KI-Schwäche bei Zeilennummern: LLMs scheitern mit 40–60% Quote

Am heutigen Samstag wurde eine neue VS Code-Erweiterung veröffentlicht, die das Einfügen von fortlaufenden Nummern, Daten und Buchstaben deutlich vereinfacht. Das Tool setzt auf mehrere Cursor im Editor und füllt diese automatisch mit aufsteigenden Werten. Die Entwickler betonen die minimale Konfiguration – das Plugin soll sofort funktionieren.

Während neue Tools die manuelle Bearbeitung im Editor erleichtern, stellt die rechtliche Absicherung von KI-Entwicklungen Unternehmen vor neue Herausforderungen. Dieser kostenlose Leitfaden bietet Ihnen einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der neuen EU-KI-Verordnung. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt

Technische Details und Einsatzmöglichkeiten

Die Erweiterung unterstützt verschiedene Padding-Stile wie Null- oder Leerzeichen-Auffüllung. Anwender können zudem eigene Startwerte definieren. Neben ganzen Zahlen beherrscht das Tool auch Sequenzen für Daten, Uhrzeiten und alphabetische Zeichen. Besonderen Wert legten die Entwickler auf automatisierte Tests, um die Zuverlässigkeit in unterschiedlichen Codierungsumgebungen sicherzustellen.

Schwächen der KI bei Zeilennummern

Die Veröffentlichung kommt nicht von ungefähr. Bereits am Freitag veröffentlichte Forschungsergebnisse zeigen, dass große Sprachmodelle (LLMs) bei zeilenspezifischen Aufgaben oft versagen. Die Analyse ergab: LLMs erreichen bei der Identifikation konkreter Zeilennummern lediglich eine Trefferquote von 40 bis 60 Prozent. Die Modelle schätzen Positionen eher, als dass sie exakt zählen.

Experten empfehlen daher eine einfache Gegenmaßnahme: Zeilennummern als Präfix in die Eingabeaufforderung einzufügen. Diese Technik steigert die Genauigkeit auf über 95 Prozent. Zusätzlich helfen negative Regeln in den Prompts und ein separater Prüfdurchlauf, Fehler zu vermeiden.

VS Code 1.122: Offline-KI und neue Freiheiten

Das gesamte VS-Code-Ökosystem erhielt am Freitag mit Version 1.122 ein bedeutendes Update. Neu ist ein vollständiger Offline-Modus für KI-Funktionen. Entwickler können lokale LLMs nutzen – ohne Internetverbindung oder GitHub-Anmeldung.

Die aktualisierte „Bring Your Own Key"-Funktion (BYOK) erlaubt die Verwendung persönlicher API-Schlüssel für Chat-Tools und MCP-Server. Die Plattform unterstützt nun zahlreiche Anbieter für lokale oder private Workflows, darunter Ollama, Anthropic, Azure, Gemini, OpenAI und OpenRouter. Einige netzwerkabhängige Dienste erfordern jedoch weiterhin eine GitHub-Authentifizierung.

Die Integration lokaler KI-Modelle verbessert den Datenschutz, doch die technologische Entwicklung bringt auch neue Sicherheitsrisiken für Unternehmen mit sich. Erfahren Sie in diesem Experten-Report, wie Sie Sicherheitslücken schließen und gleichzeitig alle neuen gesetzlichen Anforderungen erfüllen. IT-Sicherheit stärken ohne teure Investitionen: So schützen clevere Unternehmer ihre Firma vor Cyberangriffen

Agentisches Codieren: KI übernimmt Großprojekte

Während einfache Erweiterungen manuelle Kontrolle bieten, treibt die Industrie zunehmend autonome Lösungen voran. Anthropic startete am Donnerstag eine Forschungsvorschau für „Dynamic Workflows" bei Claude Code. Das System zerlegt große Aufgaben in Teilziele, die dann von zehn bis hundert parallelen Unteragenten bearbeitet werden.

Ein beeindruckendes Beispiel: Die Portierung des Bun-Projekts von Zig nach Rust. 750.000 Zeilen Code wurden in elf Tagen umgeschrieben – bei einer Testdurchlaufquote von 99,8 Prozent. Auch Qt veröffentlichte am Donnerstag neue agentische Fähigkeiten, die auf Basis von 47 deterministischen Regeln automatisch Testdateien für Qt Quick generieren und ausführen.

Die Entwicklungen zeigen einen zweigleisigen Ansatz: die Verfeinerung leichter, manueller Werkzeuge für präzise Textbearbeitung einerseits – und den rasanten Fortschritt autonomer Agenten, die ganze Codebasen und strukturelle Transformationen bewältigen.

de | wissenschaft | 69447328 |