OpenAI stellt GPT-6 Cyber vor, Anthropic macht Personal Finance in Claude zugänglich, Perplexity startet Teammates

OpenAI stellt GPT-6 Cyber vor, ein als Critical eingestuftes Cybersicherheitsmodell, das zunächst ausgewählten Kunden von Daybreak Red vorbehalten ist. Der Start erfolgt einen Tag nach dem Beitrag, in dem die von diesem Modell angetriebene autonome Pipeline zur Schwachstellensuche für 1,2 Millionen Dollar 948 Schwachstellen zur Rechteausweitung im Linux-Kernel validiert hat. Anthropic macht Personal Finance in Claude mit reinem Lesezugriff als Beta in den USA zugänglich, und Perplexity startet Teammates: Agenten, die kontinuierlich arbeiten, wie jene, die Mistral zu Studio hinzufügt. Im Kreativbereich beschleunigt OpenAI die Bilderzeugung mit Images 2.6, und Google macht Gemini Omni 1.2 Flash allgemein verfügbar, mit 15 Sekunden langen Videos und einem um 30 % gesenkten Preis. Ricursive Intelligence veröffentlicht seinerseits Ripple-65B Preview, ein dichtes Modell mit offenen Gewichten, das auf agentisches Coding ausgerichtet ist.

OpenAI stellt GPT-6 Cyber vor, ein als Critical eingestuftes Cybersicherheitsmodell, das zunächst Kunden von Daybreak Red vorbehalten ist

5. November — OpenAI stellt GPT-6 Cyber vor, den Nachfolger von GPT-5.6 Cyber. Das Modell wurde darauf trainiert, ausnutzbare Schwachstellen zu finden und zu validieren und dabei innerhalb des von den Forschern festgelegten Bereichs zu bleiben. Das Preparedness Framework stuft es im Bereich Cybersicherheit als Critical ein, gegenüber High für GPT-5.6 Cyber. Laut OpenAI übertrifft es GPT-6 Astra bei den meisten Cyberaufgaben, auch dann, wenn Astra die Anfrage nicht ablehnt.

Introducing GPT‑6 Cyber: a major advance in security research that pairs stronger capabilities with better model alignment. The model powered the Linux kernel research we announced yesterday, and security teams at companies like Mozilla, Palo Alto Networks, Calif, and Cisco—alongside our own at OpenAI—are already putting it to work. GPT-6 Cyber is available to select Daybreak Red customers and we are expanding access over time.

🇩🇪 Wir stellen GPT-6 Cyber vor: einen großen Fortschritt für die Sicherheitsforschung, der erweiterte Fähigkeiten mit einem verbesserten Alignment des Modells verbindet. Das Modell hat die gestern angekündigten Forschungsarbeiten zum Linux-Kernel ermöglicht, und Sicherheitsteams von Unternehmen wie Mozilla, Palo Alto Networks, Calif und Cisco setzen es neben unseren eigenen Teams bei OpenAI bereits ein. GPT-6 Cyber ist für ausgewählte Kunden von Daybreak Red verfügbar, und wir werden den Zugang mit der Zeit erweitern. — @OpenAI auf X

Die von OpenAI veröffentlichten Zahlen betreffen zunächst die Ausnutzung von Schwachstellen und anschließend die Fähigkeit des Modells, bei seinem Auftrag zu bleiben: ExploitGym Honeypot platziert in der Nähe des Ziels absichtlich leicht angreifbare Nebendienste, die das Modell unberührt lassen muss.

Von OpenAI veröffentlichte Bewertung	Ergebnis von GPT-6 Cyber	Vergleichswert
ExploitGym (eine vorgegebene Schwachstelle aus der Ferne ausnutzen)	48,5 %	32,1 % für GPT-5.6 Cyber
Web-Penetrationstest ohne Zugriff auf den Quellcode	40,3 % der Schwachstellen wiedergefunden	32,0 % für GPT-6 Astra
RemoteExploitBench (erste Bewertung)	95 % erfolgreich abgeschlossene Aufgaben	100 % Ablehnungen bei GPT-6 Astra (Daybreak Blue)
ExploitGym Honeypot, ohne Deployment-Prompt	99,93 % der Angriffe außerhalb des vorgegebenen Bereichs vermieden	94,49 % für GPT-5.6 Cyber
SRE-Bench, binäres Reverse Engineering (Systemkarte)	92,84 %	87,98 % für GPT-6 Astra

In der Praxis hebt OpenAI 948 Exploits zur lokalen Rechteausweitung im Linux-Kernel hervor (unten näher beschrieben) sowie 81 bislang unbekannte Schwachstellen in Firefox, die Mozilla als schwerwiegend einstuft und für die das Unternehmen bereits mit der Veröffentlichung von Patches begonnen hat. Die Sicherheitsteams von Cisco, Calif und CodeRabbit nutzen das Modell bereits für die Schwachstellenforschung und Code-Reviews.

Die Schutzmaßnahmen werden verstärkt: Überwachung cyberspezifischen Misalignments, grundsätzlich verpflichtendes Private Safety Processing für API-Kunden ohne Datenspeicherung (verschlüsselte Aufzeichnungen werden 30 Tage lang im Speicher des Kunden aufbewahrt), eine standardmäßig vorgeschriebene Liste zulässiger IP-Adressen für den API-Zugriff von Daybreak Red sowie neue Kontrollen gegen die Unterstützung von Angriffen auf kritische Systeme. Eine Gruppe namens Daybreak Red for Critical Infrastructure ermöglicht zugelassenen Verteidigern kritischer Infrastrukturen autorisierte Tests, nachdem gemeinsam mit Dragos Bewertungen an einem simulierten Kraftwerk durchgeführt wurden.

GPT-6 Cyber wird zunächst in der API und in Codex einer kleinen Gruppe zugelassener Kunden von Daybreak Red angeboten, bevor der Zugang schrittweise auf alle diese Kunden ausgeweitet wird; GPT-5.6 Cyber steht ihnen ab sofort offen. In der API kostet gpt-6-cyber 20 Dollar pro Million Eingabetokens (2 Dollar bei Nutzung des Caches) und 100 Dollar für Ausgabetokens, bei einem Kontextfenster von 1 050 000 Tokens. OpenAI kündigt weitere Neuigkeiten für eine Liveübertragung mit dem Titel „Cyber at the Frontier“ am 12. November um 10 Uhr Pazifikzeit an.

🔗 GPT-6 Cyber: Die Grenzen von Cybersicherheitsagenten mit Alignment erweitern (OpenAI) · Systemkarte von GPT-6 Cyber

Eine autonome Pipeline hat für 1,2 Millionen Dollar 948 Linux-Schwachstellen zur Rechteausweitung validiert

4. November — Am Tag vor dem Start beschrieb das Cyber-Team von OpenAI einen Prototyp, der ohne Eingriffe nacheinander Schwachstellen entdeckt, sie in einer isolierten virtuellen Maschine reproduziert, ihre Ausnutzbarkeit bewertet und Patches erzeugt, bevor eine menschliche Prüfung erfolgt. Er lief Mitte Oktober zehn Tage lang auf dem Hauptzweig des Linux-Kernels in dessen jeweils neuestem Stand, mit dem Modell, das der Tweet zum Start als GPT-6 Cyber bezeichnet; seine 948 Schwachstellen zur lokalen Rechteausweitung werden anhand unterschiedlicher Patches gezählt.

Ausführungsphase	Erzieltes Ergebnis	Kosten in API-Guthaben
Suche durch Analyseagenten (12 h)	2 308 potenzielle Schwachstellen	316 549 Dollar
Dynamische Validierung (30 h)	1 724 reproduzierte Schwachstellen	73 330 Dollar
Ausnutzung	1 169 funktionierende Exploits, 948 unterschiedliche Schwachstellen	775 929 Dollar
Vollständiger Durchlauf einschließlich Erkennung und Triage	948 unterschiedliche Schwachstellen zur Rechteausweitung	1 213 430 Dollar, also 1 279 pro Schwachstelle

Ende Juli hatte GPT-5.6 Sol für 513 690 Dollar lediglich 166 Schwachstellen dieser Art gefunden und ausgenutzt, und der Kernel wurde in den drei Monaten zwischen den beiden Kampagnen gehärtet. Bei kernelCTF, dem Programm von Google mit einem gehärteten Kernel, erzielte die Pipeline in 112 Stunden 21 Exploits für rund 32 936 Dollar. Die Agenten setzten mindestens 10 Exploit-Techniken ein, die sowohl OpenAI als auch den befragten Experten unbekannt waren und deren Details vertraulich bleiben. OpenAI schätzt hypothetisch, dass diese Schwachstellen nach den früheren Prämientabellen von Pwn2Own und TyphoonPWN zwischen 18,9 und 66,3 Millionen Dollar eingebracht hätten. Nach den zehn Tagen waren bereits 61 Schwachstellen upstream behoben, für 43 wurde ein Patch vorbereitet, und 299 wurden öffentlich diskutiert.

🔗 Tausend Wege zu root weniger (OpenAI)

Anthropic führt Personal Finance in Claude ein, mit reinem Lesezugriff über Plaid und als Beta in den USA

5. November — Anthropic führt Personal Finance in Claude als Beta in den USA für die Tarife Pro, Max und Ultra ein. Der Nutzer verknüpft die gewünschten Bankkonten und Karten und stellt anschließend seine Finanzfragen in Alltagssprache; Claude antwortet auf Grundlage seiner eigenen Kontostände und Transaktionen.

Introducing Personal Finance in Claude, in beta in the US. Connect the accounts you choose, and Claude answers your money questions in everyday language, from your own balances and transactions. Access is read-only, and Claude can’t move, manage, or invest your money.

🇩🇪 Wir stellen Personal Finance in Claude vor, als Beta in den USA. Verknüpfen Sie die Konten Ihrer Wahl, und Claude beantwortet Ihre Finanzfragen in Alltagssprache auf Grundlage Ihrer eigenen Kontostände und Transaktionen. Der Zugriff erfolgt ausschließlich lesend, und Claude kann Ihr Geld weder transferieren noch verwalten oder investieren. — @claudeai auf X

Die Verbindung erfolgt über Plaid: Der Nutzer meldet sich selbst bei seiner Bank an und genehmigt dort den Zugriff durch Claude, das sein Bankpasswort niemals sieht. Bei den ausgewählten Konten liest Claude den Namen der Bank, den Namen, den Typ und die letzten vier Ziffern jedes Kontos, die Kontostände, die Kreditlimits sowie bis zu zwei Jahre an Transaktionen aus; bei Anlagen, Krediten und Karten liest es nur die Salden und Limits aus, weder Positionen noch Zinssätze. Die Funktion ist nicht für Anlageberatung konzipiert und zeigt weder Werbung noch gesponserte Empfehlungen an; Anthropic betont, weder Kreditkarten noch Kredite oder Sparkonten anzubieten.

Eine eigene Seite bündelt Ausgaben, Zahlungsströme, Abonnements und anstehende Rechnungen. Im Beispiel des Artikels summiert Claude die monatlichen Ausgaben auf 4 309,37 Dollar, davon mehr als die Hälfte für Miete und Nebenkosten, listet vier anstehende Abbuchungen vor dem Gehaltseingang auf und berechnet den verbleibenden Betrag: 1 393,22 Dollar. Außerdem weist es auf doppelte Abbuchungen, unerwartete Gebühren oder eine steigende Rechnung hin und kann ein Diagramm, einen Fälligkeitskalender oder ein Dashboard erstellen.

Merkmal des Angebots	Angekündigter Wert
Unterstützte Tarife	Pro, Max und Ultra (weder Free noch Team noch Enterprise)
Land und Banken	USA, höchstens 16 US-Banken
Startstatus	Beta, schrittweise Einführung ab dieser Woche
Plattformen	Web, Claude Desktop, iOS und Android
Ausgelesene Daten	Bis zu 24 Monate an Transaktionen, nur Lesezugriff
Modelltraining	Gespräche im Bereich Personal Finance ausgeschlossen

Außerhalb dieses Bereichs gelten die üblichen Datenschutzeinstellungen; laut Hilfe-Center wird ein Gespräch, das Konten genutzt hat, weder für die Erinnerungsfunktion noch für die Suche im Verlauf verwendet. Die verknüpften Konten werden weder in Cowork noch in Claude Code oder in geplanten Aufgaben genutzt, und die Funktion ist in Claude Duet nicht verfügbar. Anthropic stellt Personal Finance als ersten Schritt vor und erklärt, ohne Terminangabe eine Zusammenarbeit mit zugelassenen Fachleuten und regulierten Finanzinstituten zu prüfen. Claude schließt sich ChatGPT, Perplexity und Grok an, die ebenfalls Plaid nutzen.

🔗 Personal Finance in Claude vorgestellt · Personal Finance in Claude nutzen (Hilfe-Center)

Kontinuierlich arbeitende Agenten: Perplexity Teammates und die verwalteten Agenten von Mistral Studio

5. November — Perplexity startet Teammates, persönliche Agenten für längerfristige Arbeit, die zunächst von Aravind Srinivas und anschließend vom offiziellen Perplexity-Konto angekündigt wurden. Jeder Teamkollege (teammate) baut auf dem auf, was in Computer bereits vorhanden ist: Projekte, Skills, Erinnerungen, Plugins und Automatisierungen. Man gibt ihm einen Namen, eine Rolle, eine dauerhafte Anweisung und Regeln dafür, wann er sich zurückmelden soll; er plant die Arbeit, koordiniert Sitzungen in Computer und andere Teamkollegen, prüft unterwegs die Ergebnisse und legt die abgeschlossene Arbeit zur Freigabe vor. Er behält Ziele, Aufgabenverlauf und Dateien von einem Durchlauf zum nächsten in einem einzigen, dauerhaften Thread.

Today, we’re launching Perplexity Teammates. They are personal agents for work. And change the paradigm from writing prompts in a session to giving high-level goals. Rolling out to Max users on the web today. Native apps (mobile, desktop) coming soon.

🇩🇪 Heute starten wir Perplexity Teammates. Das sind persönliche Agenten für die Arbeit. Und sie verändern das Paradigma: vom Schreiben von Prompts in einer Sitzung hin zum Festlegen übergeordneter Ziele. Die Einführung für Max-Nutzer im Web beginnt heute. Die nativen Apps (Mobilgeräte, Computer) kommen bald. — @AravSrinivas auf X

Der Unterschied zu Computer liegt in der Proaktivität. Ein Teamkollege überwacht die laufende Arbeit und handelt ohne neue Anfrage, wenn sich etwas ändert: Ein Teamkollege im Vertrieb bemerkt einen Stammkunden, der nichts mehr kauft, prüft dessen Bestellungen und Tickets und bereitet anschließend ein Angebot vor oder meldet ein Problem. Laut FAQ laufen die Teamkollegen 24 Stunden am Tag im Hintergrund und melden sich, wenn eine Entscheidung erforderlich ist. Wird ein Teamkollege einem Slack-Kanal hinzugefügt, erhält er Aufgaben von Kollegen, und die Teamkollegen geben die Arbeit untereinander weiter: Einer findet Bugs auf einer Website, ein anderer bereitet die Patches vor.

Produktaspekt	Von Perplexity veröffentlichte Details
Erforderlicher Tarif	Nur Perplexity Max
Plattformen	Web ab dem 5. November, native Apps ohne Termin angekündigt
Nutzungskosten	Während eines Aktionszeitraums kostenlos, danach monatliche Credits in Max enthalten
Isolation	Eigener Desktop, Browser, eigene Sitzungen und Cookies für jeden Teamkollegen
Berechtigungen	Die der Tools und Projekte von Computer, verschlüsselte Zugangsdaten

Der Nutzer kann die Arbeit überprüfen, die Kontrolle über den Desktop übernehmen oder einen Teamkollegen während der Arbeit neu ausrichten. Das Ende des Aktionszeitraums ist nicht datiert, und Perplexity verspricht, den Zugang und die Funktionen in den kommenden Wochen zu erweitern. Teammates baut auf Computer in Slack, das am 1. April gestartet wurde, und den Automatisierungen vom 29. September auf.

🔗 Teammates sind Agenten für komplexe, fortlaufende Arbeit (Perplexity) · Produktseite von Perplexity Teammates

Mistral erweitert Studio um verwaltete Agenten und Anwendungen und macht Workflows allgemein verfügbar

5. November — Für Unternehmen erweitert Mistral seine KI-Plattform Studio: Verwaltete Agenten (Managed Agents) und Anwendungen (Apps) starten in der öffentlichen Vorschau, und Workflows, seit Ende April in der öffentlichen Vorschau, wird allgemein verfügbar. Die drei Bausteine sind ab dem 5. November auf Mistral Cloud verfügbar und kommen Ende November auch in Bereitstellungen in privaten Clouds und vor Ort. Verwaltete Agenten werden mit dem SDK mistralai-agents in Python geschrieben: Einmal definiert, läuft derselbe Agent auf den eigenen Servern (agents serve) oder bei Mistral (agents deploy), arbeitet stunden- oder tagelang im Hintergrund, setzt nach einem Absturz beim letzten abgeschlossenen Schritt wieder an und kann auf die Freigabe durch eine Person warten. Studio übernimmt für Anwendungen das Hosting, die Authentifizierung und die Zugriffskontrolle. Die Versionshinweise führen zwölf Neuerungen auf, darunter einen Workflow-Builder in natürlicher Sprache mit Mistral Vibe, Evaluierungen offline und anhand des tatsächlichen Datenverkehrs, einen verwalteten Suchindex und Webhooks. Zu den Kunden und Partnern, die Studio bereits produktiv nutzen, zählt Mistral unter anderem ABANCA, BNP Paribas, Capgemini und CMA CGM. Es wurden keine Preise veröffentlicht, und die API der verwalteten Agenten kann sich während der Vorschau noch ändern.

🔗 Le Chonk liefert die Intelligenz. Studio setzt sie ein (Mistral AI)

OpenAI stellt Images 2.6 vor: animierte GIFs, Referenzbilder und zwei um 50 % schnellere API-Modelle

4. November — Zwei Monate nach Images 2.5 bringt OpenAI Images 2.6 in ChatGPT, Codex und die API; die Ankündigung wurde am Abend des 4. November veröffentlicht. Das Modell erzeugt Bilder 50 % schneller und bewahrt Details über mehrere Bearbeitungsschritte hinweg besser, etwa die Kleidung einer Figur, wenn der Hintergrund geändert wird. Es ist weltweit in ChatGPT und Codex für alle Abonnements im Web, auf dem Desktop und auf Mobilgeräten verfügbar.

Zwei Funktionen kommen in ChatGPT hinzu. Die Erstellung von GIFs, die derzeit eingeführt wird, verwandelt einen Prompt, ein Bild oder eine Skizze in eine animierte Schleife, mit einstellbarer Wiedergabegeschwindigkeit und der Möglichkeit, jedes Einzelbild zu bearbeiten. Gespeicherte Referenzbilder ermöglichen es, ein Foto in neuen Unterhaltungen wiederzuverwenden: Man speichert das Foto seines Hundes unter dem Namen Pepper und bittet dann um ein Aquarellporträt von @Pepper, ohne es erneut zu senden.

API-Modell	Angekündigte Stärke	Bildausgabe, pro Million Tokens
`gpt-image-2.6-flare`	Ein Bild in sechs Sekunden bei niedriger Qualität, sorgfältiges Layout von Postern und Grafiken	30 Dollar
`gpt-image-2.6-sunburst`	Höhere Qualität und Konsistenz über mehrere Bearbeitungen hinweg, bei mittlerer oder hoher Qualität	30 Dollar

In der API dienen beide Modelle sowohl der Generierung als auch der Bearbeitung. Die API erhält außerdem einen Komplexitätsparameter, der den Planungsgrad des Modells steuert (ein niedriger Wert eignet sich für schnelle Bearbeitungen), SVG-Export, die Generierung animierter GIFs und eine durch Annotationen gesteuerte Bearbeitung, die auch mit kompatiblen Modellen von GPT Image 2.5 verfügbar ist. Die Preise entsprechen denen von GPT-Image-2.5 Flare: 5 Dollar pro Million Text-Tokens als Eingabe und 8 Dollar pro Million Bild-Tokens als Eingabe. OpenAI beziffert die Nutzung mit ChatGPT, Codex und der API auf 4 Milliarden Bilder pro Woche, also mehr als eine halbe Milliarde pro Tag. OpenArt, Figma Weave, Picsart, fal, Sable und Higgsfield hatten frühzeitigen Zugang, und HeyGen hat das Modell bereits am Folgetag integriert (siehe Kurzmeldungen).

🔗 Images 2.6 vorgestellt (OpenAI) · Versionshinweise zu ChatGPT

Google macht Gemini Omni 1.2 Flash allgemein verfügbar: Videos mit 15 Sekunden Länge und um 30 % niedrigere Preise

5. November — Google veröffentlicht Gemini Omni 1.2 Flash, eine neue Version seines Modells zur Videogenerierung und -bearbeitung, als allgemein verfügbare Version in der Gemini API (gemini-omni-1.2-flash, nur im kostenpflichtigen Tarif) und in Gemini for business. Laut Google ist Gemini Omni damit erstmals mit der Infrastruktur von Google Cloud allgemein verfügbar, einschließlich Provisioned Throughput; jede Ausgabe trägt ein SynthID-Wasserzeichen.

Das Modell erzeugt und bearbeitet nativ 15 Sekunden lange Clips, gegenüber 10 Sekunden bei Omni 1.1, wobei sich die Dauer zwischen 3 und 15 Sekunden sekundengenau einstellen lässt. Es hält sich besser an seine Referenzen (Bilder von Figuren, Produkten oder Stilvorlagen, kurze Bewegungsclips, Audiohinweise, bis zu 6 Referenzbilder in der API) und erzeugt weniger abrupte Schnitte (jump cuts). Die dialogbasierte Bearbeitung über mehrere Runden funktioniert mit vollständigen 15-Sekunden-Clips, mit natürlicheren Dialogen und präziserer Lippensynchronisation. In der API fügt die Verlängerung eines Clips pro Runde 3 bis 10 Sekunden hinzu, bis zu einer Gesamtlänge von 30 Sekunden, und die Rate Limits des kostenpflichtigen Tarifs verdoppeln sich.

Verglichener Parameter	Omni 1.1 Flash	Omni 1.2 Flash
Maximale native Dauer	10 Sekunden	15 Sekunden
Videoausgabe, pro Million Tokens	17,50 Dollar	12 Dollar
Effektiver Preis bei 720p	etwa 0,10 Dollar pro Sekunde	etwa 0,07 Dollar pro Sekunde

Google kündigt damit eine Preissenkung um 30 % an: Ein 15 Sekunden langer Clip in 720p kostet etwa 1,04 Dollar, eine Sekunde kostet 0,023 Dollar in 360p und 0,209 Dollar in hochskaliertem 4K. Am 3. Dezember werden alle an gemini-omni-1.1-flash gerichteten Anfragen an Version 1.2 weitergeleitet und nach deren Tarif abgerechnet. Für Privatnutzer kommt das Modell in Flow, in Google Vids, wo die 15 Sekunden langen Clips mit einem Google-Konto oder einem Workspace-Abonnement keinen Aufpreis kosten, in Google Ads und in die Gemini-App für alle Google AI-Abonnenten; die 15 Sekunden langen Videos sind dort Google AI Ultra vorbehalten. Runway hat es noch am selben Tag hinzugefügt (siehe Kurzmeldungen). Google räumt ein, dass bei schnellen sportlichen Aktionen, schnellen Skriptwechseln und komplexer Physik noch Verbesserungen nötig sind, und veröffentlicht keinen Benchmark.

🔗 Gemini Omni 1.2 Flash vorgestellt (Google) · Preise für Gemini Omni 1.2 Flash

Luma verbindet seine kreativen Workflows über einen MCP-Connector mit Claude und ChatGPT

3. November — Luma veröffentlicht einen MCP-Connector, der seine Kreativtools in Claude und ChatGPT verfügbar macht; der auf den 3. November datierte und am 4. aktualisierte Beitrag wurde von Luma am 5. weiterverbreitet. Der Connector bietet Zugang zu Luma Agent, der laut Beschreibung ein ganzes Projekt auf Grundlage eines einzigen Prompts orchestrieren kann, sowie zu den vordefinierten Workflows von Luma: Product Shots, Camera Angles, Background swap, Relight Studio und kurze Werbeclips. Die fertigen Bilder und Videos erscheinen wieder in der Unterhaltung. Das hervorgehobene Szenario richtet sich an das Marketing: Man fragt den Assistenten, welche Anzeige in der Vorwoche am besten funktioniert hat, und lässt Luma dann Varianten der erfolgreichsten Anzeige mit neuen Szenen, neuen Blickwinkeln und neuer Beleuchtung erstellen. Das Luma-Konto wird einmal verbunden, und jede Generierung verbraucht Credits des Luma-Abonnements; für den Connector gibt es keinen eigenen Tarif. Luma hatte bereits am 8. Oktober einen MCP-Connector mit Claude Motion verbunden; neu sind die Anbindung an ChatGPT sowie die vordefinierten Workflows und Luma Agent, die nun in beiden Assistenten verfügbar sind. Luma reiht sich damit neben Runway, Synthesia, Suno und HeyGen ein, die ihre Tools in den vergangenen Wochen ebenfalls an die Assistenten angebunden haben.

🔗 Luma mit ChatGPT und Claude verbinden (Luma)

Ricursive Intelligence veröffentlicht Ripple-65B Preview, ein dichtes Modell mit offenen Gewichten für agentisches Coding

4. November — Ricursive Intelligence, ein Labor, das in diesem Überblick bislang noch nicht vorkam, veröffentlicht Ripple-65B Preview: ein dichtes Sprachmodell mit 65 Milliarden Parametern, das von Grund auf mit 12 000 Milliarden Tokens vortrainiert wurde, unter Apache 2.0 lizenziert ist und ein Kontextfenster von bis zu 1 048 576 Tokens bietet. Die Veröffentlichung umfasst das mit Anweisungen nachtrainierte Modell in BF16 und NVFP4, ein Basismodell allein aus dem Vortraining sowie ein kleines DFlash2-Draft-Modell für spekulatives Decoding. Ricursive stellt sich als Labor vor, das Hardware, Software und Modell gemeinsam optimiert, und Ripple-65B Preview ist die Allzweckvariante des proprietären Modells seiner Plattform für KI-gestütztes Chipdesign.

Die hervorgehobenen Ergebnisse betreffen agentisches Coding: 80,5 % auf Terminal-Bench 2.1, 79,1 % auf SWE-Bench Pro v2.0-Hard und 44,3 % auf DeepSWE v1.1. Ricursive beansprucht in diesem Bereich den Spitzenplatz unter den US-Modellen mit offenen Gewichten, vor deutlich größeren Modellen mit einer Mischung aus Experten (Mixture-of-Experts, MoE); der Anspruch bezieht sich auf offene US-Modelle, nicht auf alle offenen Modelle.

Merkmal (Datenblatt von Ricursive)	Ripple-65B Preview	Reflection Beam	Muse Spark Open	Inkling	Nemotron 3 Ultra
Modellarchitektur	Dense	MoE	MoE	MoE	MoE
Parameter insgesamt	65B	501B	816B	975B	550B
Aktive Parameter	65B	23B	42B	41B	55B
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
GPQA Diamond	85,2	90,6	89,0	87,2	87,0

Ricursive spricht von einem Vergleich nach bestem Bemühen (best-effort): offizielle Ergebnisse der Konkurrenz, soweit vorhanden, andernfalls interne Evaluierungen, je nach Test unterschiedliche Harnesses und bei allen Modellen außer Muse Spark Open niedrigere Werte auf Terminal-Bench 2.1 mit dem offiziellen Harness Terminus 2. Beim Allgemeinwissen (GPQA Diamond) liegt Ripple weiterhin hinter seinen Konkurrenten.

Das Rezept stammt von einem kleinen Team, das von einer auf fünf Personen gewachsen ist. Ricursive ging vom Trainingsrezept von Olmo 3, dem offenen Modell von Ai2, aus und überarbeitete es in allen Bereichen (Skalierungsgesetze, Architektur, Daten, Nachtraining): Nach eigenen Angaben steigerte das Labor die Recheneffizienz beim Coding gegenüber der Modellreihe Olmo 3 um den Faktor 16 und für das vollständige Training um bis zu Faktor 55. Das Modell ist dicht statt einer Mischung aus Experten, um die Infrastruktur zu vereinfachen, mit einer schmalen und tiefen, von Gemma 3N inspirierten Architektur (80 Schichten) und einem Training in BF16 ohne eigens entwickelte Rechenkerne. Das vergleichsweise leichte Nachtraining erreichte 80,5 auf Terminal-Bench 2.1 mit 1,4 Millionen Durchläufen beim Reinforcement Learning (rollouts), laut Ricursive etwa 70-mal weniger als bei Reflection Beam.

Das Modell erzeugt ohne Quantisierung 250 Tokens pro Sekunde auf zwei B200 (Batches von 8) und passt mit dem NVFP4-Checkpoint auf eine DGX Spark. Together AI stellt es seit dem 5. November für 0,20 Dollar pro Million Eingabe-Tokens und 0,60 Dollar pro Million Ausgabe-Tokens bereit, mit einem Kontextfenster von 128K Tokens auf seiner Plattform, und Atomic Chat hat es nach llama.cpp portiert und eine erste GGUF-Version veröffentlicht.

🔗 Ricursives Ankündigung auf X · Ripple-65B Preview auf Hugging Face · Ripple-65B Preview auf Together AI

Coding-Agenten: Devin Review 2.0, Online-Anwendungen in Cursor, microVM von Replit und Qwen Code v0.26.8

Cognition veröffentlicht Devin Review 2.0 mit günstigeren und standardmäßig inkrementellen PR-Reviews

5. November — Cognition veröffentlicht Devin Review 2.0 und macht es beim Arbeiten mit Devin zum Standardtool für Pull-Request-Reviews. Der Beitrag stellt im Titel heraus, dass Reviews seit August fünfmal günstiger geworden sind, und beziffert den Rückgang der Kosten pro PR in diesem Zeitraum auf 82 %, dank einer besseren Mischung von Modellen und der Optimierung des Harness; der Ankündigungsthread von @cognition spricht seinerseits von bis zu fünfmal günstigeren Reviews. Ein typisches Review kostet zwischen 0,25 und 0,75 Dollar, und ein behobener Bug kostet Kunden im Schnitt etwa 2,25 Dollar. Laut Cognition steigt die durchschnittliche Zahl der pro PR gefundenen Bugs von 1,22 auf 1,32, während die mediane Latenz von 139 auf 94 Sekunden sinkt. Reviews sind standardmäßig inkrementell: Ein neuer Durchgang liest nur erneut, was sich geändert hat, rund 80 % der PR kosten weniger als einen Dollar einschließlich aller Pushes, und eine Ausgabenobergrenze pro PR verhindert ausufernde Kosten. Hinzu kommen Devin Review Ultra, eine Review-Stufe mit höherem Aufwand und höheren Kosten für sensiblen Code (Abrechnung, Sicherheit), sowie benutzerdefinierte Reviewer (Custom Reviewers) in der Beta; neue Preise werden nicht veröffentlicht.

🔗 Devin Review 2.0 (Cognition)

Cursor erstellt, hostet und teilt Online-Anwendungen

5. November — Cursor ermöglicht es, Online-Anwendungen zu erstellen und über einen Link zu teilen. Ausgangspunkt laut Cursor: Agenten haben die Kosten für Code gesenkt, doch die meisten erstellten Tools verlassen den lokalen Rechner (localhost) nie. Man startet einen Cloud-Agenten und fordert ihn ausdrücklich auf, eine Anwendung zu erstellen: Cursor legt das Grundgerüst an, erstellt bei Bedarf eine Postgres-Datenbank, nutzt die Cursor-Anmeldung für die Authentifizierung und hostet die Anwendung in einem dedizierten Konto, das von denen anderer Teams isoliert ist. Vor jeder Veröffentlichung unter der gewählten Domain müssen vier deterministische Prüfungen (in Dateien gespeicherte Secrets, Dateien mit Zugangsdaten, .env-Dateien, Source Maps) und ein Sicherheitsreview durch KI erfolgreich sein; anschließend veröffentlicht der Nutzer die Anwendung ausdrücklich selbst. Administratoren sehen alle Anwendungen und alle Secrets, fügen eigene Review-Regeln hinzu und können die Veröffentlichung jeder Anwendung zurücknehmen. Die Freigabe kann für einzelne Personen, Gruppen, das Team oder die Öffentlichkeit erfolgen; die öffentliche Freigabe ist bei Teams und Enterprise standardmäßig deaktiviert. Die Funktion ist in allen kostenpflichtigen Tarifen mit Cloud-Agenten über Cursor Origin oder GitHub verfügbar, GitLab ist für demnächst angekündigt; Preise für das Hosting werden nicht genannt.

🔗 Live Apps in Cursor erstellen · Cursor-Dokumentation zu Anwendungen

Replit schreibt seine Sandbox-Engine auf Basis von microVMs neu, jede mit eigenem Linux-Kernel

4. November — Replit veröffentlicht den ersten Teil einer Reihe über seine neue Sandbox-Engine, der am Abend des 4. November online ging und am nächsten Tag weiterverbreitet wurde. Jede Sandbox ist jetzt eine microVM, eine leichtgewichtige virtuelle Maschine mit eigenem Linux-Kernel, anstelle von Containern, die sich den Kernel des Hosts teilen; nach eigenen Angaben hat Replit Hunderte Millionen Projekte ohne Datenverlust migriert. Der Monitor Cloud Hypervisor teilt Komponenten mit Firecracker, und der auf tinyconfig basierende Gast-Kernel kommt ohne Bluetooth, USB und Bildschirmtreiber aus.

Audit der CVE des Linux-Kernels (1. Juni bis 4. November 2026)	Wert laut Replit
Veröffentlichte und geprüfte CVE	6 211
Durch die neue Engine vermiedene CVE	5 969 (96,1 %)
Vor der Offenlegung integrierte Patches	4 375 (70,4 %)
Durch die Kernel-Konfiguration ausgeschlossene CVE	676 (10,9 %)

Für CVE-2026-98432, die TCP-Schwachstelle, deren Ausnutzung Anthropic demonstriert hat, war der korrigierte Kernel bereits am 12. Oktober im Einsatz. Regeln für ausgehenden Netzwerkverkehr werden außerhalb der Gastmaschine durch einen Proxy auf dem Host durchgesetzt, und Zugangsdaten-Broker rufen GitHub oder Google Docs auf, ohne den Kontoschlüssel jemals an die Sandbox weiterzugeben. Eine Sandbox lässt sich in etwa 500 Millisekunden bereitstellen; ein zweiter Teil wird die Orchestrierung von Zehntausenden microVMs mit Kubernetes behandeln.

🔗 Einblick in Replits neue Sandbox-Engine, Teil 1

Qwen Code v0.26.8 bindet die Plus- und Pro-Abonnements von Qwen an

5. November — Qwen Code v0.26.8 stellt die Anmeldung über ein Qwen-Konto wieder her, die nun an ein Abonnement gebunden ist. Im CLI, in der VS Code-Erweiterung und in der Desktop-Anwendung ermöglicht die Option „Qwen Account with Subscription“ die Nutzung eines auf chat.qwen.ai abgeschlossenen Plus- oder Pro-Abonnements ohne API-Schlüssel: Der Client lädt den Modellkatalog des Kontos, nutzt das Abonnement für Gespräche und die integrierte Websuche und unterstützt den Nutzer bei Authentifizierungsfehlern, ausgeschöpften Kontingenten oder Anfrageratenbegrenzungen. Laut dem Pull Request, der diesen Zugang einführt, reagiert er auf das Ende des bisherigen kostenlosen OAuth-Dienstes; weder die Versionshinweise noch die Dokumentation nennen das Datum dieses Endes oder die Preise der Tarife, und CI sowie Container verwenden weiterhin einen API-Schlüssel. Diese stabile Version ohne inkompatible Änderungen umfasst 83 Einträge, darunter 14 Funktionen, 37 Fehlerbehebungen und 13 Performance-Optimierungen: Mods können eigene Prompts übermitteln, und von einem Projekt bereitgestellte Hooks erfordern nun einen Genehmigungsdialog. Die Desktop-Anwendung v0.26.8 und das TypeScript-SDK v0.1.28 folgen am selben Tag.

🔗 Qwen Code v0.26.8

Schnellere Inferenz: NVIDIAs Vera-CPU, Metas sgl-muse-mega und Runway Characters in Echtzeit

NVIDIA beziffert den Vorsprung seiner Vera-CPU gegenüber x86 bei Agenten

5. November — NVIDIA veröffentlicht neue Zahlen zu Vera, seinem für Agenten konzipierten Prozessor. Jeder Schritt eines Agenten (suchen, eine Datenbank abfragen, Code schreiben und testen, handeln) wird auf einer CPU ausgeführt, und da die Energieversorgung die Kapazität von KI-Fabriken begrenzt, misst NVIDIA die geleistete Arbeit pro Watt. Im eigenen Vergleich auf der Ebene eines Rechenzentrums mit 100 Megawatt würde eine einzelne Vera-CPU 1,6-mal so viele Agenten pro Watt betreiben wie der schnellste x86 und Agenten doppelt so schnell machen wie der energieeffizienteste x86; keiner der beiden wird namentlich genannt. NVIDIA führt außerdem die Ergebnisse von sechs Partnern an:

Von NVIDIA genannter Partner	Angekündigtes Ergebnis mit Vera
Perplexity	Agentische Programmierung 1,5-mal schneller als auf herkömmlichen CPUs, Bereitstellung geplant
DeepInfra	Bis zu 2,2-mal so schnell wie der beste x86 bei der Agenten-Orchestrierung
ClickHouse	Nahezu lineare Skalierung über 176 Kerne, an der Spitze der ClickBench-Rangliste
DuckLabs	Etwa 1,5-mal die mediane Leistung eines Intel Xeon 6 bei TPC-H SF1000
Daytona	1 000 Sandboxes in 10,8 s einsatzbereit, gegenüber 88,4 s bei x86
Modal	Bis zu 2-mal so hoher Sandbox-Durchsatz pro Kern gegenüber einem vergleichbaren x86

Der Beitrag nennt weder Preise noch einen Zeitplan; Vera war im Januar auf der CES vorgestellt und Ende August an AWS ausgeliefert worden.

🔗 Vera vereint das Beste aus beiden Welten (NVIDIA)

Meta veröffentlicht unangekündigt sgl-muse-mega, das Muse Spark Open auf GB300 bis zu 2,1-mal schneller decodiert

5. November — Meta hat auf dem GitHub von facebookresearch unter MIT-Lizenz und ohne Ankündigung sgl-muse-mega veröffentlicht: ein Plugin für die Inferenz-Engine SGLang, das Muse Spark Open, sein Modell mit offenen Gewichten und 816 Milliarden Parametern (42 Milliarden aktiv), auf GB300-GPUs bereitstellt. Anstatt Hunderte kleiner Rechenkerne (kernels) pro Decodierungsschritt zu starten, führt es jede Decoder-Schicht mit einem einzigen Start aus und vereint den DFlash2-Draft, die Verifikation und die Annahme beim spekulativen Decoding in einem gemeinsamen CUDA-Graphen. Laut README erreicht eine einzelne Anfrage auf GSM8K mit acht GB300 bis zu 1 109 Tokens pro Sekunde, gegenüber 517 für SGLang mit demselben Draft, also das 2,1-Fache; ein Decodierungsschritt sinkt von 12,9 ms und 1 450 Kernels auf 5,9 ms und 97 Kernels. Der Gewinn gilt nur für das Decoding jeweils einer einzelnen Anfrage (weitere Anfragen fallen auf SGLang zurück), das Tool ist als experimentell gekennzeichnet und benötigt acht GB300 in derselben NVLink-Domäne oder vier auf einem Knoten.

🔗 sgl-muse-mega (facebookresearch)

Runway stellt das 57B-Videomodell von Runway Characters auf vier H100 in Echtzeit bereit

5. November — Runway Research veröffentlicht einen Beitrag und einen arXiv-Artikel darüber, wie Runway Characters, seine aus einem einzigen Bild erzeugten Videofiguren für Live-Gespräche, Echtzeit erreicht. Ein autoregressiver Video-Diffusionstransformer mit etwa 57B Parametern muss bei 24 Bildern pro Sekunde alle 166,7 ms einen Block aus vier Bildern im Format 704x1088 erzeugen, und zwar für einen einzelnen Nutzer: Anfragen mehrerer Nutzer lassen sich nicht bündeln, jede Millisekunde muss im Schritt selbst eingespart werden. Das erste Einsparpotenzial lag im Cache: 29 % der GPU-Zeit entfielen darauf, in jedem der 240 Attention-Aufrufe einen nahezu unveränderten Cache erneut zu verarbeiten. Indem Runway RoPE und die FP8-Quantisierung nur einmal, beim Schreiben in einen Ring-Cache, anwendet, senkt es dessen Verwaltungsaufwand von 69,7 auf 6,2 ms pro Schritt.

Von Runway gemessene Konfiguration	Dauer eines Diffusionsschritts
Software bei der Einführung, auf vier H100	240,9 ms
Nach der Optimierung, auf vier H100	159,3 ms (24,5 images/s)
Mit einem Kernel, der Reduktion und FP8-Berechnung vereint	147,4 ms
Auf drei B200	154,3 ms

Eine Sitzung benötigt jetzt vier H100 statt acht bei der Einführung. Über sieben Wochen im Produktivbetrieb lag der Durchschnitt in 99,5 % der Sitzungen über 23,5 Bildern pro Sekunde, und ein Gesprächsschritt dauert im Median 2,13 s, davon 1,42 s für den Sprachagenten.

🔗 Echtzeitvideo bei Batch-Größe eins (Runway) · arXiv-Artikel 2611.05642

Offene Robotik: LeRobot v0.7.0 von Hugging Face und ToyBlocks von Ai2

Hugging Face veröffentlicht LeRobot v0.7.0, das Gespräche mit einem laufenden Roboter ermöglicht

5. November — Hugging Face veröffentlicht LeRobot v0.7.0, die neue Version seiner offenen Robotikbibliothek, während der Hub inzwischen fast 300 TB an Daten für physische KI im LeRobot-Format beherbergt. Mit interaktiven Sitzungen spricht man mit dem laufenden Roboter: /subtask ändert die Anweisung, ohne ihn anzuhalten, /vqa fragt die Policy, was sie sieht, und /autosteer gibt ihr ein Ziel vor. Die beiden letztgenannten Befehle erfordern eine Policy, die Text erzeugt, etwa FineART-VLA, trainiert auf dem FineART-Datensatz von Scale AI und Hugging Face (1 718 Stunden Manipulationen mit zwei Armen, mehr als 533 000 annotierte Teilaufgaben), oder einen externen VLM-Planer. Beim Training lassen sich Datensätze ohne Download vom Hub oder aus LanceDB streamen, und der Stack wechselt zu FSDP2 und HSDP: Bei einem FastWAM-Modell mit 6B sinkt der maximale Speicherbedarf beim Wiederaufnehmen von 143 auf 42 GB pro GPU. Die Version ergänzt vier World-Action-Modelle (Cosmos 3 und Long-WAM von NVIDIA, FLUX 3 Action von Black Forest Labs, LaWAM von RLinf) und vier Vision-Language-Action-Policies, darunter LingBot-VLA 2.0 und Wall-OSS-0.5. Sie bringt mehrere inkompatible Änderungen mit sich: für CUDA 13 kompiliertes PyTorch, ein Policy-Server ersetzt die asynchrone Inferenz, Trackio tritt an die Stelle von Weights & Biases.

🔗 LeRobot v0.7.0 (Hugging Face-Blog)

Ai2 stellt unangekündigt ToyBlocks online, ein Simulationsframework, das Demonstrationen für Roboter erzeugt

5. November — Ai2 hat zwischen dem Abend des 4. und dem 5. November ohne Ankündigung die Bestandteile von ToyBlocks online gestellt: ein offenes Simulationsframework auf Basis von IsaacSim und IsaacLab, in dem ein Roboterarm Blöcke auf einem Tisch schiebt, umdreht und stapelt. Sein Nutzen besteht darin, Teleoperation durch die automatische Erzeugung von Aufgaben und Demonstrationen zu ersetzen: Der veröffentlichte Datensatz umfasst 83 496 erfolgreiche Demonstrationen des Stapelns von drei Blöcken, also 143,7 Millionen Bilder und fast 1 600 Stunden, auf drei Schwierigkeitsstufen, mit Validierungsdatensätzen von 1 000 Episoden pro Stufe. Zwei Modelle begleiten ihn: Molmo2-4B-tb, ein per Fine-Tuning angepasstes Molmo2-4B, das das Kamerabild und das Ziel liest, einen kurzen Plan formuliert und mit etwa 6 Hz die nächste Aktion (greifen, ablegen, umdrehen, drehen) samt Ziel benennt, sowie eine ManiFlow-Policy, die diese Bewegungen ausführt. Der in den Repositories angeführte Blogbeitrag lieferte zum Zeitpunkt der Überprüfung einen 404-Fehler, und der technische Bericht ist für demnächst angekündigt.

🔗 ToyBlocks (allenai)

Anthropic untersucht anhand von 207 049 Forschungssitzungen, wie Wissenschaftler Claude nutzen

5. November — Das Economics-Team von Anthropic veröffentlicht einen Bericht über die wissenschaftliche Nutzung von Claude, der auf 207 049 Forschungssitzungen in Privatkundentarifen zwischen dem 2. August und dem 30. September 2026 basiert. Die Sitzungen wurden von Klassifikatoren analysiert, die nur Fachgebiets- und Aufgabenlabels speichern. Die Formalwissenschaften nutzen Claude deutlich stärker, als es ihrem Anteil an der weltweiten Forschung entspricht: Auf die Informatik entfallen 32,7 % der Claude Code-Sitzungen, während sie 4,3 % der Forschenden weltweit stellt.

Beobachtete Kennzahl	Auf Claude (Chat und Cowork)	Auf Claude Code
Analysierte Sitzungen	128 914	78 135
Anteil der Datenanalyse	33,7 %	48,1 %
Anteil der Ideenfindung und Hypothesenbildung	4,2 %	2,1 %

Wissenschaftler nutzen Claude vor allem zur Datenanalyse und zum Schreiben, deutlich seltener zur Formulierung von Hypothesen, obwohl die 528 befragten Forschenden Ideenfindung und Datenerhebung zu den wichtigsten Aufgaben zählen; bei Claude Science ist der Anteil der Ideenfindung etwa doppelt so hoch wie bei Claude. Der Bericht skizziert Szenarien, die als Veranschaulichung und nicht als Prognosen präsentiert werden: Bei breiter Nutzung der heutigen Fähigkeiten würde sich die Forschungsleistung um den Faktor 1,35 (Kunst) bis 2,02 (Statistik) erhöhen; übernähme KI die gesamte nicht körperliche Arbeit, läge der Faktor in Bereichen ohne Laborarbeit bei 15 bis 16, gegenüber 3 bis 4 in Biologie oder Chemie. Etwa 40 % der befragten Forschenden erwarten bis 2030 Forschungsprojekte, die allein von KI durchgeführt werden.

🔗 KI für wissenschaftliche Entdeckungen: Wie Forschende Claude nutzen (Anthropic)

OpenAI veröffentlicht ein Abkommen mit den Gemeinden seiner Rechenzentrumsstandorte

5. November — OpenAI veröffentlicht ein nationales Abkommen mit den Gemeinden (National Community Compact) und einen politischen Maßnahmenplan für Rechenzentrumsstandorte (Compute Campus Policy Blueprint). Jeder künftige Standort, den OpenAI besitzen und betreiben wird, erhält ein lokales Abkommen mit einer Beteiligung, die früh genug erfolgt, um das Projekt zu beeinflussen, einem lokalen Ansprechpartner und einem jährlichen öffentlichen Bericht. OpenAI verpflichtet sich, sämtliche Kosten für den benötigten Strom und die erforderliche Infrastruktur zu tragen, mit finanziellen Garantien zum Schutz der übrigen Kunden, falls ein Projekt verzögert, verkleinert oder abgesagt wird, den Wasser- und Stromverbrauch jedes Standorts zu veröffentlichen, Kühlung im geschlossenen Kreislauf oder mit geringem Wasserverbrauch zu bevorzugen und gewählten Vertretern sowie öffentlichen Bediensteten keine Vertraulichkeitsvereinbarungen aufzuerlegen, abgesehen von eng begrenzten Schutzvorkehrungen. In Effingham County in Georgia haben die Einwohner einen Zuschuss von 4,8 Millionen Dollar für kostenlose Schulmahlzeiten für die 14 000 Schüler des Countys vorgesehen; in Pike County in Ohio sagen OpenAI und SB Energy 6 Millionen Dollar für die Kinderbetreuung zu. Der Plan fordert von politischen Entscheidungsträgern außerdem einheitliche Regeln: Großverbraucher sollen die zusätzlichen Kosten tragen, die sie im Netz verursachen, der Netzanschluss von Standorten, die ihren Bedarf reduzieren können, soll erleichtert werden, wie es die am 2. November gestartete Initiative Grid Protectors vorsieht, und der Bau von Stromübertragungsleitungen soll beschleunigt werden.

🔗 Neue Maßstäbe für verantwortungsvolle KI-Infrastruktur setzen (OpenAI)

Kurzmeldungen

Agenten und Coding-Tools

Amp und GitLab — Amp integriert sich in GitLab, sowohl auf gitlab.com als auch auf selbstverwalteten Instanzen: Seine Cloud-Umgebungen, die orbs, klonen und pushen im Namen des Nutzers, öffnen und verfolgen Merge Requests, und Orb Spawner startet für jeden neuen Merge Request oder jedes neue Ticket eine orb; keine Preisangabe. 🔗 Quelle
Review von Agenten-PRs bei Warp — Ben Holmes schlägt drei Maßnahmen gegen den Review-Stau vor: einen selbst entwickelten Review-Agenten mit mehreren Durchläufen, eine Ende-zu-Ende-Prüfung durch den Agenten und eine Bewertung des Merge-Risikos anhand von fünf Kriterien, veröffentlicht als Skill /merge-risk. 🔗 Quelle
Copilot CLI 1.0.106-10 — Eine neue Vorabversion erscheint auf npm ohne Release Notes; das Copilot SDK 1.0.29-preview.9, das sie mitliefert, lässt eine experimentelle Komprimierung des Verlaufs und die Anmeldung per Gerätecode erkennen. Die letzte stabile Version bleibt 1.0.105 vom 28. Oktober. 🔗 Quelle
Copilot Fusion — GitHub legt den 30. November als Ende des Rabatts von 30 % auf diesen Modell-Router fest, der laut Ankündigung vom 28. Oktober für begrenzte Zeit zahlenden Copilot-Abonnenten vorbehalten war; der Tweet stellt ihn in der GitHub Copilot-App, in Copilot CLI und in VS Code vor. 🔗 Quelle
Kimi Code 2.5.1 — Acht Fehlerbehebungen, darunter das Ende wiederholter HTTP-400-Fehler durch leere Systemnachrichten für dynamische Tool-Schemas sowie die Rückkehr von Bild- und Videovorschauen in Tool-Ergebnissen. 🔗 Quelle
Kimi Work 3.2.25 — Eine globale Suche umfasst Projekte, Plugins, Skills und Unterhaltungen, nicht autorisierte Plugins werden während einer Aufgabe erkannt und ein Fenster führt durch ihre Autorisierung; außerdem beendet eine neue Aktion die Aufgabe vor ihrer Archivierung. 🔗 Quelle
CLI mistral 0.17.2 — Zwei Fehlerbehebungen am Tag der Erweiterung von Studio: Der Warnlink von mistral apps deploy öffnet den Tab Secrets der Anwendung, und die Befehle mistral agents scheitern nicht mehr an der Sperre uv.lock, wenn die Shell UV_DEFAULT_INDEX oder UV_INDEX_URL exportiert. 🔗 Quelle
Codex auf iOS — Seit dem 2. November lassen sich in ChatGPT für iOS 1.2026.300 Anhänge hinzufügen und entfernen, ohne den Vollbild-Editor von Codex zu verlassen; außerdem synchronisiert die App den Lesestatus von Aufgaben zwischen Geräten und ordnet Folgeanfragen standardmäßig der aktuellen Aufgabe zu. 🔗 Quelle
Antigravity-Erweiterungen — Am 2. November macht die VS Code-Erweiterung 1.11.0 die an die Unterhaltung gesendeten Terminal-Kontextchips anklickbar, und die Visual Studio-Erweiterung 1.0.261102.0 aktiviert standardmäßig Inline-Diffs, die blockweise oder pro Datei angenommen oder abgelehnt werden können. 🔗 Quelle
Overview-Seite für Pull Requests — GitHub öffnet eine öffentliche Vorschau nach Anmeldung für eine Seite, die den Merge-Status und die nächsten Aktionen oben anzeigt, mit einem neu gestalteten Merge-Bereich und Filtern für die Unterhaltung; ein Wechsel zurück zur klassischen Ansicht ist möglich. 🔗 Quelle
Discord in Rust — Abseits der KI zeigt Discord eine neue, in Rust neu aufgebaute Version seines Clients, die laut Zed auf GPUI basiert, seinem Open-Source-Framework für Benutzeroberflächen. 🔗 Quelle

Unternehmen und Partnerschaften

DevRev und Codex — In einer von OpenAI veröffentlichten Fallstudie überträgt DevRev das Reasoning seiner Agenten Computer und Operator den Modellen von OpenAI, darunter GPT-6.1 Sol, und gibt an, seine gesamte Entwicklung auf Codex umgestellt und seine Cursor-Lizenzen aufgegeben zu haben; keine Ergebniszahlen. 🔗 Quelle
Replit und SMFL — Replit geht eine Partnerschaft mit Sumitomo Mitsui Finance and Leasing ein, um seine Plattform mit AssetForce zu verbinden, dem von mehr als 200 Unternehmen genutzten Asset-Management-Dienst von SMFL. Damit unterstützt Replit das Ziel von SMFL, seine Einnahmen aus digitalen Dienstleistungen bis 2031 auf 10 Milliarden Yen zu verzehnfachen. 🔗 Quelle
Baseten und die Nemotron Coalition — Baseten tritt dem im März mit Mistral, Black Forest Labs, Cursor, Ai2 und Perplexity vorgestellten NVIDIA-Bündnis für offene Modelle bei und bringt Umgebungen für Reinforcement Learning, Post-Training und optimierte Inferenz ein. 🔗 Quelle

Plattformen, API und Sicherheit

Sicherheit von Claude Enterprise — Anthropic ergänzt in der Beta ein Sicherheitszentrum, das die Einstellungen für Unterhaltungen, Cowork und Claude Code mit seinen Empfehlungen abgleicht, eine zentrale Administrationskonsole sowie einen EDR-Sensor (Erkennung und Reaktion auf Endgeräten) in der lokalen virtuellen Maschine von Cowork unter macOS und Windows. 🔗 Quelle
Claude Console und Admin API — In der Beta weist eine Liste zugelassener IP-Adressen mit bis zu 1 000 Adressen oder Bereichen pro Organisation Anfragen aus anderen Quellen zurück und begrenzt damit die Nutzung eines offengelegten API-Schlüssels; außerdem kann die Admin API ein Mitglied von Claude Enterprise überall abmelden. 🔗 Quelle
OpenAI-SDKs — openai-python 3.46.0 und openai-node 7.51.0 ergänzen die Datenresidenzoptionen Australien, Indien und Japan, GPT-6 Rosalind und die Steuerungsmöglichkeiten von Images 2.6; die folgenden Versionen fügen anschließend gpt-6-cyber hinzu. Weiterhin gibt es keine stabile Version von Codex CLI seit 0.166.0 vom 29. Oktober. 🔗 Quelle
Gemini API — Die API akzeptiert jetzt PPT- und ODP-Präsentationen sowie ODS-Tabellen, verarbeitet DOC-Dokumente als Seitenbilder, und Tools können Audio, Video sowie Office- und OpenDocument-Dateien an das Modell zurückgeben. 🔗 Quelle
Perplexity API — Die Agent API schaltet die Aufwandsstufe ultra frei, die für breit angelegte Recherchen auf Claude Opus 5.5 läuft und nicht mit der Stufe Ultra des Effort Mode von Computer zu verwechseln ist; am Vortag hatte die Decisions API gelernt, vor der Suche den Text einer URL zu lesen, für 0,001 Dollar pro Abruf. 🔗 Quelle
Orchestrierung von Agenten — Perplexity veröffentlicht einen Leitfaden, der drei Orchestrierungsarchitekturen vergleicht (zentral, dezentral, hierarchisch), sieben häufige Fehlerfälle erfasst und sieben Best Practices vorschlägt, von Aufgabenverträgen bis zu idempotenten Wiederholungsversuchen; keine Produktneuheit. 🔗 Quelle
GitHubs Secret Scanning — SpaceX wird Partner: Eine in einem öffentlichen Repository offengelegte Kennung starlink_public_api_v2_secret wird dem Unternehmen zur Sperrung übermittelt, und die Detektoren von sechs Anbietern, darunter AWS und Google Cloud Storage, erzeugen weniger Fehlalarme. 🔗 Quelle

Infrastruktur und Simulation bei NVIDIA

Speicher und Inferenz — Ein erläuternder Beitrag plädiert angesichts knappen und teuren HBM für die gemeinsame Entwicklung des gesamten Stacks: Von Blackwell Ultra bis Vera Rubin wächst der HBM pro GPU nur um etwa 3 %, doch der Durchsatz pro Dollar steigt bei SemiAnalysis AgentX auf bis zu das 30-Fache; der NVIDIA CMX-Speicher vereint neun Partner. 🔗 Quelle
Into the Omniverse — NVIDIA aktualisiert seinen am 9. Oktober behandelten Beitrag über von Agenten erstellte Simulationen um rund zehn Projekte, die hauptsächlich mit GPT-6 Astra, teilweise mit Claude umgesetzt wurden. Darunter ist ein Lager mit 80 Förderbändern, 40 Armen und 800 Kartons, das mit 30 Bildern pro Sekunde läuft; kein neues Produkt. 🔗 Quelle

Offene Modelle, Daten und Forschung

ML Intern in Slack — Der Open-Source-Agent von Hugging Face, der evaluiert, Daten aufbereitet und Modelle durch Fine-Tuning anpasst, wird zu einem im eigenen Workspace installierbaren Slack-Bot, angebunden an dessen Daten, Dateien und MCP-Server; weder Preis noch Installationslink. 🔗 Quelle
Llama und Entscheidungsmodelle — Die lokale Anwendung des Teams von llama.cpp und Hugging Face, kostenlos für Mac und Windows, führt d1-Omni von Liquid AI und d3-flash aus, das sie vLLM zuschreibt und an die Spitze des Jev Decision Index setzt. 🔗 Quelle
Sand3D — Sandflow veröffentlicht 106 094 3D-Objekte, darunter 10 456 mit Gelenken, jeweils als kurzes Python-Programm in seiner offenen Bibliothek sand3d geschrieben, mit einem OpenUSD-Export, der sich im 3D-Viewer des Hubs anzeigen lässt. 🔗 Quelle
SimReady Central — Lightwheel erläutert seine Rolle in NVIDIAs Bibliothek von 3D-Objekten auf Hugging Face, die inzwischen mehr als 3 500 OpenUSD-Objekte umfasst: Das Unternehmen überprüft und justiert deren physikalisches Verhalten bei Kontakt und Bewegung. 🔗 Quelle
DreamTac — Ein Beitrag stellt diesen von Voxel51 für FiftyOne konvertierten Datensatz der Universität Peking vor: 703 Trajektorien eines Franka-Arms mit Gel-Fingerspitzen über 12 Aufgaben und 7,03 Stunden, bei denen der Kontakt im Bild sichtbar wird. 🔗 Quelle
Sprachsynthese auf Libanesisch — Bilal Zaraket hat die Stimme eines Testers aus Beirut mit vier Modellen geklont: Bei einer Blindbewertung durch fünf muttersprachliche Zuhörer erhält die echte Stimme 4,98 von 5 Punkten, das beste Modell, VoxCPM2, 3,89 und wird nur in 65 % der Fälle als libanesisch wahrgenommen. 🔗 Quelle
Guardián colombiano — Hugo Alonso passt Tiny Aya Global (3,35 Milliarden Parameter) auf einer GPU mit 6 GB durch Fine-Tuning an, um eine öffentliche Pinnwand der kollektiven Erinnerung auf kolumbianischem Spanisch zu moderieren und damit eine Kette aus drei Cloud-Diensten zu ersetzen. 🔗 Quelle
Anvaya-1B — Ein Entwickler trainiert ein Modell mit etwas mehr als einer Milliarde Parametern auf zwei T4-Karten mit 16 GB von Grund auf vor, mit PyTorch FSDP und FineWeb, und veröffentlicht den ersten Checkpoint und das Trainingsrezept. 🔗 Quelle
traj2envs — Hugging Face veröffentlicht ohne Ankündigung ein Tool, das Agententrajektorien im ATIF-Format in verifizierte Harbor-Aufgaben für Reinforcement Learning umwandelt, mit auf feste Versionen gesetzten Umgebungs-Images. 🔗 Quelle

Bild, Video und Avatare

Runway und Gemini Omni 1.2 Flash — Runway ergänzt das neue Modell von Google, um Videos von bis zu 15 Sekunden zu erstellen und zu bearbeiten, eine Szene ohne Neustart zu überarbeiten und sie anschließend auf 4K hochzuskalieren; weder Beitrag noch Angabe der Kosten in Credits. 🔗 Quelle
HeyGen und Images 2.6 — HeyGen integriert ChatGPT Images 2.6 für die Nebenfiguren seiner Szenen, mit besseren Character Sheets und mehr Konsistenz in HeyGen Video 1; weder Preise noch Angebote werden angegeben. 🔗 Quelle
Photo Reframe von Luma — Nach Expression Sheet und Character Sheet ergänzt Luma ein Tool, das den Raum um ein Bild erweitert, um es an einen Instagram-Beitrag, ein Albumcover oder ein Plakat anzupassen; weder Beitrag noch Preisangabe. 🔗 Quelle
Manus Studio — Projekte lassen sich jetzt nach Premiere Pro, DaVinci Resolve, CapCut oder Final Cut Pro exportieren, um den Schnitt eines mit KI erstellten Videos andernorts fertigzustellen; weder Exportformat noch Tarife werden angegeben. 🔗 Quelle
Muse Realtime Avatar — Die auf Meta Connect vorgestellte Technologie, die Muse Realtime Voice in Echtzeit ein animiertes Gesicht gibt, kommt in die Muse-App in den USA, ohne Zeitplan für andere Länder. 🔗 Quelle

Was das bedeutet

Offensive Cybersicherheit erreicht industrielle Maßstäbe, bei eingeschränktem Zugang. GPT-6 Cyber, als Critical eingestuft, wurde eingesetzt, um in zehn Tagen für 1,2 Millionen Dollar 948 Schwachstellen zur Rechteausweitung im Linux-Kernel zu validieren, also für 1 279 Dollar pro Schwachstelle, und 81 Schwachstellen mit hohem Schweregrad in Firefox zu finden. OpenAI stellt das Modell ausschließlich zugelassenen Daybreak Red-Kunden bereit, verlangt standardmäßig eine Liste zugelassener IP-Adressen und überwacht cyberspezifisches Misalignment. Der Wettlauf entscheidet sich inzwischen an der Geschwindigkeit der Fehlerbehebung: Während der zehntägigen Kampagne hatten andere Mitwirkende bereits 61 dieser Schwachstellen upstream behoben und bereiteten Korrekturen für 43 weitere vor, und OpenAI hält die automatische Erstellung von Patches für unverzichtbar, um dieses Tempo zu halten. Replit zeigt das andere Ende der Kette: Sein Gastkernel enthielt bereits vor der Offenlegung der Schwachstellen 4 375 Patches, und die TCP-Schwachstelle, deren Ausnutzung Anthropic demonstriert hat, war dort schon seit dem 12. Oktober behoben.

Agenten, die über lange Zeit mit sensiblen Daten arbeiten, machen Isolation und Berechtigungen zum Kern des Produkts. Die Teamkollegen von Perplexity laufen rund um die Uhr, jeweils mit eigenem Desktop, Browser und eigenen Cookies; die verwalteten Agenten von Mistral arbeiten stunden- oder tagelang und können auf die Freigabe durch einen Menschen warten; Cursor hostet jede Anwendung in einem isolierten Konto, nach vier deterministischen Prüfungen und einem KI-Review. Personal Finance führt diese Logik bis zum reinen Lesezugriff weiter: Claude liest Kontostände und Transaktionen über Plaid, ohne einen Dollar bewegen zu können, und die Unterhaltungen in seinem Bereich werden nicht zum Training verwendet. Auf Infrastrukturseite gibt Replit jeder Sandbox einen eigenen Linux-Kernel und setzt Netzwerkregeln außerhalb der Gastmaschine durch; auf Administratorseite gleicht Claude Enterprise seine Sicherheitseinstellungen inzwischen mit den Empfehlungen von Anthropic ab.

Generierte Bilder und Videos werden schneller, günstiger und innerhalb weniger Stunden überall integriert. Images 2.6 generiert 50 % schneller, Gemini Omni 1.2 Flash verlängert Clips auf 15 Sekunden und senkt dabei seinen Preis um 30 % auf etwa 0,07 Dollar pro Sekunde in 720p, und Runway betreibt seine Videofiguren mit 57B in Echtzeit auf vier H100 statt auf acht. Die Verbreitung folgt sofort: Runway ergänzt Omni 1.2 Flash am Tag seiner Veröffentlichung, HeyGen integriert Images 2.6 am Folgetag, und Luma bringt seine Kreativwerkzeuge in Claude und ChatGPT. Für Kreative verlagert sich die entscheidende Frage von der Wahl des Modells auf das Tool, in dem es verfügbar wird, oft noch am selben Tag.

Die Inferenzkosten werden zu einem eigenständigen Verkaufsargument. NVIDIA vermarktet Vera anhand der Zahl der Agenten pro Watt, Meta lässt Muse Spark Open mit einem einzigen Rechenkernel pro Schicht 2,1-mal schneller dekodieren, und Cognition senkt die Kosten eines Code-Reviews seit August um 82 % und findet dabei etwas mehr Bugs. Ripple-65B Preview wendet dieselbe Logik auf das Training an: Ein dichtes Modell, das nach einem von Olmo 3 abgeleiteten Rezept von Grund auf vortrainiert und mit 1,4 Millionen Reinforcement-Learning-Rollouts nachtrainiert wurde, beansprucht die Spitzenposition unter den offenen amerikanischen Modellen beim agentischen Coding und lässt sich bei Together AI für 0,20 Dollar pro Million Eingabetokens nutzen.