Ausgabe vom 20. Oktober 2026

Bitten Sie eine KI um „eine Krankenpflegerin“ oder „einen Anwalt“. Das Aussehen erwähnen Sie nie. Ein Team unter Leitung der Cornell University hat genau das mit 27 Bildgeneratoren gemacht und 51.300 Gesichter erhalten.

In den Bewertungen von 550 Menschen schlugen alle 23 Generatoren mit genügend bewerteten Bildern echte Fotos an Attraktivität. Unter den als Frauen angeforderten Gesichtern übertrafen 37 % das mittlere Fotomodell bei den automatischen Werten. Als nigerianisch, schwarz oder äthiopisch angeforderte Gesichter schnitten am schlechtesten ab.

Dann sichteten 570 Menschen Bewerbungen. Einige sahen zuerst sehr attraktive KI-Gesichter. Danach bewerteten sie dieselben echten Bewerber als weniger einstellbar und weniger vertrauenswürdig. Weniger von ihnen wurden zum Gespräch eingeladen: 72,5 % gegenüber 77,4 %.

Klassische Fotoretusche änderte nichts. Warum die KI-Gesichter etwas ändern, können die Autoren noch nicht sagen. Doch synthetische Menschen füllen Werbung, Websites und Bilddatenbanken.

Quelle: Generative AI Produces and Transmits Beauty Bias, https://arxiv.org/abs/2610.22553

Stellen Sie sich mehrere Läufer auf einer kreisförmigen Bahn vor. Gleicher Start, jeder mit seiner eigenen konstanten Geschwindigkeit. Wird jeder Läufer irgendwann weit von allen anderen entfernt sein? Das ist die Vermutung vom einsamen Läufer.

Bei n + 1 Läufern sagt sie einen Abstand von mindestens 1/(n + 1) Runde voraus. Ein einfaches Abzählargument garantiert nur die Hälfte davon. Jahrzehntelang schrumpften die Gewinne über diese einfache Schranke auf nichts, je mehr Läufer hinzukamen.

Xiyu Hu und Yifan Jing beweisen nun einen Gewinn, der nie verblasst: einen festen Bruchteil über der einfachen Schranke, für jede Zahl von Läufern. Die Werkzeuge: eine neue Überlappungsungleichung und Argumente über gemeinsame Teiler.

Die Autoren nutzten ChatGPT 6, um Beweise zu prüfen und zu glätten. Sie schreiben, dass die Modelle die Schranke nicht aus eigener Kraft verbessern konnten.

Quelle: Near optimal gap in the Lonely Runner Conjecture, https://arxiv.org/abs/2610.23790

Klimamodelle laufen auf einigen der größten Supercomputer der Welt. Doch wie viel Genauigkeit kauft jedes zusätzliche Stück Rechenleistung? Ein Team aus 24 Forschenden hat 159 seit 1995 gebaute Klimamodelle geprüft.

Ihre Antwort ist auffallend stabil. Jede Verdopplung der Rechenleistung hat den Modellfehler um etwa 13,5 % gesenkt. Den heutigen Fehler zu halbieren, würde rund 28-mal mehr Rechenleistung erfordern.

Die Fortschritte sind ungleich verteilt. Seit der ersten Generation sanken die Fehler beim Luftdruck um den Faktor 3,5, bei der Oberflächentemperatur um den Faktor 2,7. Die Fehler beim Niederschlag sanken nur um 7 %.

KI-Wettermodelle sind inzwischen so gut wie die besten Vorhersagen. Doch keines veröffentlicht seinen gemessenen Energieverbrauch. Rechnet man das Training ein, fällt eines von ihnen bei der Effizienz vom zweiten auf den letzten Platz. Das Team fordert, Energie neben der Genauigkeit anzugeben.

Quelle: Energy-Aware Earth System Science: A Community Roadmap, https://arxiv.org/abs/2610.23216

Man verfolgt den täglichen Niederschlag und notiert jeden Rekord: einen Tag, nasser als alle vorherigen. Viele Rekorde müssten doch eine hohe Endspitze bedeuten? Drei Physiker haben es mit exakter Mathematik geprüft.

Für Zufallswerte aus einer beliebigen glatten Verteilung lautet die Antwort Nein. Die Zahl der Rekorde und der höchste Wert sind völlig unabhängig. Das eine zu kennen, verrät nichts über das andere, bei jeder Länge der Reihe.

Nimmt man trockene Tage ohne Regen hinzu, entsteht ein Zusammenhang. Oberhalb eines kritischen Anteils trockener Tage wächst er erst und verblasst dann. Darunter verblasst er nur. Für die Schwelle gibt es eine exakte Formel.

Das Team prüfte dies an täglichen Regenaufzeichnungen deutscher Wetterstationen. Eine Gruppe lag über der Schwelle, die andere darunter. Beide folgten dem vorhergesagten Verlauf, ohne dass ein Parameter angepasst wurde.

Quelle: Emergence of Correlations Between Records and Maximum in Random Time Series, https://arxiv.org/abs/2610.23217

Das Wriggen ist eine alte Art, ein Boot mit einem einzigen Riemen fortzubewegen. Er liegt in einer Kerbe am Heck, das Blatt stets unter Wasser. Die Hände des Wriggers zeichnen ein Unendlichkeitszeichen.

Ein französisches Team stattete ein 4,7 Meter langes Boot mit Kraftmessern, Bewegungssensoren und einem Fahrtmesser aus. Zwei erfahrene Wrigger brachten es dann auf ruhigem Wasser aus dem Stand auf Höchstgeschwindigkeit.

Bei den seitlichen Zügen arbeitet das Blatt wie ein Flügel. Der Auftrieb schiebt das Boot vorwärts. An jeder Wende schiebt die schnelle Umkehr des Blatts Wasser nach hinten. Alle vier Phasen des Schlags treiben an.

Der Wirkungsgrad erreicht rund 65 % bei moderaten 1,2 Metern pro Sekunde. Bei 2 Metern pro Sekunde fällt er auf etwa 25 %. Der Rumpf ist dann nahe seiner kritischen Geschwindigkeit, und die Wellen fressen die Anstrengung auf.

Quelle: Hydrodynamics and propulsive efficiency of stern-sculling propulsion, https://arxiv.org/abs/2610.23444

Alle vier Riesenplaneten unseres Sonnensystems haben Ringe. Doch um einen ausgereiften Planeten eines anderen Sterns wurde noch nie ein Ring bestätigt. Sind sie selten oder nur schwer zu sehen?

Das Weltraumteleskop Roman trägt einen Koronografen, der das Sternenlicht abblockt. Er soll Riesenplaneten an dem Sternenlicht erkennen, das sie reflektieren. Ein Team der University of Michigan hat modelliert, was Ringe dazu beitragen würden.

Ringe können zehn- bis hundertmal heller sein als ihr Planet. Und sie hinterlassen einen Fingerabdruck: vier Helligkeitsgipfel und -täler entlang der Umlaufbahn statt zwei.

Das Team simulierte Epsilon Eridani b, ein Hauptziel von Roman. Ohne Ring sinkt der Planet oft unter die Nachweisgrenze. Mit einem Ring wie dem des Saturn leuchtet er bis zu doppelt so hell und bleibt fast auf seiner ganzen Bahn sichtbar.

Quelle: Detecting Exoplanetary Rings with Roman CGI Reflected Light Phase Curve Observations, https://arxiv.org/abs/2610.23835

Netzstrom läuft mit 50 oder 60 Hertz, aber nie ganz genau. Seine Frequenz schwankt, und zwar im ganzen Netz gleich. Lampen flimmern mit, und Kameras zeichnen dieses Flimmern auf.

Zwei Forscher der Southampton Solent University hofften, dass KI-Videos dieses Flimmern nicht hätten. Überraschung: Generatoren erzeugen es genauso stark wie echte Aufnahmen. Sein Vorhandensein beweist nichts.

Also vergleichen sie das Schwanken mit einer unabhängigen Aufzeichnung des Netzes. Ihr System akzeptierte 93 % der echten Audioclips und 100 % der echten Videos. Es kann eine Tonaufnahme innerhalb eines Tages auf etwa eine Sekunde genau datieren.

Zwei KI-Nachbildungen einer echten Szene flimmerten mit 60 Hertz, wo am behaupteten Ort 50 gelten. Die Schwachstelle bleibt: Ein ausgetauschtes Gesicht in echtem Filmmaterial behält ein echtes Brummen.

Quelle: An Agentic ENF Framework for Forensic Video Authentication Against Generative AI, https://arxiv.org/abs/2610.22440

Gluonen übertragen die starke Kraft, die Quarks zusammenhält. Erhitzt man sie genug, bilden sie ein Plasma. Welchen Druck übt es aus? Physiker berechnen die Antwort Schritt für Schritt, jeder Schritt eine feinere Korrektur.

Ein Schritt, der sogenannte g⁶-Term, blieb über zwanzig Jahre unerreichbar. Er erfordert 65 verschlungene Diagramme mit jeweils vier Schleifen.

Ein Team aus Helsinki, Turku, Chile und Bern hat ihn nun vollendet. Es löste neun unbekannte Integrale mit einer neuen Methode und brauchte dafür rund eine Million Prozessorstunden auf Supercomputern.

Der Lohn: Frühere Schritte schwankten über und unter den Computersimulationen des Plasmas. Mit dem neuen Term stimmen Theorie und Simulation überein, bis hinunter zu einem Mehrfachen der Temperatur, bei der die Gluonen frei werden. Nächstes Ziel: Quarks hinzunehmen, für verschmelzende Neutronensterne.

Quelle: Complete g⁶ pressure of hot Yang-Mills theory, https://arxiv.org/abs/2610.23675

In Indien läuft ein Großteil des Alltagseinkaufs über kleine Gemischtwarenläden, die Kirana-Läden. Könnte eine KI einen führen? Ein Team am BITS Pilani baute einen simulierten Laden, um es herauszufinden.

Ein einziges KI-Modell spielt alle vier Angestellten: Geschäftsführer, Kassierer, Gehilfe und Buchhalter. Der Geschäftsführer sieht den Laden nie, nur die Berichte der Angestellten. Kunden und Lieferanten sprechen Englisch, Hindi oder Hinglish.

Vier offene KI-Modelle führten ihn jeweils 30 simulierte Tage lang. Ein einfacher, regeltreuer Ladenbesitzer verdiente rund 103.000 Rupien. Das beste Modell im Schnitt rund 13.700. Zwei verloren mehr als ein Laden ohne jede Leitung.

Die Fehler haben Namen. E-Mails an Lieferanten, die es nicht gibt. Eine Zahlung, die nie stattfand. Doppelt bezahlte Bestellungen. Bei einem Modell kamen 42 % der Hindi-E-Mails als unlesbar zurück.

Quelle: KiranaBench: Can a Language Model Run a Neighbourhood Shop?, https://arxiv.org/abs/2610.22980

Gesundheits-Apps verfolgen Ihre Herzfrequenz, Ihren Blutzucker, manchmal Ihre psychische Gesundheit. Ein Team von Universitäten in den USA und Kanada hat mehr als 10.000 davon bei Google Play untersucht.

69 % verlangen mindestens eine Berechtigung, die ihre Beschreibung nicht rechtfertigt. Etwa die Hälfte will Ihren Standort oder Ihre Kamera ohne angegebenen Grund. Ein Drittel will das Mikrofon.

Das Team startete die Apps auf Testtelefonen. Von den 3.599, die liefen, zeigten 93 % keinen Einwilligungsbildschirm. Viele schickten trotzdem die Werbe-ID des Telefons hinaus.

Wenn ein Einwilligungsformular erscheint, halten die Apps meist Wort: 1 von 14 sammelte etwas, das es nicht erwähnte. Selbst große, finanzstarke Entwickler patzten. Die Autoren fordern automatische Datenschutzprüfungen, bevor eine App in den Store kommt.

Quelle: Bad Diagnosis: Analyzing Consent and Data Collection Practices of Mobile Medical Apps, https://arxiv.org/abs/2610.23851