Agents · Evaluation, Memory-Effizienz und RL-Training dominieren die Forschungsfront

Aktueller Stand

Die Agents-Forschung konzentriert sich derzeit auf drei Achsen: Evaluation, Memory-Management und RL-basiertes Training. Das Feld ist stark akademisch geprägt – die vorliegenden Posts stammen ausnahmslos aus dem Forschungsbereich, Produktlaunches sind Randerscheinung. Dominierende Bewegung ist das systematische Aufdecken von Schwächen: Benchmarks wie SciΠvot, BizBench und PersonaCUABench zeigen übereinstimmend, dass aktuelle Frontier-Modelle in agentenspezifischen Szenarien hinter menschlicher Urteilsqualität zurückbleiben und unter realer Nutzervarianz signifikant schlechter abschneiden. Gleichzeitig wächst der Druck, Betriebskosten zu senken: Memory-Effizienz, Token-Budget-Optimierung und Routing-Kosten sind praktische Engpässe, die mehrere Arbeiten direkt adressieren. Embodied Agents und Robotik-Systeme zeigen Fortschritte, stossen aber bei physikalischer Präzision weiterhin an harte Grenzen.

Wichtigste Updates

RL-Training für LLM-Agenten gewinnt an Reife. Gleich mehrere Arbeiten adressieren strukturelle Probleme beim RL-Training langer Handlungssequenzen. Lean4AgenticRL zeigt mit LAR-27B (77,3 % auf TerminalBench-2.1, +5,07 Prozentpunkte gegenüber dem nächsten Vergleichsmodell), dass mehrstufige Process Rewards auf Toolcall- und Workflow-Ebene reine Outcome-Belohnungen klar übertreffen. TreeOPSD löst parallel dazu zwei klassische Trainings-Probleme – spärliche Credit-Zuweisung und Policy Staleness – ohne Critic-Netzwerk; Qwen3-30B-A3B-Thinking-2507 profitiert messbar. Diese Konvergenz mehrerer Gruppen auf ähnliche Diagnosen deutet auf einen Reifesprung im agentischen RL hin.

Memory-Management wird zum Kostenthema. JointCore reduziert Subset-Evaluierungen um 62,9 % und spart 87,8 % aktiven Speicher bei unverändertem Verhalten. RECAP liefert eine formal abgesicherte Methode zur dynamischen History-Bereinigung für Long-Horizon-Agents. Ergänzend zeigt eine Token-Budget-Theorie, dass Multi-Agent-Debate unter engen Budgets oft Single-Agent-Setups unterlegen ist – eine geschlossene Formel erlaubt die optimale Agentenzahl vorab abzuleiten. Der gemeinsame Tenor: Speicher- und Token-Kosten sind keine akademischen Randprobleme, sondern produktionsrelevante Engpässe.

Benchmark-Inflation und Evaluierungslücken werden zum Forschungsthema. SciΠvot belegt, dass Frontier-Modelle an wissenschaftlichen Entscheidungspunkten systematisch schlechter urteilen als menschliche Experten. PersonaCUABench zeigt: Nur 62,7 % der vollständig erledigten Persona-Tasks erhalten Top-Bewertung, gegenüber 84,1 % bei Standard-Tasks. Gleichzeitig warnt eine Studie zu automatisierten Discovery-Systemen vor falschen Positiven – unabhängige Ablation bestätigt nur 45 % angereicherter Features. Das Feld ist dabei, eigene Evaluierungsinfrastruktur kritisch zu hinterfragen.

Web-Agenten und Routing erhalten praxisnahe Lösungen. WebMix ermöglicht Laufzeit-Adaption an neue oder redesignte Interfaces ohne Retraining; RIVET senkt Multi-Turn-Routing-Kosten um 74,7 % ohne Aufgabenlösungsrate einzubüssen. Beide Arbeiten adressieren direkt die Betriebswirtschaft produktiver Agent-Deployments – ein Indikator, dass die Forschung zunehmend auf reale Deployment-Reibung reagiert.

Sicherheit in kritischer Infrastruktur erhält formale Grundlagen. Der FLARE-Benchmark bewertet LLM-Agenten für Stromnetz-Wiederherstellung und zeigt: 96,4 % der durch den Safety-Guard abgelehnten Aktionen hätten physikalische Verletzungen verursacht. RecReg liefert parallel ein Safe-RL-Framework mit formalen Garantien für sicherheitskritische RL-Agenten. Beide Arbeiten signalisieren, dass externe Sicherheitsprüfungen für Agenten in hochriskanten Umgebungen nicht optional sind.

Was zu erwarten

Die vorliegenden Posts enthalten keine explizit angekündigten Releases oder datierten Roadmaps. Auf Basis der signalisierten Forschungsrichtungen zeichnen sich jedoch konkrete Folgefragen ab, die in den Arbeiten selbst adressiert werden: MetaCurate benennt Folgearbeit bei der Skalierung der automatischen Datenkuration auf weitere Coding-Agent-Setups. DuoDiscover verweist auf den nächsten Schritt, echte Evaluierungen weiter zu reduzieren. PRISM kündigt Tests auf komplexeren Multi-Agent-Topologien an. Im Bereich Robotik-Agents bleibt die Kontaktphysik (Präzisions-Manipulation) als explizit offenes Problem benannt – HexaShell-Nachfolgearbeiten sind laut Studie in Vorbereitung. Ob und wann diese Arbeiten in Produktsysteme einfliessen, lassen die Posts offen.