Google Jules wird als End-to-End-agentic Produktentwicklungsplattform umpositioniert und eröffnet Warteliste für neue Version

Taiwanesische Banken arbeiten gemeinsam daran, eine einheimische KI zu entwickeln! Große Finanz-Modelle für maschinelles Lernen werden voraussichtlich bis Ende des Jahres online gehen

CITIC Financial Holding, angeführt von 16 Finanzinstitutionen, kündigt die Einführung des Projekts „FinLLM, ein Finanz-Großsprachenmodell“ an. Die erste Version des Bankmodells soll im August veröffentlicht werden, und im Q1 2026 sollen auf FinLLM basierende KI-Agenten eingeführt werden. Das Training startet im Mai, mit einem Budget von etwa 40 bis 70 Millionen Yuan. Aufgrund von regulatorischen Anforderungen und lokalisierungsbezogenen Bedürfnissen steht das Training mit lokalen Daten im Mittelpunkt, um die souveräne KI zu stärken, gemeinsame Basistools-Infrastrukturen aufzubauen und auch auf die Förderung inklusiver Finanzdienstleistungen auszuweiten. Das Projekt ist bereits in den nationalen Plan zur Entwicklung von KI aufgenommen und erhält Unterstützung durch mehrere Ministerien.

Google-CEO: 2026 belaufen sich die Investitionen auf 1850 Milliarden, die Investitionen in das Zeitalter der KI-Agenten werden aufgestockt

Der CEO von Google, Sundar Pichai, gab am 22. April auf der Google Cloud Next-Konferenz in Las Vegas bekannt, dass Google im Jahr 2026 175 bis 185 Milliarden US-Dollar an Investitionsausgaben (CapEx) für den Aufbau der Infrastruktur bereitstellen will, die für autonome KI-Agenten (AI Agent) erforderlich ist, was gegenüber 2022 (31 Milliarden US-Dollar) eine Steigerung darstellt.

Google Jules veröffentlicht eine neue überarbeitete Kandidatenliste für die offene Version und positioniert sich neu als End-to-End-Produktentwicklungsplattform

Laut der offiziellen Ankündigung des Google-Jules-Teams vom 23. April wurde die Produktpositionierung von Jules von einem „asynchronen Coding-Agent“ auf eine „End-to-End-agentische Produktentwicklungsplattform“ aktualisiert. Die neue Version kann den vollständigen Produktkontext lesen, trifft eigenständig Entscheidungen über die nächste Konstruktionsrichtung und reicht PRs ein. Offiziell wurde außerdem die Freigabe einer neuen Kandidatenliste für die neue Version bekanntgegeben.

Perplexity offenbart Methode zum Post-Training von Web-Search-Agenten; auf Qwen3.5 basierendes Modell übertrifft GPT-5.4 bei Genauigkeit und Kosten

Perplexity verwendet SFT, gefolgt von RL mit Qwen3.5-Modellen, wobei es einen Multi-Hop-QA-Datensatz und Rubrik-Checks nutzt, um die Suchgenauigkeit und -effizienz zu steigern und eine erstklassige FRAMES-Performance zu erreichen. Zusammenfassung: Der Post-Training-Workflow von Perplexity für Web-Search-Agenten kombiniert Supervised Fine-Tuning (SFT), um regelkonformes Befolgen von Anweisungen und sprachliche Konsistenz durchzusetzen, mit Online Reinforcement Learning (RL) über den GRPO-Algorithmus. Die RL-Phase nutzt einen proprietären Multi-Hop-verifizierbaren QA-Datensatz sowie rubrikbasierte Konversationsdaten, um ein Abdriften von SFT zu verhindern, mit Reward-Gating und Effizienz-Strafen innerhalb von Gruppen. Die Evaluierung zeigt, dass Qwen3.5-397B-SFT-RL eine Spitzenleistung bei FRAMES erzielt: 57,3% Genauigkeit mit einem einzelnen Tool-Call und 73,9% mit vier Calls bei $0.02 pro Query, und damit GPT-5.4 sowie Claude Sonnet 4.6 in diesen Kennzahlen übertrifft. Die Preisgestaltung erfolgt API-basiert und schließt Caching aus.

OpenAI Codex Team behebt OpenClaw-Authentifizierungsfehler und verbessert das Verhalten von Agenten deutlich

OpenClaw wechselt von der Pi- auf die Codex-Engine, um ein stilles Authentifizierungs-Fallback zu beheben; zwei PRs adressieren die Bridge und das Fallback. Nach der Behebung wechselt der Agent von oberflächlichem Heartbeat-Polling zu einer vollständigen Work-Loop, wodurch Fortschritt ermöglicht wird. Abstrakt: Die Optimierung der OpenClaw-Codex-Engine hat einen kritischen Authentifizierungsfehler behoben, der bei der Verwendung von Codex mit OpenAI-Modellen zu einem stillen Fallback auf die Pi-Engine führte. Zwei Pull Requests beheben die Authentifizierungs-Bridge und verhindern das stille Fallback, indem der Runtime-Adapter geändert wird. Dadurch entwickelt sich das Verhalten des Agents von oberflächlichem Heartbeat-Polling zu einer vollständigen Work-Loop: Der Agent liest den Kontext, analysiert Aufgaben, bearbeitet Repositories und überprüft den Fortschritt, wodurch die Kontinuität und Sichtbarkeit über Heartbeats hinweg verbessert wird.

OpenAI führt ChatGPT-Workspace-Agents ein: Codex-gesteuert, gemeinsamer Teamzugriff, Slack-Integration

OpenAI hat am 22. April in ChatGPT Business/Enterprise/Edu/Teachers WorkspaceAgents eingeführt. Angetrieben von Codex, mit Cloud-Langzeitbetrieb, gemeinsamer Nutzung im Team und auch offline ausführbar, kann es proaktiv auf Slack reagieren und Rechnungen erstellen, mehrschrittige Workflows ausführen und Unterstützung für die Planung bieten. Die Forschungs-Vorschau ist kostenlos bis zum 6. Mai; danach erfolgt die Abrechnung auf Basis von Credits, der Preis wird noch bekanntgegeben. Im Wettbewerb mit dem GoogleGeminiEnterpriseAgentPlatform und dem AnthropicClaudeCowork, mit denen die drei Anbieter jeweils auf Agenten für Unternehmen setzen, aber unterschiedlich positioniert sind.