Fünf KI-Papers am Mittwoch: Ein Geschäftsjahr für Agenten, ein FPS-Spiel vom Reißbrett und sprachgesteuerte Welten

Berlin, 2. September 2026 – In der Nacht zum Mittwoch hat der Daily-Papers-Dienst von Hugging Face 19 neue Arbeiten ausgeliefert. Wir haben die Auswahl gesichtet und fünf Arbeiten herausgegriffen, die sich um eine gemeinsame Frage drehen: Wie weit reicht die Autonomie heutiger KI-Systeme, wenn man ihnen Zeit, Kapital und Verantwortung gibt – und wie lässt sich diese Autonomie fair messen und effizient skalieren? E-Commerce Bench schickt 18 Sprachmodelle für ein simuliertes Geschäftsjahr in den Online-Handel und zeigt, dass Umsatzstärke und Urteilsvermögen kaum zusammenfallen. Harness-of-Harness lässt Coding-Agenten über Tage hinweg ein vollständiges Videospiel entwickeln. H3-World und Qwen-Drive-1.0 nutzen Sprache als natürliche Steuerschnittstelle für generative Video-Welten und fürs autonome Fahren. Und SMELT liefert Scaling Laws für Loop-Transformer unter ehrlichen Budget-Bedingungen. Der gemeinsame Nenner: Die Forschung verlässt den kurzen Atem einzelner Aufgaben, misst Systeme an langen Horizonten – und fragt, was aus einem gegebenen Rechenbudget wirklich herauszuholen ist.

E-Commerce Bench: Ein Geschäftsjahr für 18 Sprachmodelle

Langfristige Agentenaufgaben lassen sich in zwei Klassen teilen: episodische Aufgaben enden, sobald ein Ziel erreicht ist; continuing Aufgaben kennen keinen Endzustand und laufen in dynamischen Umgebungen weiter, sodass Fehler über lange Horizonte aufscheinen – Kohärenzverlust etwa oder die Unfähigkeit, aus Erfahrung zu lernen.^[E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation – url: https://huggingface.co/papers/2608.30730] Das Qwen-Team von Alibaba (gemeinsam mit Taobao & Tmall und der HKUST) schließt mit E-Commerce Bench genau diese Lücke: Über 365 simulierte Tage führt ein LLM-Agent parallel bis zu vier Online-Shops – Marktforschung, Lieferantenverhandlungen, Bestands- und Preisstrategie, Fulfillment, Retouren und Cash-Management – mit dem Ziel, das Jahresendvermögen zu maximieren. Startkapital: 100.000 Einheiten; Umgebung: 6.886 Produkte und 576 Lieferanten, kalibriert aus echten Plattformdaten.

Deterministische Märkte, echte Daten

Damit Ergebnisse reproduzierbar sind, ist der Markt auf beiden Seiten deterministisch: Käufe und Retouren folgen einem festen Nachfragemodell aus Preiselastizität, Wochentag, Saisonalität, geplanten Aktionen, Marktereignissen und Shop-Reputation; ein „Negotiation Kernel“ legt sämtliche Preis-, Zugeständnis- und Annahme-Entscheidungen der Lieferanten über explizite Verhandlungsregeln fest – ein LLM übernimmt nur die sprachliche Darstellung der Dialoge. Rund ein Viertel der Lieferanten verhält sich betrügerisch-adversarial. Der Unterschied zwischen zwei Läufen gehört damit vollständig der Agenten-Politik, nicht dem Zufall. Ein Turn-Loop mit simuliertem Tagesrhythmus, automatischem Context-Management und persistentem Gedächtnismodul hält den Agenten über die bis zu 4.000 Züge langen Episoden bei der Sache.

Kein Modell dominiert

Bewertet wird nicht nur das Endvermögen, sondern über sieben Dimensionen – von Gewinn und Verhandlungsqualität über Betrugsvermeidung, Solvenz und operationelle Effizienz bis zu Ausführungsqualität und Lernfähigkeit. Das Ergebnis ist ernüchternd und aufschlussreich zugleich:

Rang	Modell	Jahresendvermögen (× Startkapital)	Anmerkung
1	GPT-5.6 Sol	14,31×	stärkster Gewinn, schwache Betrugsvermeidung (16/18)
2	Fable5	8,05×	höchster Ertrag pro Tool-Call
3	GPT-5.5	7,02×	–
4	Claude Opus 4.8	4,98×	–
5	Qwen3.8-Max-Preview	4,16×	bestes Open-Weight-Modell, stärkstes Lernen

Kein Modell dominiert alle Dimensionen. GPT-5.6 Sol vermehrt das Startkapital auf 1.431.425 Einheiten und liegt damit beim Vermögen vorn – belegt bei der Betrugsvermeidung aber nur Platz 16 von 18 und bleibt beim Ertrag pro Tool-Call hinter Fable5 zurück. Claude Opus 4.7 führt bei Verhandlungsqualität und Betrugsvermeidung, während es beim Gewinn nur im Mittelfeld liegt. Vier der 18 Modelle rutschen in Teilen ihrer Läufe in die Insolvenz. Besonders aufschlussreich ist ein Detail: Über 8.647 Wiederholungskäufe desselben Artikels beim selben ehrlichen Lieferanten zeigen 16 Modelle keinerlei Tendenz, den Einkaufspreis im Jahresverlauf zu drücken – ein kritisches Defizit beim langfristigen Erfahrungslernen. Unter den Open-Weight-Modellen führt Qwen3.8-Max-Preview mit 416.252 Einheiten (38 Prozent über GLM 5.2 high) und ist zugleich das lernstärkste Modell im Feld: Es handelt die Einkaufspreise bei wiederholten Bestellungen progressiv nach unten.^[E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation – url: https://huggingface.co/papers/2608.30730]

Harness-of-Harness: Autonome Spieleentwicklung über Tage

Autonome Softwareentwicklung bedeutet: Ein Coding-Agent bekommt nur grobe Anforderungen und muss daraus ohne menschliche Zwischenrufe ein vollständiges, lauffähiges Softwaresystem bauen. Das Shanghai Artificial Intelligence Laboratory zeigt mit Harness-of-Harness (HoH), wie das über Tage hinweg gelingen kann.^[Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement – url: https://huggingface.co/papers/2609.01481]

Ein Framework über den Frameworks

HoH setzt auf bestehenden Coding-Agent-Harnesses auf – untersucht werden Codex mit GPT-5.5, OpenCode mit DeepSeek-V4-Pro und Pi mit MiniMax-M3 – und organisiert deren Ausführungen in iterativen Plan-Code-Test-Schleifen. Fünf Designprinzipien halten die Verbesserung über viele Runden stabil: Reparatur und Fähigkeitswachstum werden ausbalanciert (jede Iteration soll auch eine neue Fähigkeit liefern), die Entwicklung wird in kleine, verifizierbare Inkremente zerlegt, Implementierungstests werden von der unabhängigen Evaluation getrennt, das Framework schreibt verifizierbare Artefakte vor, statt Agenten-Workflows zu diktieren – und es setzt auf Wiederverwendung statt Neuerschaffung. Deliverables, rollenspezifische Tools und Skills werden schrittweise freigegeben, während versionierte Projektverläufe erlauben, nach schweren Regressionen auf zuvor verifizierte Zustände zurückzukehren.

52 Prozent mehr Leistung nach drei Iterationen

Auf GameCraft-Bench, FrontierSWE und ProgramBench übertrifft HoH die jeweiligen Standalone-Harnesses durchgängig – im Mittel um 52,25 Prozent relativen Gewinn nach drei Iterationen, im Maximum um 82,86 Prozent. In einem mehrtägigen Einsatz mit mehr als 70 Iterationen entwickelte HoH vollständig autonom ein spielbares First-Person-Shooter-Spiel: von der ersten Greybox über Level-Import, Waffenhandling, Gegner-Modell und Schuss-Audio bis zu HUD, Menüs, Beleuchtung, Animationen, Cutscenes, Gegner-KI, VFX und Narrative Polish – mit kohärenter Storyline, vollständig umgesetzten Kernmechaniken, menschlich spielbarer Erfahrung und integriertem Audio. Die Entwicklungsspuren und Gameplay-Videos sind auf GitHub veröffentlicht.^[Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement – url: https://huggingface.co/papers/2609.01481]

H3-World: Wenn Videogeneratoren zu interaktiven Welten werden

Eine zentrale Beobachtung von Danze Chen und Kollegen: Je leistungsfähiger große Videogeneratoren werden, desto mehr emergiert Sprache als natürliche Kontrollschnittstelle.^[H3-World: Turning Language Understanding into World Control – url: https://huggingface.co/papers/2609.01560] Der 33B-Parameter-Videogenerator MiniMax-H3 unterstützt bereits Zero-Shot-Steuerung von Figurenverhalten und Kamerabewegung über natürliche Sprachinstruktionen. H3-World macht aus dieser groben Sprachsteuerung präzise, zeitlich verankerte Weltkontrolle – ohne dedizierte Aktionsmodule einzuführen.

Temporal Attention Routing gegen Kontroll-Lecks

Jede Aktion wird als strukturierte Kombination aus Figuren- und Kameraanweisung repräsentiert und mit den entsprechenden zeitlichen Video-Latents abgeglichen. Neu ist das Temporal Attention Routing: Es beschränkt jede Anweisung auf ihr vorgesehenes Zeitintervall und reduziert so das „Control Leakage“ zwischen aufeinanderfolgenden Aktionen – die Steuerung bleibt über die Zeit präzise, statt zwischen Befehlen zu verschmieren. Statt ein Aktions-Interface von Grund auf zu lernen, übersetzt H3-World damit im Kern Tastaturkontrolle in Sprache, die der Videogenerator bereits versteht, und verankert jede Anweisung im richtigen Moment des generierten Videos.

0,199 Prozent trainierbare Parameter

Entscheidend für die Praxistauglichkeit ist die Effizienz: H3-World greift direkt auf die während des großen Videopretrainings gelernten semantischen Repräsentationen zurück und benötigt nur 8.000 Gameplay-Proben, 10.000 LoRA-Optimierungsschritte und 0,199 Prozent trainierbare Parameter – bei erhaltener Generationsqualität. Das Framework generalisiert auch auf ungesehene Szenen. Die Botschaft: Kontrollfähigkeiten, die in großen Videogeneratoren bereits emergieren, lassen sich mit minimalem Aufwand in interaktive Weltkontrolle verwandeln.

Qwen-Drive-1.0: Ein Sprachmodell lernt fahren

Mit Qwen-Drive-1.0 unternimmt das Qwen-Team den ersten Schritt zu einem Vision-Language-Foundation-Modell für autonomes Fahren: Es behält die Architektur eines vortrainierten Vision-Language-Modells (VLM) bei und vereint 3D-Wahrnehmung, visuelle Fragenbeantwortung und Bewegungsplanung in einem einzigen Rahmen.^[Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving – url: https://huggingface.co/papers/2609.00111]

Der BEV-Kopf als Sonde und Schnittstelle

Ein externer Bird's-Eye-View-Wahrnehmungskopf (BEV) leistet gleichzeitig 3D-Objektdetektion, semantische Occupancy-Vorhersage und BEV-Karten-Segmentierung. Er erfüllt eine doppelte Rolle: als Sonde dafür, welche 3D-Information in den geteilten Repräsentationen des Sprachmodells überhaupt zugänglich ist – und als explizite, inspektierbare Schnittstelle zur 3D-Szenenstruktur. Ein „Planning Expert“ konditioniert auf dieselben geteilten VLM-Repräsentationen und erzeugt zukünftige Ego-Trajektorien.

Gestuftes Training erhält Allgemeinwissen

Ein phasenweises Trainingsrezept kombiniert Fahrsupervision mit allgemeinen visuell-sprachlichen Daten: Das Modell erwirbt fahrspezifische Kompetenz, während breite visuelle Verständnis- und Instruktionsfähigkeiten weitgehend erhalten bleiben. Die Experimente zeigen starke 3D-Wahrnehmung und Szenenverständnis; umfassende Evaluierungen im Open-Loop-, Pseudo-Closed-Loop- und Closed-Loop-Modus belegen hochkompetitive Bewegungsplanung. Fahrspezialisierung und Allgemeinwissen schließen sich demnach nicht aus – sie lassen sich über geteilte Repräsentationen verbinden.

SMELT: Loop-Transformer unter fairen Budgets

Looped Transformer erhöhen die effektive Tiefe, indem sie einen gemeinsamen Schichtenblock mehrfach durchlaufen. Bisherige Vergleiche hielten jedoch meist nur die Parameterzahl konstant und vermischten damit Architekturvorteil mit schlicht höherem Rechenaufwand. Die Arbeit von Tsinghua, ByteDance Seed, M-A-P und TokenWave.AI schließt diese Lücke: Sie vergleicht Loop- und Nicht-Loop-Architekturen, während drei Budgets gleichzeitig fixiert werden – Per-Token-FLOPs, gesamte Non-Embedding-Parameter und KV-Cache.^[SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers – url: https://huggingface.co/papers/2609.01343]

Das SMELT-Rezept

Mixture-of-Experts macht das Budget-Matching überhaupt erst möglich: Ein gelooptes Modell kann den zusätzlichen Durchlauf bezahlen, indem es die Hidden-Dimension schmaler wählt – und die verlorene Kapazität über eine höhere Expertenzahl zurückholt, weil MoE die Gesamtparameter von den Per-Token-FLOPs entkoppelt. Konkret bedeutet das Rezept SMELT (Sparse MoE Transformer, middle layers Loop Twice): die mittlere Hälfte der Schichten wird zweimal durchlaufen, die geloopten Residuen werden mit 1/2 skaliert, und kleinere Attention-Heads bei höherer GQA-Ratio stellen den KV-Cache annähernd konstant. Drei Ablationen liefern die Designregeln: mittlere Hälfte schleifen statt des ganzen Stapels, ein höheres Tiefe-zu-Breite-Verhältnis als die Baseline und genau zwei statt drei oder vier Durchläufe.

Scaling Laws mit messbarem Vorteil

SMELT wurde auf vier Modellgrößen bis 54B Non-Embedding-Parameter skaliert und für jede Architektur ein separates Chinchilla-artiges Skalierungsgesetz gefittet:

L(C) = A · C^(−α) + E₀        (Chinchilla-artiger Fit pro Architektur)

Compute-optimale Front:  L_SMELT(C) < L_Baseline(C)
⇒ 6,8–18,0 % eingesparte Trainings-FLOPs
⇒ bei C = 10²¹ FLOPs: gleiche Loss mit 14,7 % weniger Compute

SMELTs Loss fällt schneller mit dem Compute und spart an der compute-optimalen Front 6,8–18,0 Prozent der Trainings-FLOPs. Der Vorteil überträgt sich auf Downstream-Benchmarks stärker, als die Validierungsloss allein vorhersagen würde – am größten ist er bei Code, und er wächst mit der Sample-Länge und der Zahl der In-Context-Beispiele. Mechanistische Analysen zeigen, warum: Beim zweiten Durchlauf überlappen die selektierten Experten und attendierten Tokens stark mit dem ersten, die Residual-Updates fallen jedoch deutlich größer aus und bleiben ausgerichtet – der zweite Besuch verstärkt den ersten, statt ihn zu überschreiben. Zugleich reduziert der zweite Durchlauf den Attention Sink und lenkt die Aufmerksamkeitsmasse auf inhaltlich relevante Tokens. Looping kann Transformer also auch dann verbessern, wenn man die zusätzliche Rechenzeit ehrlich gegenrechnet.^[SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers – url: https://huggingface.co/papers/2609.01343]

Fazit: Länger denken, ehrlicher vergleichen

Die fünf Arbeiten des Tages erzählen eine gemeinsame Geschichte. Erstens: Agenten-Evaluation wandert von kurzen Episoden zu kontinuierlichen Aufgaben – E-Commerce Bench zeigt über 365 simulierte Tage, dass kein Modell alle Dimensionen beherrscht und dass ausgerechnet das Lernen über lange Horizonte die größte Schwäche bleibt. Zweitens: Autonomie wird zur Frage des Prozessdesigns – Harness-of-Harness beweist, dass strukturierte Plan-Code-Test-Schleifen Coding-Agenten zu Leistungen treiben, die weit über dem liegen, was einzelne Harnesses allein erreichen. Drittens: Große generative Modelle tragen Steuerfähigkeit bereits in sich – H3-World und Qwen-Drive-1.0 zeigen zwei Wege, Sprache als natürliche Schnittstelle zur Welt zu nutzen, mit minimalem Trainingsaufwand beziehungsweise ohne Aufgabe des Allgemeinwissens. Viertens: Architekturforschung wird methodisch sauberer – SMELT liefert Scaling Laws für Loop-Transformer unter echten Budget-Bedingungen und macht Depth-Reuse zu einer planbaren Designentscheidung. Hinweis: Alle vorgestellten Arbeiten sind Preprints und noch nicht abschließend begutachtet; Ergebnisse können sich im Review-Prozess ändern.