KI-Trend-Analysen

Alle bisher veröffentlichten Analysen, die neuesten zuerst.

Die Acceptance-Length-Tabelle der Model Card: GSM8K 5.02 für MTP, 4.36 für DSpark, 5.46 für DFlash 2, bis hinunter zu MT-Bench mit 3.74, 3.01 und 4.10, darüber eine Definition von Acceptance Length als Completion-Tokens geteilt durch Verifikationsschritte.

DFlash 2: ein 3.43×-Drafter, der unter Last auf 1.45× fällt

Inco AIs Block-Diffusion-Drafter erreicht 3.43× auf GSM8K bei einer Anfrage, aber nur 1.45× bei concurrency 32. Der Preis: Speicher und Varianz.

Diagramm der jev-ultrafast-Entscheidungsschleife: Der Seitenzustand wird zu einer indexierten Elementtabelle, eine getypte Anfrage liefert eine Operation und ihr Ziel, und ein kleines Sprachmodell wird nur für TYPE_TEXT aufgerufen, bevor der Executor handelt.

Jev Ultrafast: Der Browser-Agent, der das Schreiben aufgab

browser-use/jev-ultrafast erledigt eine Google-Flights-Suche in 7,1 Sekunden, weil eine getypte Entscheidung pro Zyklus die Agentenschleife ersetzt. Hier der Haken.

Die Tabelle „Measured on M3 Max“ aus dem laya-coreml-README: kompiliertes MLX FP16 bei 6.94/7.39 ms und 0.4288 J pro Entscheidung, Core ML ANE FP16 bei 4.98/5.31 ms und 0.1540 J, Core ML ANE W8 bei 4.88/5.23 ms und 0.1344 J, über 65,598 stabile Aufrufe.

Laya auf der Neural Engine: 4.98 ms und 0.154 J pro Entscheidung

mizorewww's Core-ML-Port führt eine getypte Laya-Entscheidung in 4.98 ms und 0.154 J auf einem M3 Max aus. Was die Paritäts-Fixtures beweisen – und was nicht.

Balkendiagramm und Tabelle mit der Überschrift „Evaluation on 324 held-out examples“: Jev 1.13.0 bei 93.21 Prozent, Bespoke-Nimble-9B bei 90.12 Prozent, Qwen3.8-27B bei 84.88 Prozent und das ungetunte Qwen3.5-9B-Basismodell bei 66.36 Prozent.

Nimble: Mit 2,676 Beispielen bis auf drei Punkte an Jev heran

Bespoke Labs feintunte Qwen3.5-9B mit 2,676 synthetischen Beispielen: 90.12% gegen Jevs 93.21%, doch die Auswertung deckt nur sechs von zehn trainierten Domänen ab.