Latent Brain
Kleine neuronale Systeme, die Zustände lernen, begrenzte Handlungsfolgen simulieren und ihre Vorschläge an tatsächlichen Ergebnissen messen.
Forschungsprototyp · v0.4 · experimentellLernen, simulieren, überprüfen
Latent Brain ist ein quelloffenes, CPU-orientiertes Forschungsprojekt. Es untersucht, ob kleine neuronale Systeme aus Zustandsübergängen lernen, Informationen innerhalb einer Episode behalten, kurze mögliche Zukunftsverläufe abschätzen und darauf aufbauend Handlungen auswählen können.
Der öffentliche Forschungsstand enthält zwei getrennte Experimente: FlyBrain v0.3 navigiert kleine Labyrinthe. Das Reward-Labor v0.4 trainiert eine eigene neuronale Policy in einem winzigen, synthetischen Debugging-Ablauf. Die Trainingsumgebungen und Modell-Checkpoints sind nicht identisch.
Navigation in kleinen Labyrinthen
FlyBrain verbindet rekurrentes Gedächtnis (GRU), eine gelernte Präferenz für vier Aktionen, eine Vorhersage des nächsten verborgenen Zustands und eine Auswahl zwischen 1, 2 oder 4 simulierten Schritten. Die Tiefenauswahl wurde hier mit heuristischen Schwierigkeitslabels trainiert, nicht durch den Nachweis optimalen Rechenaufwands.
Getestet wurden drei Trainings-Seeds mit jeweils 30 bisher ungesehenen 7×7-Labyrinthen. Erfolgreich ist eine Route nur, wenn sie bei einer separaten Ausführung in der echten Testumgebung das Ziel erreicht; eine Modellprognose allein zählt nicht.
| Verfahren | Gelöste Labyrinthe |
|---|---|
| FlyBrain · adaptive Tiefe | 77 / 90 |
| Dieselbe Policy · feste Tiefe 1 | 74 / 90 |
| A* · gelerntes Übergangsmodell | 90 / 90 |
Der Vorsprung von insgesamt drei Labyrinthen ist über die drei Seeds nicht konsistent. Ein verlässlicher Vorteil adaptiver Denktiefe ist damit nicht nachgewiesen. Die A*-Vergleichsmethode war in diesem Toy-Benchmark erfolgreicher.
Verifizierte Belohnungen – im synthetischen Test
Eine separate kleine GRU-Policy lernt die Aktionen inspect, test_a, test_b und report. Die Lernsignale stammen aus geprüften Ergebnissen der eigenen Spielzeug-Testumgebung. Ein von der Umgebung verwaltetes Ledger akzeptiert Belohnungsnachweise nur einmal; das Modell kann sie nicht selbst ausstellen.
Pro Seed wurden 250 Trainingsepisoden verwendet. Die Evaluation umfasst drei Seeds mit jeweils 80 ungesehenen synthetischen Fällen, insgesamt 240 Fälle. Eine externe Schnittstelle darf dabei nur Vorschläge abgeben, keine realen Änderungen ausführen.
| Verfahren | Gelöste Fälle |
|---|---|
| Untrainierte neuronale Policy (schwache Baseline) | 0 / 240 |
| Durch verifizierte Toy-Rewards trainierte Policy | 240 / 240 |
| Dieselbe Policy · feste Tiefe 1 | 240 / 240 |
| Handgeschriebene Regel: inspect → test → report | 240 / 240 |
Die neuronale Policy lernte diesen sehr kleinen Ablauf. Eine einfache nicht-neuronale Regel erzielt jedoch dasselbe Ergebnis. Weder bessere Problemlösefähigkeit noch ein Vorteil adaptiver Denktiefe ist damit belegt. Es handelt sich nicht um einen Test mit realem Quellcode.
Was die Modelle tun – und was nicht
Die veröffentlichten Komponenten untersuchen rekurrente Zustände, gelernte Aktionsbewertungen und begrenzte Vorhersagen. Die lokale Inferenz kann auf der CPU erfolgen. Eine optionale HTTP-Schnittstelle läuft auf dem eigenen Rechner und liefert Vorschläge, keine Ausführungsnachweise.
Im v0.3-Labyrinthtraining stammen die Aktionsbeispiele aus verifizierten Demonstrationen. Das davon getrennte v0.4-Reward-Modell lernt aus Belohnungen der synthetischen Umgebung. Diese unterschiedlichen Lernverfahren dürfen nicht zu einer einzigen Leistungsbehauptung vermischt werden.
Was die Ergebnisse nicht beweisen
Die Tests zeigen Verhalten in eng begrenzten Modellwelten. Sie belegen weder allgemeines Schlussfolgern noch eine Verbesserung großer Sprachmodelle. Es wurden keine echten Code-Reparaturen durchgeführt und keine produktive Coding-Agent-Integration nachgewiesen.
Die Labyrinth- und Debugging-Versuche sind getrennt zu bewerten. Für Aussagen über einen echten Nutzen wären unter anderem neue Aufgabenfamilien, stärkere einfache Baselines, mehr unabhängige Seeds und Vergleiche mit gleichem Rechenbudget erforderlich.
Transparenz und Nachweisstatus
Die Zahlen auf dieser ARKEIN-Seite stammen aus den veröffentlichten GitHub-Unterlagen. Wir haben sie redaktionell mit README, Forschungsdokumentation und dem v0.4-Messbericht abgeglichen, aber die Experimente für ARKEIN nicht unabhängig erneut ausgeführt. „Verifiziert“ bezeichnet die Ausführung und Prüfung innerhalb der dokumentierten Toy-Testumgebung, keinen externen Audit und keine reale Codeausführung.
Quellenstand: 18. Oktober 2026 · GitHub-Branch main, Commit 6907038.
Selbst nachlesen und überprüfen
Das Projekt ist quelloffen und unter Apache 2.0 veröffentlicht. Ausgangspunkt ist das GitHub-Repository mit Installations- und Reproduktionsanleitung. Die eigene Latent-Brain-Projektwebsite bietet eine zusätzliche Übersicht.
README / Projektstand
FlyBrain v0.3 / Protokoll
Verified Cookie Reward Learning v0.4
Messbericht v0.4 / JSON
Frühere Experimentmethodik (v0.1)