KI & ML · 19. Juni
Arbor schlägt Claude Code und Codex mit dem 2,5-fachen Ergebnis beim gleichen Rechenbudget. Der Engpass war nie die Hardware.
Ein neues Open-Source-Framework der Renmin-Universität und Microsoft Research zeigt, dass intelligentere Hypothesenorganisation – und nicht mehr Rechenleistung – das ist, was der KI-Optimierung bisher gefehlt hat.
- Arbor übertrifft Claude Code und Codex mit demselben Rechenaufwand um das 2,5-fache, indem Hypothesen als Baum statt als flache Liste von Vermutungen strukturiert werden.
- Der eigentliche Engpass bei der KI-Optimierung ist oft die Zuordnung, nicht die Rechenleistung. Experimente so zu isolieren, dass Fehler lehren statt zu kontaminieren, ist die zentrale Erkenntnis.
- Arbor ist Open Source und jetzt auf arXiv verfügbar. Wer produktive KI-Agenten entwickelt, sollte die Architektur direkt studieren.