FRIENDS HOUSE / LONDON (IT BOLTWISE) – Prefrontal stellt mit „Latent Sparse Attention“ eine Methode vor, die Attention-Layer für sehr lange Kontexte deutlich beschleunigen soll. In Tests erreicht das Verfahren bis zu 72,4-fache schnellere Attention-Layer-Prefill bei 10m Tokens und bleibt dabei laut Paper- Angaben bei ähnlicher Genauigkeit. Die Arbeit knüpft an den DiG-bench-Ansatz an, mit dem sich untersuchen lässt, ob KI wirklich neue Regeln durch Experimentieren findet. Ergänzend ordnen Whittington und Battleday die Forschung in ein britisches Frontier-Ökosystem ein, das als stealth Labor startet.
Wenn KI-Modelle vom bloßen Frage-Antworten hin zur wissenschaftlichen Arbeit wechseln sollen, verschiebt sich der Engpass: Es reicht nicht mehr, eine kurze Wissensbasis zu „beantworten“, das System muss große Mengen an Text, Tabellen, Experiment-Notizen und Verweisen in einem einzigen Arbeitskontext verarbeiten. In genau dieser Lücke setzt die aktuelle Veröffentlichung des britischen Stealth-Labors Prefrontal an. Im Zentrum steht eine neue Technik namens Latent Sparse Attention (LSA), die Attention nicht primär nach der Position in einer Sequenz organisiert, sondern nach semantischen Zusammenhängen. Das Ziel ist klar: Der Rechenaufwand für das Durchsuchen riesiger Kontexte soll sinken, ohne dass die Modellgüte im Kern leidet.
Technisch betrachtet adressiert LSA das Problem, dass klassische Full-Attention mit wachsendem Kontext stark an Kosten zunimmt. Bei sehr langen Eingaben wächst nicht nur die Menge an Daten, die berücksichtigt werden muss; vor allem steigt der Aufwand dafür, welche Tokens im jeweiligen Verarbeitungsschritt überhaupt relevant sind. Prefrontal umgeht das, indem Informationen zu Clustern gebündelt werden, statt Millionen einzelner Fragmente in jedem Schritt vollständig gegeneinander zu gewichten. Damit verlagert sich die Suche weg von „Position für Position“ hin zu „Bedeutung für Bedeutung“. Die Autoren berichten dabei von bis zu 72,4-fach schnellerem attention-layer prefill für Kontexte mit 10m Tokens, verglichen mit konventioneller Full Attention. Interessant ist außerdem der Vergleich zum eigenen sparse-Ansatz aus dem Bestand: LSA soll 22,7-fach schnelleres Prefill liefern. In einer Ende-zu-Ende-Modell-Serving-Auswertung wird zudem eine Beschleunigung bis zu 9,2-fach bei der time to first token genannt.
Wichtig für die Einordnung: Die genannten Verbesserungen beziehen sich laut Paper explizit auf die Attention-Layer-Verarbeitung, nicht auf die Gesamtleistung eines kompletten KI-Systems inklusive aller weiteren Komponenten. Genau das macht die Resultate für Entwickler greifbar, weil sie eine klar abgegrenzte Stelle im Inferenzpfad betreffen: Prefill ist jener Abschnitt, in dem ein Modell den Prompt bzw. den Kontext einmal vorverarbeitet, bevor es mit der eigentlichen Generierung startet. Gerade für Agenten-Workflows in Forschungsszenarien ist dieser Schritt oft entscheidend, weil ein Agent zunächst Literatur sichten, Ergebnisse verdichten und thematische Zusammenhänge herstellen muss, bevor er überhaupt konsistente Antworten oder Hypothesen formulieren kann. Wenn eine Optimierung hier deutlich früher greift, kann das in der Praxis die Antwortkette verkürzen – etwa wenn ein System Hunderte Papers durchgeht, Referenzen zwischen Studien nachzieht und über viele Stunden akkumulierte Erkenntnisse zusammenführt.
Die Veröffentlichung ist nicht isoliert zu sehen, sondern knüpft an den DiG-bench („Discovery in Games“) an, der ebenfalls aus dem Umfeld um Battleday und Whittington stammt. DiG-bench stellt eine grundsätzliche Frage: Können heutige KI-Systeme tatsächlich etwas Neues entdecken – also unbekannte Regeln nicht nur nachzuahmen, sondern experimentell selbst zu erschließen? Dazu dienen 70 interaktive Spiele, in denen KI-Agenten in ungewohnten Umgebungen navigieren, experimentieren, versteckte Regeln ableiten und lernen müssen, wie man zum Erfolg kommt. Die Auswertung wird als ernüchternd für leistungsstarke Systeme beschrieben: Während jedes Spiel von mindestens einem Menschen beim ersten Versuch lösbar gewesen sei, scheiterten selbst stärkere KI-Agenten bei einem relevanten Teil der Herausforderungen. In der Argumentation von Prefrontal ergänzen sich DiG-bench und LSA somit in zwei Richtungen: DiG-bench testet Entdeckungsfähigkeit als kognitive Fähigkeit, LSA soll die nötige Infrastruktur bereitstellen, um die dafür benötigten Wissensmengen überhaupt effizient zu verarbeiten.
Auch der organisatorische Rahmen spielt in der Story eine Rolle. Professor James C. R. Whittington ist als computational neuroscientist und AI researcher am Oxford-Umfeld verortet und wird im Text als Principal Investigator in der Department-Struktur der Experimental Psychology beschrieben. Dr. Ruairidh Battleday wird als kognitiver Wissenschaftler, KI-Forscher und Unternehmer charakterisiert, mit einem Bildungsweg über Oxford, Princeton und Forschungsstationen in Richtung Harvard. Zusätzlich erwähnen die Gründer eine Initiative namens „Thinking About Thinking“, eine unabhängige Nonprofit-Organisation, die 2020 gegründet worden sein soll. Mit Konferenzen, Seminaren, einem internationalen Fellowship und einem Ambassador-Programm verbindet sie Forschende und Nachwuchstalente über mehrere Universitäten hinweg. Für Ende November ist zudem der AE Global Summit 2026: Open Problems for AI in London angekündigt, der laut Programm Wissenschaft, KI-Unternehmen, Infrastrukturfragen, Sicherheitsaspekte und auch Themen wie Biomedizin zusammenbringen soll. Für Unternehmen ist daran vor allem relevant, dass „stealth“ hier nicht automatisch heißt, dass es keine Anwendungsnähe gibt: Gerade die Kombination aus Entdeckungsbenchmarks und konkreter Inferenzoptimierung legt nahe, dass Prefrontal auf skalierbare Agentenfähigkeiten zielt.
Für die Markt- und Produktseite bedeutet das vor allem eines: Modelle werden schneller nutzbar, sobald lange Kontexte nicht mehr den überwiegenden Teil der Laufzeit dominieren. Das kann die Eintrittshürde für Use Cases senken, in denen es nicht um kurze Chatrunden geht, sondern um wiederholtes Durcharbeiten großer Wissensbestände. Denkbar sind etwa Assistenzsysteme für wissenschaftliche Teams, die pro Sitzung ganze Paper-Sammlungen konsolidieren oder Trainings-/Hypothesenphasen beschleunigen. Gleichzeitig bleibt eine wichtige Unbekannte, die im Paper-Teil indirekt mitschwingt: Solche Optimierungen müssen in echten Pipelines nachweisbar stabil bleiben, auch wenn Prompt-Strukturen, Domänenmix und Systemlast variieren. Wer langfristig auf Agenten setzt, wird deshalb LSA nicht nur als „Batch-Speedup“ betrachten, sondern als Baustein für Architekturentscheidungen in Serving-Stacks, Prefill-Strategien und für die Frage, wie viel Kontext sich in produktiven Workflows realistisch einbinden lässt.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Prefrontal: Latent Sparse Attention macht KI schneller bei Millionen-Token-Kontext" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Prefrontal: Latent Sparse Attention macht KI schneller bei Millionen-Token-Kontext" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Prefrontal: Latent Sparse Attention macht KI schneller bei Millionen-Token-Kontext« bei Google Deutschland suchen, bei Bing oder Google News!