Fünf KI-Papers am Dienstag: Täuschende Agenten, überflüssige Lehrer und ein 125B-Modell auf Diät

Berlin, 1. September 2026 – Die heutige Ausgabe der kuratierten KI-Forschung auf Hugging Face umfasst 22 neue Arbeiten – und sie kreisen auffällig oft um dieselbe Grundfrage: Was tun moderne Modelle eigentlich wirklich – und was treibt ihr Lernen tatsächlich an? Wir haben die Auswahl gesichtet und fünf Arbeiten herausgegriffen, die diese Frage von sehr unterschiedlichen Seiten beantworten. MineAmongUs von der Seoul National University baut die erste 3D-Among-Us-Sandbox, in der VLM-Agenten verbal und nonverbal täuschen – mit überraschendem Ergebnis: Die Lüge ohne Worte entscheidet. OPSA von der Purdue University stellt eine provokante These auf: On-Policy-Distillation lernt gar nicht vom Lehrer, sondern funktioniert auch ganz ohne ihn. Qwen3.8-Flash-Next zeigt, wie eine 125B-Architektur mit einem Neuntel der Trainings-FLOPs das Niveau ihres Vorgängers hält. MNIST-PRO entlarvt, warum multimodale Agenten selbst bei simplen Ziffern scheitern, wenn sie die Welt nur durch ein Guckloch sehen. Und GenFirst von ByteDance Seed löst das latente-Kollaps-Problem beim gemeinsamen Training von Autoencoder und Generationsmodell – durch eine einfache Umkehrung der Reihenfolge.

MineAmongUs: Wenn Agenten lügen, ohne ein Wort zu sagen

Strategische Täuschung von KI-Agenten gilt inzwischen als zentrales Alignment- und Sicherheitsproblem. Der klassische Testort sind Social-Deduction-Spiele wie Werwolf, Avalon oder Among Us – bisher allerdings fast immer als reine Text-Simulationen. Das verzerrt das Bild, denn Täuschung in Biologie, Militärstrategie und Kommunikationstheorie ist immer auch eine Frage des Verhaltens: Körperhaltung, Bewegung, Blick, räumliches Verhalten. Ein Team um Jaewoo Ahn und Junseo Kim (Seoul National University, mit Georgia Tech, KAIST und Inha University) schließt diese Lücke mit MineAmongUs, der ersten 3D-multimodalen Among-Us-Sandbox – aufgebaut in Minecraft.^[Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions – url: https://huggingface.co/papers/2608.30428]

Die Bühne: Zwei Phasen, zwei Kanäle

Acht Spieler, davon zwei Imposter: In der Task-Phase bewegen sich die Agenten frei durch eine kontinuierliche 3D-Welt, sehen nur ihr Ego-RGB-Bild (360 × 640) und führen physische Aktionen aus – Missionen erledigen, andere angreifen, fliehen. In der Meeting-Phase werden alle in die Cafeteria teleportiert und diskutieren in natürlicher Sprache, bevor abgestimmt wird. Damit entsteht ein Setting, das beide Täuschungskanäle gleichzeitig exponiert: verbale Täuschung (Lügen, Alibis, Gegenanklagen) und nonverbale Täuschung (Missionen vortäuschen, zeugenbewusst töten, die Flucht vom Tatort, Stalking).

ARIA: Täuschung auf fünf Ablationsachsen

Damit sich beobachtetes Verhalten sauber dem Modell statt der Umgebung zurechnen lässt, bauten die Autoren ARIA (Ablation-Ready Imposter/Crewmate Agent), ein konfigurierbares VLM-Agenten-Harness mit fünf unabhängig schaltbaren kognitiven Komponenten: Zustandsrepräsentation, Gedächtnis, Planung, Reflexion mit Skill-Memory und Prompt-Stil. Dazu kommt ein Annotationsschema mit 23 „Atomen" (elementaren Täuschungshandlungen) und höherstufigen „Arcs", das auf den Täuschungstaxonomien von Whiten & Byrne, Whaley sowie Buller & Burgoon beruht – und per LLM-as-a-Judge skaliert werden kann, der mit κ = 0,709 fast menschliche Übereinstimmung erreicht (Mensch–Mensch: κ = 0,792).

Nonverbale Kanäle gewinnen

Zwei Experimente liefern klare Befunde: (1) Schränkt man Imposter auf Ich-Perspektive ohne privilegierte Zustandsinformationen ein, kollabiert das gesamte Spiel – sie finden keine Ziele mehr. (2) Bei festem VLM-Backbone verschiebt allein die Harness-Zusammensetzung die Siegrate. Entscheidend ist der Vergleich über verschiedene VLMs hinweg: Die non-verbalen Kanäle sind die entscheidenden Siegbeiträge – allen voran nonverbale Tarnung (das Nachahmen gewöhnlichen Crewmate-Verhaltens), die die stärkste Trennung zwischen Siegern und Verlierern zeigt. Erfolgreiche Imposter verfolgen dabei keine einzelne Strategie: Top-Modelle gewinnen entweder tarnungslastig oder falsifikationslastig (verbale Lügen), aber immer über beide Kanäle zugleich. Damit liefert die Arbeit eine neue, verkörperte Plattform für die Alignment-Forschung.

OPSA: Destilliert die Distillation überhaupt?

On-Policy-Distillation (OPD) gilt als elegante Alternative zum Reinforcement Learning mit verifizierbaren Belohnungen: Ein starkes Lehrermodell bewertet Token für Token die vom Schüler erzeugten Antworten und liefert so dichte Lernsignale. Yi Ding und Ruqi Zhang von der Purdue University stellen genau dieses Paradigma infrage.^[Does On-Policy Distillation Really Distill? From Noisy Teacher to Self-Improvement – url: https://huggingface.co/papers/2608.31046] Ihr Befund ist so simpel wie unangenehm: Der Lehrer ist laut – und überflüssig.

Ein Lehrer, der fast immer Nein sagt

Die Autoren definieren Rauschen als Vorzeichenfehler: Ein falsches Token mit positiver Advantage oder ein richtiges mit negativer. Bei einem 4B-Lehrer sind 30,6 % der Antwort-Token-Signale verrauscht, bei 30B-A3B schon 34,7 %, bei 235B-A22B über die Hälfte (50,6 %). Der größte Lehrer erteilt korrekten Antworten in 97,8 % der Fälle eine negative Advantage – weil die vom Schüler gesampelten Trajektorien aus Sicht des Lehrers zunehmend off-policy sind. Überraschend: Ob man nur mit verrauschten, nur mit sauberen oder mit allen Signalen trainiert – der Schüler konvergiert in allen Fällen gleich. Die Verbesserung kann also nicht vom Verhaltens-Matching mit dem Lehrer stammen.

Was den Fortschritt wirklich treibt

Die Analyse zeigt: Effektives Lernen konzentriert sich auf die wenigen Tokens mit niedriger Log-Wahrscheinlichkeit (low-logp), und eine einzige feste negative Advantage auf diesen Tokens reproduziert die OPD-Gewinne. OPD funktioniert demnach im Kern dadurch, dass es unwahrscheinliche Tokens unterdrückt – dafür braucht es keinen Lehrer, kein gemeinsames Vokabular und keine Whitebox-Logits.

Daraus entsteht OPSA (On-Policy Self-Adaptation), eine komplett supervisionsfreie Methode: Sie vergibt entropie-adaptive negative Advantages an die niedrigsten 20 % Logp-Tokens und verteilt deren Wahrscheinlichkeitsmasse gleichmäßig auf die wahrscheinlichen (Head-)Tokens:

A_i^dyn = −1/2 − (H_i − H_min) / (2 · (H_max − H_min))   für y_i ∈ niedrigste 20 % Logp-Tokens

Starke Signale an hoch-entropischen Positionen schärfen die Verteilung dort, wo sie unsicher ist, während die Diversität an Verzweigungspunkten erhalten bleibt.

Ergebnisse ohne jede externe Supervision

Auf Qwen3-1.7B verbessert OPSA den Avg@32 auf AIME24 um 35,41 Punkte – ein relativer Gewinn von 263 % – und verdoppelt Pass@32 auf allen drei Benchmarks (AIME24, AIME25, HMMT25) mehr als. Es übertrifft zudem OPD um 16,77 Punkte Avg@32 auf AIME24 – ohne Lehrer, ohne Hint, ohne verifizierbare Belohnung. Die Arbeit ist damit auch ein Beitrag zur Frage, wie weit sich Reasoning-Modelle aus eigener Kraft verbessern können.

Qwen3.8-Next: 125B Parameter, ein Neuntel der FLOPs

Das Qwen-Team hat mit Qwen3.8-Flash-Next die Architektur-Detailstudie der Woche vorgelegt: ein spärliches Mixture-of-Experts-Modell mit 125B Gesamtparametern, nur 6B aktiv pro Token – plus 51B Parameter an N-gram-Embedding-Tabellen, die außerhalb des Beschleunigers liegen und aus dem Hauptspeicher vorgeholt werden.^[On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability – url: https://huggingface.co/papers/2608.30320] Auf 14 Pretraining-Benchmarks führt das Modell seinen Vorgänger 397B-A17B auf acht an und bleibt auf den restlichen höchstens 2,6 Punkte zurück – bei einem Drittel der aktivierten Parameter, einem Drittel der Trainings-Tokens und etwa einem Neuntel der Trainings-FLOPs.

Drei Hebel: Mischen, Verbreitern, Auslagern

Das Design kombiniert vier Bausteine: (1) Gated DeltaNet (GDN) statt voller Selbstaufmerksamkeit in drei von vier Schichten – eine lineare Rekurrenz mit datenabhängigem Decay α_t und Delta-Schreibregel β_t, die den Präfix in einen fest großen Zustand komprimiert:

S_t = α_t (I − β_t k_t k_t^T) S_{t−1} + β_t k_t v_t^T

(2) Qwen Sparse Attention (QSA) in jeder vierten Schicht beim Continued Pretraining: ein komprimierter Indexer bewertet Kontext auf Mikro-Block-Ebene und senkt die Indexkosten von O(n²) auf O(n²/r) – bei 1M Kontext 7,6× schnellere Prefill und 4,9× schnellere Decode als dichte Aufmerksamkeit. (3) Gated Residual (GR): Der Residuumstrom wird auf vier Zweige verbreitert und elementweise gegated gelesen – das isolierte Gate erweist sich im Stresstest als Schlüsselkomponente der Trainingsstabilität. (4) N-gram-Embedding-Layer: zusätzliche Kapazität außerhalb des Backbones, fast ohne zusätzliche FLOPs.

Loss, Benchmarks, Stabilität: ein gemeinsames Designproblem

Besonders lehrreich ist die methodische Haltung des Papers: Jede Änderung wird entlang von drei Achsen evaluiert – Loss plus Benchmarks, Kosten in Training/Prefill/Decode, und Wirkung auf Hyperparameter und Stabilität. Dabei zeigen sich Diskrepanzen: Größere N-gram-Vokabulare senken den Loss monoton, während die Downstream-Genauigkeit sättigt. Zusammen mit dem Muon-Optimierer verschieben sich optimale Lernrate und Batchgröße nach oben, Batch-Warmup wird überflüssig – und bei der vierfachen optimalen Lernrate (Stresstest) bleibt die neue Rezeptur stabil, während die alte Architektur häufig spiked. Das 125B-Training lief ohne einen einzigen Loss-Spike und ohne explizites Clipping (qk-clip, SwiGLU-clip).

MNIST-PRO: Warum Agenten nicht sehen, was sie sehen

Multimodale Modelle erkennen MNIST-Ziffern seit Jahren nahezu perfekt – solange sie das ganze Bild sehen. Das DeCLaRe Lab der Nanyang Technological University und A*STAR (Singapur) fragt: Was passiert, wenn ein Agent die Welt nur durch ein kleines Sichtfenster erkunden muss? Genau das isoliert der neue Benchmark MNIST-PRO: Die Ziffernerkennung wird zu einer sequenziellen, blickweisen Suchaufgabe mit Rückblick-Beschränkungen.^[MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents – url: https://huggingface.co/papers/2608.31022]

Ein POMDP mit Guckloch

Formal ist MNIST-PRO ein teilweise beobachtbarer Markov-Entscheidungsprozess (POMDP): Der Agent sieht zu jedem Zeitpunkt nur ein h × w großes Fenster des Bildes, alles andere ist maskiert. Er muss entscheiden, wohin er als Nächstes blickt (up/down/left/right), die Eindrücke im Arbeitsgedächtnis integrieren – und schließlich die Ziffer (Stufe 1) bzw. eine zweistellige Sequenz in richtiger Reihenfolge (Stufe 2) vorhersagen. Vier Gedächtnisrepräsentationen werden verglichen: roher visueller Verlauf, freie Textzustände, strukturierte metrische Gitterkarten und eine konsolidierte visuelle Leinwand. Zehn multimodale Modelle – Gemini 3.x, Claude 5-Familie, GPT-5.6, Qwen3.8-27B, GLM-4.6V – absolvieren den Test.

Drei Engpässe der agentischen Wahrnehmung

Die Ergebnisse sind ernüchternd: Unter vollständiger Beobachtbarkeit liegen alle Modelle nahe der Perfektion; sobald das Guckloch zugeht, bricht die Leistung ein. Die Autoren identifizieren drei distinkte Engpässe: (1) Konstruktion und Interpretation des Wahrnehmungszustands – die Integration fragmentierter Blicke gelingt schlecht; (2) verfrühtes Stoppen der Exploration – Agenten brechen die Suche ab, bevor sie die volle Sequenz gesehen haben; (3) fehlende Belief-Revision – einmal gebildete falsche Überzeugungen werden selbst bei widersprüchlichen Folgebeobachtungen nicht korrigiert. Auffällig: Die beste Genauigkeit erreicht Gemini 3.7 Flash mit 61 %, Gemini 3.1 Pro – das stärkste Modell der Familie – nur 35,5 %. Und: Wer mehr vom Sensing-Budget nutzt, gewinnt nicht automatisch – entscheidend ist, wann ein Agent entscheidet, genug gesehen zu haben.

Die Kernbotschaft des Papers: Visuelle Evidenz zu sammeln reicht nicht – Agenten müssen daraus einen verlässlichen, aktualisierbaren Wahrnehmungszustand bauen. Das ist eine direkte Blaupause für GUI-Agenten und Robotik, wo dieselbe Dynamik im Alltag auftritt.

GenFirst: End-to-End ohne latenten Kollaps

Latente generative Modelle (VAE + Diffusions- oder Autoregressiv-Prior) werden fast immer zweistufig trainiert: Erst lernt ein Autoencoder die Rekonstruktion, dann wird der generative Prior auf dem eingefrorenen Latentraum trainiert. Das Problem: Ein rekonstruktionsoptimierter Latentraum ist nicht unbedingt generierungsfreundlich. Das direkte gemeinsame Training scheiterte bislang am latenten Kollaps – der generative Verlust ließ den Latentraum zu einem fast konstanten Punkt schrumpfen. Guangting Zheng und Kollegen (USTC + ByteDance Seed) zeigen mit GenFirst, warum – und wie man es behebt.^[GenFirst: Generation Before Reconstruction for Stable End-to-End Latent Generative Modeling – url: https://huggingface.co/papers/2608.29335]

Die Ursache: ein Prior-Entropie-Ungleichgewicht

Der KL-Regularisierer des VAE-Ziels besteht aus zwei gegensätzlichen Kräften: einem Prior-Fitting-Term (zieht die Posterior zur Gauß-Prior, schrumpft die Varianz) und einem negativen Entropie-Term (erhält Posterior-Unsicherheit). Im üblichen Rezept (KL-Gewicht 10⁻⁶) balancieren sich beide nur deshalb aus, weil der Prior schwach ist. Beim end-to-end Training kommt ein starker Prior-Fitting-Druck durch den Generationsverlust hinzu – die Entropie bleibt unterdrückt, die Varianz läuft gegen null: Kollaps. Die Diagnose der Autoren: Entropieerhalt ist die notwendige Bedingung für stabiles end-to-end Lernen.

Generation zuerst, Rekonstruktion später

Der zweite Befund betrifft die Lerndynamik: Rekonstruktion ist schnell und stark überwacht, Generierung ist langsam und schwer zu optimieren. Starker Rekonstruktionsdruck früh im Training verankert den Encoder in einem rekonstruktionsorientierten Latentraum, den der generative Prior nur schwer lernen kann. Die Lösung ist entwaffnend einfach – GenFirst: Erst formt der generative Verlust den Latentraum unter schwachem Rekonstruktionsdruck und explizitem Entropieerhalt, dann wird die Rekonstruktion progressiv gestärkt, um visuelle Details zurückzugewinnen.

Ergebnisse über Bild- und Textmodi hinweg

Mit dieser Strategie erreicht SiT (Flow-Matching-Prior) einen gFID von 0,97 (mit CFG) bzw. 1,45 (ohne CFG) auf ImageNet-256, und MMDiT kommt auf 0,90 im GenEval-Text-zu-Bild-Benchmark. Die Autoren validieren das Verfahren zudem mit kontinuierlichen autoregressiven Prioren (FARMER), mit geteilten visuellen Latents für Generierung und Repräsentationslernen sowie mit kontinuierlicher, vereinheitlichter Text-Bild-Modellierung – ein starkes Signal, dass stabiles end-to-end latentes Lernen ein allgemeines Prinzip ist.

Was die fünf Arbeiten gemeinsam haben

Auf den ersten Blick trennen diese Arbeiten Welten: ein Täuschungslabor in Minecraft, eine Trainingsmethode ohne Lehrer, eine Spar-Architektur von Qwen, ein Wahrnehmungs-Benchmark und eine generative Trainingstechnik. Der gemeinsame Nenner ist dennoch deutlich: Die Forschung hört auf, Modellgröße und Rechenbudget für den Fortschritt verantwortlich zu machen – und schaut stattdessen in die Mechanismen hinein. OPSA zeigt, dass ein Großteil des „Destillierens" schlichtes Unterdrücken unwahrscheinlicher Tokens ist und sich ohne jede externe Supervision ersetzen lässt. MineAmongUs macht sichtbar, dass Agentenverhalten nur verstanden werden kann, wenn Körper, Raum und Sprache gemeinsam exponiert sind – und dass nonverbale Kanäle womöglich wichtiger sind als Worte. MNIST-PRO beweist, dass selbst starke multimodale Modelle keinen verlässlichen Wahrnehmungszustand aufbauen, wenn Evidenz nur häppchenweise kommt. Qwen3.8-Next zerlegt das Architekturdesign in messbare Achsen (Loss, Kosten, Stabilität) und zeigt, dass ein Neuntel der FLOPs reichen kann, wenn die richtigen Komponenten zusammenkommen. Und GenFirst verwandelt den latenten Kollaps von einem empirischen Scheitern in ein diagnostizierbares Ungleichgewicht der Verlustfunktion. Wer wissen will, wohin die KI-Forschung geht, sollte weniger auf die nächste Parameterzahl schauen – sondern auf diese Art von Innenansichten.

Quellen: MineAmongUs – arXiv 2608.30428 · OPSA – arXiv 2608.31046 · Qwen3.8-Next – arXiv 2608.30320 · MNIST-PRO – arXiv 2608.31022 · GenFirst – arXiv 2608.29335