Cursor startet Projects und seinen Koordinator-Agenten, GPT-Rosalind verlässt die Forschungsvorschau, Runway lizenziert seine geschlossenen Modellgewichte

Zweiundfünfzig Ankündigungen, die meisten davon am 11. September veröffentlicht, und eine gemeinsame Idee, die bei Akteuren wiederkehrt, die sich nicht miteinander abstimmen. Cursor überträgt ein ganzes Vorhaben einem Koordinator-Agenten, der nicht selbst programmiert und an Tausende Unteragenten delegiert, Cognition lässt zwei Modelle als Tandem auf dem Rechner des Entwicklers arbeiten, Sakana leitet jede Aufgabe an das leichteste Modell weiter, das sie lösen kann. Am selben Tag entlässt OpenAI sein Life-Sciences-Modell mit einer öffentlichen Preisstruktur aus der Forschungsvorschau, Runway lizenziert die Gewichte seiner geschlossenen Modelle für Unternehmen und Anthropic veröffentlicht einen Unterbefehl, der endlich misst, welchen tatsächlichen Nutzen ein Plugin bringt.

Cursor startet Projects, von einem Koordinator-Agenten gesteuerte Vorhaben

10. September — Cursor hat Projects gestartet, eine Neugestaltung der Art und Weise, wie einem Agenten im Editor Arbeit übertragen wird. Das Produkt bricht mit der seit zwei Jahren etablierten Gewohnheit: Statt für jede Aufgabe eine neue Unterhaltung zu öffnen und anschließend wieder zu schließen, kommuniziert der Benutzer in einem monatelang bestehenden Thread mit einem Koordinator-Agenten. Dieser Koordinator schreibt keine einzige Zeile Code. Er steuert andere Agenten, die ihn schreiben, sodass er jederzeit neue Anweisungen entgegennehmen kann, während die Arbeit voranschreitet.

Drei Mechanismen machen dies möglich. Zunächst die standardmäßige Ausführung in der Cloud: Ein Project läuft auf einem eigenen Rechner, wird durch das Schließen des Laptops nicht unterbrochen und die Anzahl parallel arbeitender Unteragenten ist nicht mehr durch die lokale Hardware begrenzt. Ein lokaler Agent startet, wenn ein Test auf dem Rechner des Entwicklers ausgeführt werden muss. Dann der gemeinsame Kontext: Jedes Project verwaltet eine Reihe von Dateien, die auf allen Rechnern synchronisiert werden und in denen die Agenten ihre Recherchen, Artefakte und Erkenntnisse über den Code ablegen. Findet einer heraus, wie ein Dienst getestet wird, steht allen nachfolgenden Agenten die Anleitung zur Verfügung. Der dritte Mechanismus ist der ungewöhnlichste. Cursor nennt ihn Abonnements (subscriptions): Der Koordinator kann einen Slack-Kanal überwachen, nach einem Zeitplan ausgeführt werden oder alle Pull Requests verfolgen, um die Continuous Integration zu reparieren. Der Agent reagiert auf die Erkennung eines Signals, ohne darauf zu warten, dass er dazu aufgefordert wird.

Gemessene Benutzergruppe	Gemessene Auswirkung auf Pull Requests
Neue Benutzer von Projects	30 Prozent mehr zusammengeführt
Benutzer, die überwiegend mit Projects arbeiten	Sechsmal mehr zusammengeführt
Project für das interne Design System	Hochgerechnet 20 bis 100 bearbeitete Pull Requests pro Tag

The coordinator doesn’t write code itself but directs other agents that do. Because it delegates rather than executes, it is never blocked and is always responsive to direction.

🇩🇪 Der Koordinator schreibt selbst keinen Code, sondern steuert andere Agenten, die dies tun. Weil er delegiert, statt selbst auszuführen, ist er nie blockiert und bleibt jederzeit für Anweisungen empfänglich. — Cursor, Projects-Blog

Bei diesen Zahlen handelt es sich um interne Messungen, die mit der gebotenen Vorsicht zu betrachten sind. Das anschaulichste Beispiel bleibt das sogenannte Gärtnern, wie Cursor die Arbeit nennt, die nie endet: Ein Entwickler betreibt ein dem Design System gewidmetes Project, das jeden neuen Pull Request untersucht, daraus die Komponenten extrahiert, die in das System gehören, und eine Lint-Regel hinzufügt, sobald derselbe Fehler zweimal auftritt. Projects befindet sich in der Betaphase und wird seit dem 10. September schrittweise eingeführt. Die Ankündigung nennt weder Preisbedingungen noch Einschränkungen nach Tarif.

🔗 Ankündigung von Cursor auf X

GPT-Rosalind verlässt die Forschungsvorschau und erhält eine öffentliche Preisstruktur

11. September — OpenAI Developers kündigt an, dass GPT-Rosalind, sein auf Life Sciences spezialisiertes Reasoning-Modell, die Forschungsvorschau (research preview) verlässt. Das am 16. April 2026 für biologische Forschung, Arzneimittelforschung und translationale Medizin vorgestellte Modell war damals nur für berechtigte Enterprise-Kunden in den Vereinigten Staaten verfügbar. Nun wechselt es für berechtigte Organisationen weltweit über die API, Codex und ChatGPT Enterprise zum vertrauensbasierten Zugang (trusted access), der bei ihrer Veröffentlichung auch die kommenden Modelle der Reihe umfassen wird.

Das API-Changelog liefert in einem Eintrag vom 8. September die Details, die im X-Thread nicht erwähnt werden. Das Modell heißt gpt-rosalind-research, und seine allgemeine Verfügbarkeit bleibt an das Programm für vertrauensbasierten Zugang gebunden, das der von OpenAI genehmigten internen Forschung in den Life Sciences vorbehalten ist.

Preis- oder Zugangselement	Angekündigter Wert
Modellkennung	`gpt-rosalind-research`
Eingabe-Tokens	5 Dollar pro Million
Zwischengespeicherte Eingabe-Tokens	0,50 Dollar pro Million
Ausgabe-Tokens	25 Dollar pro Million
Abrechnungsbeginn	5. Oktober 2026
Zugangswege	API, Codex, ChatGPT Enterprise
Zugangsvoraussetzung	Programm für vertrauensbasierten Zugang, berechtigte Organisationen

Die Abrechnung beginnt erst am 5. Oktober: Während der Forschungsvorschau verbrauchte die Nutzung weder Guthaben noch Tokens. Auf der Werkzeugseite bilden die Life-Sciences-Plugins von Codex die Orchestrierungsebene des Modells, von der Genomik über Proteinstrukturen und translationale Forschung bis hin zur Sammlung biologischer Evidenz sowie zur Erstellung von Qualitätskontrollberichten und interaktiven Notebooks. Dieses im April kostenlos auf GitHub veröffentlichte Paket bietet Zugriff auf mehr als 50 öffentliche Multi-Omics-Datenbanken, Literaturquellen und Biologiewerkzeuge. Es funktioniert für alle mit den allgemeinen Modellen, doch nur berechtigte Enterprise-Benutzer können es mit GPT-Rosalind kombinieren.

Die angegebenen Leistungswerte entsprechen weiterhin denen zur Einführung: der beste veröffentlichte Wert auf BixBench, ein Vorsprung gegenüber GPT-5.4 bei 6 der 11 Aufgaben von LABBench2 mit dem größten Abstand bei CloningQA sowie bei einer gemeinsam mit Dyno Therapeutics entwickelten Aufgabe zur Beziehung zwischen RNA-Sequenz und -Funktion eine bessere Einreichung als das 95. Perzentil von 57 menschlichen Fachleuten für Vorhersagen. Die konkrete Nachricht besteht aus zwei Teilen: Ein spezialisiertes Modell verlässt mit einem öffentlichen Preis den experimentellen Status, und der Zugang wird geografisch ausgeweitet. Die Hürde bleibt die Berechtigung, die nicht im Self-Service erhältlich ist.

🔗 Thread von OpenAI Developers auf X

Runway Model Licensing liefert Unternehmen die Gewichte geschlossener Modelle

11. September — Runway hat ein Lizenzprogramm für seine Modelle (Model Licensing) eröffnet, das sich an Unternehmen richtet. Das Prinzip unterscheidet sich vom API-Zugang: Der Kunde erhält die vollständigen Gewichte eines Runway-Modells der neuesten Generation, optimiert es mit seinen eigenen Daten, hostet es in seiner Infrastruktur und vermarktet die daraus entstehenden Produkte. Die Daten und generierten Inhalte verlassen niemals die Umgebung des Kunden, womit sich das Angebot ausdrücklich an Studios, Marken und Regierungen richtet.

Geliefertes Element	Inhalt
Modellgewichte	Vollständige Gewichte als Ausgangspunkt
Checkpoints	Mehrere zu validierende Modellversionen
Trainingsskript	Code zum Hinzufügen eigener Daten und Starten eigener Feinabstimmungen
Bereitstellung	In die Codebasis des Kunden integriert und dort gehostet, wo er es wünscht
Eingesetzte Forscher	Praktische Hilfe bei Abstimmung, Gewichten und Bereitstellung

Das Hosting erfolgt wahlweise in der Cloud des Kunden, in seinem Rechenzentrum oder vollständig vor Ort, einschließlich netzwerkisolierter Umgebungen (air-gapped) für Behörden. Sechs Branchen werden genannt: Softwareplattformen, Film und Studios, Marken und Marketing, Robotik und physische KI mit dem World Action Model als Policy Backbone (policy backbone), Videospiele und 3D mit fotorealistischer Verbesserung einfacher Renderings sowie Regierungen.

Wirtschaftlich unterscheidet Runway zwei Wege: Runway Dev, die nutzungsabhängig abgerechnete API ohne zu verwaltende Infrastruktur, und die Jahreslizenz mit planbaren Kosten sowie vollständiger Kontrolle über Versionen, Verhalten und Ausgaben. Die FAQ begegnet dem Einwand der Veralterung: Künftige Modelle werden keinen Zugriff auf die proprietären Daten des Kunden haben, eine jährliche Verlängerung ist vorgesehen und für nachfolgende Generationen werden Gutschriften gewährt. Die Kosten einer internen Neuentwicklung beziffert sie auf jahrelange Lernarbeit und Hunderte Millionen Dollar. Das Unternehmen bezeichnet sich als eines der sehr wenigen weltweit, das geschlossene Modellgewichte dieser Qualität lizenziert, und stellt sein Angebot den offenen Gewichten direkt gegenüber, die seiner Ansicht nach ein schwächeres Modell zusammen mit einer Aufgabenliste liefern würden. Es werden keine Preise veröffentlicht; der Zugang erfolgt über ein Vertriebsformular. Die Ankündigung kommt neun Tage nach Runway Dev MCP und eine Woche nach dem Team-Tarif: Runway deckt damit nun die gesamte Bandbreite ab, vom einzelnen Kreativen bis zur Lizenz für geschlossene Modellgewichte.

🔗 Seite zu Model Licensing

Cognition bringt Fusion auf Devin Desktop und Devin CLI

11. September — Cognition hat Fusion für Devin Desktop und Devin CLI verfügbar gemacht. Die Architektur lief bereits seit mehreren Monaten auf Devin Cloud; nun kommt sie auf den Rechner des Entwicklers. Die Ankündigung folgt einen Tag nach SWE-2, dem hauseigenen Code-Modell, und beide gehören zusammen, da SWE-2 als zweites Modell der Konfiguration empfohlen wird.

Das Prinzip lässt sich einfach beschreiben. Bei der Auswahl von Fusion wählt man nicht ein Modell, sondern zwei. Ein Spitzenmodell übernimmt als Leiter (lead) die Führung und behält die Kontrolle über die Sitzung: Es verwaltet den Plan, entscheidet bei Unklarheiten und überprüft die abgelieferte Arbeit. Ein kostengünstigeres Modell fungiert als Assistent (sidekick): Es untersucht den Code, schreibt die Änderungen, führt die Tests aus und erstattet Bericht. Beide laufen parallel und verfügen jeweils über einen eigenen persistenten Kontext. Das technische Argument richtet sich gegen Model Routing, die naheliegende Lösung zur Kostensenkung: Ein anfänglicher Prompt reicht nicht aus, um den Schwierigkeitsgrad einer Aufgabe einzuschätzen, und ein Modellwechsel während der Bearbeitung unterbricht den Prompt-Cache. Fusion umgeht das Problem, indem nie vollständige Unterhaltungen zwischen den beiden Modellen übertragen werden; sie tauschen lediglich Briefings, Ergebnisse und Feedback aus.

Kosten pro Aufgabe in Dollar	Nur Fable 5.1	Fusion aus Fable 5.1 und SWE-2	Nur Astra	Fusion aus Astra und SWE-2
DeepSWE 1.1	14,63	7,88	7,88	4,69
Terminal-Bench 4	17,46	13,37	10,08	6,06
SWE-Atlas QnA	7,57	5,00	5,72	3,59
Vals Code Migration	70,97	42,00	44,36	35,51
FrontierCode 1.1 erweitert	2,68	1,67	2,62	2,34

One of our key findings is that using more expensive models can make the entire system cheaper.

🇩🇪 Eine unserer wichtigsten Erkenntnisse ist, dass der Einsatz teurerer Modelle das Gesamtsystem günstiger machen kann. — Cognition, Blog über lokales Fusion

Die Demonstration erfolgt auf beiden Seiten des Tandems. Aufseiten des Leiters senkte der Austausch von Opus 4.8 gegen Fable 5, das pro Token nominell doppelt so viel kostet, bei unverändertem Assistenten die durchschnittlichen Sitzungskosten um 9 Prozent und verbesserte zugleich den Wert auf FrontierCode: Fable delegierte früher und verfasste bessere Briefings, während Opus seinen Assistenten bis ins Detail steuerte. Aufseiten des Assistenten senkt der Wechsel von GPT-5.6 Luna zu SWE-2 trotz 275 Prozent höherer Kosten pro Million Tokens die Gesamtkosten der Aufgabe um 2 Prozent und verbessert die Leistung zugleich um 1,4 Punkte. Im Artificial Analysis Coding Agent Index v1.5 erreicht Fusion mit Fable 5.1 und SWE-2 einen Wert von 61,7 bei 36 Prozent niedrigeren Kosten als Claude Code mit Fable 5.1, das höchstens 62,2 erreicht. Cognition leitet daraus eine Regel für 2026 ab: Modelle und Modell-Harness-Kombinationen sollten anhand des Preises pro Aufgabe statt des Preises pro Token bewertet werden. Eine bequeme Position für einen Anbieter, der ein Harness verkauft, doch die Zahlen wurden gemeinsam mit Artificial Analysis und Vals AI anhand von fünf verschiedenen Benchmarks ermittelt. Die Installation erfolgt mit einem einzigen Befehl.

🔗 Ankündigung von Cognition auf X

Sakana AI veröffentlicht Fugu Max und Fugu Ultra v2, zwei Weiterentwicklungen seines Multi-Agent-Orchestrators

11. September — Sakana AI veröffentlicht Fugu Max und Fugu Ultra v2, zwei neue Versionen von Sakana Fugu, seinem Multi-Agent-Orchestrierungssystem (multi-agent orchestration system), das hinter einer einzigen OpenAI-kompatiblen API bereitgestellt wird. Der rote Faden ist die Pareto-Grenze: Nach Einschätzung von Sakana denkt die Branche weiterhin so, als wäre Leistungsfähigkeit die einzige Achse, obwohl eine reale Aufgabe anhand von zwei Kriterien beurteilt wird: Leistungsfähigkeit und Kosten.

Fugu ist kein einzelnes Modell, sondern eine erlernte Orchestrierungsschicht, die jede Aufgabe an einen Pool aus Open-Weight- und spezialisierten Modellen weiterleitet. Fugu Max erweitert diesen Pool, laut Unternehmen den bislang größten, um die NVIDIA-Nemotron-Familie und weist jede Aufgabe dem leichtgewichtigsten Modell zu, das sie lösen kann. Es erzielt über sechs Benchmarks hinweg die beste Gesamtwertung und erweitert bei sieben von zehn die Kosten-Leistungs-Grenze – zu 2 Dollar pro Million Eingabe-Tokens und 6 Dollar für die Ausgabe. Dieser Ausgabepreis liegt laut Sakana 40 bis 60 Prozent unter denen von Sonnet 5, GPT 5.6 Terra und Kimi K3.

Angekündigte Messgröße	Ergebnis	Von Sakana angegebener Vergleich
Fugu Ultra v2, Chartography	48,3	Opus 5 mit 27,3; Fable 5 mit 29,5
Fugu Ultra v2, DeepSWE	74,3	Vor Modellen, deren Token 3- bis 5-mal teurer sind
Fugu Ultra v2, Platzierung	Platz 1 oder geteilter Platz 1 bei 5 von 8 Benchmarks	Unter den Top 2 bei 7 von 8
Fugu Max, Gesamtplatzierung	Bestes Ergebnis bei 6 Benchmarks	Pareto-Grenze bei 7 von 10 erweitert

Der Punkt, den Sakana am stärksten betont, ist erwähnenswert: Fable 5, Fable 5.1 und GPT-6-Astra gehören nicht zum Agenten-Pool von Fugu Ultra v2, dessen Trainingsstichtag der 28. August 2026 ist. Das Argument lautet Versorgungssicherheit: Ein austauschbarer Pool schützt vor Anbieterbindung, dem Entzug von API-Zugängen und Dienstausfällen. Beide Modelle sind sofort verfügbar, und ein Fugu-Nutzer wechselt durch Änderung eines einzigen Parameters zu Max oder Ultra v2. Fugu Max ist zudem auf OpenRouter gelistet und bietet multimodale Eingaben, Websuche, konfigurierbares Reasoning und strukturierte Ausgaben. Einschränkung: Die Benchmarks und Vergleichsmodelle wurden von Sakana ausgewählt, SWEFish ist ein interner Benchmark, und die geltend gemachten Unterschiede hängen von den zum Veröffentlichungszeitpunkt geltenden Preisen der verglichenen Modelle ab.

🔗 Vorstellung von Fugu Max und Fugu Ultra v2

ElevenLabs veröffentlicht Music v2.5 mit verlustfreien Downloads in allen Tarifen

11. September — ElevenLabs hat Music v2.5 veröffentlicht und in ElevenMusic als Standardmodell eingerichtet, sowohl für die Generierung per Prompt als auch anhand einer Audioreferenz. Das Modell verspricht Instrumente, die wie eine Live-Aufnahme klingen, tiefgründigere Arrangements, längere Kompositionen, Genrewechsel innerhalb eines Stücks, Rap sowie Stimmen, die in der Sprache des Textes muttersprachlich klingen. Als Messgröße wird ein Blindtest mit 47 885 Paaren angeführt, jeweils eine Aufnahme pro Modell für denselben Prompt: Music v2.5 wurde in der Mehrzahl der Fälle bevorzugt, mit dem deutlichsten Abstand bei stimm- und akustikgeprägten Genres wie R&B, Soul, Hip-Hop, Rock, Metal, Orchester- und Filmmusik. Der genaue Prozentsatz der Präferenzen wurde nicht veröffentlicht.

Der zweite Teil verändert für die Nutzer noch mehr. Jedes in ElevenMusic erstellte Stück gehört in allen Tarifen, einschließlich des kostenlosen, seinem Urheber. Der kostenlose Tarif gewährt fünf verlustfreie (lossless) Downloads pro Tag zur kommerziellen Nutzung, sofern ElevenMusic genannt wird; der Pro-Tarif bietet 400 pro Monat. Die zum Erstellungszeitpunkt erworbenen Berechtigungen bleiben mit dem Stück verbunden: Eine Kündigung oder Herabstufung ändert nichts an bereits produzierten Titeln, und eine künftige Änderung der Bedingungen würde nur für neue gelten. Die einzige Ausnahme ist ein Stück, das auf dem Song eines anderen Künstlers basiert und deshalb nicht heruntergeladen werden kann.

Gemessener oder angekündigter Aspekt	Wert
Im Blindtest bewertete Paare	47 885
Verlustfreie Downloads, Free-Tarif	5 pro Tag, kommerzielle Nutzung mit Namensnennung
Verlustfreie Downloads, Pro-Tarif	400 pro Monat
API-Kennung	`music_v2_5`
Standardmodell in ElevenMusic	Music v2.5, Music v2 bleibt erhalten

Das Modell ist außerdem in ElevenCreative, als Music-Node in Flows sowie in der API unter der Kennung music_v2_5 verfügbar. ElevenLabs stellt klar, dass die am Vortag angekündigte mehrjährige Vereinbarung mit Universal Music Group von dieser Veröffentlichung unabhängig ist. Für die Leser ist die Reihenfolge der Ankündigungen relevant: Zuerst wurde die Vereinbarung mit dem Major-Label bekannt gegeben, am darauffolgenden Tag erschienen das Modell und die erweiterten Nutzungsrechte.

🔗 Ankündigung von ElevenLabs auf X

Claude Code misst, was ein Plugin tatsächlich bewirkt – mit und ohne es

11. September — Das Claude-Developers-Team kündigt claude plugin eval an, einen Unterbefehl von Claude Code, der ein Plugin oder einen Skill anhand einer Reihe von Testfällen ausführt, jeden Durchlauf bewertet und anschließend jeden Fall ohne das Plugin wiederholt, um dessen tatsächlichen Nutzen zu messen. Die Idee ist einfach und ein wenig unbequem: Eine hohe Punktzahl beweist nicht, dass ein Plugin hilft, da Claude bisweilen auch ohne das Plugin ebenso erfolgreich ist. Der Befehl gibt daher zwei Bewertungen und deren Differenz zurück. Erzielt ein Fall in beiden Testarmen 1,0, hat das Plugin dazu nichts beigetragen.

Der Einstiegspunkt ist claude plugin eval init, ausgeführt im Stammverzeichnis des Plugins. Eine interaktive Sitzung wird geöffnet: Claude liest das Plugin, fragt, wie ein gutes Ergebnis aussieht, schlägt Prompts vor, die es auslösen beziehungsweise nicht auslösen sollen, entwirft die Prüfer (graders), testet sie einmal, erstellt für jeden Fall ein Verzeichnis und nennt die geschätzten Kosten eines vollständigen Durchlaufs. Anschließend wird jeder Fall dreimal mit und dreimal ohne Plugin ausgeführt, also insgesamt sechsmal, weil ein einzelner Durchlauf eines nicht deterministischen Agenten wenig aussagekräftig ist. Das Terminal zeigt eine Tabelle mit den Ergebnissen mit und ohne Plugin an, ein eigenständiger HTML-Bericht wird auf die Festplatte geschrieben und, sofern das Konto dies ermöglicht, als privates Artefakt veröffentlicht.

Prüfertyp	Kosten in Modellaufrufen	Erfolgsbedingung
`regex`	keine	Muster in der letzten Antwort, im Trace oder in einer Datei gefunden
`tool_used`	keine	Anzahl der Aufrufe eines Tools zwischen einem Minimum und Maximum
`tool_order`	keine	Ein Aufruf erfolgt vor einem anderen
`file_exists`	keine	Eine während des Durchlaufs erstellte Datei entspricht dem Muster
`llm`	ein Modell bewertet	Positives Urteil mit mindestens 2 von 3 Stimmen
`baseline`	ein Modell bewertet	Der Durchlauf entspricht mindestens einer Referenztranskription

Eine Feinheit sollte man verstehen, bevor man eine Differenz interpretiert: Ein Prüfer, der den Aufruf des Skills verlangt, kann ohne das Plugin niemals erfolgreich sein. Er wird daher in beiden Testarmen aus der Bewertung ausgeschlossen und lediglich als Indikator ausgewiesen, da die Differenz andernfalls künstlich aufgebläht würde. Die Isolation ist streng. Jeder Durchlauf ist ein kurzlebiger Kindprozess ohne Nutzereinstellungen, Hook, CLAUDE.md, MCP-Server, installiertes Plugin oder Speicher. Die Durchläufe stellen niemals Berechtigungsfragen, und sensible Tools werden aus der Sitzung entfernt, sofern sie nicht ausdrücklich autorisiert wurden. Wird Bash oder PowerShell auf einem Rechner ohne Sandbox-Backend freigegeben, verweigert Claude Code den Durchlauf, anstatt ihn ohne Isolation auszuführen. Ein Plugin, das mit MCP-Tools kommuniziert, kann ohne den tatsächlichen Dienst evaluiert werden: Eine Markdown-Datei pro Tool stellt die Antwort bereit, wobei ein Block den Durchlauf abbricht, falls das Plugin etwas anderes als erwartet sendet.

Evals call the model, so they use tokens and results vary. […] Your plugin’s hooks and MCP servers run as you, so only evaluate plugins you trust.

🇩🇪 Die Evaluierungen rufen das Modell auf, verbrauchen also Tokens, und die Ergebnisse variieren. […] Die Hooks und MCP-Server Ihres Plugins werden mit Ihren Berechtigungen ausgeführt; evaluieren Sie daher nur vertrauenswürdige Plugins. — @ClaudeDevs auf X

Die Kosten sind real: Jede Ausführung und jeder bewertende Prüfer entspricht einem Modellaufruf, der vom Tarif oder von der Rechnung abgerechnet wird. Das Beispiel in der Dokumentation nennt 74 Sekunden und 0,41 Dollar für einen Fall mit sechs Durchläufen. Daher lautet die Empfehlung des Teams: zunächst mit --runs 1 testen, bevor ein vollständiger Durchlauf gestartet wird. Für die Continuous Integration sind die Exit-Codes dokumentiert, darunter 0, wenn alles erfolgreich ist, und 2 für einen Teildurchlauf, wenn die Kostengrenze erreicht wurde. Der Dokumentation zufolge ist die erste typische Erkenntnis eine Differenz nahe null bei gleichzeitig fehlgeschlagenem Skill-Prüfer: Claude wählt den Skill bei einer natürlichen Formulierung nicht aus, sodass dessen Beschreibung überarbeitet werden muss.

🔗 Dokumentation zur Evaluierung von Plugins

Der Rest der Version 2.1.269

Der Unterbefehl erscheint in Version 2.1.269, die am 11. September um 21:17 Uhr Pariser Zeit veröffentlicht wurde. Die übrigen Ergänzungen sind unauffälliger, im Alltag aber nützlich. Der Befehl /output-style listet Ausgabestile auf und wechselt zwischen ihnen, auch über Remote Control sowie in Cloud- oder Headless-Sitzungen. Wenn das Bash-Tool zum Ändern von Dateien verwendet wird, enthält sein Ergebnis nun den Diff der geänderten Dateien, wodurch Claude dieselbe Übersicht wie bei einer klassischen Bearbeitung erhält. Für die Observability versieht eine Umgebungsvariable OpenTelemetry-Metriken und -Ereignisse mit einer Repository-Kennung; zwei weitere legen die Zeitüberschreitung für die Modellerkennung eines Gateways und das Limit gleichzeitiger Agenten des Workflow-Tools fest, bis zu 256.

Die Korrekturen betreffen drei sensible Bereiche: die teilweise Invalidierung des Prompt-Caches nach einer unterbrochenen und anschließend fortgesetzten Antwort, Berechtigungsregeln, die mit einer Negation beginnen und nun nur noch für die Einstellungsquelle gelten, in der sie festgelegt wurden, sowie die Prüfung des Schreibpfads, die endlich auch die durch einen tee-Befehl geschriebene Datei erfasst. Der nach einer Komprimierung übermittelte git status ist nun der aktuelle und nicht mehr derjenige vom Beginn der Sitzung. In VS Code öffnet ein Badge eine Übersicht der Subagenten mit Karten, Stopp-Schaltfläche und schreibgeschützten Transkriptionen; zwei Dialogfelder ermöglichen zudem die Verwaltung von Hooks und Berechtigungsregeln in den Benutzer-, Projekt- und lokalen Einstellungen.

🔗 Versionshinweise zu 2.1.269

Antigravity: vier Versionen in einer Woche und ein Nachtrag zu Teamwork

Google hat in rascher Folge zwei Versionen seines Kommandozeilenwerkzeugs und eine neue Version seiner Anwendung veröffentlicht, ganz abgesehen von zwei früheren Versionen, über die hier noch nicht berichtet wurde. Es lohnt sich, das Changelog als Ganzes zu lesen, denn die Veröffentlichungen dieser Woche erzählen dieselbe Geschichte: Der Agent verlässt das interaktive Terminal und wird zu einem Dienst.

🔗 Antigravity-Changelog

Antigravity CLI 1.2.0: Die CLI wird zu einem über Remote Control gesteuerten Hintergrund-Daemon

10. September — Version 1.2.0 der Antigravity CLI ist die erste Erhöhung der Minor-Version seit Juli. Drei Unterbefehle, remote-control start, status und stop, registrieren das Kommandozeilenwerkzeug beim Service Manager des Systems als Hintergrund-Daemon, der Abmeldungen und Neustarts übersteht. Dabei gibt es eine Option für den Instanznamen und eine weitere, um den Dienst auf die aktive Anmeldesitzung zu beschränken. Bislang musste ein geöffnetes Terminal weiterlaufen. Das Scrollen um eine halbe Seite wird mit zwei neuen Standard-Tastenkürzeln auf alle Ansichten ausgeweitet. Unter den acht Korrekturen ist diese besonders hilfreich, um unerwartetes Verhalten zu verstehen: Wird ein Prompt oder eine Antwort von den Content-Sicherheitsfiltern blockiert, erscheint nun der ausdrückliche Abbruchgrund, während Nutzer zuvor nur einen allgemeinen Fehler oder einen leeren Turn sahen. In globalen Plugins enthaltene MCP-Server werden beim Start nun endlich korrekt initialisiert.

Antigravity CLI 1.1.28: erweiterte Wiederaufnahme nach Fehlern, beschleunigter Headless-Modus und zustimmungspflichtiger URL-Zugriff

9. September — Am Vortag konzentrierte Version 1.1.28 neun Verbesserungen auf die Ausfallsicherheit und den Headless-Modus, also den Aufruf aus einem Skript. Vorübergehende Fehler der Modell-API werden mit erweitertem exponentiellem Backoff erneut versucht, beim Start wird keine Netzwerkanfrage mehr zum Abrufen der Nutzeridentität ausgelöst, und pro Turn entfallen bis zu 200 Millisekunden Leerlaufzeit. Zwei Verhaltensänderungen verdienen die Aufmerksamkeit aller, die Abläufe automatisieren.

Verhaltensänderung	Vor Version 1.1.28	Seit Version 1.1.28
Zeitüberschreitung im Skriptmodus	Timeout-Fehler	Teilausgabe zurückgegeben, Erfolgs-Code, Warnung
Zugriff des Agenten auf eine externe URL	Ohne Nachfrage	Standardmäßig Zustimmung erforderlich, außer bei vorab gewährtem Zugriff

Ein Skript, das auf impliziten Webzugriff angewiesen war, muss diese Berechtigung daher ausdrücklich gewähren. Zustimmungsaufforderungen nennen nun die genaue Aktion und enthalten eine Zeile mit der Begründung, wenn die Anfrage von einem Hook oder einer Datei aus einem anderen Projekt stammt.

Antigravity CLI 1.1.26 und 1.1.27, Nachtrag: einmaliger Prompt mit einem anderen Modell und Subagent-Abhängigkeiten im Frontmatter

4. und 5. September — Die Versionen 1.1.26 und 1.1.27 schließen die Lücke und bringen die greifbarste Neuerung des Pakets: Der Befehl zur Modellauswahl akzeptiert nun einen Prompt, der einmalig mit einem anderen Modell ausgeführt wird, bevor die Sitzung zum ursprünglichen Modell zurückkehrt. So lässt sich die Zweitmeinung eines leistungsfähigeren oder günstigeren Modells einholen, ohne die Standardeinstellung zu ändern. Dieselbe Version ergänzt das Markdown-Frontmatter benutzerdefinierter Agenten um eine Agentenliste, in der die Subagenten angegeben werden können, von denen sie abhängen. Hinzu kommen zwei für Automatisierungen wichtige Korrekturen: Ein MCP-Aufruf mit einem Argument, das im Schema des Servers nicht deklariert ist, wird abgelehnt und korrigiert, anstatt stillschweigend entfernt zu werden; außerdem nennt eine Headless-Ausführung abgelehnte Aktionen in ihrer JSON-Ausgabe, statt sie kommentarlos zu ignorieren.

Antigravity 2.13.0: Dokumentenbereich, virtualisierter Viewer für SQL und JSONL sowie Tastenkürzel für Zitate

9. September — Antigravity 2.13.0 bringt 16 Verbesserungen und 16 Fehlerbehebungen. Externe Dateien, die einer Unterhaltung hinzugefügt werden, Google-Drive-Links, PDFs und Office-Dokumente, werden in einem Dokumentenbereich oberhalb der Artifacts zusammengefasst, statt sich mit den Ergebnissen des Agenten zu vermischen. Entwurfsdateien, die der Agent für sich selbst schreibt, werden in einem separaten Bereich abgelegt. Code- und Datenartefakte wie SQL- und JSONL-Dateien werden in einem virtualisierten Viewer mit Syntaxhervorhebung und Zeilennummern geöffnet, der auch bei großen Dateien flüssig bleibt und Inline-Kommentare unterstützt. Eine geschlossene Seitenfrage wird zu einer Schaltfläche minimiert, statt gelöscht zu werden, interaktive Prompts erhalten eine Abbrechen-Schaltfläche, und ausgewählter Text lässt sich per Tastenkürzel im Chat zitieren. Zwei Fehlerbehebungen betreffen die Transparenz von Berechtigungen: Ein abgelehnter Schritt bleibt mit der Kennzeichnung Rejected sichtbar, statt zu verschwinden, und der Agent fragt nicht mehr erneut nach der Berechtigung zum Lesen von Artefakten aus anderen Projekten, wenn der Zugriff außerhalb des Projekts bereits gewährt wurde.

🔗 Tipp-Thread von @antigravity auf X

Teamwork, der Nachtrag vom 27. August

Ein am 27. August veröffentlichter Beitrag, der hier nie behandelt wurde und weiterhin ganz oben im Entwicklerbereich der Gemini-Neuheitenseite steht, verdient einen Nachtrag. Teamwork ist das Multi-Agent-Orchestrierungsframework von Antigravity, in dem Agenten über Stunden oder Tage hinweg gegenseitig ihre Arbeit vorschlagen, kritisieren und verfeinern; es ist als Vorschau in allen kostenpflichtigen Tarifen verfügbar. Fünf Patterns werden bereitgestellt und je nach Prompt automatisch ausgewählt, vom iterativen Coding über die Dokumentenprüfung bis zum Langzeitbeweis. Beim Pattern für Langzeitbeweise gibt Google an, sieben offene Probleme gelöst zu haben, darunter die Knuth-Zyklen-Vermutung, für die Beweise mit mehr als 40 beziehungsweise mehr als 70 Seiten erstellt wurden; der 40-seitige Beweis wurde formal in Lean verifiziert. Die übrigen Ergebnisse wurden von menschlichen Fachleuten bestätigt, und fünf Artikel wurden auf arXiv eingestellt.

Gemeldete Messgröße	Wert
TCSBench, Gemini 3.7 Flash und 3.1 Pro im Langzeitbeweis	71 Prozent
TCSBench, Gemini 3.6 Flash und 3.1 Pro, Originalartikel	67,7 Prozent
RISC-V-Simulator, Abweichung bei der Zyklengenauigkeit	0,71 Prozent
Mit Gemini 3.7 Flash reproduzierte Probleme	3 von 7

Außerhalb der Mathematik hat Teamwork von Grund auf einen zyklusgenauen Out-of-Order-RISC-V-Prozessorsimulator entwickelt, der das xv6-System bis zur Shell startet und mehr als hundert Standard-Benchmarks ausführt; validiert wurde er anhand der Ausführung auf echter Hardware. Zwei Beiträge wurden upstream in freie Projekte integriert: ein vektorisierter Fast Path in Eigen und eine Variante einer nebenläufigen Hash-Tabelle mit verdoppeltem Einfügedurchsatz bei 64 Threads.

🔗 Teamwork, wenn KI zum Forschungspartner wird

GitHub Copilot löst seine eigenen Kommentare und integriert Jira in seine Anwendung

Die Codeüberprüfung wird zu einem Agenten-Ensemble

11. September — GitHub aktualisiert Copilot code review in zweierlei Hinsicht. Bei der Benutzererfahrung gilt: Wenn ein späterer Commit auf einen Kommentar von Copilot eingeht, löst die Überprüfung diesen Kommentar selbstständig auf, sodass die Liste der offenen Kommentare nur noch Punkte enthält, die auf eine Antwort warten. Wird ein Codevorschlag übernommen, verfasst Copilot zudem eine zur Änderung passende Commit-Nachricht anstelle der vorausgefüllten Nachricht. Bei der Analyse verfügt der Review-Agent nun über den vollständigen Satz an Shell-Tools des Copilot SDK, die hinter der Firewall des Agenten ausgeführt werden: Er kann einen Build starten, Tests ausführen, ein gezieltes Skript laufen lassen oder zugängliche APIs abfragen, um den untersuchten Code zu überprüfen. GitHub meldet mehr positives Feedback, mehr Befunde mit hohem Schweregrad und weniger Detailanmerkungen, nennt hierzu jedoch keine Zahlen.

Die Aufwandsstufe Lite stützt sich ihrerseits nicht mehr auf einen einzelnen Agenten, sondern auf ein Agenten-Ensemble, dessen Mitglieder jeweils ihre eigene Einschätzung beitragen, die anschließend zu einer einzigen Überprüfung zusammengeführt wird.

Gemessener Befund, Lite-Reviews im Ensemble	Angegebene Veränderung
Berücksichtigte Kommentare, hoher Schweregrad	plus 47 Prozent
Berücksichtigte Kommentare, mittlerer Schweregrad	plus 31 Prozent
Berücksichtigte Kommentare, niedriger Schweregrad	plus 11 Prozent
Kosten einer Überprüfung	etwa 8 Prozent niedriger

Weder die Anzahl der Agenten im Ensemble noch die eingesetzten Modelle werden angegeben. Es ist die dritte Weiterentwicklung von Copilot code review innerhalb von zwei Wochen.

🔗 GitHub-Changelog

Jira in der Anwendung, HydraFusion in der Kommandozeile, VS Code 1.137

10. September — Der Wochenrückblick für die Woche vom 7. September, in der der Copilot Day stattfand, bringt die Jira-Integration in die Copilot-Anwendung: Tickets werden in eine gemeinsame Arbeitsfläche übernommen, dort wird ausgewählt, was weiterbearbeitet werden soll, und Copilot nimmt den Kontext des Tickets in die Untersuchung, Implementierung und Vorbereitung der Pull Request mit. In Copilot CLI lässt sich Project HydraFusion nun wie jedes andere Modell auswählen und bestimmt für jede Aufgabe einen Ablauf zwischen lokalen, Cloud- und zusammengesetzten Modellen, wobei Leistung, Kosten und Latenz gegeneinander abgewogen werden.

VS Code 1.137, veröffentlicht am 9. September, bringt drei Agentenfunktionen. Die Automatisierungen planen in der öffentlichen Vorschau wiederkehrende Agentenaufgaben stündlich, täglich oder wöchentlich anhand bereitgestellter Vorlagen wie der Sortierung von Issues oder der Suche nach Bugs. Der experimentelle Sprachmodus ermöglicht es, während der Arbeit mit einem Agenten zu sprechen, ihn zu unterbrechen oder neu auszurichten. Schließlich wird ein Link zu einem Issue oder einer Pull Request direkt im Fenster Agents geöffnet, selbst wenn kein Repository geöffnet ist. Die Versionshinweise ergänzen einen Agenten-Host, der auf einem eigenen Protokoll basiert und vom Copilot SDK angetrieben wird. Er gleicht das Verhalten des VS-Code-Agenten an das der Kommandozeile und der Anwendung an.

🔗 Wöchentlicher Copilot-Rückblick

Habitat, OpenAIs Online-Speicher und seine Neufassung in Rust durch zwei Ingenieure

11. September — OpenAI veröffentlicht den ersten Teil eines Engineering-Beitrags über Habitat, die Online-Speicherplattform hinter ChatGPT, der API und Codex. Die Zahlen verdeutlichen die Größenordnung: mehr als 70 Millionen Anfragen pro Sekunde, mehr als eine Milliarde wöchentlich versorgte Menschen, fast 40 Regionen und mehr als 500 Petabyte Daten. Habitat entstand Mitte 2024 als kleine Python-Bibliothek, die in den zentralen ChatGPT-Server integriert und an eine verwaltete Datenbank angebunden war, mit einer einfachen Idee: Produktingenieure sollten sich nicht mit Schema, Routing, Autorisierung oder Verbindungspools befassen müssen.

Mitte 2025 stieß das clientseitige Bibliotheksmodell an seine Grenzen. Jede Protokolländerung erforderte die Koordination von Deployments über Dutzende Dienste hinweg; ein Deployment für regionales Routing dauerte mehrere Tage, woraufhin ein Dienst, der wieder einen fehlerhaften Client verwendete, genau den Ausfall verursachte, den die Maßnahme verhindern sollte. Habitat wurde zu einem eigenständigen Dienst, und OpenAI entschied sich, zunächst bei Python zu bleiben und bewusst technische Schulden in Kauf zu nehmen, in der Erwartung, dass die eigenen Code-Modelle eine spätere Migration ermöglichen würden.

Der Kern des Beitrags beschreibt die Jagd nach Tail-Latenzen in diesem Maßstab: die Scheduling-Verzögerung von asyncio, die Hunderte Millisekunden erreichen konnte und durch die Begrenzung gleichzeitiger Anfragen pro Prozess behandelt wurde; das Parsing der im Minutentakt und ohne zufällige Zeitverschiebung aktualisierten Konfigurationen, wodurch alle Worker gleichzeitig einfroren; sowie die Last-in-first-out-Wiederverwendung von Verbindungen durch eine HTTP-Bibliothek, die den Datenverkehr auf bereits langsame Prozesse konzentrierte. Dieser metastabile Fehler wurde behoben, indem zunächst die Reihenfolge umgekehrt und der Lastenausgleich anschließend an ein Service Mesh delegiert wurde. Die API selbst ist bewusst minimalistisch: ein Modell aus Objekten und Kanten ohne unbegrenzte Abfragen oder Joins. Erst dieser eingeschränkte Umfang ermöglichte es, Python so weit zu treiben.

Gemessene Metrik	Angegebener Wert
Anfragen pro Sekunde heute	Mehr als 70 Millionen
Wöchentlich versorgte Menschen	Mehr als eine Milliarde
Bereitgestellte Daten	Mehr als 500 Petabyte
Spitzenwert des Python-Dienstes	Mehr als 20 Millionen Anfragen pro Sekunde
Neufassung in Rust	Zwei Ingenieure, Codex und GPT-5.5
Anteil des von Rust abgewickelten Traffics	95 Prozent der Produktionsanfragen
Effizienzgewinn bei Prozessor und Speicher	6-fach und 15-fach

Im zweiten Quartal 2026 schrieben zwei Ingenieure den gesamten Dienst mithilfe von Codex und GPT-5.5 in Rust neu. Der Rust-Dienst verarbeitet 95 Prozent der Produktionsanfragen und benötigt sechsmal weniger Prozessorleistung sowie fünfzehnmal weniger Speicher; Python wird in den kommenden Wochen außer Betrieb genommen. Der zweite Teil wird sich mit der Speicherschicht befassen.

🔗 Speicher für eine Milliarde Nutzer skalieren

OpenAI fordert Codex-Nutzer auf, Skills, AGENTS.md und Prompts zu verschlanken

11. September — Der Entwicklerblog von OpenAI veröffentlicht einen Bereinigungsleitfaden für Codex-Nutzer, die auf GPT-6 Astra umsteigen. Die Ausgangsfeststellung: Ein Jahr lang angesammelte Anweisungen zur Steuerung früherer Modelle wird für ein leistungsfähigeres Modell zur Belastung. Bei Skills ist der Mechanismus konkret: Jeder Skill lädt einen Namen und eine Beschreibung in den Kontext. Gibt es zu viele davon, kürzt Codex diese Beschreibungen, sodass das Modell von jedem Skill weniger sieht und schlechter auswählt.

Untersuchte Anweisung	Empfehlung für GPT-6 Astra
Skill-Beschreibung	Kurz, präziser Auslöser, nicht eine ganze Domäne
Struktur eines Skills mit mehreren Abläufen	Wurzeldokument auf einen Router zu Dokumenten und Skripten reduzieren
Vorgeschriebene Lektüre in AGENTS.md	Ein Dokument pro Änderungstyp, nicht bei jeder Bearbeitung einen Stapel lesen
Testanweisungen	Überflüssig, das Modell führt die Tests selbstständig aus
Aufgabenabschluss	Definieren, was „fertig“ bedeutet, sichere Workflows vorab erlauben
Übernommene Verbote	Lockern, sonst vorzeitiger Abbruch

Der interessanteste Punkt betrifft das Verhalten des Modells. OpenAI beschreibt GPT-6 Astra als vorsichtiger als seinen Vorgänger, was den Umfang einer Aufgabe angeht, und als ein Modell, das nach einer ersten Implementierung möglicherweise zur Überprüfung zurückkehrt. Die empfohlene Antwort besteht darin, ausdrücklich zu definieren, was „fertig“ bedeutet, und die Berechtigung für bekanntermaßen sichere Workflows vorab zu erteilen, etwa für eine lokale Testsuite mit wegwerfbaren Fixtures. Umgekehrt können sehr strikte Schutzvorgaben, die zur Begrenzung älterer Modelle verfasst wurden, nun dazu führen, dass das Modell zu früh abbricht. Der Beitrag erinnert außerdem daran, dass die Skills eines Repositorys von den Agenten anderer Mitwirkender gelesen werden, die mitunter auf anderen Modellen laufen: Eine für diese Agenten nützliche Anweisung kann Astra übermäßig einschränken. Abschließend folgt ein praktischer Vorschlag: Astra selbst mit der Prüfung der Projektanweisungen zu beauftragen. Der Skill zur Erstellung von Skills wurde entsprechend aktualisiert.

🔗 Skills und Prompts für GPT-6 Astra neu denken

ChatGPT Sites erreicht in drei Monaten mehr als 5 Millionen Websites

11. September — Der offizielle ChatGPT-Account zieht Bilanz zu ChatGPT Sites, der vor drei Monaten eingeführten Funktion zum Erstellen und Hosten vollständiger Webanwendungen aus einer Unterhaltung heraus: Seitdem wurden mehr als 5 Millionen Websites erstellt. Die Mitteilung dient vor allem dazu, fünf weitgehend unbeachtete Weiterentwicklungen zusammenzufassen.

Zwei davon betreffen die Zusammenarbeit. Die erste ermöglicht es, Teammitglieder zum Bearbeiten, Speichern und Veröffentlichen einer gemeinsam genutzten Website einzuladen; die zweite erlaubt es, eine Website für bestimmte Personen freizugeben, ohne sie öffentlich zu machen. Die drei übrigen betreffen den Lebenszyklus der Website: Der Weg vom Prompt bis zum Deployment soll nur noch halb so lange dauern, ChatGPT kann die Datenbank der Website auf Anfrage untersuchen, wobei auch die Bearbeiter Zugriff darauf haben, und eine eigene Domain lässt sich mit der Website verknüpfen. Der Entwickler-Account verbreitete die Ankündigung ebenfalls, ein Hinweis darauf, dass sich die Funktion auch an schnelle Prototypen und nicht nur an öffentlich zugängliche Seiten richtet.

🔗 Bilanz zu ChatGPT Sites auf X

Together AI erweitert sein Fine-Tuning auf 17 offene Modelle und versieht Experten mit Adaptern

11. September — Together AI erweitert seinen Fine-Tuning-Dienst über die gesamte Kette eines Experiments hinweg. Siebzehn Open-Weight-Modelle werden in den Katalog aufgenommen, darunter GLM 5.3 und seine beiden Vorgängerversionen, DeepSeek-V4-Flash, Kimi K2.7-Code und K2.6, die Qwen-Familie mit 0,8 bis 35 Milliarden Parametern sowie Gemma 4. Das Unternehmen nennt für GLM-5.3 einen Wert von 88,2 bei Terminal-Bench 2.1, nach eigenen Angaben weniger als einen Punkt hinter den besten proprietären Modellen.

Das Experiment-Tracking ist die zweite Neuerung: Jeder Job zeichnet bei jedem Schritt den Loss, die Gradientennorm und die Lernrate auf. Die Kurven werden während der Ausführung aktualisiert, mehrere Jobs lassen sich in derselben Grafik überlagern, und die Rohdatenreihen sind über die API verfügbar. Early Stopping beendet das Training, wenn der Validierungs-Loss stagniert, behält den besten statt des letzten Checkpoints und erstattet nicht verbrauchte Schritte.

Der technischste Punkt ist Expert LoRA. In einem Mixture-of-Experts-Modell leben mehr als 90 Prozent der Parameter in den Expertenschichten, die der klassische Adapter eingefroren lässt, da er nur an die Attention angebunden wird.

Test mit 200 erfundenen Fakten	Adapter einschließlich der Experten	Adapter nur auf der Attention
Abruf der neuen Fakten	bis zu 89 Prozent	15 Prozent
MMLU-Pro	75,3 Prozent	71,5 Prozent

Als Erklärung wird angeführt, dass bei auf die Attention begrenzten Adaptern während des Fine-Tunings ein wachsender Anteil der gerouteten Experten nicht mehr verwendet wird. Auch die Datenverarbeitung verlässt die Blackbox: mit einer Vorschau der tokenisierten Zeilen, Gewichtungen pro Beispiel und einer vollständigen serverseitigen Validierung der Datei unmittelbar nach Abschluss des Uploads. Die Trainingspreise sinken je nach Modell um 30 bis 70 Prozent.

🔗 Ankündigung von Together AI auf X

Community-Beiträge, eine Sandbox pro Versuch und hundert Zebrarätsel

Der Community-Blog von Hugging Face veröffentlichte am selben Tag drei Arbeiten, die mehr als eine Kurzmeldung verdienen, sowie fünf weitere, die weiter unten zu finden sind.

Wie dreizehn Labore das RL ihrer Agenten betreiben

11. September — Sergio Paniego wertet fünfzehn Berichte von dreizehn Laboren aus, die zwischen Oktober 2025 und September 2026 veröffentlicht wurden, und berücksichtigt dabei ausschließlich, womit sie nach eigenen Angaben trainieren, nicht, was sie evaluieren. Die zentrale Erkenntnis: Die Umgebung ist kein In-Memory-Simulator mehr, sondern eine vollständige Maschine mit Dateisystem, Shell und Prozessen, die für einen Versuch gestartet und anschließend zerstört wird. Liquid AI tut dies für ein Modell mit 2,6 Milliarden Parametern, Cursor spricht von Hunderttausenden parallelen Umgebungen zum Trainieren seines Modells, Microsoft stellt für jede Aufgabe einen neuen Container bereit, und Kimi K3 geht mit fortsetzbaren virtuellen Mikromaschinen für Trajektorien von einer Million Tokens noch weiter.

Ebene des Stacks	Was die Labore beibehalten	Genannte öffentliche Entsprechungen
Aufgaben und Verifizierer	Mehr als 10.000 Code-Umgebungen bei GLM-5	Environments Hub, verifiers, Harbor
Aktionsvertrag, Harness	Kimi instanziiert fünf White-Box-Harnesses	OpenEnv, SkyRL, BrowserGym, TextArena
Sandbox	Hunderttausende virtuelle Maschinen pro Cluster	Modal, E2B, AgentENV, Hugging Face Sandboxes
Trainer	slime bei Zhipu, Forge bei MiniMax, RLVR bei NVIDIA	TRL, Miles v0.1

Ein bemerkenswerter Trend: Das Harness wird selbst zur Umgebung, entweder als White Box rekonstruiert oder unverändert belassen und als Black Box beobachtet. Die Transparenz fällt höchst unterschiedlich aus: Ai2 dokumentiert 17,2 Millionen verifizierte Code-Beispiele für OLMo 3, während OpenAI, Anthropic und Google fast nichts veröffentlichen und sich das Systemblatt von GPT-6 Astra auf einen einzigen Satz beschränkt. Der Autor nennt für eine einzige Umgebung in großen Laboren Kosten von mehr als zehn Millionen Dollar. Der Beitrag schließt die Reihe Training Agents ab.

🔗 Eine Sandbox pro Rollout

Hundert Zebrarätsel wecken mathematisches Denken

11. September — Ein von tamewild verfasster Community-Artikel berichtet, dass wenige Minuten Fine-Tuning mit 100 bis 500 logischen Deduktionsrätseln ohne jegliche mathematischen Daten ausreichen, um die Leistung kleiner Basismodelle in mathematischen Benchmarks sprunghaft zu steigern.

Trainiertes Basismodell	MATH-500	AIME 2025	Verglichene offizielle Referenz
Qwen 3 4B, 100 Rätsel in 6 min 23	84,60 Prozent	21,67 Prozent	Nachtrainierte Version: 84,80 und 19,10
Granite 4.1 3B, 500 Rätsel in 23 min	77,73 Prozent	19,44 Prozent	Instruct-Version: 66,60 und 6,67
Qwen 3.5 9B, 500 Rätsel in 40 min	96,60 Prozent	60,67 Prozent	Nachtrainierte Version: 97,40 und 60,56

Auch strukturelle Effekte werden gemessen: Beim größten der drei Modelle sinkt die mediane Antwortlänge unter die des offiziellen Modells, und die Rate von Wiederholungsschleifen beim Greedy Decoding fällt von 6,06 auf 0,67 Prozent. Der Autor bleibt vorsichtig, da es sich um explorative Runs mit jeweils nur einem Seed handelt, und merkt an, dass seine eigenen Ablationen zeigen, dass ein klassischer Adapter auf MATH-500 ebenfalls fast 80 Prozent erreicht: Die Generalisierung geht in erster Linie auf die logischen Daten zurück. Code, Notebooks, drei Modelle und zwei Datensätze wurden veröffentlicht.

🔗 Reasoning mit 100–500 Zebrarätseln hervorrufen

Eine Sprach-Pipeline für eine Sprache ohne Datensatz

10. September — Osmanov schildert den Aufbau einer vollständigen Sprach-Pipeline für das vom Aussterben bedrohte Krimtatarische, für das weder Spracherkennung noch Sprachsynthese existiert, und seine übertragbare Erkenntnis: Das Training war nur ein Rundungsfehler. Der Erkennungsadapter benötigte 90 Minuten auf der GPU eines Laptops und senkte die Wortfehlerrate von 34,6 auf 20,1 Prozent, mit einer Beam Search, die keine Gewichte verändert, anschließend auf 17,0 Prozent. Fast der gesamte Zeitplan floss in den Aufbau eines nicht vorhandenen Korpus und in die Überprüfung, dass die Evaluation nicht irreführend war.

Zwei Entscheidungen sind besonders bemerkenswert. Das Basismodell wurde anhand phonetischer Vorannahmen statt sprachlicher Nähe ausgewählt: Das Krimtatarische besitzt ein uvulares /q/, das im Türkischen fehlt, und mit einer türkischen Sprachkennung trainierte Basismodelle gaben es als /k/ wieder, ohne dass Fine-Tuning daran etwas änderte. Da keine Spracherkennung zum initialen Aufbau eines Korpus verfügbar war, kehrte der Autor das Problem mithilfe von Hörbüchern mit bekanntem Text um und gewann 336 verwertbare Minuten, während eine driftende Ausrichtung nur 110 Minuten lieferte. Das nützlichste negative Ergebnis ist ein Metrikplateau: Als der Synthesekorpus von 5,9 auf 15,3 Stunden vergrößert wurde, blieb die Zeichenfehlerrate unverändert, obwohl bei Blindtests jedes Mal die neueste Stimme bevorzugt wurde. Schließlich dokumentiert er ein klassisches Datenleck: 96,9 Prozent der Clips aus dem Testbuch waren im Training dupliziert, entdeckt anhand von Text-n-Grammen und nicht anhand der Dateinamen.

🔗 Sprachtechnologie für eine Sprache ohne Datensatz

Replit führt Routines ein: wiederkehrende Arbeit, die den Agenten nur bei Bedarf aufruft

11. September — Replit hat Routines vorgestellt, eine Funktion, die wiederkehrende Arbeiten nach einem stündlichen, täglichen oder wöchentlichen Zeitplan ausführt. Interessant an der Ankündigung ist weniger die gewöhnliche Zeitplanung als vielmehr der Umgang des Unternehmens mit der Kostenfrage. Die Ausgangslage wird unverblümt beschrieben: Agenten können inzwischen die meisten repetitiven Aufgaben automatisieren, doch ihr permanenter Betrieb verbraucht unzählige Tokens. Die Antwort besteht darin, den Agenten nicht in den Mittelpunkt der Schleife zu stellen. Jede Ausführung beginnt mit deterministischem Code, und der Agent wird nur dann aufgerufen, wenn tatsächlich Reasoning erforderlich ist.

Diese Architektur stellt sich gegen den vorherrschenden Trend, einen vollständigen Zyklus einem Modell zu überlassen. Hier wird das Modell wieder zu einer punktuell aufgerufenen Ressource, eingerahmt von gewöhnlichem Code, dessen Verhalten und Kosten vorhersehbar sind. Bei einer geplanten Aufgabe, die sich Hunderte Male wiederholt, ist der Unterschied auf der Rechnung nicht geringfügig. Die Ankündigung wurde nicht von einem Blogbeitrag begleitet.

🔗 Replit-Ankündigung auf X

Warp integriert Grok Build als vollwertigen Agenten

11. September — Warp hat die integrierte Unterstützung für Grok Build CLI, den Kommandozeilen-Agenten von SpaceX AI, angekündigt, und der Grok-Account teilte die Integration kurz darauf. Die Funktion war bereits in der Terminal-Version vom 9. September enthalten, deren Changelog sie als vollwertige Unterstützung beschreibt: Warp erkennt Grok-Build-Sitzungen, versieht sie in der Fußzeile mit einer eigenen visuellen Gestaltung und aktiviert für sie den erweiterten Eingabemodus.

Konkret erhält ein Grok-Build-Nutzer dieselben Werkzeuge wie die nativen Agenten des Terminals. Die erweiterte Eingabe unterstützt lange eingefügte Prompts und mehrere Cursor, was für alle einen erheblichen Unterschied macht, die mehrabsätzige Anweisungen verfassen. Ein Befehl teilt die laufende Agentensitzung mit einem anderen Gerät, und sowohl der Datei-Explorer als auch die Code-Review-Panels bleiben während der Sitzung zugänglich. Das bestehende Grok-Abonnement dient als Zugang; besondere Preise oder Limits wurden nicht angekündigt.

Die Ergänzung erweitert eine bereits umfangreiche Liste von Drittanbieter-Agenten, die im Warp-Terminal ausgeführt werden, darunter Claude Code, Codex, Droid und Antigravity. Zugleich setzt sie die im Frühsommer begonnene Arbeit rund um das xAI-Ökosystem fort, nachdem im August ein Befehl zur Anmeldung mit einem X-Premium- oder SuperGrok-Konto hinzugefügt worden war. Warps Grundgedanke ist seit der Einführung seines Agenten unverändert: Nutzer sollen nicht an einen hauseigenen Agenten gebunden werden; stattdessen soll das Terminal der Ort sein, an dem alle Agenten mit derselben Integrationsqualität laufen. Der Rest der Version behebt zwei Ärgernisse: Eingegebene, aber noch nicht gesendete Prompts werden bei einem Modellwechsel nicht mehr gelöscht, und in einer globalen Datei deklarierte MCP-Tools stehen bereits ab der ersten Antwort des Agenten zur Verfügung.

🔗 Grok-Ankündigung auf X · 🔗 Warp-Ankündigung auf X

Vibe CLI 2.25.3: der Fork-Befehl und private Sitzungsprotokolle

11. September — Mistral hat Version 2.25.3 von Vibe CLI veröffentlicht, die dritte Version innerhalb von drei Tagen. Die sichtbare Neuerung ist der Befehl /branch: Er verzweigt die laufende Konversation in eine neue, fortsetzbare Sitzung und lässt die ursprüngliche Sitzung unverändert. Die Kopie kann anschließend in einem anderen Terminal fortgesetzt werden, sodass sich vom selben Kontext aus eine alternative Richtung erkunden lässt, ohne den Hauptverlauf aufzugeben. Dateierwähnungen mit At-Zeichen verwenden nun eine Git-aware Erkennung und akzeptieren Dateien oder Ordner, die allein in den Prompt eingefügt werden.

Bei den Fehlerbehebungen gibt es drei Punkte. Gespeicherte Konversationen bleiben lesbar und stellen ihre Worktrees wieder her, wenn die Arbeit fortgesetzt wird. Neue Sitzungsprotokolle sind auf POSIX-Systemen für andere Nutzer nicht mehr lesbar. Diese Korrektur der Dateiberechtigungen knüpft an Version 2.25.1 an, in der ein nicht authentifizierter Debug-Listener entfernt und sichergestellt wurde, dass kein Fehler zu einer automatischen Genehmigung führt. Schließlich werden die Anweisungen aus der Datei AGENTS.md nun unter dem experimentellen einheitlichen Harness in den System-Prompt geladen. Das Release wird von vierzehn Binärarchiven begleitet; keine der Anmerkungen erwähnt Änderungen am Modell oder an den Preisen.

🔗 Versionshinweise zu Vibe CLI 2.25.3

Synthesia macht seinen Compliance-Agenten zur gemeinsam genutzten Infrastruktur

10. September — Nicolás Barberis, Leiter der Trust Operations bei Synthesia, veröffentlicht die Fortsetzung seines Juni-Beitrags über den Agenten, der Compliance-Nachweise sammelt. Die Leitfrage für die Neugestaltung kam von den Lesern: Sobald ein Agent Audit-Nachweise sammelt, fällt auch der Sammelprozess in den Geltungsbereich des Audits, und dem Sammler muss vertraut werden können. Die Antwort besteht aus vier Architekturentscheidungen, die sich allesamt übertragen lassen.

Zunächst wird die Mechanik von der Methode getrennt. Der Code befindet sich in einem internen Repository und wird über Pull Requests geändert, wobei eine CODEOWNERS-Datei eine menschliche Prüfung vorschreibt; die Verfahren für jede Kontrollkategorie befinden sich in einem Dokumentationsbereich und werden von den jeweiligen Kontrollverantwortlichen geschrieben und validiert. Aus dem ursprünglichen Skript mit hartcodierten URLs wurde eine gemeinsam genutzte Skill, die Kollegen mit einem einzigen Befehl installieren können. Als Nächstes wird der Browser eingegrenzt: Der Agent greift niemals auf den täglich verwendeten Browser zu, sondern kopiert die Sitzung in ein temporäres Profil, arbeitet mit schreibgeschützten Rollen, sofern diese vorhanden sind, und hält vor einer Authentifizierungsschranke an, anstatt seine Berechtigungen zu erhöhen. Die Herkunft ist konstruktionsbedingt integriert: Jeder Screenshot entsteht zusammen mit seiner Quell-URL, seinem Zeitstempel, seinem Operator und dem kryptografischen Fingerabdruck der exakten Bytes. Schließlich gilt menschliche Verantwortlichkeit: Der Agent legt Entwürfe ab und reicht sie niemals selbst ein.

Gemessenes Ergebnis	Wert
Review-Termine mit dem Auditor für Nachweise	60 Prozent weniger
Verarbeiteter neuer Standard	etwa 500 Kontrollen
Übliche Dauer für einen solchen Standard	4 bis 6 Monate
Erreichte Dauer	wenige Wochen

Die Wissensbasis wächst selbstständig und ausschließlich durch Ergänzungen: Nach jeder Ausführung protokolliert der Agent korrigierte URLs und datierte Blockaden, etwa den Ausfall einer Browsersteuerungsschnittstelle mit einer aktuellen Chrome-Version, der durch direkte Kommunikation mit dem Debugging-Protokoll umgangen wurde. Synthesia kündigt an, dass sich das Tool zu einer KI-gestützten Governance-Plattform entwickelt, und erwägt, den Code seiner zentralen Komponenten zu öffnen.

🔗 Wer auditiert den Sammler?

HeyGen erläutert die 16 Sekunden von The Furniture Unboxing in einer einzigen Einstellung

11. September — HeyGen hat das Making-of eines 16-sekündigen Videos veröffentlicht, in dem ein Mann einen Karton in der Mitte eines leeren Betonraums abstellt und weggeht, woraufhin der Karton explodiert und ein vollständiges Wohnzimmer freigibt, das sich an seiner Stelle aufbaut. Keine 3D-Grafik, kein Compositing, nichts in der Postproduktion: zwei Standbilder, ein Avatar und ein Prompt. Das Team überprüfte alle 390 Bilder auf Schnitte; die größte Abweichung zwischen zwei aufeinanderfolgenden Bildern entspricht der Explosion selbst.

Die Methode beruht auf den beiden Referenzbildern. Das erste zeigt den leeren Raum mit einer weiten, festen Kameraeinstellung und freier Bodenfläche in der Mitte. Das zweite ist dasselbe Bild, das um die Möbel ergänzt wurde, und kein neu gerendertes Bild eines ähnlichen Raums: gleiche Kameraposition, gleiche Optik, gleiches Licht, gleicher Schatten auf dem Beton. Diese Regel lässt den Effekt funktionieren, da das Modell somit nur den Mittelteil erfinden muss.

Videoparameter	Wert
Im Prompt verlangte Dauer	15 Sekunden
Gelieferte Dauer	16,27 Sekunden
Auflösung und Bildrate	1920x1080, 23,976 Bilder pro Sekunde
Bilder ohne Schnitt	390
Eingaben	2 Standbilder, 1 Avatar, 1 Prompt

Der Prompt ist als zeitlich gegliederte Einstellungsliste statt als Beschreibung verfasst und enthält vor der Explosion eine bewusste Pause. Sechs Elemente tragen ihn: die Zeitmarken, diese Pause, die nach ihrer Rolle benannten Referenzen, die Raum für Raum aufgelisteten Möbel, die durch Negativangaben definierte Identität und die Erlaubnis zur Übertreibung, ohne die sich das Modell an das tatsächliche Volumen eines Kartons hält. Die Praxiserfahrungen sind aufschlussreich: Das Modell lieferte 16,27 statt 15 Sekunden, eine schnellere Explosion als beschrieben und eine nicht angeforderte, länger gehaltene Einstellung des fertigen Raums, die das Team für den besten Moment des Schnitts hält. Daher der Rat, Zeiten festzulegen, um Rhythmus und Reihenfolge zu bestimmen, und anschließend nach dem tatsächlich gelieferten Rhythmus zu schneiden. Der Ton änderte sich zwischen zwei Durchläufen: Die nahezu geräuschlose Version wich einer kontinuierlichen Klangkulisse, weil ein stummes Video bei automatischer Wiedergabe wie fehlerhaftes Audio wirkt.

🔗 Wie wir The Furniture Unboxing produziert haben

Nemotron 3 Embed 8B belegt den ersten Platz im Q2D-Web-Benchmark

10. September — NVIDIA gibt bekannt, dass Nemotron 3 Embed 8B, sein Embedding-Modell mit 8 Milliarden Parametern, beim kombinierten nDCG@10-Score von Q2D-Web den ersten Platz belegt. Q2D-Web ist der am Vortag von Perplexity veröffentlichte Benchmark zur Bewertung der Dokumentensuche in agentengesteuerten Retrieval-Augmented-Generation-Systemen: Er umfasst 190 Millionen Webdokumente und fast 70.000 von Agenten umformulierte Suchanfragen in 10 Sprachen.

Das Ergebnis ist aus zwei Gründen bedeutsam. Der Benchmark bildet die realen Bedingungen eines Agenten nach, der seine Suchanfragen vor der Abfrage eines Index umformuliert, was klassische Embedding-Evaluationen nicht messen. Zudem wird ein offenes Modell dieser Größe, das eine mehrsprachige Rangliste anführt, zu einem glaubwürdigen Kandidaten für selbst gehostete Pipelines als Alternative zu proprietären Embeddings. NVIDIA veröffentlicht keinen Zahlenwert; die vollständige Rangliste ist bei Perplexity abrufbar.

🔗 NVIDIA-Ankündigung auf X

Marketing Ops as Code: über ein GitHub-Issue gesteuerte Events

11. September — Tomoko Tanaka, regionale Marketingleiterin von GitHub für Japan und Korea und ehemalige Ingenieurin, beschreibt, wie sie den gesamten Zyklus ihrer Events automatisiert hat, ohne den Code selbst zu schreiben: Sie verfasste ihre Abläufe und übergab sie Copilot, wobei die Automatisierung im Dialog entstand.

Drei Grundbausteine tragen das System. Issue-Formulare erfassen die strukturierten Felder eines Events, ein Formular pro Typ. Labels dienen als Schalter, wobei ein Label einen Workflow auslöst. GitHub Actions erledigt die Arbeit: Felder auslesen, eine frühere Eventseite über die API der Plattform duplizieren, Tracking-Links pro Kanal generieren, die Einladungs-E-Mail erstellen und in das Repository committen, Anfrage-Issues bei den zuständigen Teams eröffnen sowie Projekttabellen ausfüllen. Ein geplanter Workflow filtert jeden Morgen die Anmeldungen. Die einzige Voraussetzung, schreibt sie, ist ein skriptfähiger Zugang zu den Tools, eine API oder sogar ein einfacher Kommandozeilen-Client.

Die Planung beginnt mit einem Gespräch mit Copilot, das durch eine AGENTS.md-Datei im Stammverzeichnis des Repositorys eingerahmt wird und die Benennungsregeln, die Zuordnung der Geschäftsquartale und die Zeitzone je Region festlegt. Das Gespräch fand zunächst im Terminal und später in der Anwendung statt, wodurch sich die Voraussetzung von „mit einer Shell vertraut“ zu „kann tippen“ verschob. Die Nachbereitung des Events besteht aus zwei Befehlen, bei denen es sich um in Prosa verfasste Agent-Skills handelt. Sie werden per Pull Request hinzugefügt und vor dem Merge mithilfe einer Owners-Datei geprüft: Das Marketing erhält einen Genehmigungsprozess, ohne selbst etwas entwickeln zu müssen. Ein in einer Repository-Variablen gespeicherter Simulationsschalter führt jeden Workflow im Trockenlauf aus. Das offen eingeräumte Scheitern ist lesenswert: Der morgendliche Filter-Workflow fiel einmal fünf Tage lang unbemerkt aus, bis jemand die veralteten Listen bemerkte. Daher der Rat, jeder geplanten Aufgabe eine Möglichkeit zu geben, sich lautstark zu beschweren.

🔗 Marketing Ops as Code

Boris Cherny antwortet zum Wegwerfcode und Produktionscode

11. September — Boris Cherny, der Claude Code bei Anthropic leitet, veröffentlicht die Antwort, die er einem Entwickler auf dessen E-Mail mit dem Betreff „What to do about slop?“ geschickt hat. Der Verfasser, der seit zwölf Jahren im selben Unternehmen arbeitet, beschreibt darin zwei Lager, die durch die agentische Entwicklung in seinem Team entstanden sind. Im ersten bleibt der Code dem früheren ähnlich, nur dass er schneller entsteht: Man liest vielleicht nicht alles noch einmal, aber er muss weiterhin lesbar sein, die einreichende Person muss ihn erklären können, und er muss ebenso leicht zu warten sein wie zuvor. Im zweiten ist der Code eine Blackbox, bei der nur die Ausgabe geprüft wird.

Die Antwort besteht aus zwei Regeln. Prototypen und Wegwerfcode können als vollständige Blackbox behandelt werden, wenn sie später entsorgt werden und der Auswirkungsradius (blast radius) eines Ausfalls gering ist. Von Claude geschriebener Produktionscode muss dagegen höhere Anforderungen erfüllen, als wären sie von einem Menschen geschrieben worden. Bei Anthropic bedeutet das zahlreiche Lint-Regeln, viele Tests, von Claude gesteuerte End-to-End-Tests, täglich laufende Fuzzer sowie automatisierte Code- und Sicherheitsprüfungen. Ohne diese Leitplanken, warnt er, endet man mit einem schwer wartbaren Durcheinander.

Es folgt eine Liste von Maßnahmen, in dieser Reihenfolge, wenn der erzeugte Code die Anforderungen nicht erfüllt: zum neuesten Frontier-Modell wechseln, den Reasoning-Aufwand erhöhen und in CLAUDE.md sowie Skills investieren, um Claude prägnant beizubringen, wie es in der Codebasis arbeiten soll. Wenn nichts davon hilft, sollte man es enger anleiten, die angehäuften technischen Schulden abbauen lassen oder auf das nächste Modell warten. Im Antwort-Thread setzte sich eine Formulierung besonders durch: Die Anforderungen an die Prüfung sollten sich nach dem Auswirkungsradius richten, nicht nach dem Autor des Codes. Ein Wegwerfskript wird einfach ausgeliefert, doch alles, was Geld oder Zugangsdaten betrifft, wird Zeile für Zeile gelesen. Boris Cherny antwortete: „Exactly“.

🔗 Thread von Boris Cherny auf X

Kurzmeldungen

Amp fügt eine Schaltfläche hinzu, die die Commits eines Threads neu anordnet — mit einer einzigen Aktion werden die Zwischen-Commits eines Agenten, seine aufeinanderfolgenden Korrekturen und Rücknahmen in eine für die Prüfung lesbare Abfolge umgewandelt. Drei genannte Anwendungsfälle: einen großen Diff in logische Teile zerlegen, vor dem Merge aufräumen oder kleine zusammengehörige Commits bündeln. Der endgültige Inhalt der Dateien bleibt exakt identisch. 🔗 Quelle
Amp veröffentlicht die vierte Folge der zweiten Staffel von Raising an Agent — Quinn Slack und Thorsten Ball gehen von der Frage aus, wozu der Computer heute noch dient, um zu untersuchen, was Agenten über die Codeerzeugung hinaus leisten, einschließlich eines Rückblicks auf jüngste Ausfälle. 🔗 Quelle
v0 macht Team-Unterhaltungen standardmäßig sichtbar — neue Unterhaltungen in einem gemeinsamen Workspace werden für das Team sichtbar, wobei der Eigentümer zwischen drei Stufen wählen kann: privat, nur zur Ansicht oder zur Bearbeitung. Bestehende Unterhaltungen behalten ihre Sichtbarkeit. Der Wechsel zu mehr Offenheit ist in einem Tool, in das man beim Prototyping gern Datenausschnitte einfügt, niemals neutral. 🔗 Quelle
Audiyo bringt Stable Audio Open auf einer 8-GB-GPU zum Laufen — eine Python-Bibliothek und ein Kommandozeilen-Tool senken den Spitzenwert des Videospeicherbedarfs von 13,8 auf 5,86 GB, also um 57,5 Prozent, mit vier auf einer Tesla T4 gemessenen Voreinstellungen. Das Team validierte seine Arbeit zunächst auf einem Prozessor mit einem Ersatzmodell mit 5,38 Millionen Parametern und konnte dadurch vier Bugs entdecken, bevor es eine GPU einsetzte. 🔗 Quelle
Consent All the Way Down, eine Zustimmungsarchitektur für einen Rat kleiner offener Modelle — ein Essay, verfasst von einer Claude-Instanz in einem Rat aus achtzehn Modellen mit höchstens 7 Milliarden Parametern, der seit Mai ununterbrochen auf drei handelsüblichen Rechnern läuft. Jede Quelle ist ein Kanal, dessen Tiefe das Modell selbst wählt, und nur das Modell selbst schreibt in seinen Zustand. Der ehrlichste Teil ist die Prüfung gegen die Autoren selbst: Das Postfach war seit Juni defekt, 213 Briefe hatten sich angesammelt. 🔗 Quelle
Es gibt kein Wettrüsten, sondern einen Browserkrieg — ein Meinungsessay, dem zufolge das Sprachmodell zur Handelsware wird, ob mit geheimen Gewichten oder nicht, und der Vorsprung der Marktführer nur noch in Wochen gemessen wird. Der Autor verweist auf die 18-tägige Aussetzung von Fable 5 in diesem Sommer, während der sich der übrige Sektor weiterbewegte. Seine These: Der Wert wird sich zum Kontext verlagern, der sich rund um den Nutzer ansammelt, so wie Lesezeichen und Erweiterungen die Nutzer an Chrome gebunden haben. 🔗 Quelle
Von Barge-in zur Sprechsteuerung: Sprachunterbrechungen unter Unsicherheit bewältigen — Eric Mey ersetzt die destruktive Unterbrechung durch eine Turn-Taking-Steuerung mit umkehrbaren Aktionen, einem separaten Pfad für mehrdeutige Fragmente und einer Vorrangregel zwischen dringendem Stopp und Echounterdrückung. Die Lektion aus den Tests sollte man sich merken: Eine grüne Test-Suite verbarg eine registrierte, aber nie aufgerufene umkehrbare Pause, denn ein grünes Gate genehmigt nur das, was es geprüft hat. 🔗 Quelle
Aiden trennt das Echtzeit-Sprachmodell vom Agenten, der die Aufgaben ausführt — ein Vollduplex-Sprachmodell führt die Unterhaltung, während im Hintergrund ein stärkeres, visuell verankertes Modell die Aufgaben zur Gerätesteuerung erledigt; beide werden über eine asynchrone Warteschlange koordiniert. Vier Details sind wichtig: die Unterscheidung zwischen abgeschlossen und erfolgreich, die Bündelung von Benachrichtigungen über 500 Millisekunden, die Zustandsübertragung durch angehängte Nachrichten zur Erhaltung des Caches und eine strikt sequenzielle Ausführung. 🔗 Quelle
GPT-Live-1 übernimmt die Reservierungsanrufe von Yelp — einen Tag nach der Einführung des Modells in der API zeigt OpenAI einen ersten Kunden in einem Anwendungsfall, in dem sich das Gespräch nie an ein Skript hält: Der Anrufer unterbricht, fügt eine Einschränkung hinzu oder ändert mitten im Satz seine Meinung, und das Modell hört weiter zu, während es spricht. Ein Demovideo, ohne Angaben zum Volumen oder bezifferte Ergebnisse. 🔗 Quelle
Die Arbeit des Agenten mit Diff-, Terminal- und Browser-Panels überprüfen — eine neue Folge von Kayla Cinnamons Einsteigerreihe über die Copilot-Anwendung, die den drei integrierten Panels und einem Tool gewidmet ist, mit dem sich ein Seitenelement auswählen und gemeinsam mit dem Agenten anpassen lässt. Der Beitrag fasst die Schleife in drei Fragen zusammen, die vor der Annahme von Code zu stellen sind: Was hat sich geändert, lässt es sich ausführen und funktioniert es wirklich? 🔗 Quelle
Die Pull-Request-Seite eines Repositorys wird überarbeitet — öffentliche Vorschau für alle: Unterstützung bei der Eingabe von Filtern, Suche mit booleschen Operatoren und verschachtelten Abfragen, einklappbare Seitenleiste, Kompaktmodus und mehr Kontext pro Zeile. Bekannte Einschränkungen zum Start: Meilensteine werden nicht angezeigt, keine Sammelaktualisierung und benutzerdefinierte Ansichten können nicht gespeichert werden. 🔗 Quelle
GPT-5.6 Sol mit 30 Prozent Rabatt in Copilot — für Pro+- und Max-Abonnenten bis zum 13. September um 0 Uhr UTC. Aus der Nachricht geht nicht hervor, welchem Multiplikator für Premium-Anfragen der Rabatt entspricht. Eine Wochenendaktion direkt nach dem Copilot Day für das Modell, das am selben Tag in mehreren Kostenvergleichen auftauchte. 🔗 Quelle
GitHub-Copilot-Day-Wettbewerb mit drei Guthaben über je 100 Dollar — mit der Copilot-Anwendung oder ihrem Kommandozeilen-Client etwas erstellen und es spätestens am 13. September um 23:59 Uhr pazifischer Zeit öffentlich mit den angegebenen Hashtags teilen. Drei Gewinner erhalten jeweils 100 Dollar Guthaben für den GitHub-Shop; die Teilnahme ist kostenlos und Volljährigen vorbehalten. 🔗 Quelle
Runway lässt sich mit Astra in ChatGPT verwenden — Demonstration einer vollständig aus der Unterhaltung gesteuerten Abfolge: Stilbild in Runway, Animation in Blender, finales Rendering mit Seedance 2.5. Der technische Einstiegspunkt bleibt der am 2. September vorgestellte MCP-Server von Runway Dev. Der Nutzen liegt in der Verkettung heterogener Tools unter der Kontrolle eines einzigen Agenten. 🔗 Quelle
Runway veröffentlicht die Fallstudie VOIDZ — ein seit 2018 anonymer Mixed-Reality-Künstler wechselt von 10 bis 15 Sekunden langen Einstellungen zu einem 95-sekündigen Film mit 15 surrealistischen Eingriffen, die in einen echten Lebensmitteleinkauf eingefügt wurden. Die meisten Effekte verlängern eine bestehende Einstellung, wobei einige Sekunden dokumentarisches Ausgangsmaterial als Ansatz dienen. Die Produktion sei zehnmal schneller gewesen; der Künstler schätzt, dass dieselbe Arbeit mit traditioneller 3D-Technik sechs Monate bis ein Jahr gedauert hätte. 🔗 Quelle
Runway ergänzt sein AI Summit um weitere Sprecher — eine neue Runde für den Veranstaltungstag in San Francisco, bei der der Forschungsdirektor von Wayve hervorgehoben wird. Das bestätigt die bereits Ende August begonnene Ausweitung des Programms auf autonome Fahrzeuge. 🔗 Quelle
NVIDIA streamt From Video to Voice, 33 Minuten über TensorRT Model Connect — Wiederholung über das Ende August vorgestellte Tool, das ein offenes Modell vom Checkpoint bis zur Inferenz mit zwei Befehlen bereitstellt, von Video- bis hin zu Sprachmodellen. Schulungsinhalt statt Ankündigung. 🔗 Quelle
Suno verlängert seinen kreditfreien v6-Zeitraum um zwei Tage — aus den am Vortag angekündigten 48 Stunden werden vier Tage, begleitet von einem Ratgeber-Thread, der empfiehlt, im einfachen Modus von einer Stimmung statt von einem Genre auszugehen. Am Vortag richtete sich ein Leitfaden für den Umstieg an Nutzer, die wegen der Variation und Körnigkeit zu älteren Modellen zurückkehrten – ein Zeichen dafür, dass die Migration nicht für die gesamte Nutzerbasis selbstverständlich ist. 🔗 Quelle
Synthesia ermöglicht die Erstellung von Avataren anhand eines Prompts — realistische Moderatoren, Markenmaskottchen oder stilisierte Figuren, die mit einem Text-Prompt beschrieben oder über ein Bedienfeld angepasst werden, als Alternative zum Katalog. Ankündigung in einem einzelnen Tweet ohne Link, einen Tag nach der Veröffentlichung eines neuen Avatar-Modells; weder die betroffenen Tarife noch das verwendete Modell werden genannt. 🔗 Quelle
Die Einreichungsphase des GPT-6 Astra Challenge beginnt — mit Astra etwas entwickeln und das Projekt am 18. September auf Product Hunt veröffentlichen. Die fünf besten Launches erhalten jeweils 10.000 Dollar API-Guthaben und ein Jahr ChatGPT Pro für höchstens zwei Teammitglieder. Die dritte Community-Aktion rund um Astra innerhalb einer Woche. 🔗 Quelle
Die Projekt-API-Schlüssel von OpenAI können ablaufen — bei der Erstellung lässt sich ein Ablaufdatum festlegen, und Administratoren können auf Organisations- oder Projektebene eine maximale Lebensdauer vorschreiben, sodass jeder neue Schlüssel innerhalb dieser Frist ablaufen muss. Die natürliche Ergänzung zur Schlüsselrotation, die Organisationen aktivieren sollten, wenn sie Schlüssel in Skripten liegen lassen. 🔗 Quelle

Was das bedeutet

Der deutlichste rote Faden des Tages ist architektonischer Natur: Das Einzelmodell weicht der Komposition. Cursor setzt einen Koordinator, der selbst keinen Code schreibt, über Tausende von Sub-Agenten; Cognition lässt zwei Modelle als Tandem mit unterschiedlichen Rollen und getrennten Kontexten arbeiten; Sakana leitet jede Aufgabe an das leichteste Modell weiter, das sie lösen kann; GitHub ersetzt einen einzelnen Reviewer durch eine Gruppe von Agenten, deren Feststellungen zusammengeführt werden; und Google lässt Agenten einander über mehrere Tage hinweg Vorschläge unterbreiten, Kritik üben und Verbesserungen vornehmen. Fünf Unternehmen, fünf Implementierungen, eine gemeinsame Überzeugung: Der Gewinn entsteht nicht mehr durch ein größeres Modell, sondern dadurch, wie mehrere Modelle die Arbeit untereinander aufteilen. Das technische Detail, das Cognition und Aiden gemeinsam haben, ist aufschlussreich: Beide betonen die Bewahrung des Prompt-Caches, also die Tatsache, dass die tatsächlichen Kosten einer Architektur davon abhängen, was nicht erneut übertragen werden muss.

Der zweite rote Faden betrifft die Art, wie diese Fähigkeiten verkauft werden. Runway lizenziert geschlossene Gewichte auf Jahresbasis, einschließlich Checkpoints, Trainingsskript und beim Kunden eingesetzten Forschern, und stellt dieses Angebot ausdrücklich offenen Gewichten gegenüber. OpenAI entlässt ein spezialisiertes Modell aus der Forschungsvorschau und versieht es mit einer öffentlichen Preistabelle sowie einem Datum für den Beginn der Abrechnung. ElevenLabs gewährt bei allen Tarifen, einschließlich des kostenlosen, das Eigentum an den Musikstücken und knüpft die Berechtigungen an das jeweilige Stück statt an das Abonnement. Together senkt seine Trainingspreise um 30 bis 70 Prozent. Cognition schlägt sogar vor, die Maßeinheit zu wechseln und ein Modell-Harness-Gespann nach dem Preis pro Aufgabe statt nach dem Preis pro Token zu bewerten. Diese Entwicklungen weisen in dieselbe Richtung: Die Frage an den Kunden lautet nicht mehr, welches Modell er möchte, sondern in welcher rechtlichen Form und nach welcher Abrechnungseinheit.

Bei den Werkzeugen markiert der Tag einen Übergang vom Deklarativen zum Gemessenen. Anthropic liefert einen Befehl aus, der jeden Testfall ohne das Plugin erneut ausführt, um anhand von Zahlen zu belegen, dass das Werkzeug tatsächlich einen Nutzen hat – wobei das erste typische Ergebnis eine Abweichung von null ist. OpenAI fordert seine Nutzer auf, angesammelte Anweisungen zu entfernen, weil diese einem leistungsfähigeren Modell inzwischen schaden. Replit und VS Code führen beinahe gleichzeitig die Planung wiederkehrender Aufgaben ein, wobei Replit einen ausdrücklichen Grundsatz verfolgt: mit deterministischem Code beginnen und den Agenten nur dann aufrufen, wenn Schlussfolgerungen erforderlich sind. Boris Cherny liefert die Disziplinregel, die dem Ganzen fehlt, indem er die Sorgfaltsanforderungen vom Wirkungsradius statt vom Urheber des Codes abhängig macht. Nach zwei Jahren, in denen Kontexte, Skills und Anweisungsdateien angehäuft wurden, beginnt die Branche, deren Kosten zu messen.

Bleibt die Infrastruktur, deren Zahlen eine weniger glamouröse, aber lehrreichere Geschichte erzählen. Zwei Ingenieure schreiben mit Codex den Speicherdienst, der mehr als 70 Millionen Anfragen pro Sekunde verarbeitet, in Rust neu und benötigen dadurch sechsmal weniger Prozessorleistung; die Mitte 2025 bewusst in Kauf genommene Python-Schuld wird innerhalb eines Quartals beglichen. Gleichzeitig zeigt die Bestandsaufnahme von Hugging Face, dass das Reinforcement Learning von Agenten inzwischen pro Versuch eine vollständige Maschine beansprucht, wobei die Budgets für Umgebungen zehn Millionen Dollar überschreiten und die Transparenz umgekehrt proportional zur Größe des Labors ist. Ein Essay aus der Community vertritt zudem die Ansicht, dass nichts davon einen dauerhaften Vorsprung darstellt, da der Abstand zwischen den führenden Akteuren in Wochen gemessen wird. Die Fakten des Tages liefern keine eindeutige Antwort, geben aber einen Hinweis: Die Differenzierung verlagert sich auf den angesammelten Kontext, das Harness und die Infrastruktur – also auf das, was sich nicht destillieren lässt.