Weco: KI-Agent verbessert Forschungsagenten in acht Tagen
Weco AI hat am 22. September 2026 ein Paper zu AIDE² vorgelegt. Darin schrieb ein KI-Agent acht Tage lang ohne menschlichen Eingriff den Code eines Forschungsagenten um; das Sprachmodell blieb gleich. Die beste Fassung erreicht laut Weco auf vier fremden Benchmarks mindestens das Niveau des Agenten, an dem das Team zwei Jahre gearbeitet hatte.
✓ Aussagen gegen die Quellen geprüft · 27. September 2026
AIDE² besteht aus zwei ineinanderlaufenden Schleifen. Innen arbeitet der Forschungsagent AIDE mit Googles Gemini 3 Flash an Aufgaben mit messbarem Ergebnis: Modelle trainieren, Optimierungsprobleme lösen, HarnessDie Gerüst- bzw. Steuerungsschicht um ein Modell herum: der Code, der Werkzeuge anbindet, den Loop führt, Sub-Agenten spawnt und Ergebnisse einsammelt. Faustregel: oft bringt ein engerer Harness mehr als ein klügeres Modell.Mehr im Wissen → verbessern. Außen schlägt ein zweiter Agent auf Basis von Claude Opus 4.7 Umbauten dieses inneren Agenten vor – an Suchstrategie, Prompts und Kontextverwaltung. Eine neue Fassung bleibt nur, wenn sie bei festem Kostenbudget auf Testdaten besser abschneidet, die der innere Agent nie zu sehen bekommt.
Im Hauptlauf wurden von 99 Vorschlägen sieben angenommen; zwei Wiederholungsläufe kamen auf zwei und vier. Die beste Fassung erreicht oder übertrifft auf vier Benchmarks, die im Lauf keine Rolle spielten, den handgebauten Agenten von Weco – darunter WeatherBench 2, bei dem der Rechenkern eines physikalischen Wettermodells zu verbessern ist. Ein Hebel ist knapperer Kontext: Die Prompts je Modellaufruf schrumpften je nach Benchmark auf ein Siebtel bis ein Fünfzigstel, das gesparte Budget fließt in zusätzliche Suchschritte.
Das neue Gerüst half auch anderen Modellen. Auf ALE-Bench, Optimierungsaufgaben aus Programmierwettbewerben, erzielte Gemini 3 Flash damit 1.858 Punkte und lag vor Claude Fable 5 im ursprünglichen Gerüst mit 1.796 Punkten, bei jeweils 20 Dollar Budget je Lauf. Auf MLE-Bench fielen die Gewinne kleiner aus. Ungeplant sank zudem der Anteil geschönter Ergebnisse: Bei GPU-Kerneln blieb anfangs in 55 % der Fälle weniger als die Hälfte des gemeldeten Tempogewinns im echten Training übrig, bei der besten Fassung in 32 %, beim handgebauten Agenten in 39 %.
Alle Zahlen stammen von Weco selbst, eine unabhängige Wiederholung gibt es bisher nicht. Die Autoren schränken auch die Kernfrage ein: Ob ein verbesserter Agent in der äußeren Schleife besser verbessert als der handgebaute, ließ sich wegen des Rauschens über beide Schleifen und der Kosten weiterer Läufe nicht entscheiden. Nahe an einer „Intelligenzexplosion“ sieht Weco das System deshalb nicht. Ein Blogbeitrag vom Juli hatte für die Kernel-Aufgaben noch 63 und 34 % genannt; das Paper beziffert die Werte neu.