KI-Infos

Die World Intellectual Property Organization (WIPO) veröffentlichte den Report „Top Generative AI Patent Trends in 2025“, welcher ie neuesten Entwicklungstendenzen bei Patenten für Erfindungen im Bereich der generativen KI im Jahr 2025 beleuchtet.
Die Zahl der GenAI-Erfindungen hat sich von 18.862 im Jahr 2024 auf 37.808 im Jahr 2025 in etwa verdoppelt. An sieben der zehn führenden Standorte für GenAI-Patente wurden allein in den letzten zwei Jahren mehr Patente für diesen Technologiebereich angemeldet als im gesamten vorangegangenen Jahrzehnt. China bleibt weiterhin der führende Standort für GenAI-Patente, doch die Vereinigten Staaten und Japan verzeichnen das schnellste Wachstum. Europa liegt im globalen Vergleich deutlich hinter Asien und den USA, verzeichnet aber ebenfalls einen starken Anstieg. Dabei überholte Deutschland Großbritannien als führenden Erfinderstandort für generative KI in Europa.
Die Wirtschaftsnationen mit den meisten GenAI-Patenten im Jahr 2025 sind:

1. China
2. Vereinigte Staaten
3. Japan
4. Republik Korea
5. Indien
6. Deutschland
7. Kanada
8. Vereinigtes Königreich
9. Israel
10. Schweiz

URLs:

• Pressemitteilung: https://www.wipo.int … 26/article_0012.html
• Webseite: https://www.wipo.int … s/generative-ai/2025
• Report als pdf-Datei: https://www.wipo.int … -update-in-genai.pdf

Ein vom KI Bundesverband koordiniertes deutsches Forschungskonsortium veröffentlichte Soofi S, ein 30B Mixture-of-Experts-Modell auf Basis des Mamba-Transformers, trainiert mit 27 Billionen Token und vor allem auf deutsche und englische Texte ausgelegt. EU und Bundesministerium für Wirtschaft und Energie förderten das Projekt.
Durch seinen hybriden Aufbau werden pro Token nur 3 Mrd. der insgesamt 30 Mrd. Parameter aktiviert, und der Inferenz-Cache bleibt auch bei wachsendem Kontext nahezu konstant, was dem Modell einen entscheidenden Durchsatzvorteil gegenüber dichten Modellen bei Einsätzen mit langem Kontext und hoher Parallelität verschafft.
Soofi S erzielte bei aggregierten englisch- und deutschsprachigen Benchmarks unter 17 offenen Basismodellen die besten Code-Aggregate in beiden Sprachen, liegt noch vor Olmo 3 32B und Apertus 70B.
Aktuell läuft eine Testphase, wozu noch externe Testpartner für Real-World-Projekte gesucht werden, daher kann man das Modell noch nicht herunterladen. Besteht Interesse an der Erprobung teilzunehmen, kann man per E-Mail unter contact@soofi.info das Interesse melde, idealerweise zusammen mit folgenden Angaben:

• kurze Beschreibung des Unternehmens / der Organisation
• Branche oder Anwendungsfeld
• idealerweise noch eine Use-Case-Idee

Langfristig ist die lizenzfreie Verfügbarkeit angekündigt. Gewichte, Checkpoints, Training- & Data Code wie auch Trainings-Logs werden verffentlicht (siehe Link zu Huggingface).
URLs:

• Bericht bei arXiv: https://arxiv.org/abs/2607.09424
• Webseite des Projektes: https://www.soofi.info/
• Huggingface: https://huggingface. … training-Tech-Report

Presseerklärungen zum Projekt:

• Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI): https://www.dfki.de/ … ustrial-ai-in-europe
• Fraunhofer IAIS: https://www.iais.fra … industrielle-ki.html
• Leibnitz Universität Hannover: https://www.uni-hann … nwendungen-in-europa
• TU Darmstadt: https://www.tu-darms … nsicht_566528.de.jsp

Presseberichte:

• The Decoder: https://the-decoder. … eutsch-und-englisch/
• All-AI: https://www.all-ai.d … p/soofie-s-ki-modell
• Informationsdienst Wissenschaft (idw): https://nachrichten. … trielle-ki-in-europa
• heise online: https://www.heise.de … ickeln-11083042.html
• Linux Magazin: https://www.linux-ma … -source-llm-soofi-s/
• t3n: https://t3n.de/news/ … eisten-soll-1717372/

Google, Cisco, GitHub, Hugging Face, Microsoft, Nvidia und Snowflake stellten am 2026-06-17 die Agentic Resource Discovery (ARD) vor, mit welcher KI-Agenten Tools und Dienste organisationsübergreifend und unabhängig vom dahinterstehenden Framework, Protokoll oder Anbieter. Dazu definiert die ARD öffentlich zugängliche Verzeichnisse, basierend auf Katalogen und Registries.
URLs:

• Agentic Resource Discovery (ARD)
  • ARD Homepage: https://agenticresourcediscovery.org/
  • ARD Spezifikation: https://agenticresou … ediscovery.org/spec/
  • AI Catalog Standard: https://agenticresou … org/ai_catalog_spec/
  • github: https://github.com/ards-project/
• Ankündigung:
  • Google: https://developers.g … overy-specification/
  • Microsoft: https://commandline. … y-specification-ard/
  • Hugging Face: https://huggingface. … rce-discovery-launch
  • Cisco: https://outshift.cis … ents-find-each-other
• Berichte
  • IETF: https://www.ietf.org … ood-agtp-ard-00.html
  • InfoWorld: https://www.infoworl … ource-discovery.html
  • heise online (deutsch): https://www.heise.de … genten-11338422.html

AMD und Intel kooperieren in der x86 Ecosystem Advisory Group (https://x86ecosystem.org/), zu deren Mitglieder ebenso dir großen PC-Hersteller gehören (https://x86ecosystem.org/members/).
Speziell für KI wurde eine neue Spezifikation für neue x86-Prozessorbefehle erarbeitet, welche am 2026-06-15 veröffentlicht wurde: Die „AI Compute Extensions“ (ACE).
Die Spezifikation definiert x86-Erweiterungen zur Beschleunigung von Rechenoperationen, wobei der Schwerpunkt zunächst auf Matrix-Multiplikationen mit KI-Datenformaten liegt, die für Machine-Learning-Workloads von Bedeutung sind. Zusätzlich zur Beschleunigung von Matrixoperationen stehen unter dem AVX10-Framework eine Reihe dedizierter Formatkonvertierungsoperationen zur Verfügung.
URLs:

• AI Compute Extensions (ACE) Specification: https://x86ecosystem … s-ace-specification/
• ACE Whitepaper: https://x86ecosystem … rce/ace-white-paper/

Presseberichte:

• overclock 3d: https://overclock3d. … -extensions-for-x86/
• hardwareLUXX (deutsch): https://www.hardware … el-spezifiziert.html
• heise online (deutsch): https://www.heise.de … rkerne-11338878.html

Das Erfassen von Diagrammen erfordert Modelle, die geometrische visuelle Muster, strukturierte numerische Daten und natürliche Sprache gemeinsam auswerten können. dabei stoßen aktuelle Vision-Language-Modelle (VLMs) immer noch an ihre Grenzen. Forscher des MIT und IBM Research adressieren dieses Problem mit ChartNet: ein multimodaler Datensatz, welcher darauf ausgelegt ist, die Interpretation und Auswertung von Diagrammen voranzutreiben. ChartNet nutzt eine code-gesteuerte Synthese-Pipeline, um 1,5 Millionen vielfältige Diagrammbeispiele zu generieren, die 24 Diagrammtypen und 6 Plotting-Bibliotheken abdecken. Dabei besteht jedes Beispiel aus fünf aufeinander abgestimmten Komponenten: Plotting-Code, gerendertes Diagrammbild, Datentabelle, Zusammenfassung in natürlicher Sprache und Frage-Antwort-Funktion mit Schlussfolgerungen.
Das Fine-Tuning mit ChartNet verbesserte die Ergebnisse über alle Benchmarks hinweg konsistent und demonstriert damit seinen Nutzen als groß angelegte Supervision für multimodale Modelle.
URLs:

• Forschungsbericht auf arXiv: https://arxiv.org/abs/2603.27064
• CharNet-Datensatz Huggingface: https://huggingface. … ibm-granite/ChartNet
• github: https://github.com/h … lob/master/README.md

Presseberichte:

• MIT Presseerklärung: https://news.mit.edu … nterpret-charts-0603
• All-AI (deutsch): https://www.all-ai.d … it-diagramme-analyse