicht selbstständig. Für das Schreiben von Methodenteilen – an Menschen wie an Maschinen – ist das die unangenehme Nachricht: Die Schwelle liegt nicht im Formulieren der Frage, sondern im Erkennen, dass überhaupt etwas offen ist.

5. Think Before You Link: Seltenheit ist keine Frage der Klickzahlen

arXiv 2609.10745 – „Think Before You Link: Rarity, Reasoning, and Retrieval in Multilingual Entity Linking" (Parinthapat Pengpun, Simran Khanuja, Graham Neubig – Carnegie Mellon University)

Multimodales Entity Linking verankert Erwähnungen in Text und Bild zu Einträgen einer Wissensbasis – und bricht auf seltenen Entitäten ein. Bisher wurde Seltenheit vor allem über Popularitäts-Proxy-Größen gemessen, etwa Wikipedia-Pageviews oder eingehende Links. Die Autoren halten das für zu kurz gegriffen und ergänzen wissensgraph-strukturelle Metriken, die erfassen, wie gut eine Entität dokumentiert und vernetzt ist – und die viele seltene Entitäten finden, die Popularitätsmetriken übersehen.

Zwei Familien von Metriken

Über die Wikipedia- und Wikidata-APIs sammeln sie zwei Metrikfamilien:

• Wikipedia-basiert (editoriale Aufmerksamkeit, Dokumentationstiefe): Pageviews über 90 Tage, Backlinks, Artikelgröße, Revisionenzahl, eindeutige Editoren, Kategorienzahl, externe Links, Referenzen, Bilder.
• Wikidata-basiert (strukturelle Konnektivität, sprachübergreifende Abdeckung): eingehende und ausgehende Links, Zahl der Sprachversionen, Statements, Qualifier, Entitätsalter.

Daraus folgt eine präzisere Definition: Eine Entität ist bezüglich einer Metrik $m$ selten, wenn $m(e)$ im untersten $q$ % der Testverteilung liegt ($q = 5$). Eine Entität ist unpopular, wenn sie auf Zugriffsmetriken selten ist, und structurally rare, wenn sie auf Wikidata-Metriken selten ist. Dass diese Unterscheidung trägt, zeigt ein Detail: Die untersten 5 % verschiedener Metriken überschneiden sich im Schnitt nur zu 37 % – bei manchen Metrikpaaren sinkt die Überlappung auf bis zu 10 %.

Das Framework

Zur Behebung der Ausfälle dient ein einfaches, trainierungsfreies Framework, in dem ein reasoning-fähiges Vision-Language-Modell iterativ über Wikipedia sucht und schlussfolgert und dabei Evidenz dynamisch sammelt. Modul 1 betreibt iteratives Reasoning mit Retrieval-Zugriff (bis zu 20 Suchen, über BM25 oder Embeddings), Modul 2 extrahiert per Re-Prompt den exakten englischen Wikipedia-Titel aus der Begründungsspur. Getestet werden Qwen3-VL in Thinking- und Instruct-Varianten zu 2B, 4B und 8B, jeweils mit und ohne Retrieval.

Die Ergebnisse

Der Benchmark MERLIN umfasst fünf Sprachen – Hindi, Indonesisch, Japanisch, Tamil, Vietnamesisch. Ein erstes Ergebnis betrifft die Diagnose: Gegenüber der Volltest-Genauigkeit des bisherigen Spitzenmodells (81,1 %) fällt die Genauigkeit auf den Bottom-5-%-Teilmengen um 15,4 % bis 39,9 %. Je nach Seltenheitsdefinition brechen also andere Entitäten weg – genau das macht die Definition zur Designentscheidung.

Kontrollierte Experimente zeigen dann eine klare Komplementarität:

• Reasoning allein hilft auf seltenen Entitäten praktisch nicht (nicht signifikant, p > 0,5 auf allen Slices).
• Retrieval allein hilft seltenen Entitäten, schadet aber dem Instruct-Modell auf dem Gesamtdatensatz: BM25 kostet −4,9 % overall, während dieselbe Suche auf strukturellen Seltenheits-Slices +8,1 % bis +12,6 % bringt.
• Beides zusammen gewinnt am meisten, und der Gewinn wächst mit der Seltenheit: Der RAG-Zuwachs steigt von +3,8 % auf dem Gesamtdatensatz auf +18,8 % bei Wikipedia-Sprachversionen, also um Faktor 5,0.

Das beste System (8B-Think+Embed) erreicht 87,9 % Durchschnittsgenauigkeit, +6,9 % overall gegenüber dem bisherigen Stand, mit +10,0 % auf Hindi und +10,0 % auf Indonesisch. Auf den 15 veröffentlichten Rare-Slices (MERLIN-Rare) reichen die Gewinne von +5,5 % bis +23,3 % – am größten bei Wikidata-Qualifern (+23,3 %), Statements (+22,1 %) und ausgehenden Links (+21,7 %).

Bemerkenswert ist die Fehleranalyse: In 72 % der Fehler wurde die korrekte Entität von der Suche nie aufgedeckt; weitere 23,5 % entfallen auf Fälle, in denen das Modell die richtige Entität erwähnt, sie aber verwirft. Thinking-Modelle suchen dabei seltener, aber gezielter (1,0–2,2 statt 3,2–5,2 Suchen pro Beispiel), während Instruct-Modelle ihren Kontext mit ungefilterten Treffern fluten und ab der fünfzehnten Suche in bis zu 34 % wörtliche Wiederholungen verfallen. Eine Nebenkosten-Warnung gibt es obendrein: 4B-Think+Embed (83,7 %) erreicht 8B-Instr (83,5 %) bei halber Parametergröße – kostet aber rund 2,8× mehr Inferenz-Token. Und das 2B-Think-Modell führt in 97 % der Beispiele nur die erzwungene erste Suche aus: Werkzeugnutzung ist offenbar eine emergente Fähigkeit, die ausreichende Modellgröße voraussetzt.

Fazit: Budget an der Engstelle, und ein Blick für das Fehlende

Vier der fünf Arbeiten lassen sich auf eine gemeinsame Beobachtung reduzieren: Genauigkeit ist nicht homogen verteilt. HyQuant findet die wenigen Tokens, die Attention tragen, X-AuT die Layer, die sich weglassen lassen, GLIE die Mannigfaltigkeit, auf der sich tausend Vektoren aus vier rekonstruieren lassen. Alle drei sparen an der Stelle, an der es nichts kostet – und lassen an der Stelle volle Präzision, an der die Qualität hängt.

Die beiden anderen Papers markieren die Gegenseite. IdeaAMBIG zeigt, dass Modelle Lücken in Beschreibungen nicht selbstständig finden, obwohl sie sie auf Anhieb schließen können, sobald man sie zeigt – die Diagnose ist der Engpass, nicht die Antwort. Und Think Before You Link zeigt, dass selbst ein reasoning-fähiges Modell mit Wikipedia-Zugriff in 72 % der Fehler die richtige Entität nie zu Gesicht bekommt: Auch dort liegt die Grenze im Finden, nicht im Denken. Wer in diesem Feld baut, sollte beides im Blick behalten – das Budget an der Engstelle und die Lücke, die niemand sieht.