Fünf KI-Forschungspapiere der Woche: Von selbstlernenden Agenten bis zum Mini-Forecaster

Berlin, 23. August 2026 – Die KI-Forschung gibt weiter Vollgas: Täglich erscheinen auf dem Preprint-Server arXiv hunderte neue Arbeiten, aus denen der Hugging-Face-Daily-Papers-Dienst eine kuratierte Auswahl hervorhebt. Wir haben die 26 neuen Veröffentlichungen der vergangenen Tage gesichtet und die fünf interessantesten herausgesucht: von Agenten, die im laufenden Betrieb dazulernen, über ein winziges Prognose-Modell für den Edge-Einsatz bis zu Robotern, die vor jeder Aktion im Kopf durchspielen, welche Folgen ihre Entscheidungen haben. Auffällig ist der rote Faden: Immer mehr Systeme setzen auf zusätzliche Rechenzeit zur Laufzeit (Test-Time Computation) statt auf immer größere Modelle – und immer mehr Forscher hinterfragen, wie belastbar Benchmark-Zahlen überhaupt sind.

FlowEvo: Agenten, die aus ihren eigenen Workflows lernen

Große Sprachmodelle (LLMs) lösen komplexe Aufgaben zunehmend, indem sie zur Laufzeit Workflows konstruieren: Sie zerlegen das Problem, rufen Werkzeuge auf, schreiben Code, prüfen Zwischenergebnisse und reparieren Fehler. Doch was in einer Aufgabe funktioniert hat, wird meist verworfen. „Nützliche Prozeduren, die in einer Episode entdeckt wurden, werden selten als Fähigkeiten gespeichert", schreiben die Autoren der Southeast University, des Rensselaer Polytechnic Institute und der Hong Kong University of Science and Technology.^[FlowEvo: Self-Evolving Agents through the Co-Evolution of Workflows and Executable Skills – url: https://huggingface.co/papers/2607.21596]

Workflow wird zur ausführbaren Fähigkeit

FlowEvo schließt diese Lücke – ganz ohne das Modell zu trainieren. Gelingt eine Aufgabe, kompiliert das System den erfolgreichen Workflow in eine ausführbare „Fähigkeit" (Skill) und legt sie in einer persistenten Skill-Bank ab. Bei späteren Aufgaben wird die fertige Fähigkeit entweder direkt ausgeführt oder dient als strukturierter Kontext, der die Erzeugung neuer Workflows anleitet. Ein Lebenszyklus-Management verfolgt den Nutzen jeder Fähigkeit und unterdrückt automatisch solche, die sich als schädlich erweisen (negativer Transfer). Der formale Kern des Systems:

W_t = G(x_t; C_t)           Workflow-Generierung
(τ_t, y_t) = E(x_t, W_t)    Ausführung mit Verifikation
(B,M,R)_{t+1} = U(...)      Update der Skill-Bank

Ergebnisse

Mit demselben GPT-4o-mini-Rückgrat erreicht FlowEvo auf fünf Benchmarks (ALFWorld, HumanEval, MBPP, GSM8K, MATH-500) die höchste Genauigkeit unter acht Baselines. Besonders beeindruckend ist die interaktive Umgebung ALFWorld: Die Erfolgsquote steigt auf 85,6 Prozent – 26,4 Prozentpunkte mehr als die stärkste Vergleichsmethode – bei nur etwa einem Drittel der Token. Über zehn Basismodelle von 7B bis 671B Parametern hinweg schlägt FlowEvo das etablierte ExpeL in 49 von 50 Modell-Datensatz-Vergleichen.^[FlowEvo: Self-Evolving Agents through the Co-Evolution of Workflows and Executable Skills – url: https://huggingface.co/papers/2607.21596] Der Clou: Der Fortschritt entsteht allein durch das Anreichern der Skill-Bank – die Gewichte des Modells bleiben unverändert.

QuoteBench: Wenn Benchmark-Zahlen täuschen

„Matched Scores" – Bewertungen, bei denen die Modellausgabe direkt im Zielsystem ausgeführt und benotet wird – gelten gemeinhin als das Maß der Dinge für KI-Code-Agenten. Doch sie können fundamental in die Irre führen, warnt eine Arbeitsgruppe von Stony Brook University, LMU München und Munich Center for Machine Learning.^[QuoteBench: How Matched Scores Can Hide Command-Path Failures – url: https://huggingface.co/papers/2608.13547]

Ein unsichtbarer Fehlerteufel

LLM-Code-Agenten geben Bash-Befehle aus – durch Schnittstellen, die diese Ausgaben serialisieren, verpacken und neu parsen. Schon ein einziges nicht korrekt maskiertes Anführungszeichen kann Befehle zerstören. QuoteBench misst diese Fehler an der „Ausführungsgrenze" mit 56 Ein-Schritt-Aufgaben aus 14 Vorfall-Familien und exakter Endzustands-Validierung. Das Experiment ist elegant: Derselbe Modell-Output wird einmal direkt, einmal durch einen zusätzlichen, in doppelte Anführungszeichen eingebetteten Parser geschickt – nur diese eine Grenze ändert sich.

Der Befund

Das erneute Parsen senkt die Erfolgsquote in allen acht Konfigurationen um 55,4 bis 73,2 Prozentpunkte. Wird dem Modell die Grenze jedoch offengelegt, erholt es sich in sechs von acht Fällen um 30,4 bis 60,7 Punkte. Am Beispiel des Modells GPT-5.6-sol zeigt sich die Tücke: Die gematchte Differenz von −3,6 Punkten verdeckt −64,3 Punkte Schaden und +60,7 Punkte Kompensation – das Modell gleicht die durch die Schnittstelle verursachten Fehler also fast vollständig wieder aus:

matched gap = Schaden + Kompensation
−3,6        = −64,3     + 60,7

Ein reiner Score-Wert kann diese gegenläufigen Effekte nicht zeigen – und die Deployment-Konfiguration kann sogar die Reihenfolge auf Leaderboards umdrehen. Die Autoren fordern deshalb: Auswertungen von Code-Agenten müssen Modellkonfiguration, Generierungsvertrag, Ausführungspfad und Validator offenlegen. „Ein gematchter Score ist keine intrinsische Modelleigenschaft."^[QuoteBench: How Matched Scores Can Hide Command-Path Failures – url: https://huggingface.co/papers/2608.13547]

TinyCast: Das Mini-Prognose-Modell

Zeitreihen-Prognosen stecken in Energieversorgung, Industrieüberwachung, Logistik und Umweltsensorik. Bisherige Foundation-Modelle dafür sind groß – und damit unbrauchbar für die Embedded-Geräte, auf denen die Daten überhaupt erst entstehen. TinyCast (RAWS Labs) dreht die Frage um: Wie klein kann ein probabilistisches Prognose-Modell sein? Die Antwort: 146.505 Parameter – weniger als jeder andere Zero-Shot-Eintrag auf dem GIFT-Eval-Board.^[TinyCast: Probabilistic Zero-Shot Forecasting with Computed Periodicity – url: https://huggingface.co/papers/2608.15767]

Periodizität berechnen statt lernen

Die Grundidee: Bei dieser Größe lohnt es sich nicht, Saisonalität mühsam zu lernen – man kann sie direkt berechnen. Ein parameterfreier spektraler Detektor (eine einzelne Fourier-Transformation, Komplexität O(n log n)) liefert die dominanten Perioden; der Kontext wird auf deren Phase gefaltet. Ein dilaterter Faltungs-Encoder und ein block-autoregressiver Quantil-Decoder modellieren den Rest. Das Modell emittiert neun Quantile – also eine vollständige Wahrscheinlichkeitsverteilung – für bis zu 720 Schritte im Voraus. Ein Punktwert allein sagt einem Energienetz nicht, wie weit es der Prognose vertrauen kann; genau diese Unsicherheit liefert TinyCast.

Ergebnisse

Trotz der Winzigkeit definiert TinyCast die „Größe-Genauigkeits-Grenze" des GIFT-Eval-Boards: Jedes besser abschneidende neuronale Modell bringt mindestens 1,4 Millionen Parameter mit – auf den Benchmarks Chronos-ZS und fev-bench sogar mindestens das 28-Fache. Da im Datenfluss nur Faltungen und Matrixmultiplikationen vorkommen, lässt sich das Modell in INT8 quantisieren und läuft Ende-zu-Ende auf einem Embedded-Gerät, ohne pro Signal angepasstes Modell. Der Preis der expliziten Perioden-Berechnung ist gering: Entfernt man den Detektor, kostet das 0,0071 Punkte Gesamtgenauigkeit – ein kleiner, aber deutlich über der Streuung zwischen drei Seeds liegender Betrag.^[TinyCast: Probabilistic Zero-Shot Forecasting with Computed Periodicity – url: https://huggingface.co/papers/2608.15767]

τ_0-VLA: Roboter, die vor dem Handeln nachdenken

Langfristige Roboteraufgaben – ein Zimmer aufräumen, eine Mahlzeit kochen, ein Getränk zubereiten – sind keine langen Folgen von Motor-Kommandos, sondern Folgen folgenschwerer Entscheidungen. Die meisten hierarchischen Vision-Language-Action-Modelle (VLA) treffen jede dieser Entscheidungen jedoch mit einem einzigen Vorwärtsdurchlauf. „Ein falscher Subtask kann in der Regel nicht durch präzisere Motorsteuerung korrigiert werden: Der Roboter führt dann den falschen Subtask perfekt aus", schreiben die Autoren von Shanghai Innovation Institute, Agibot Finch und Chinese University of Hong Kong.^[τ0-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation – url: https://huggingface.co/papers/2608.16885]

Vorschlagen – Vorhersagen – Bewerten

τ_0-VLA macht die Wahl des nächsten Subtasks zu einem rechenintensiven Inferenzproblem. Ist sich die High-Level-Politik unsicher, startet sie eine Schleife aus drei Komponenten: Ein Vision-Language-Modell schlägt Kandidaten-Subtasks vor (Propose), ein Weltmodell stellt sich das visuelle Ergebnis jedes Kandidaten vor (Predict), und ein Wertemodell bewertet den erwarteten Aufgabenfortschritt (Evaluate). Beam Search expandiert vielversprechende Zweige; ein Reflexionsmodell legt sich abschließend auf den nächsten Subtask fest. Das Besondere: Kandidaten werden also an ihren vorhergesagten physischen Folgen gemessen, bevor sie überhaupt ausgeführt werden. Ein trainierter Gedächtnismechanismus repariert zudem veraltete Fortschrittsaufzeichnungen selbst – ohne zusätzliche Annotation.

Training und Ergebnisse

Die Low-Level-Politik wurde auf rund 40.000 Stunden heterogener realer Roboterdaten trainiert und arbeitet über einen einheitlichen 40-dimensionalen Zustands- und Aktionsraum, der Festbasis-Manipulation, bimanuale Koordination und mobile Ganzkörpersteuerung über verschiedene Roboterplattformen hinweg abdeckt. In Domänen- und Verteilungstests verbessert zusätzliche Testzeit-Rechenleistung die Vorhersage des nächsten Subtasks deutlich – und diese Gewinne übertragen sich auf höhere Erfolgsquoten bei langfristigen Manipulationsaufgaben im geschlossenen Regelkreis.^[τ0-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation – url: https://huggingface.co/papers/2608.16885]

Chain-of-Experience: Lernen zur Laufzeit

Menschen lernen kontinuierlich aus Erfahrung – große Sprachmodelle dagegen werden einmal trainiert und dann in festem Zustand ausgeliefert: Jede Anfrage ist ein isoliertes Ereignis. Eine Gruppe von UC Santa Cruz und Bytedance Seed untersucht, wie LLMs auch zur Laufzeit aus iterativer Erfahrung lernen können – das sogenannte Chain-of-Experience (CoE).^[Chain-of-Experience for Continual LLM Improvement – url: https://huggingface.co/papers/2608.18027]

Feedback-Schleifen statt Einzelversuche

Die Idee: Das Modell interagiert mehrfach mit sich selbst oder der Umwelt, sammelt Erfahrungsspuren und bildet daraus eine kontinuierliche Verbesserungsschleife. Getestet werden vier Feedback-Arten – kein Feedback, Selbst-Feedback des Modells, Ausführungs-Feedback bei Code-Aufgaben und Korrektheits-Feedback bei allgemeinen Aufgaben – über Mathematik, Programmierung und Wissensfragen hinweg, mit acht Modellen von GPT-5 über Gemini-2.5 Pro bis Claude-4.5 Sonnet.

Ergebnisse

Schon reines Selbst-Feedback hebt die durchschnittliche Leistung von 62,9 auf 71,0 Prozent – ein Zuwachs von sieben bis neun Prozentpunkten gegenüber Test-Time-Scaling-Ansätzen, die auf Erfahrungen aus anderen Aufgaben setzen. Über alle Aufgaben und Modelle ergibt sich eine Verbesserung von 5,6 Prozent bei gleichzeitig 19 Prozent geringeren API-Kosten: Erfahrungsbasiertes Lösen ist pro Token genauer als herkömmliche Mehrfachgenerierung. Kombiniert man komplementäre Feedback-Kanäle, steigt der Nutzen weiter. Bemerkenswert sind zwei Befunde: Stärkere Modelle lernen besser aus Feedback (Pearson-Korrelation von +0,5 zwischen Basisfähigkeit und Verbesserungsfähigkeit), und das System bleibt auch unter schwachem oder irreführendem Feedback robust. Die meisten Gewinne entstehen früh in der Iteration.^[Chain-of-Experience for Continual LLM Improvement – url: https://huggingface.co/papers/2608.18027]

Fazit: Rechenzeit statt Parameter

Die fünf Arbeiten der Woche erzählen eine gemeinsame Geschichte. Erstens: Rechenzeit zur Laufzeit wird zur strategischen Ressource – als Test-Time-Search bei Robotern (τ_0-VLA), als Erfahrungsschleife bei Sprachmodellen (Chain-of-Experience) und als Skill-Bank bei Agenten (FlowEvo). Zweitens: Effizienz ist kein Widerspruch zu Leistung – TinyCast zeigt, dass ein 146.000-Parameter-Modell mit explizit berechneter Periodik mit Modellen konkurrieren kann, die um Größenordnungen größer sind. Und drittens: Die Messung selbst rückt in den Fokus – QuoteBench erinnert daran, dass Benchmark-Zahlen nur so viel wert sind wie die Offenheit über die Testumgebung. Hinweis: Alle vorgestellten Arbeiten sind Preprints und noch nicht abschließend begutachtet; die Ergebnisse können sich im Review-Prozess ändern.

Quellen: FlowEvo – arXiv 2607.21596 · QuoteBench – arXiv 2608.13547 · TinyCast – arXiv 2608.15767 · τ_0-VLA – arXiv 2608.16885 · Chain-of-Experience – arXiv 2608.18027