Moonshot veröffentlicht die Gewichte von Kimi K3.1 Pro, Cognition bringt SWE-2 Flash heraus, RoboColosseum bewertet Roboter unter realen Bedingungen

Moonshot AI hält sein Versprechen und veröffentlicht auf Hugging Face die Gewichte von Kimi K3.1 Pro, einem MoE mit 2,8T Parametern, unter einer MIT-ähnlichen Lizenz mit Bedingungen für die größten Wiederverkäufer. Cognition bringt SWE-2 Flash heraus, ein auf Inkling-Small aufgebautes Code-Modell, das fünfmal günstiger als SWE-2 ist, und RoboColosseum lässt Roboter-Policies auf mehr als 100 realen Robotern bewerten. OpenAI wird Pierre übernehmen, dessen Werkzeuge bereits in Codex zum Einsatz kommen, während VS Code 1.145 Copilot, Claude und Codex in einer einzigen Sitzung zusammenführt und GitHub Copilot in den Code-Assistenten von Xcode einzieht.

Moonshot AI veröffentlicht wie versprochen die Gewichte von Kimi K3.1 Pro, einem MoE mit 2,8T Parametern, auf Hugging Face

4. November — Bei der Einführung von Kimi K3.1 Pro am 23. Oktober hatte Moonshot AI die vollständigen Gewichte bis spätestens 4. November versprochen: Nun sind sie da. Das Repository moonshotai/Kimi-K3.1-Pro, das am 2. November erstellt und am 4. November um 16:00 Uhr UTC von @Kimi_Moonshot angekündigt wurde, ist ohne Formular frei zugänglich: 96 safetensors-Dateien, insgesamt etwa 1,56 To.

Die Modellbeschreibung erläutert im Detail, was die Ankündigung zur Einführung zusammenfasste. Kimi K3.1 Pro, das Moonshot AI als sein leistungsfähigstes Modell „der 3T-Klasse“ bezeichnet, ist nativ multimodal (Text und Bild) und wurde auf Basis von Kimi K3 nachtrainiert. Als Architekturänderung gegenüber Kimi K3 wird hervorgehoben: Seine Gated-MLA-Schichten mit vollständiger Attention weichen 24 Schichten Gated DeepSeek Sparse Attention (Gated DSA), die bei langen Kontexten effizienter sind. Die Gewichte werden in MXFP4 mit Aktivierungen in MXFP8 bereitgestellt; dieses Format wird bereits beim Training berücksichtigt (quantization-aware training).

Technische Eigenschaft	Wert laut Modellbeschreibung
Gesamte und aktive Parameter	2,8T, davon 104B aktiv
Netzwerkschichten	93, davon 69 KDA und 24 Gated DSA
MoE-Experten	896, davon 16 pro Token und 2 gemeinsam genutzt
Kontextfenster	1 048 576 Tokens
Format der Gewichte	MXFP4, Aktivierungen in MXFP8
Visueller Encoder	MoonViT-V2, 401M Parameter
Veröffentlichte Dateien	96 safetensors, etwa 1,56 To

Moonshot AI empfiehlt vLLM, SGLang und TokenSpeed für die Bereitstellung des Modells, das auch über die API von platform.kimi.ai erreichbar ist (Kennung kimi-k3.1-pro). Together AI, auf der Seite als Inferenzanbieter aufgeführt, stellt es bereits bereit und bietet dessen Nachtraining an (siehe Kurzmeldungen). Die Modellbeschreibung betont einen Integrationspunkt: In Unterhaltungen mit mehreren Gesprächsrunden oder mit Tool-Aufrufen muss die vollständige Nachricht des Assistenten einschließlich Reasoning unverändert an das Modell zurückgegeben werden. Die bei der Einführung vorgestellten Ergebnisse werden erneut aufgeführt: 65,7 auf Terminal-Bench 4.0, knapp hinter Claude Opus 5.5 (66,4), und 51,7 auf SWE Marathon v1.1, der beste Wert in der Tabelle, wobei Kimi K3.1 Pro mit Claude Code als Harness evaluiert wurde.

Die „Kimi K3.1-Pro License“ genannte Lizenz übernimmt das Grundgerüst einer MIT-Lizenz (Nutzung, Änderung, Weiterverbreitung und Verkauf sind erlaubt) mit zwei Bedingungen. Ein Unternehmen, das ein Geschäft mit Modellen als Dienstleistung (Model as a Service) betreibt, indem es Dritten Zugang zu Inferenz oder Fine-Tuning gewährt, und dessen kumulierter Umsatz innerhalb von zwölf aufeinanderfolgenden Monaten 20 Millionen Dollar übersteigt, muss vor jeder kommerziellen Nutzung eine separate Vereinbarung mit Moonshot AI unterzeichnen. Ein kommerzielles Produkt mit mehr als 100 Millionen monatlich aktiven Nutzern oder mehr als 20 Millionen Dollar Monatsumsatz muss „Kimi K3.1-Pro“ gut sichtbar anzeigen. Weder die interne Nutzung noch die Nutzung über die offiziellen Produkte von Moonshot AI oder dessen zertifizierte Inferenzpartner sind davon betroffen.

🔗 Kimi K3.1 Pro auf Hugging Face · Die Ankündigung von Moonshot AI auf X

Cognition bringt SWE-2 Flash heraus, ein auf Inkling-Small aufgebautes Code-Modell, das fünfmal günstiger als SWE-2 ist

4. November — Cognition bringt SWE-2 Flash heraus, ein schnelles und effizientes Code-Modell, das ab sofort in Devin Desktop und der Devin-CLI verfügbar und bis zum 30. November kostenlos ist (für Abonnenten von Pro, Max und Teams, wie der Ankündigungsthread präzisiert). Die Grundlage ändert sich: Während das am 10. September erschienene SWE-2 auf Kimi K3 nachtrainiert wurde, baut SWE-2 Flash auf Inkling-Small auf, dem Modell mit offenen Gewichten von Thinking Machines (276B Parameter, davon 12B aktiv). Cognition bezeichnet es als vollständig US-amerikanisches Code-Modell (fully American coding model). Laut Anbieter kostet es fünfmal weniger als SWE-2 und ist dreimal so schnell, ohne dass ein absoluter Preis veröffentlicht wurde; die Geschwindigkeitsdemonstration (200 gegenüber 60 Tokens pro Sekunde) ist eine simulierte Wiedergabe einer Aufgabe.

Introducing SWE-2 Flash, our new fast & efficient coding model. On leading evals, it outperforms all American open-weight models, even ones 3x larger. To balance transparency and cyber risks, we are building a program to securely share the weights with partners & researchers.

🇩🇪 Hier ist SWE-2 Flash, unser neues schnelles und effizientes Code-Modell. In den wichtigsten Evaluationen übertrifft es alle US-Modelle mit offenen Gewichten, selbst dreimal so große. Um Transparenz und Cyberrisiken in Einklang zu bringen, richten wir ein Programm zum sicheren Teilen der Gewichte mit Partnern und Forschern ein. — @cognition auf X

Die Neuerung liegt zunächst im Trainingsverfahren. Erstmals fügt Cognition vor dem Reinforcement Learning eine Zwischentrainingsphase (mid-training) ein: einige Billionen Tokens aus wissenschaftlichen Artikeln, Blogs und Code, in drei Stufen, bei denen die seltensten und sorgfältigsten Daten bis zum Schluss aufgespart werden. Anschließend folgt RL in großem Maßstab, dessen Fortschritte vor allem auf vielfältigere und gründlicher überprüfte Aufgaben zurückgehen. Die angekündigten Ergebnisse gegenüber dem Basismodell: Terminal-Bench 4.0 steigt von 0,9 % auf 20,0 %, der hauseigene Benchmark FrontierCode 2.0 von 3,2 % auf 24,0 % und ExploitBench von 11,3 % auf 34,8 %.

Benchmark (%)	SWE-2 Flash	Inkling-Small (Basis)	Muse Spark Open	GLM 5.3 Flash	SWE-2
Größe (gesamt-aktiv)	276B-A12B	276B-A12B	816B-A42B	320B-A18B	2,8T-A104B
FrontierCode 2.0	24,0	3,2	6,2	14,2	23,8
Terminal-Bench 4.0	20,0	0,9	8,0	41,8	27,3
DeepSWE 1.1	60,1	17,4	60,0	63,4	73,0
SWE-Atlas QA	50,0	27,4	54,0	56,5	56,3
ExploitBench	34,8	11,3	—	36,0	36,1

Die Tabelle im Beitrag relativiert die zentrale Aussage. Das dreimal größere Muse Spark Open von Meta behält bei SWE-Atlas QA die Oberhand (54,0 gegenüber 50,0) und liegt bei DeepSWE 1.1 gleichauf. Gegenüber den offenen chinesischen Modellen fällt die Bilanz gemischt aus: SWE-2 Flash liegt bei FrontierCode 2.0 vor GLM 5.3 Flash und DeepSeek V4.1 Flash, bleibt bei Terminal-Bench 4.0 jedoch weit hinter ihnen zurück (20,0 gegenüber 41,8 und 42,3). Bei FrontierCode 2.0 schlägt es SWE-2 hauchdünn, erreicht dessen Werte aber in keiner anderen Zeile.

Die Gewichte werden vorerst nicht veröffentlicht. Cognition hat beim Training gezielt an Cybersicherheit gearbeitet und erinnert daran, dass diese Fähigkeiten auch Angreifern dienen, wie nach eigener Aussage eine jüngste Welle von Cyberangriffen gezeigt habe. Das Unternehmen bereitet ein Programm zum sicheren Teilen der Gewichte mit Industriepartnern und vertrauenswürdigen Forschungslaboren vor, die das Modell feinabstimmen und in sensiblen Umgebungen betreiben könnten; Details sollen in einigen Wochen folgen.

🔗 Vorstellung von SWE-2 Flash (Cognition)

Code-Agenten: Claude Code 2.1.318, VS Code 1.145, Copilot in Xcode, Vibe CLI 3.1.0 und Antigravity 2.29.0

Claude Code 2.1.318 kündigt ablaufende Verbindungen an, und Haiku 5.5 schreibt die Statuszeile der Subagenten

4. November — Claude Code 2.1.318 umfasst 84 Einträge, darunter 47 Fehlerbehebungen. Die Version erschien am 3. November um 21:55 Uhr UTC auf npm, ihre Versionshinweise wurden kurz nach Mitternacht UTC auf GitHub veröffentlicht; der stabile npm-Kanal bleibt bei 2.1.311. Die nützlichste Neuerung betrifft gespeicherte claude.ai-Verbindungen, die ablaufen: Ihr Ablaufdatum erscheint jetzt in claude auth status (loginExpiresAt) und in den JSON-Ergebnissen von claude -p (credential_expires_at), und claude -p warnt zehn Tage vor Ablauf über stderr. Eine automatisierte Aufgabe bemerkt den Ablauf damit nicht erst, wenn sie fehlschlägt.

Betroffener Bereich	Neuerung in 2.1.318
Cloud-Sitzungen	Option No repository: eine Sitzung in einer von Anthropic gehosteten Umgebung, ohne ein Repository auszuwählen
Subagenten im Hintergrund	Ein Shell-Befehl wird nach 3 Minuten in den Hintergrund verschoben, damit der Prompt-Cache nicht abläuft
Administration	`deniedMcpServers` blockiert auch von Anthropic bereitgestellte Server, deren Upstream-URL übereinstimmt, `assume_role` auf den Upstreams `mantle`
IDE-Erweiterung	Wird beim Start im Terminal einer IDE nicht mehr installiert: dafür `/ide` verwenden
Selbst gehosteter Runner	Neues Format der Orchestrator-Logs; Skripte, die nach `retryable=true:` suchen, müssen überprüft werden

Am selben Tag kündigt @ClaudeDevs eine Änderung an, die in keinem der Versionshinweise von 2.1.316 bis 2.1.318 beschrieben wird. Für die alle 30 Sekunden aktualisierte Statuszeile eines Subagenten im Hintergrund wurde bisher dessen gesamte Unterhaltung erneut gelesen; jetzt schreibt Haiku 5.5 sie auf Grundlage kurzer Notizen, während der Subagent sein eigenes Modell behält. Laut Anthropic kostet jede Aktualisierung etwa 99 % weniger, und Sitzungen mit Subagenten im Hintergrund haben etwa 5 % weniger ihres Limits verbraucht, was etwa 6 % mehr Prompts entspricht. Die Änderung gilt für die meisten Abonnenten von Pro, Max und Ultra sowie für alle von Team und Enterprise, ab Claude Code 2.1.316; Lydia Hallie aus dem Claude-Code-Team präzisiert, dass sie nur die CLI betrifft.

🔗 Versionshinweise zu Claude Code 2.1.318 · Der Thread von @ClaudeDevs zu Haiku 5.5

VS Code 1.145 kombiniert die Harnesses von Copilot, Claude und Codex in einer einzigen Sitzung

4. November — VS Code 1.145 setzt seinen Wandel hin zu Agenten fort. Die wichtigste Neuerung, als Vorschau: Eine einzige Sitzung kann verschachtelte Unterhaltungen zusammenführen, die mit unterschiedlichen Harnesses laufen, etwa Claude, das den von einer Copilot-Unterhaltung erstellten Plan überprüft, oder Codex, dem man parallel dieselbe Aufgabe gibt. Jede Unterhaltung behält ihr Modell, ihren Agenten und ihre Berechtigungsstufen. Die Idee führt Compare Models weiter, das mit VS Code 1.143 als Vorschau eingeführt wurde.

Lokale Automatisierungen unterstützen jetzt die Zeitplanung per Cron-Ausdruck und können einen benutzerdefinierten Agenten aus dem Workspace nutzen; Cloud-Automatisierungen steht dies nicht zur Verfügung. Bei Remote-Agenten läuft der integrierte Browser des Agents-Fensters über den Remote-Host, wodurch sich die vom Agenten auf diesem Rechner gestartete Anwendung in der Vorschau anzeigen lässt (Vorschau). Der Copilot-Harness bleibt die Standardauswahl für neue Sitzungen, begleitet von einem Leitfaden für den Umstieg vom Local-Harness, der drei Tools (#installExtension, #runCommand und #newWorkspace) sowie den Befehl /new verliert: Benutzerdefinierte Agenten und Prompt-Dateien, die darauf verweisen, müssen angepasst werden. In Unternehmen hat die von der Organisation verwaltete Liste zugelassener MCP-Server jetzt Vorrang vor der Beschränkung auf die Registry.

🔗 Versionshinweise zu VS Code 1.145

GitHub Copilot kommt als öffentliche Vorschau in den integrierten Code-Assistenten von Xcode

4. November — GitHub Copilot funktioniert jetzt im integrierten Code-Assistenten von Xcode, als öffentliche Vorschau ab Xcode 27.3 Beta auf einem Mac mit macOS Tahoe 26.6 oder neuer. Die Integration wird in den Xcode-Einstellungen unter Intelligence eingerichtet und funktioniert mit allen Copilot-Tarifen. Damit steht Apple-Entwicklern ein zweiter Zugangsweg offen: Die separat vertriebene Erweiterung GitHub Copilot for Xcode bleibt verfügbar. GitHub nennt weder die angebotenen Modelle noch die über Apples Assistenten verfügbaren Funktionen und sammelt Rückmeldungen im Repository der Erweiterung oder über Apples Meldetool (Feedback Assistant).

🔗 GitHub Copilot im Code-Assistenten von Xcode

Vibe CLI 3.1.0 ergänzt /context, eine Anzeige der monatlichen Nutzung und das Lesen von Bildern

4. November — Mistral veröffentlicht Vibe CLI 3.1.0, die erste Minor-Version seit 3.0.0 vom 19. Oktober, ohne Ankündigung auf X: 67 Einträge (11 Ergänzungen, 25 Änderungen, 29 Fehlerbehebungen und 2 Entfernungen). Der Befehl /context zeigt, was das Kontextfenster füllt (System-Prompt, Tool-Definitionen, Skills, Unterhaltung, freier Platz und Reserve für die automatische Komprimierung), mit einer Token-Schätzung pro Kategorie. Die Fußzeile zeigt den verbrauchten Anteil der monatlichen Vibe-Code-Nutzung an, zunächst gelb, dann rot, oder den Hinweis PAYG, sobald die nutzungsabhängige Abrechnung übernimmt. Das Tool read_file öffnet auch Bilder mit einem Modell, das sie lesen kann, Ctrl+R durchsucht den Prompt-Verlauf (die Sprachaufnahme wechselt zu Ctrl+T), und ein MCP-Connector von Mistral kommt als experimentelle Funktion hinzu.

Mehrere Fehlerbehebungen betreffen Mistral Large 4: Eine ohne Reasoning-Stufe gestartete Gesprächsrunde schlägt nicht mehr mit Fehler 400 fehl, die Auswahl bietet Low, High und Max an, und der Modus smart approve verlangt bei Modellen, die ihr Reasoning nicht abschalten können, wie GLM 5.3, nicht mehr bei jedem Tool-Aufruf eine Genehmigung. Die Einstellung smart_approve_default entfällt zugunsten von default_agent = "smart-approve".

🔗 Versionshinweise zu Vibe CLI 3.1.0

Antigravity 2.29.0 beginnt mit der Einführung eines Sprachmodus mit Gemini Live und von Remote-Agenten in der Cloud

3. November — Mit Version 2.29.0 der Antigravity-App (22 Verbesserungen, 13 Fehlerbehebungen) werden schrittweise zwei Funktionen eingeführt. Der von Gemini Live unterstützte Sprachmodus ermöglicht es, mit Antigravity zu sprechen und dem Agenten per Sprache Aufträge zu erteilen. Remote-Agenten (remote agents) werden für Abonnenten von Google AI Ultra und Pro verfügbar: Die Unterhaltungen eines Cloud-Projekts laufen in der Cloud statt auf dem Computer und bleiben über antigravity.google.com/remote zugänglich. Antigravity ließ sich bereits seit August mit Remote Control fernsteuern, doch die Sitzung lief dabei auf dem Rechner des Nutzers; diesmal verlässt die Ausführung selbst den Rechner.

Die Version ergänzt außerdem einen nativen Viewer für Jupyter-Notebooks, eine überarbeitete Automatisierungsseite (geplant, dauerhaft aktiv, pausiert) sowie Downloads und einen Browserverlauf im integrierten Browser. Bei den Fehlerbehebungen nehmen die für Unteragenten erstellten Git-Worktrees nun lokale, noch nicht committete Änderungen mit.

🔗 Das Changelog von Antigravity

RoboColosseum bewertet Robotik-Policies auf einer Flotte von mehr als 100 realen Robotern

4. November — RoboColosseum öffnet seine Türen: eine offene Evaluierungsinitiative, die Robotik-Policies außerhalb von Laboren und Simulatoren auf einer unter realen Bedingungen eingesetzten Roboterflotte (in-the-wild) bewertet, etwa auf humanoiden Unitree G1 in Wohnungen oder YAM-Armen in Restaurants. Laut der Website wurde sie vom NUS MAGIC Lab, BitRobot, EAIC Singapore und Hugging Face gegründet, das sich als Gründungspartner bezeichnet. Der Ankündigungsthread nennt mehr als 100 Roboter, über 140 Szenen und 10 000 kostenlose Evaluierungsstunden, die auf Bewerbung vergeben werden.

Robotics has an evaluation problem. Most benchmarking efforts have measured progress in sim or labs.

🇩🇪 Die Robotik hat ein Evaluierungsproblem. Die meisten Messverfahren orientierten sich bisher an den Fortschritten in der Simulation oder im Labor. — @RoboColosseum auf X

Es gibt zwei parallele Verfahren. Im Open Track treten zwei anonyme Modelle gegeneinander an, die in derselben Szene dieselbe neue Anweisung erhalten: Ein menschlicher Bewerter wählt die bessere Ausführung oder erklärt das Ergebnis für unentschieden. Im Fine-tune Track wird jedes Modell anhand derselben 100 Demonstrationen auf dieselbe Aufgabe abgestimmt und erhält anschließend 25 Versuche. In der ersten Kampagne treten fünf Vision-Language-Action-Policies (VLA) gegen drei Frontier-Modelle an.

Bewertete Policy (Franka, Open Track)	Modellanbieter	DCR-Wertung (±1 Standardabweichung)	Blindvergleiche
GPT-6 Astra	OpenAI	1 925 ±38	194
MolmoAct2	Ai2	1 869 ±24	1 859
G0.5	Galaxea	1 744 ±27	1 626
Claude Opus 5.5	Anthropic	1 636 ±47	206
GR00T N1.7	NVIDIA	1 350 ±36	1 797
π0.5	Physical Intelligence	1 285 ±43	1 845
LingBot-VLA v2	Robbyant	1 233 ±56	1 603
Grok 4.7	SpaceXSI	1 160 ±128	193

Beim Franka-Arm liegt GPT-6 Astra in der Online-Rangliste des Open Track (Daten vom 4. November, stündlich aktualisiert, 4 662 blind bewertete Vergleiche) vor MolmoAct2 von Ai2 an der Spitze. Der Abstand liegt jedoch innerhalb der Fehlerbalken, und für die Frontier-Modelle gibt es jeweils nur rund 200 Vergleiche, gegenüber mehr als 1 600 für jedes VLA-Modell. Ai2 betont, dass MolmoAct 2 ohne zusätzliches Training für diese Aufgaben den zweiten Platz belegt.

Der begleitende Artikel zum Start, der am 2. November auf arXiv veröffentlicht wurde, relativiert dieses Bild anhand von 5 699 Vergleichen an 124 Standorten: Frontier-Agenten können mit spezialisierten VLA-Modellen mithalten, doch kein System erledigt Aufgaben in offenen Umgebungen zuverlässig. Nach dem Fine-Tuning führt GR00T N1.7 auf SO-101 und π0.5 auf Franka sowie auf der zweiarmigen YAM-Station. Die Ranglisten des Open Track sagen die Ergebnisse nach dem Fine-Tuning nur schlecht voraus. Auf dem humanoiden G1 schließt keine Policy auch nur eine der fünf Aufgaben ab; der durchschnittliche Fortschritt liegt zwischen 13,3 % und 23,2 %. Alle Ausführungen, einschließlich der Fehlschläge, werden auf Hugging Face im LeRobot-Format veröffentlicht.

🔗 Der Ankündigungsthread von RoboColosseum · Die RoboColosseum-Rangliste · Der arXiv-Artikel 2611.02497

OpenAI wird Pierre Computer Company übernehmen, deren Tools Trees und Diffs bereits in Codex zum Einsatz kommen

4. November — OpenAI kündigt an, Pierre Computer Company zu übernehmen, ein kleines Unternehmen für Entwicklertools. Sein kommerzielles Produkt Code Storage ist eine API, mit der Anwendungen Code speichern und dessen Versionsverlauf mit Git verfolgen können; seine Open-Source-Bibliotheken Trees zum Navigieren durch die Dateien eines Projekts und Diffs zum Anzeigen von Änderungen sind bereits in die Codex-App integriert.

Today we’re announcing that OpenAI will acquire @pierrecomputer to accelerate our vision for making Codex a place where teams can build software together with AI, from first idea to the version they ship. Pierre’s open-source developer tools already power parts of Codex today. Together, we’ll build on that foundation for the agentic era.

🇩🇪 Wir geben heute bekannt, dass OpenAI @pierrecomputer übernehmen wird, um unser Vorhaben zu beschleunigen, Codex zu einem Ort zu machen, an dem Teams Software mit KI entwickeln – von der ersten Idee bis zur ausgelieferten Version. Die Open-Source-Entwicklertools von Pierre treiben bereits Teile von Codex an. Gemeinsam werden wir für das Zeitalter der Agenten auf diesen Grundlagen aufbauen. — @OpenAINewsroom auf X

OpenAI stellt die Übernahme in Zusammenhang mit Pando, dem zwei Tage zuvor vorgestellten Git-Backend seines Monorepos: Das Unternehmen will Standards für die Softwareentwicklung setzen, vom ersten durch einen Agenten erstellten Branch bis zum Deployment, und nach Abschluss der Übernahme die Versionsverwaltung (source control) in der gesamten Branche voranbringen. Die Open-Source-Projekte von Pierre bleiben offen, und Code Storage bleibt für seine Kunden zugänglich, während seine Funktionen in Codex integriert werden. Die Übernahme bedarf noch der üblichen behördlichen Genehmigungen; weder Kaufpreis noch Zeitplan wurden mitgeteilt.

🔗 OpenAI wird Pierre Computer Company übernehmen

KI im Dienst der Wissenschaft: ein Bakteriophagen-Vault mit Claude, NeuralGCM+ bei Ai2 und FVCOM nach Rust portiert

Anthropic beschreibt mit Claude die 3D-Struktur eines aus einem Bakteriophagen stammenden Vaults

4. November — Das Wissenschaftsteam von Anthropic veröffentlicht die 3D-Struktur eines Vaults, der aus einem Bakteriophagenprotein hergestellt wurde – laut dem Unternehmen eine Premiere bei Prokaryoten. Vaults sind große, hohle Proteinhüllen, die etwa dreimal so schwer wie ein Ribosom sind, 1986 entdeckt wurden und deren Funktion weiterhin unbekannt ist. Dieses als L05 bezeichnete und im Bakterium E. coli hergestellte Vault besteht aus 96 Kopien desselben Proteins, gegenüber 78 bei Säugetieren, hat eine Masse von etwa 9,5 Megadalton und ein rund 25 % größeres Volumen. Ein kleines, nicht identifiziertes Molekül, das in jeder der 96 Kopien sitzt, erinnert in seiner Form an Coenzym A: ein erster Hinweis auf eine Funktion, sofern er sich bestätigt.

Claude war an jedem Schritt beteiligt: Suche nach verwandten Proteinen unter rund 15 Milliarden vorhergesagten Proteinen mit Claude Science, Verkürzung der Aufreinigung von etwa drei Tagen auf rund 90 Minuten, erstes Strukturmodell in 34 Stunden statt mehrerer Wochen, so das Team. Anthropic beschreibt auch seine Fehler: Ein Protokoll mit einem Zusatzstoff, der das Eindringen von DNA in die Zellen behindert, kostete zwei Wochen, und ein übersprungener Standardschritt bei der Kryo-Elektronenmikroskopie führte zu einer Karte, die mit ihrem Spiegelbild vermischt war. Der Preprint wurde bei bioRxiv eingereicht; Leonard Rome, Mitentdecker der Vaults, beriet das Team als bezahlter Berater.

🔗 Untersuchung von Vault-Partikeln mit Claude

Ai2 startet NeuralGCM+, ein offenes Klimamodell mit dreijähriger Finanzierung durch Google.org

4. November — Ai2 startet ein Programm zur Klimamodellierung, das Google.org über drei Jahre mit mehreren Millionen Dollar finanziert (der genaue Betrag wurde nicht veröffentlicht), mit technischer Unterstützung von Google Research. Daraus soll NeuralGCM+ hervorgehen, ein Open-Source-Modell, das NeuralGCM von Google Research weiterentwickelt: ein Hybridmodell, das physikalische Gleichungen für die großräumige Dynamik löst und feinere Prozesse wie Wolkenbildung und Niederschläge der KI überlässt. In einem öffentlichen Benchmark simulierte eine reine Atmosphärenversion von NeuralGCM ein Jahr der globalen Atmosphäre in acht Minuten auf einem einzigen TPU.

Ai2 will das Modell mit Ozean und Meereis koppeln, um über mehrere Jahrzehnte stabile Simulationen zu ermöglichen und regionale Temperatur- und Niederschlagsfehler für die letzten 50 Jahre zu reduzieren. Die Rollen sind verteilt: Google Research konzentriert sich auf Vorhersagen für einige Wochen oder Monate, Ai2 auf Trends über Jahre und Jahrzehnte, etwa die Entwicklung von Niederschlägen und verfügbarem Wasser bis zur Mitte des Jahrhunderts im Südwesten der Vereinigten Staaten. Modelle und Modellierungsframeworks werden mit dokumentierten Workflows veröffentlicht.

🔗 Der Beitrag von Ai2 zur Partnerschaft mit Google

Google portiert mit Gemini 4 Argon den Kern von FVCOM nach Rust, einem Ozeanmodell mit 174 000 Zeilen Fortran

3. November — Ein weiterer Ansatz, die Ozeanmodellierung mit Werkzeugen auszustatten: Im Antigravity-Blog berichten Dan Gruhl und Prashant Nair aus dem AI-R&D-Team von Google, wie Gemini 4 Argon FVCOM (Finite-Volume Community Ocean Model) modernisiert hat, ein Küstenozeanmodell mit 174 774 Zeilen Fortran 90 und C in 264 Dateien. Ausgehend von einem einzigen Prompt portierte der Agent dessen Kern in 59 Minuten in vollständig speichersicheres Rust, unter vier Vorgaben: kein unsafe-Code, keine Allokationen in den Berechnungsschleifen, Dateien mit weniger als 400 Zeilen und ein mit Fortran identisches Ergebnis für 100 zufällige Seeds.

Das Audit deckte sechs jahrzehntealte Bugs im ursprünglichen Code auf, darunter einen Integer-Überlauf bei Gittern mit mehr als 1 300 Knoten. Die 100 Simulationen stimmen auf 12 Nachkommastellen mit Fortran überein.

Migrationsschritt	Laufzeit	Gemessene Beschleunigung	Maximaler Speicherbedarf
Ursprüngliches Fortran 90 und C (-O3)	883 ms	1,00x	11,84 Mo
Idiomatisches, speichersicheres Rust	682 ms	1,29x	6,39 Mo
Structure of Arrays (SoA), ohne Allokationen in Schleifen	548 ms	1,61x	5,83 Mo
Profilgesteuerte Optimierung mit LLVM	469 ms	1,88x	5,48 Mo

Google stellt die Methode als Open-Source-Skill namens migrate-to-rust bereit, der seit dem 13. Oktober im Repository google/skills enthalten ist.

🔗 Der Antigravity-Beitrag zu FVCOM

APIs und Plattformen für Entwickler: Decisions API von Perplexity, standardmäßige Wasserzeichen bei Grok, Together Compiler und Cohere auf OpenRouter

Die Decisions API von Perplexity durchsucht vor der Antwort das Web

4. November — Perplexity ergänzt seine Decisions API um eine Verankerung im Web (web grounding). Die am 1. Oktober gestartete API für Entscheidungsmodelle antwortet mit Wahrscheinlichkeiten statt mit Text. Bisher kannte das Modell nur seine Trainingsdaten und den vom Entwickler übermittelten Kontext (state). Mit der Einstellung "mode": "web_grounding" startet das Gateway zunächst für jede Frage eine Perplexity-Fast-Search-Suche (bis zu 100 pro Anfrage), ergänzt den Kontext um Titel, URLs und Seitentexte und führt die Quellen in der Antwort unter search_results auf. Jede Suche kostet 0,001 Dollar zusätzlich zu den Eingabetokens (0,02 Dollar pro Million für pplx-decider-v1.2). Bei den Python- und TypeScript-SDKs wird der Parameter im Request-Body übergeben.

Von Perplexity veröffentlichte Messung	Ohne web grounding	Mit web grounding
Interner Test, 328 Aussagen	56,4 %	97,3 %
Interner Test, mediane Latenz	139 ms	366 ms
PWS-Decisions, 100 öffentliche Fragen	51 %	86 %

Im öffentlichen Benchmark PWS-Decisions misst Perplexity mit Websuche außerdem eine mediane Latenz von 370 ms und 685 ms im 95. Perzentil.

🔗 Web grounding für die Decisions API

SpaceXSI versieht den Text seiner Grok-Modelle in der API ab dem 7. November standardmäßig mit Wasserzeichen

3. November — Version 0.2.8 des TypeScript-SDKs von SpaceXSI machte eine am 31. Oktober aktualisierte Dokumentationsseite sichtbar: Ab dem 7. November 2026 wird der von grok-4.7, grok-4.6, grok-4.5, grok-4.3 und den drei Varianten von grok-4.20 erzeugte Text in der API standardmäßig mit Wasserzeichen versehen, um dem europäischen AI Act zu entsprechen. Das unsichtbare Wasserzeichen beeinflusst die Token-Auswahl geringfügig, ohne Zeichen hinzuzufügen; es erfasst alle Text-APIs, einschließlich strukturierter Ausgaben und Argumente von Tool-Aufrufen, an sämtlichen Endpunkten. Der Header x-watermark kennzeichnet eine mit Wasserzeichen versehene Antwort, und die statistische Erkennungs-API ist nur auf Bewerbung zugänglich.

Nur Teamadministratoren können das Wasserzeichen für jedes Modell einzeln deaktivieren, mit Wirkung innerhalb von 5 Minuten. Dafür müssen sie bestätigen, dass eine gesetzlich vorgesehene Ausnahme gilt und das Team die alleinige Verantwortung für seine Kennzeichnungspflichten übernimmt; einige Modelle können gesperrt bleiben. Anthropic hat sein eigenes Textwasserzeichen am 3. November ausgeweitet, während das von OpenAI in der API weiterhin standardmäßig deaktiviert ist.

🔗 Wasserzeichen in Ausgaben, SpaceXSI-Dokumentation

Together AI startet Together Compiler: Agenten optimieren kontinuierlich die Inferenz seiner offenen Modelle

4. November — Together AI überträgt Agenten die Optimierung seiner Inferenz-Engine. Together Compiler geht vom Modell, der Hardware und den Eigenschaften des Traffics aus: Ein Schwarm von Agenten schlägt Kernel-Änderungen vor, eine dauerhaft laufende Engine prüft jede davon auf Geschwindigkeit und Genauigkeit gegenüber der ursprünglichen Engine, und nur verifizierte Änderungen gelangen in die Produktion. Together spricht von kontinuierlicher Kompilierung (continual compilation), die erneut angestoßen wird, wenn sich Modell, Hardware oder Last ändern.

Die angegebenen Leistungsgewinne stammen von Together: bis zu 2,6-mal mehr Tokens pro GPU bei gleicher Geschwindigkeit pro Nutzer auf Kimi K3, GLM 5.3, MiniMax M3.1-Flash und DeepSeek V4.1-Flash, nach 24 Stunden Kompilierung auf zwei Knoten pro Modell, verglichen mit den besten veröffentlichten Konfigurationen im InferenceX-Benchmark von SemiAnalysis; bis zu 50 % schneller bei Kunden-Workloads; 1 111 und 1 205 Tokens pro Sekunde bei geringer Latenz auf MiniMax M3.1-Flash und DeepSeek V4.1-Flash. SemiAnalysis gibt an, eines der Ergebnisse validiert zu haben. Der Compiler ist für DeepSeek V4.1 Flash, GLM 5.3 Flash und GLM 5.3 im Serverless-Betrieb bereits standardmäßig aktiviert. Together bezeichnet ihn als das erste Inferenzsystem mit rekursiver Selbstverbesserung (recursive self-improvement) im Produktionsmaßstab – eine Aussage, die allein von Together stammt.

🔗 Together Compiler im Blog von Together AI

Cohere macht Embed 5 und Rerank 5 auf OpenRouter verfügbar

4. November — Die vier Varianten der Retrieval-Modelle von Cohere (Embed 5 Pro und Fast, Rerank 5 Pro und Fast) kommen auf OpenRouter. Sie lassen sich mit dem bestehenden OpenRouter-Schlüssel und -Guthaben zu den Preisen der Cohere-API nutzen: 0,12 und 0,08 Dollar pro Million Tokens für Embeddings, 0,05 und 0,02 Dollar für die Neusortierung (reranking). Zwei Einschränkungen gelten speziell für OpenRouter: Vektoren werden dort als Gleitkommazahlen zurückgegeben (int8 und Binärformate sind über die Cohere-API verfügbar), und Rerank 5 bleibt auf Text beschränkt. Der Beitrag, ein Tutorial zu Retrieval-Augmented Generation (RAG), erinnert daran, dass laut Cohere-Tests auf 40 Datensätzen eine Abfrage mit Embed 5 Fast auf einem mit Embed 5 Pro erstellten Index 98,4 % der Qualität einer reinen Pro-Suche bewahrt.

🔗 Retrieval-Modelle von Cohere auf OpenRouter

Stimmen: Voice Remixing in Gemini 3.8 Flash TTS und ElevenAgents in Contact Centern

Gemini 3.8 Flash TTS erhält Remixing, das aus einer bestehenden Stimme eine neue erstellt

4. November — Google ergänzt Gemini 3.8 Flash TTS um einen dritten Modus zur Stimmerstellung, nach dem Entwurf (Voice design) und der Replikation, die am 23. September eingeführt wurden. Voice Remixing (Voice remixing) geht von einer bestehenden Stimme aus, entweder einer der über 2 000 Stimmen aus der Bibliothek oder einer individuell entworfenen Stimme, und verändert sie durch Anweisungen in natürlicher Sprache: Klangfarbe, Tonhöhe, Sprechtempo, Akzent oder Alter. Google nennt als Beispiele einen leichten Südstaatenakzent aus den USA oder die Stimme eines feuerspeienden Drachen.

Auf API-Seite erstellt der Aufruf POST /v1beta/voices mit gemini-3.8-flash-tts eine neue gespeicherte Stimme, die unabhängig vom Original ist, mit Gemini 3.8 Flash TTS und Gemini 3.8 Flash-Lite TTS verwendet werden kann und ihrerseits als Grundlage für weiteres Remixing dienen kann. In AI Studio bietet die Schaltfläche Remix this voice drei Varianten zum direkten Hörvergleich an. Erforderlich ist ein Projekt in einer kostenpflichtigen Stufe (Tier 1 oder höher); jedes Projekt speichert bis zu 200 Stimmen, und eine Stimme bleibt nach ihrer letzten Nutzung ein Jahr lang erhalten.

🔗 Googles Ankündigung auf X · Der Leitfaden zu Voice remixing

ElevenLabs integriert ElevenAgents nativ in NiCE CXone, Genesys Cloud, Amazon Connect und Five9

4. November — ElevenAgents, die Plattform für Sprachagenten von ElevenLabs, lässt sich nun nativ in vier große Contact-Center-Plattformen integrieren, um bestehende Anrufabläufe um Sprachagenten zu ergänzen, ohne Telefonie, Routing oder CRM anzupassen. Für alle anderen Plattformen verbindet sich ElevenAgents über SIP (Session Initiation Protocol), mit Telefonieanbietern wie Twilio, Vonage, Telnyx, Plivo, Bandwidth oder Exotel.

Contact-Center-Plattform	Angekündigte Integrationsart
NiCE CXone	Native Integration, CXone behält Telefonie, Routing und Berichte bei
Genesys Cloud	Nativer Audio Connector, ohne SIP-Anbindung (SIP trunking)
Amazon Connect	Der IA-Agent von Amazon Connect schaltet ElevenAgents ein und übernimmt anschließend wieder
Five9	SIP über Five9 AI Agent Connect, ein Zusatzmodul von Five9

Der Beitrag verweist auf über 17 000 Stimmen in mehr als 90 Sprachen und nennt AMC Health, das sich unter anderem deshalb für ElevenLabs entschieden hat, weil Genesys bereits seine Telefonieplattform war. Er nennt weder Preise noch Leistungszahlen und setzt die am 3. September angekündigte Partnerschaft mit Genesys fort.

🔗 ElevenAgents integriert sich in führende Contact-Center-Plattformen

Generative Videos und Musik: Kling 4.0 Flash für alle und Suno mit einer MIDI-Datei als Ausgangspunkt

Kling macht Kling 4.0 Flash auf seiner Website und über die API für alle verfügbar

4. November — Kling 4.0 Flash, die schnelle Variante von Kling 4.0, die seit dem 28. September in einem begrenzten Early Access verfügbar war, steht nun allen auf der Website von Kling AI und über die API offen. Kling erklärt, dass sich das Modell auch über seinen MCP-Server, seine CLI und seine Plugins aufrufen lässt, darunter diejenigen für Adobe Photoshop, Premiere Pro und After Effects. Die Ankündigung nennt weder maximale Dauer noch Auflösung oder Preis, und die Release Notes von Kling reichen nur bis zur Einführung von Kling 4.0 am 15. Oktober. Während des Early Access erzeugte Kling 4.0 Flash Aufnahmen von 3 bis 20 Sekunden in 720p; es gibt keinen Hinweis darauf, ob sich diese Grenzen geändert haben.

🔗 Klings Ankündigung auf X

Suno ermöglicht es, einen Song mit einer MIDI-Datei zu beginnen

4. November — Suno akzeptiert nun eine MIDI-Datei als Ausgangspunkt für einen Song: Man zieht eine .mid- oder .midi-Datei auf die Seite Create oder wählt sie im Menü „+“ aus und beschreibt anschließend in natürlicher Sprache, was Suno damit tun soll: die Noten exakt so spielen, wie sie geschrieben sind, oder ein Motiv aufgreifen, um es weiterzuentwickeln oder anderen Instrumenten zuzuweisen. Anders als Remix und Cover, die von einer Audiodatei (WAV oder MP3) ausgehen, übermittelt MIDI die exakten Noten und den Rhythmus und ermöglicht dadurch eine präzisere Kontrolle. Der Beitrag nennt das Arrangement einer MIDI-Datei für ein vollständiges Orchester, einen Gospelchor mit Klavier oder ein Streichquartett, das sich genau an die Akkorde hält. Zum Start läuft die Funktion über den Modus Simple Create und das Modell v6-wild und ist Pro- und Premier-Abonnenten vorbehalten; sie ergänzt den am 26. Juli hinzugefügten MIDI-Export.

🔗 Songs mit MIDI beginnen

Die dots von ChatGPT werden für Enterprise, Edu und Healthcare allgemein verfügbar und am 18. November standardmäßig aktiviert

4. November — Die dots, die dauerhaft aktiven Agenten von ChatGPT, die am 29. September für die Tarife Pro und Business Premium sowie als Enterprise-Beta eingeführt wurden, werden für berechtigte ChatGPT-Enterprise-, Edu- und Healthcare-Workspaces allgemein verfügbar. Eine nur Administratoren zugängliche Vorschau läuft bis zum 18. November 2026: Bis dahin bleiben die dots deaktiviert, sofern ein Administrator sie nicht aktiviert; anschließend werden sie standardmäßig verfügbar, sofern der Workspace dies nicht ablehnt. Administratoren wählen aus, welche Mitglieder Zugriff erhalten, sehen persönliche dots und deren Verbindungen, können sie pausieren oder neu starten und verfolgen die Nutzung; laut Hilfeartikel setzt die Aktivierung außerdem kompatible Agent-Security-Richtlinien voraus. Hinsichtlich Compliance unterstützen die dots Datenresidenz und Enterprise Key Management, wobei die Inferenz in der EU oder den USA gehostet wird; vor der allgemeinen Verfügbarkeit erstellte dots werden innerhalb von 30 Tagen in die erforderliche Region migriert, und in entsprechend abgedeckten Workspaces sind sie für HIPAA zugelassen.

🔗 Release Notes zu ChatGPT Enterprise und Edu

Kurzmeldungen

Agenten und Coding-Tools

Zed 1.27 und Vorschau 1.28 — Die stabile Version 1.27 übernimmt die Vorschau vom 28. Oktober (ressourcensparenderes Agent-Panel, Abschaffung der Wiederherstellungspunkte, mindestens macOS 12); die Vorschau 1.28 folgt der neuesten Version des Agent Client Protocol, kürzt die vom Agenten gelesenen Zeilen auf 2 000 Zeichen und behebt drei Fehler bei der Kontextkomprimierung. 🔗 Quelle
Delta 0.24 — Änderungen aus einem Unter-Thread werden in den übergeordneten Thread zusammengeführt (/merge-into-parent, /pull-from-subthread), ein Agent liest einen geteilten Thread allein über dessen Link und schreibt mit delta thread send an den Agenten eines anderen Threads; MCP-Server akzeptieren Bearer-Tokens und benutzerdefinierte Header. 🔗 Quelle
Copilot CLI 1.0.106-7 bis 1.0.106-9 — Drei Vorabversionen, weiterhin ohne stabile 1.0.106: Der Befehl /code öffnet die laufende Sitzung in VS Code, die Fusion-Stufe lässt sich in copilot config einstellen, und 79 Fehlerbehebungen machen unter anderem neue Escape-Sequenzen unschädlich. 🔗 Quelle
Gemini CLI v0.67.0 und v0.68.0-preview.0 — Die stabile Ausgabe übernimmt die bereits vorgestellte Serie 0.67.0, und die Preview bündelt die Nightlies der letzten acht Tage; die einzige Neuerung: Die Nightly vom 4. November lässt gemini hooks migrate das Ereignis SubagentStop von Claude Code erkennen und ergänzt --userns=keep-id unter Podman ohne Root-Rechte. 🔗 Quelle
Qwen Code v0.26.7 — Von einem Repository bereitgestellte Hooks, Berechtigungen und Language Server kommen erst zum Einsatz, nachdem dem Ordner ausdrücklich vertraut wurde; qwen serve öffnet sich für Remote-Verbindungen, und die erzwungene Tool-Auswahl wird für Claude Opus 5.5, Sonnet 5.5, Fable 5.1 und Mythos 5.1 korrigiert. 🔗 Quelle
Kimi Code 2.5.0 — Eine Sitzung kann in einer SSH-, Docker- oder durch einen Befehl definierten Umgebung entstehen (--environment), und /model oder /effort lassen sich verwenden, während der Agent arbeitet; mehrere REST- und WebSocket-Endpunkte des Servers entfallen, obwohl dies unter Fehlerbehebungen aufgeführt ist. 🔗 Quelle
CLI mistral 0.17.0 — mistral agents init erstellt ein Agentenprojekt, und eine Anwendung kann einen Agenten einbetten, den mistral dev während der Entwicklung bereitstellt und mistral deploy veröffentlicht, hinter dem Flag mistral_cli_agents; die Verbindung mistral login --device wird nun abgewiesen. 🔗 Quelle
DeepSeek Harness 0.2.2-rc.1 — Erster Release Candidate der Serie 0.2.2 und 37. Vorabversion ohne stabile Version: Sie übernimmt hauptsächlich die bereits behandelten Alphas, gleicht die TypeScript- und Python-SDKs an den Web-Modus an und hebt den experimentellen Status von Ralph loop und der Sitzungssuche auf. 🔗 Quelle
Softwarefabrik nach Zach Lloyd — Im Blog von Warp vertritt er die Ansicht, dass eine Softwarefabrik (software factory) nicht durch das Aneinanderreihen von Prompts und Cloud-Agenten entsteht, sondern als Stack aufgebaut wird: eine in Code beschriebene Fabrik, persistente Orchestrierung, Evaluationen und erneute Ausführung vergangener Aufgaben, API- und MCP-Integrationen an erster Stelle. 🔗 Quelle

Plattformen, API und Administration

Together AI und Kimi K3.1 Pro — Together AI stellt Kimi K3.1 Pro am Tag der Veröffentlichung seiner Gewichte bereit, unverändert oder mit RL oder SFT über Together Post-Training nachtrainiert; die Ankündigung nennt keine Preise. 🔗 Quelle
OpenAI-SDKs — openai-python 3.45.0 und openai-node 7.50.0 unterstützen den im Oktober angekündigten Antwort-Cache für 12 Stunden und Service-Level pro Projekt; bei Codex CLI gibt es seit 0.166.0 vom 29. Oktober keine stabile Version, sondern nur Vorabversionen mit leeren Release Notes. 🔗 Quelle
Nutzungsmetriken von Copilot — Die API für Nutzungsmetriken weist die lokale BYOK-Nutzung (bring your own key), die als Untergrenze gezählt wird, nun getrennt aus und kennzeichnet benutzerdefinierte Unternehmensmodelle mit dem Indikator is_custom_enterprise_model; die bestehenden Gesamtwerte ändern sich nicht. 🔗 Quelle
grok-imagine-image-quality eingestellt — Seit dem 2. November bedient SpaceXSI Anfragen an dieses Bildmodell über grok-imagine-image-2.0 in niedriger Qualität, ohne Codeänderung, zu 0,04 Dollar pro 1K-Bild und 0,06 Dollar pro 2K-Bild, also 0,01 Dollar weniger als zuvor. 🔗 Quelle
Claude Marketplace — 14 Agenten und Produkte von Partnern kommen zum Claude Marketplace hinzu, von Chainguard über Datadog, Netlify, Runway und Glean bis Zoom, womit es insgesamt mehr als 25 sind; berechtigte Unternehmen können sie über einen Teil ihrer Ausgabenverpflichtung bei Anthropic bezahlen. 🔗 Quelle

Sicherheit

GPG-Schlüssel von Warp — Warp erneuert vorsorglich den GPG-Unterschlüssel, mit dem ein Teil seiner Linux-Pakete signiert wird, nach einem nicht näher benannten Sicherheitsvorfall und ohne festgestellten Missbrauch; unter Fedora 42 und älteren Versionen, RHEL und openSUSE muss zunächst der alte Schlüssel gelöscht werden. 🔗 Quelle
GPT-5.6 Cyber in AWS GovCloud — Zugelassene Kunden von Daybreak Red erhalten über Amazon Bedrock Zugriff auf GPT-5.6 Cyber in der Region AWS GovCloud (US-East), nach einer Genehmigung durch OpenAI und anschließender Aktivierung durch AWS; AWS hatte es bereits am 30. Oktober veröffentlicht. 🔗 Quelle
Mistral Large 4 bei einer Sicherheitslücke in Django — In einem 90-fach beschleunigten Video kartieren 133 Agenten den Code, finden und bestätigen eine aktuelle Sicherheitslücke in Django, die Le Chonk anschließend behebt; weder CVE-Nummer noch Kosten oder tatsächliche Dauer werden genannt. 🔗 Quelle
CodeQL 2.27.4 — Weniger False Positives in Java und Kotlin, in Rust und in C/C++, Entfernung der CWE-730-Kennzeichnung aus ReDoS-Abfragen in sechs Sprachen, und verlinkte Dateien außerhalb des Stammverzeichnisses eines Packs werden bei dessen Erstellung ausgeschlossen; diesmal kein IA-Thema. 🔗 Quelle
MCP-Leitfaden von Perplexity — Drei Kategorien und elf Risiken von MCP-Systemen, von indirekter Prompt Injection bis zur Kompromittierung eines lokalen Servers, samt Gegenmaßnahmen; keine Produkte oder Zahlen von Perplexity. 🔗 Quelle

Offene Modelle und Forschung

Erkennung synthetischer Stimmen — Zwei Forscher der Universität Melbourne veröffentlichen VeriSpoof, ein Audio-LLM mit 2,9 Milliarden Parametern, das eine synthetische Stimme erkennt, ihre Quelle zuordnet und sein Urteil erklärt; laut den Autoren eine durchschnittliche Equal Error Rate (EER) von 1,79 % auf Speech-DF-Arena für die Variante VeriSpoof-Plus, Gewichte unter der nicht kommerziellen Lizenz CC BY-NC 4.0. 🔗 Quelle
Field Extractor von Dharma-AI — Ein 2B-Modell, das die Felder eines Dokuments als typisiertes JSON zurückgibt; im hauseigenen Benchmark mit 546 Dokumenten 0,834 gegenüber 0,816 für Claude Opus 5, im Vergleich mit Modellen, die nicht die neuesten ihrer Anbieter sind, und ohne auf dem Hub gefundene Gewichte. 🔗 Quelle
OTAP von Cribl — Eine Metrik, die einen Agenten anhand der Struktur seines Plans bewertet und diese per Optimal Transport mit Referenzplänen abgleicht; laut den Autoren stimmt sie auf 236 Trajektorien besser mit menschlichen Bewertern überein als ROUGE-L (0,74 gegenüber 0,64). 🔗 Quelle

Agenten für Privatnutzer

Grok Bot und Einkäufe — Am 3. November bietet der Agent von SpaceXSI ein Einkaufserlebnis an: das beste Angebot finden, Artikel vergleichen und alle Bestellungen verfolgen; Länder, Tarife und Händler werden nicht genannt. 🔗 Quelle
Grok Bot am Telefon — Am 4. November kündigt der Account @bot mit einem Video an, dass Grok Bot telefonieren kann, ohne Angaben zu Ländern, Tarifen oder Preisen. 🔗 Quelle
Get Maine Lobster und Computer — In einem von Perplexity angebotenen Pilotprojekt mit einem von Perplexity bereitgestellten Testbudget von 30 000 Dollar erzielt die Meta-Kampagne von Computer einen um 63 % höheren Return on Ad Spend (ROAS) und das 3,5-Fache des Umsatzes bei 2,1-fachen Ausgaben gegenüber den üblichen Anzeigen des Kunden. 🔗 Quelle
MotionSites in Computer — Der Skill von @viktoroddy ermöglicht es dem Agenten von Perplexity, anhand von 40 Referenzplänen und 52 gehosteten Ressourcen animierte Websites in WebGL mit Scroll-Animationen zu erstellen; für alle im Web verfügbar. 🔗 Quelle
Manus in 3D — Manus verwandelt Fotos in eine spielbare 3D-Version des Nutzers, die sich in die mit dem Agenten erstellten Welten einfügen lässt, im Anschluss an Game Dev; weder Tarif noch Kosten in Credits werden genannt. 🔗 Quelle

Bild, Video und Kreative

HeyGen Video 1 auf Mobilgeräten — Das Videomodell von HeyGen kommt in die HeyGen-App für iOS und Android, ohne Angaben zu Preis, Dauer oder Auflösung. 🔗 Quelle
Pika H3 Flex — Das Modell erscheint offiziell auf der Pika-Plattform, zwei Tage nach dem angekündigten Termin, mit 15 kostenlosen Generierungen pro Tag bis zum 15. November für Creator- und Fancy-Abonnenten. 🔗 Quelle
Character Sheet von Luma — Am Tag nach Expression Sheet folgt ein konsistenter Charakterbogen mit mehreren Ansichten, erstellt aus Referenzen oder einer Beschreibung, mit acht Layouts; weder Beitrag noch Preis. 🔗 Quelle
HyperFrames — Die Familie von Videotools von HeyGen gibt mehr als 700 000 monatliche Nutzer an, ohne Berechnungsmethode, und eröffnet einen eigenen Discord für ihre Community. 🔗 Quelle

Was das bedeutet

Offene Modellgewichte erreichen die Größenordnung von Frontier-Modellen, allerdings unter Auflagen. Kimi K3.1 Pro mit 2,8T Parametern und rund 1,56 TB an Dateien lässt sich frei herunterladen, und Together AI stellt es bereit und bietet ab dem ersten Tag Post-Training dafür an. Die Lizenz zeigt jedoch, wo die Offenheit endet: Ab einem Umsatz von 20 Millionen Dollar muss ein Wiederverkäufer eine Vereinbarung mit Moonshot AI treffen, und die Lizenz von Mistral Large 4 setzte bereits am 29. Oktober eine kommerzielle Lizenz voraus, um das Modell als Service anzubieten. Die Infrastruktur zieht nach: Together Compiler überträgt Agenten die Optimierung offener Modelle mit jeweils unterschiedlichen Architekturen und verspricht bis zu 2,6-mal so viele Tokens pro GPU. Cognition hält dagegen die Modellgewichte von SWE-2 Flash vorerst unter Verweis auf Cyberrisiken zurück und wechselt die Grundlage: SWE-2 basierte auf Kimi K3, SWE-2 Flash auf einem amerikanischen Modell.

Coding-Agenten werden miteinander kombiniert und erhalten neue Tools. VS Code lässt Copilot, Claude und Codex in derselben Sitzung zusammenarbeiten, Copilot zieht in den nativen Assistenten von Xcode ein, und OpenAI wird die Git-Tools übernehmen, die Codex bereits nutzt, zwei Tage nach der Vorstellung von Pando: Versionsverwaltung wird zu einem strategischen Feld, wenn Agenten immer mehr Branches anlegen. Die Kosten bleiben die andere Front. SWE-2 Flash kostet laut Cognition ein Fünftel von SWE-2, und Anthropic überträgt Haiku 5.5 die Statuszeile der Subagenten, um bei gleichem Limit etwa 6 % mehr Prompts zu ermöglichen.

Die Evaluation verlässt den Prüfstand. RoboColosseum lässt Policies für Roboter auf echten Robotern in Wohnungen und Restaurants bewerten, und das Ergebnis relativiert die Ranglisten: Frontier-Modelle können mit spezialisierten VLA mithalten, doch kein System ist in offenen Umgebungen zuverlässig, und keines bewältigt auch nur eine einzige Aufgabe auf dem humanoiden G1. Die Decisions API von Perplexity geht auf der Softwareseite von derselben Feststellung aus: Ein Modell, das nur sein Trainingswissen kennt, liegt bei aktuellen Ereignissen falsch, und die Websuche steigert das Ergebnis von pplx-decider-v1.2 auf einem öffentlichen Benchmark von 51 % auf 86 %. In der Wissenschaft wird die Verifikation zum Arbeitsergebnis: FVCOM in Rust stimmt über 100 Simulationen hinweg auf 12 Nachkommastellen mit Fortran überein, und Anthropic veröffentlicht die Fehler von Claude zusammen mit dessen Ergebnissen.

Das Wasserzeichen wird zu einer regulatorisch vorgegebenen Standardeinstellung. SpaceXSI aktiviert es am 7. November unter Verweis auf den AI Act für sieben Grok-Modelle, und nur mit einem Nachweis über eine gesetzliche Ausnahme lässt es sich weglassen; Anthropic hat sein Wasserzeichen am 3. November ausgeweitet, während OpenAI seines standardmäßig deaktiviert lässt. Für Entwickler zeigt sich der Unterschied im Antwort-Header und bei der Verantwortung: Wer das Wasserzeichen deaktiviert, übernimmt allein die Verantwortung für seine Kennzeichnungspflichten.