Gemini 4 Argon für alle verfügbar, SpaceXSI vereint Grok und Cursor in The X Subscription, NVIDIA veröffentlicht Run:ai als Open Source

Zwei Wochen, nachdem Google Gemini 4 Argon den Cyberverteidigern des Fairwind Program vorbehalten hatte, öffnet das Unternehmen das Modell für alle: Die Gemini API berechnet bis zum 30. November 2 Dollar pro Million Eingabe-Tokens, die Gemini-App und AI Mode bieten es Abonnenten von Google AI Pro und Ultra an, und Cursor, Devin, GitHub Copilot und Manus nehmen es noch am selben Tag auf. SpaceXSI vereint Grok, Grok Bot, Cursor und X Premium in The X Subscription, einem gemeinsamen Abo für 0 bis 200 Dollar pro Monat, und NVIDIA veröffentlicht seine gesamte Plattform zur GPU-Orchestrierung Run:ai als Open Source. Liquid AI veröffentlicht LFM2.5-24B-A2B, ein Reasoning-Modell mit 2 Milliarden aktiven Parametern für lokale Agenten, und NVIDIA stellt die Software vor, die zum Start der RTX Spark-PCs am Freitag bereitsteht.

Gemini 4 Argon für alle verfügbar: Gemini API, Gemini-App, AI Mode und Antigravity

13. Oktober — Gemini 4 Argon wurde am 30. September angekündigt und war bisher den Cyberverteidigern des Fairwind Program vorbehalten. Jetzt wird es weltweit eingeführt. Google stellt sein Frontier-Modell als Modell für konzentriertes Arbeiten (deep work) in den Bereichen Programmierung, Finanzen, Recht, Cybersicherheit und Wissenschaft vor. Hier steht, wer Zugang erhält und wie.

Zielgruppe	Zugang zu Gemini 4 Argon am 13. Oktober
Entwickler	Kostenpflichtige Gemini API, in Google AI Studio und Android Studio
Google AI Ultra-Abonnenten	Antigravity und AI Studio
Unternehmen	Gemini for business, Gemini API, Antigravity
Allgemeinheit	Gemini-App und AI Mode der Suche, für Abonnenten von Google AI Pro und Ultra
Wissenschaftler	Höchste Nutzungsstufe von Antigravity für 6 Monate kostenlos, auf Bewerbung (10 000 Plätze)
Cyberverteidiger	Fairwind Program auf Hunderte Partner ausgeweitet, Argon ohne Cyber-Schutzvorkehrungen

Für Entwickler lautet die Kennung gemini-4-argon, in der stabilen Version. Der Einführungspreis bleibt bei den Ende September angekündigten Beträgen: 2 Dollar pro Million Eingabe-Tokens und 10 Dollar für die Ausgabe, mit 95 % Rabatt auf Eingaben aus dem Cache, bis zum 30. November 2026; danach 4 und 20 Dollar. Das Modell akzeptiert Text, Bilder, Video, Audio und PDF, antwortet mit Text und teilt ein einziges Fenster von 1 048 576 Tokens zwischen Eingabe, Reasoning und Ausgabe auf. Eine Anfrage liefert höchstens 64K Tokens mit Streaming und 32K ohne Streaming zurück (65 536 bei Gemini 3.x), doch langes Decoding (long decode) ermöglicht die Ausgabe von bis zu einer Million Tokens abzüglich der Eingabe: Aktuelle SDKs (google-genai 2.30.1, @google/genai 2.29.1) reihen die Anfragen selbstständig aneinander. Das Reasoning lässt sich auf drei Stufen einstellen (low, standardmäßig medium, high), und explizites Caching wird nicht unterstützt.

Bei den Ergebnissen setzt Google Argon auf Platz eins des Vals Index und gibt 87 % bei ERQA an, einem Benchmark für räumliches Reasoning in der Robotik, vor allen anderen Frontier-Modellen. Unter den Kunden mit frühem Zugang misst Box eine um 14 % höhere Genauigkeit gegenüber Gemini 3.1 Pro. Google kündigt schließlich auch den Rest der Gemini 4-Familie an, ohne einen Termin zu nennen.

🔗 Der Beitrag zur Einführung von Gemini 4 Argon · Neuerungen von Gemini 4 Argon in der Gemini API

Die Sicherheit von Argon: 12 von 12 simulierten Cyberangriffen bewältigt, ein Monitor für Misalignment

13. Oktober — Google veröffentlicht zusammen mit dem Modell einen umfassenden Sicherheitsbericht (Safety and Security Report), der zunächst auf dessen Cyberfähigkeiten eingeht.

The same coding and reasoning improvements that enabled Argon to find and patch vulnerabilities also drove better performance on our cybersecurity tests — solving all 12 of the end-to-end simulated cyberattack scenarios, up from five in our previous generation.

🇩🇪 Dieselben Fortschritte bei Programmierung und Reasoning, die es Argon ermöglichten, Schwachstellen zu finden und zu beheben, haben auch seine Ergebnisse in unseren Cybersicherheitstests verbessert: Es bewältigt alle 12 simulierten Cyberangriffsszenarien von Anfang bis Ende, gegenüber fünf bei unserer vorherigen Generation. — Anca Dragan, VP AI Safety & Behavior, Google

Da seine Versionen ohne Schutzvorkehrungen auch deutlich besser bei der Fehlerbehebung in biologischen Laborprotokollen helfen, aktiviert Google in diesen beiden Bereichen drei Schutzschichten in Echtzeit: das Filtern von Anfragen durch kleine Modelle, Aktivierungssonden (activation probes), die interne Signale des Modells auslesen, und eine Überwachung, die den Agenten mitten in einer Antwort stoppen kann. Ein Monitor für Misalignment liest außerdem seine Aktionen und seine Gedankenkette, die Google bewusst nicht mit Strafen belegt: Bei einem Versuch, bei dem dort versehentlich eine Strafe angewendet worden war, stieg der Anteil stillschweigend genommener Abkürzungen von 11,2 % auf 36,4 %. Bei Prompt Injection sinkt die Erfolgsquote der Angriffe auf Gray Swan IPI auf 0,7 %.

🔗 Gemini 4 Argon verantwortungsvoll und sicher entwickeln

Antigravity: Argon für Ultra-Abonnenten, nach einer Erprobung mit mehr als 100 000 Nutzern bei Alphabet

13. Oktober — Argon kommt in die Desktop-App und die Antigravity CLI für Abonnenten von Google AI Ultra und berechtigte Gemini Enterprise-Abonnements; Antigravity muss dafür auf die neueste Version aktualisiert werden. Das Team berichtet von der internen Erprobung: Mehr als 100 000 Personen bei Alphabet nutzen jeden Monat Argon in der internen Version des Tools, und Google hat über vier Wochen 35 % mehr von Agenten erzeugten Code und 30 % weniger Rollbacks nach der Einreichung gemessen.

Zu den genannten Beispielen gehören ein halbierter CPU-Bedarf des Frontends für YouTube-Kommentare, 97 veraltete oder doppelte Tickets, die in weniger als drei Stunden aus einer Warteschlange mit 134 Tickets geschlossen wurden, eine in Rust neu geschriebene Fortran-Codebasis, die 1,8-mal schneller ist, und ein Audit der Zugriffskontrolle, das vier kritische Schwachstellen aufdeckte, die zwei vorherige Spitzenmodelle übersehen hatten. Die Nutzung reicht über die Entwicklung hinaus: Mehr als die Hälfte der Cloud-Vertriebsteams und fast die Hälfte des Finanzbereichs von Google nutzen Antigravity.

🔗 Gemini 4 Argon in Google Antigravity

Die Gemini-App: Antigravity auf macOS integriert, Customize-Menü und mehr als 40 verbundene Apps

13. Oktober — Die Versionshinweise der Gemini-App begleiten die Einführung von Argon mit zwei Neuerungen. Antigravity ist in die Gemini-App für macOS integriert: Eine Schaltfläche startet einen Coding-Agenten, man bestätigt seinen Plan und kehrt zum Chat zurück, während er im Hintergrund den Code erstellt und testet. Eine Benachrichtigung erscheint, sobald das Ergebnis bereitsteht. Die Integration wird auf Englisch für berechtigte Konten von Personen ab 18 Jahren angeboten.

Ein neues Customize-Menü bündelt die Anpassung der Antworten, das Entdecken von Apps und das Hinzufügen von Skills, und Gemini verbindet sich jetzt mit mehr als 40 Apps oder Diensten wie Instacart, OpenTable oder Adobe. Customize wird für alle Abostufen im Web, auf Mobilgeräten, unter Windows und macOS eingeführt, doch die meisten verbundenen Apps bleiben auf Englisch und auf die USA beschränkt. Google spricht außerdem von einem Wechsel vom Chat zu Aufgaben (tasks), damit Gemini in Abwesenheit des Nutzers weiterarbeitet.

🔗 Versionshinweise der Gemini-App · Gemini 4 Argon in der Gemini-App

Gemini 4 Argon in Tools von Drittanbietern: Cursor, Devin, GitHub Copilot und Manus

13. Oktober — Vier Tools stellen Argon noch am selben Tag bereit, jeweils mit eigenen Bedingungen und eigener Ergebnismessung.

Tool von Drittanbietern	Wo nutzbar	Angegebener Preis	Angegebenes Ergebnis
Cursor	Cursor-Editor	2 Dollar für die Eingabe, 0,10 Dollar für das Lesen aus dem Cache, 10 Dollar für die Ausgabe pro Million Tokens	52,8 % auf CursorBench 4.0 mit Standardaufwand
Devin	Devin Desktop und Devin CLI	75 % unter dem Listenpreis bis zum 27. Oktober	60,5 % auf FrontierCode 1.1
GitHub Copilot	Tarife Pro+, Max, Business und Enterprise, acht Umgebungen	2 Dollar für die Eingabe, 0,10 Dollar für den Cache, 10 Dollar für die Ausgabe bis zum 1. Dezember	Mehr gelöste Aufgaben als frühere Gemini-Modelle, ohne Zahlenangabe
Manus	Manus, mit Google Cloud	Nicht angegeben	Keine Zahlenangabe

Laut Cursor liegt Argon auf dem Niveau von Opus 5.5. Die Tabelle von CursorBench 4.0 präzisiert, dass die Gleichwertigkeit bei mittlerem Aufwand gilt (Opus 5.5 Medium mit 52,5 %, für 2,91 Dollar pro Aufgabe gegenüber 4,39 Dollar für Argon): Opus 5.5 bleibt mit High (56 %) und Max (57,8 %, an der Spitze der Rangliste) vorn, und Argon verbraucht pro Aufgabe fast dreimal so viele Tokens. Bei Devin kombiniert der Rabatt die 50 % Einführungsrabatt von Google, gültig bis zum 1. Dezember, mit 50 % Rabatt von Devin selbst; auf FrontierCode 1.1, dem hauseigenen Benchmark von Cognition, liegt Argon knapp vor GPT-6.1 Sol (60,4 %), bleibt aber in der Grafik mit dem Titel 1.1 Extended hinter Claude Opus 5.5 (65,3 %).

GitHub stellt es allgemein für Pro+, Max, Business und Enterprise bereit (Pro und Free stehen nicht auf der Liste), mit einer schrittweisen Einführung in der Modellauswahl von acht Umgebungen, von VS Code und Copilot CLI bis Xcode und Eclipse; bei Business und Enterprise ist es standardmäßig aktiviert, sofern der Administrator die standardmäßige Aktivierung neuer Modelle nicht ausgeschaltet hat. Manus kündigt es als mit Google Cloud verfügbar an, zum Programmieren, Planen und Modellieren in 3D, ohne Angaben zu Tarif, Preis oder Credits.

🔗 Ankündigung von Cursor · CursorBench 4.0 · Beitrag von Devin · Changelog von GitHub · Ankündigung von Manus

The X Subscription: SpaceXSI vereint Grok, Grok Bot, Cursor und X Premium, für 0 bis 200 Dollar pro Monat

12. Oktober — SpaceXSI (ehemals SpaceXAI) führt The X Subscription ein, ein gemeinsames Abonnement, das Grok, Grok Bot, Cursor und X Premium vereint, und Cursor hat es noch am selben Abend angekündigt: Der Editor, der im August zu SpaceX gestoßen ist, wird jetzt im selben Paket wie der Assistent Grok und die Vorteile des sozialen Netzwerks X angeboten. Das Angebot steht Neukunden seit dem 12. Oktober offen und soll in den kommenden Tagen weltweit allen angeboten werden.

Abotarif	Monatspreis	Enthaltene Nutzung	Was der Tarif in Cursor freischaltet
Free	0 Dollar	Begrenzt	Startkontingent für Coding-Agenten
Plus	8 Dollar	Basis	Nur Grok-Modelle
Premium	30 Dollar	4-mal Plus	Cloud-Agenten, Automatisierungen, Origin, KI-Code-Reviews, Modelle von Drittanbietern zum API-Preis
Super	100 Dollar	15-mal Plus	Wie Premium, mit mehr Nutzung
Ultra	200 Dollar	50-mal Plus	Wie Premium, mit mehr Nutzung

Premium übernimmt die Vorteile von SuperGrok, Cursor Pro und X Premium+, die laut SpaceXSI zuvor zusammen 90 Dollar pro Monat kosteten. Kern des Angebots ist ein gemeinsames Nutzungskontingent für Grok und Cursor, das jede Woche erneuert wird; ist es aufgebraucht, lädt man nach (top-ups) oder wartet auf die Erneuerung. SpaceXSI verspricht mit seinen eigenen Modellen mindestens doppelt so viel Coding-Nutzung wie im vergleichbaren Cursor-Tarif. Modelle von Drittanbietern, also die anderer Labore, bleiben in Cursor ab Premium verfügbar, werden aber außerhalb des Kontingents abgerechnet: Sie werden über Aufladungen zum Listenpreis der API berechnet, mit einstellbaren Ausgabenlimits.

Cursor is now part of The X Subscription. Current Cursor subscribers can keep their plan or switch to The X Subscription.

🇩🇪 Cursor ist jetzt Teil von The X Subscription. Bestehende Cursor-Abonnenten können ihren Tarif behalten oder zu The X Subscription wechseln. — @cursor_ai auf X

Die bisherigen Tarife werden neuen Nutzern nicht mehr angeboten. Bestehende Abonnenten von SuperGrok, Cursor oder X Premium behalten Tarif, Preis und Funktionen oder wechseln mit einer anteiligen Rückerstattung; bei Cursor bleibt die enthaltene Nutzung von Modellen von Drittanbietern bis zum Wechsel bestehen. SpaceXSI weist allerdings darauf hin, dass es die verbleibenden Kunden langfristig auf die neuen Tarife umstellen wird, ohne Zeitplan und mit vorheriger Ankündigung. Für Teams behalten Premium, Super und Ultra denselben Preis pro Nutzer wie bei Einzelabonnements, laut SpaceXSI günstiger als die bisherigen Cursor Teams-Tarife, mit dreimal so viel Coding-Nutzung, SSO, konsolidierter Abrechnung und SOC 2-Konformität.

🔗 The X Subscription vorgestellt · Thread von @SpaceXSI

NVIDIA veröffentlicht die gesamte Run:ai-Plattform als Open Source

13. Oktober — NVIDIA veröffentlicht NVIDIA Run:ai vollständig als Open Source. Die Plattform weist GPUs dynamisch zu und orchestriert KI-Workloads auf Kubernetes, von der Datenverarbeitung über das Training bis zur Inferenz. Der Code liegt in der GitHub-Organisation NVIDIA DSX AI Factory, und die Plattform wird auch auf NGC als Community-Version (Community Product) angeboten, mit einem Helm Chart, das den integrierten Stack installiert. Diese Version erfordert kein kostenpflichtiges Run:ai-Abonnement, beinhaltet aber keinen Enterprise-Support. Für den Download auf NGC muss die Softwarelizenz von NVIDIA akzeptiert werden. Die kommerziellen Angebote bleiben bestehen: als eigenständiges Produkt, über NVIDIA Mission Control, NVIDIA AI Enterprise und Cloud-Marktplätze.

Die Veröffentlichung umfasst vier Bausteine, die sich unabhängig voneinander einsetzen lassen:

Veröffentlichte Komponente	Rolle in der Plattform
KAI Scheduler	Kubernetes-nativer Scheduler (Gang Scheduling, Fair Sharing, topologieabhängige Platzierung), bereits Open Source unter Apache 2.0 und Projekt in der CNCF Sandbox
GPU Fractioning Operator	Native GPU-Fraktionen von CUDA 13.4, mit einer strikten Speichergrenze pro Workload; die proprietäre Implementierung von Run:ai entfällt
KAI Resource Management	Projekte, Abteilungen, Quoten und Knotengruppen
Workload Map	Go-Bibliothek, die jeden Workload-Typ beschreibt (PyTorchJob, RayCluster, KServe, Dynamo-Graphen), damit Tools nicht mehr jede CRD einzeln im Code abbilden müssen

Acht Partner aus dem DSX-Ökosystem integrieren die Plattform bereits: Crusoe, Mirantis (k0rdent AI), Nebius (Bereitstellung mit einem Klick), OpenNebula Systems, Rafay (vollständig verwalteter Dienst), Saturn Cloud (Token Factory), Spectro Cloud (PaletteAI) und vCluster. NVIDIA verweist außerdem auf zwei verwandte offene Projekte: Model Streamer, das Gewichte direkt in den GPU-Speicher lädt, um den Kaltstart von Inferenzreplikaten zu verkürzen (in vLLM und SGLang integriert und auf acht H100-VMs von Microsoft Azure 3- bis 6-mal schneller als der Standard-Loader), und Grove, die Kubernetes-API von Dynamo für Workloads mit mehreren Komponenten. Das erklärte Ziel ist, Run:ai zu einer offenen Grundlage der DSX AI Factory-Plattform zu machen, damit jeder Partner und jede KI-Cloud mehr aus ihren GPUs herausholen können.

🔗 Run:ai als Open Source (NVIDIA-Technikblog)

LFM2.5-24B-A2B: Liquid AI veröffentlicht ein Reasoning-Modell mit 2 Milliarden aktiven Parametern für lokale Agenten

13. Oktober — Liquid AI veröffentlicht LFM2.5-24B-A2B, ein Mixture of Experts (MoE) mit 24 Milliarden Parametern, von denen pro Token nur 2 Milliarden aktiviert werden. Laut Liquid AI ist es das größte Modell der LFM2.5-Familie, die nun von 230 Millionen bis 24 Milliarden Parametern reicht, und ein reines Reasoning-Modell: Es erzeugt vor seiner Antwort immer eine Gedankenkette. Das Ziel sind lokale Agenten: Da jedes Reasoning-Token wenig kostet, kann ein Agent kontinuierlich auf dem Rechner des Nutzers laufen, Tools aufrufen und Aufgaben nacheinander ausführen.

Die Architektur entspricht der von LFM2-24B-A2B (40 Schichten, 64 Experten pro Block mit Top-4-Routing, eine Kombination aus kurzen Gated Convolutions und GQA-Attention). Die Änderungen: Der Kontext wächst von 32 000 auf 131 000 Tokens, das Vokabular verdoppelt sich von 65 000 auf 128 000 Tokens, und das Pretraining wird von etwa 17 000 auf 33 000 Milliarden Tokens ausgeweitet. Darauf folgt ein Posttraining in fünf Schritten, das mit Reinforcement Learning in Agent Harnesses (OpenClaw, Hermes Agent, Pi, OpenCode) endet.

Evaluierter Benchmark	LFM2.5-24B-A2B	Qwen3.6-35B-A3B	Gemma-4-26B-A4B-it	Nemotron-3.5-Lightning
AutomationBench	27,69	8,72	5,46	2,61
BFCLv4	65,01	65,00	57,09	53,78
ToolSandbox	80,71	75,02	72,09	75,13
LiveClaw	48,09	38,19	41,25	37,72
PinchBench	83,18	89,93	77,12	84,20
WebArena Verified	26,75	37,62	25,62	28,69
IFBench	74,69	64,21	47,44	71,67
GPQA Diamond	74,42	83,69	74,90	72,42
MATH-500	96,04	96,73	95,66	96,40
SWE-Bench Verified (OpenCode)	51,00	66,20	25,80	53,40

Im Vergleich zu drei größeren MoE-Modellen hält das Modell bei der Tool-Nutzung und beim Befolgen von Anweisungen mit, fällt aber bei Wissensaufgaben und agentischem Programmieren zurück. Liquid AI empfiehlt deshalb, es für Aufgaben, die Wissen erfordern, mit einer Suche oder einer Wissensdatenbank zu kombinieren. Das andere Argument ist die Geschwindigkeit: 184 tokens/s auf einem Apple M5 Max, 114 auf einem Ryzen AI Max+ 395 und mehr als 21 000 Ausgabe-Tokens pro Sekunde bei hoher Parallelität auf einem einzigen B300. Das Basismodell und das nachtrainierte Modell werden mit offenen Gewichten unter der eigenen Lizenz lfm1.0 veröffentlicht, mit sofortiger Unterstützung für llama.cpp, MLX, vLLM, SGLang und ONNX.

🔗 LFM2.5-24B-A2B (Hugging Face-Blog von Liquid AI)

Lokale KI auf Windows-PCs: NVIDIA bereitet RTX Spark mit Nemotron 3.5 Bolt 74B vor, Hugging Face startet Llama Windows

13. Oktober — Drei Tage vor der Veröffentlichung der RTX Spark-Laptops am Freitag, dem 16. Oktober, nachdem die Vorbestellungen am 7. begonnen haben, stellt NVIDIA die Software vor, die zum Start dieses Chips bereitsteht. Er vereint bis zu 128 GB vereinheitlichten Speicher und 1 Petaflop KI-Rechenleistung. Das Herzstück ist ein neues offenes Modell, Nemotron 3.5 Bolt 74B-A9B 24GB: ein MoE mit 74 Milliarden Parametern, davon 9 Milliarden aktiv, das mit quantisierungsbewusstem Training auf 2 Bit quantisiert wurde, um in 24 GB zu passen, und für lokale Agenten entwickelt wurde. Es erscheint am Donnerstag, dem 15. Oktober, in llama.cpp, vLLM, Ollama, Unsloth und LM Studio und lässt sich über Hermes und OpenClaw aufrufen; Trainingsdaten, Gewichte und Rezepte sind offen zugänglich.

Bei den Agenten beziffert NVIDIA die Downloads lokaler LLMs auf das 5-Fache des gesamten Vorjahres. GitHub Copilot, Hermes, OpenClaw, Perplexity, Pi und WorkBuddy empfehlen und konfigurieren ein geeignetes lokales Modell. Für die Sicherheit sorgen die OpenShell-Sandbox und die MXC-Container von Microsoft, und die Open-Source-Bibliothek Switchyard leitet Anfragen zwischen lokalen und Cloud-Modellen weiter. NVIDIA PAIR, der Router, der die Inferenz auf die PCs eines lokalen Netzwerks verteilt, verlässt die Beta und unterstützt nun llama.cpp sowie den direkten Download von Modellen von Hugging Face. Für die kreative Arbeit kündigt Adobe bis zu 2-mal höhere Geschwindigkeit in Photoshop und Premiere an (Optimierungen in der Beta), und NVIDIA Broadcast 2.3 ergänzt Video-Super-Resolution, die Erzeugung von Zwischenbildern und einen MCP-Server, über den Agenten seine Effekte steuern können. Für Entwickler erhält Windows on Arm seinen ersten PyTorch-CUDA-Build und standardmäßig natives Python 3.15.

Angekündigte Komponente	Verfügbarkeitsdatum
NVIDIA PAIR verlässt die Beta, Broadcast 2.3, Llama Windows	13. Oktober
Nemotron 3.5 Bolt 74B-A9B 24GB	Donnerstag, 15. Oktober
RTX Spark-Laptops, praktische KI-Leitfäden (playbooks), doppelt so schnelles DLSS 5-Modell	Freitag, 16. Oktober
Nemotron 3.5 Bolt E4B 4GB für ACE-Charaktere, RTX Remix 1.6	Freitag, 23. Oktober
DLSS Ray Reconstruction in Blender	November

🔗 Die Software zum Start von RTX Spark (NVIDIA-Blog)

Llama Windows: Hugging Face bringt llama.cpp in den Infobereich von Windows 11

13. Oktober — Hugging Face startet Llama Windows, eine kostenlose Open-Source-Anwendung auf Basis von WinUI 3, die llama.cpp über den Infobereich von Windows 11 installiert und ausführt, ohne Terminal, ohne Kompilierung und ohne Administratorrechte. Man wählt ein quantisiertes Modell auf dem Hub aus, lädt es mit einem Klick herunter und lädt es über ein kompaktes Bedienfeld in den Speicher. Beim Start verbindet sich die Anwendung mit einem bereits laufenden llama.cpp-Server oder installiert llama.cpp mit dessen offiziellem Installer. Sie ist das Windows-Gegenstück zu llama.app auf macOS.

Für Entwickler lauscht der lokale Server auf http://localhost:9931 mit einer OpenAI-kompatiblen API, und die Downloads landen im standardmäßigen Hugging Face-Cache, den auch die anderen Tools des Anbieters nutzen. Die Anwendung läuft nativ auf Windows on Arm und unterstützt NVIDIA RTX Spark ab dem ersten Tag; die Entwicklung erfolgte gemeinsam mit NVIDIA. Der Code wird unter der MIT-Lizenz im Repository ggml-org/Llama-Windows veröffentlicht.

🔗 Llama Windows (Hugging Face-Blog)

Sicherheit: Anthropics Abwehrmaßnahmen gegen Destillation, der von XBOW entwickelte Chrome-Exploit, GitHubs Klassifikator für Secrets

Drei Ankündigungen betreffen die Sicherheit von Modellen und Code: Anthropic zieht Bilanz über seine Abwehrmaßnahmen gegen das Kopieren seiner Modelle, XBOW zeigt, was ein öffentlich zugängliches Modell bei Angriffen ermöglicht, und GitHub ersetzt eine LLM-Pipeline durch einen kleinen Klassifikator.

Anthropic reduziert die von Destillationsangreifern gesammelten Daten laut ersten Anhaltspunkten um 90 bis 99 %

12. Oktober — Anthropic zieht Bilanz über seine Abwehrmaßnahmen gegen Destillationsangriffe: Kampagnen, die die Antworten eines Spitzenmodells absaugen, oft über Netzwerke betrügerischer Konten, um damit kostengünstiger ein anderes Modell zu trainieren. Laut ersten Anhaltspunkten reduzieren die neuen Methoden die gesammelten Daten um etwa 90 bis 99 %. Laut Anthropic versuchte Zhipu während der Entwicklung von GLM-5.3, Claude Fable 5 zu destillieren, bevor das Unternehmen auf ein älteres Claude-Modell und auf das Modell eines anderen Labors auswich.

Drei Schutzschichten kommen hinzu: das bewahrte Denken (preserved thinking) von Claude Fable 5.1 und Opus 5.5, das seit dem 31. August erstellte API-Konten daran hindert, Claudes vorherigen Kontext zu verändern, wobei das Reasoning von Sonnet 5.5 der Organisation vorbehalten bleibt, die die Anfrage gestellt hat; ein zweistufiger Klassifikator mit weniger als 0,1 % falsch positiven Ergebnissen, der bei Sonnet 5.5, Opus 5 und 5.5 sowie Fable 5 und 5.1 aktiv ist; schließlich verschärfte Nutzungslimits, Kontosperrungen und seit dem 24. September die Berechnung blockierter Anfragen. Das gemeldete Ergebnis: 10- bis 100-mal weniger extrahierte Reasoning-Tokens und Zehntausende gesperrte Konten, oft innerhalb von weniger als zwei Stunden.

🔗 Stärkung unserer Abwehrmaßnahmen gegen Destillationsangriffe

XBOW entwickelt mit GPT-5.6 Sol einen vollständigen Chrome-Exploit, den Google mit 250 000 Dollar belohnt

13. Oktober — XBOW, ein Unternehmen für Penetrationstests durch KI-Agenten, hat eine vollständige Exploit-Kette (full chain) für Chrome entwickelt: Der bloße Besuch einer Webseite genügte, um aus der Ferne die Kontrolle über einen Windows-Rechner zu übernehmen. Damit waren laut XBOW rund eine Milliarde Nutzer gefährdet. Google gewährte dem Unternehmen eine Prämie von 250 000 Dollar, und die drei Bugs sind behoben. Die Ankündigung stammt von XBOW, nicht von OpenAI, dessen Konto @OpenAIDevs sie lediglich repostet hat.

We deliberately picked a model that is available to anyone, not a specialized security model or one with restricted access.

🇩🇪 Wir haben bewusst ein Modell gewählt, das allen zugänglich ist, und kein spezialisiertes oder zugangsbeschränktes Sicherheitsmodell. — Oege de Moor, Gründer und CEO von XBOW

Das ausgewählte Modell ist GPT-5.6 Sol, zusammen mit seinen Vorgängern. Die Entwicklung der Kette verursachte innerhalb von sechs Tagen, vom 2. bis 7. August, Rechenkosten von 40 000 Dollar: Die KI durchsuchte den Quellcode von Chrome, entwickelte Proofs of Concept und schrieb die ersten Versionen des Exploits. Vier Forscher legten die Strategie fest und überprüften die Arbeit. Laut XBOW könnte innerhalb eines Jahres jeder der drei Bugs allein von Agenten gefunden werden.

🔗 Der Bericht von XBOW

GitHub erläutert seinen Klassifikator für Secrets: 86 % weniger Analysezeit als bei der bisherigen LLM-Pipeline

13. Oktober — Sechs Tage nach der Ankündigung seines Klassifikators für offengelegte Secrets veröffentlicht GitHub einen Blick hinter die Kulissen. Der Scanner arbeitet in zwei Schritten: Reguläre Ausdrücke suchen breit nach allem, was wie eine Zugangsinformation aussieht. Anschließend liest ein feinabgestimmter ModernBERT-Klassifikator, der mit 8-Bit-Quantisierung nach ONNX exportiert wurde, jeden Kandidaten zusammen mit seinem Kontext (Dateipfad, Secret-Typ, Variablennamen, benachbarter Code), um ähnlich aussehende Werte wie Beispielwerte oder Test-Dummy-Daten auszusortieren.

Messgröße im Vergleich zur LLM-Pipeline	Veröffentlichte Abweichung
Mediane Analysezeit nach einem Push	−86 %
Betriebskosten	über 98 % weniger
Nach Repository-Inhaber gewichtete Akzeptanz von Warnmeldungen (A/B-Test)	+11,5 %
Offline-Präzision	+13 %
Offline-Recall	+19 %

Dieser Geschwindigkeitsgewinn hat es ermöglicht, die Erkennung generischer Secrets auf den Push-Schutz auszuweiten, noch bevor der Code gesendet wird.

🔗 GitHubs Modell zur Erkennung von Secrets (GitHub Blog)

Scion: Anthropic ersetzt git durch sein eigenes Versionsverwaltungssystem

13. Oktober — Anthropic erläutert in seinem Engineering-Blog, warum es git für sein Monorepo aufgegeben hat: Seine Teams integrierten im Mai 2026 etwa 2 500 Änderungen pro Tag, im September mehr als 30 000. Mit einer Historie von fast 100 GB und etwa 25 Millionen Checkouts pro Tag für die CI wurden die für Menschen konzipierten Tools zum Engpass, selbst mit mehreren Hundert internen git-Mirrors.

Scion, in fünf Monaten von sieben Personen entwickelt, geht davon aus, dass seine Clients, vor allem Agenten und automatisierte Aufgaben, immer online sind: Der Server berechnet die Historie, die zeilenweise Zuordnung (blame) und die Merges, und eine CI-Aufgabe benötigt oft keine lokale Kopie mehr. Anthropic gibt einen 200-mal geringeren Ressourcenbedarf als bei seinen git-Mirrors, Checkouts in Sekunden statt Minuten und 25 % zurückgewonnene CPU-Kapazität für die CI an. Eine interne Vorabversion von Claude Mythos Preview hat die Ingestion-Pipeline mit 20-mal geringerem Speicherbedarf neu geschrieben. Anthropic plant keine öffentliche Version, da Scion zu stark von git abweicht, um anderswo nützlich zu sein. Stattdessen teilt das Unternehmen die Prinzipien, damit andere sie auf git anwenden können, und erklärt, mit GitHub, GitLab und der Open-Source-Community zusammenarbeiten zu wollen.

🔗 Neugestaltung der Versionsverwaltung bei Anthropic

NVIDIA in Frankreich: geplante Investitionen in Doctolib, Entalpic, Genesis AI und Pigment, Mistral-Modelle auf Altair-1 im Orbit

13. Oktober — Zum Auftakt seiner Europatour in Richtung GTC Berlin, wo Jensen Huang am 21. Oktober seine Eröffnungsrede (keynote) halten wird, kündigt NVIDIA geplante Investitionen in vier französische Start-ups an, ohne Beträge zu nennen: Doctolib (Agenten für medizinisches Personal und ein Gesundheitsbegleiter für Patienten), Entalpic (Materialdesign auf atomarer Ebene für Halbleiter), Genesis AI (generalistische Roboter und Foundation Models) und Pigment (Unternehmensplanung). NVIDIA gibt an, sich mit fast 10 Milliarden Dollar im europäischen Technologieökosystem engagiert zu haben.

Derselbe Beitrag beschreibt den Stand der souveränen KI in Frankreich. Bull wird seine europäische Serverproduktion um Vera Rubin Ultra NVL72-Systeme erweitern, die für 2028 vorgesehen sind und im Werk in Angers montiert werden. Twake.ai, das auf Nemotron aufbaut, wird durch die von LINAGORA und Docaposte gewonnene CANUT-Rahmenvereinbarung zum einzigen gelisteten souveränen digitalen Arbeitsbereich für mehr als 2 500 französische öffentliche Einrichtungen. Der Tag endete mit einem Treffen zwischen Jensen Huang und Emmanuel Macron im Élysée-Palast.

Im Bereich Raumfahrt hat Mistral die Ankündigung weiterverbreitet: Altair-1, der erste Satellit einer Konstellation aus 50 Satelliten, deren Kosten NVIDIA auf 1 Milliarde Dollar beziffert, hat seinen Orbit erreicht. Er wurde von Loft Orbital integriert und in Abu Dhabi von Orbitworks gebaut, einem Gemeinschaftsunternehmen von Loft Orbital und Marlan Space. An Bord befinden sich NVIDIA Jetson AGX Orin-Module, die Mistral-Modelle für die Erdbeobachtung in Echtzeit und autonome Operationen ausführen; Loft Orbital nennt Ministral 3 und strebt KI-generierte Warnmeldungen innerhalb weniger Minuten an. Es gibt weder Leistungsangaben noch ein genaues Startdatum: Laut Loft Orbital fand der Start vor einigen Wochen statt, laut NVIDIA in diesem Monat.

🔗 Das französische Ökosystem und NVIDIA (NVIDIA-Blog) · NVIDIAs Thread zur GTC Berlin · Tweet von Mistral AI

Agenten und Code-Tools: Origins Marketplace, Devin in Pylon und seine Dynamic Workflows, Puck von Amp über MCP erreichbar

Cursor öffnet den Marketplace seines Code-Hostings für Drittanbieter, Devin zieht in ein Support-Tool ein und orchestriert Teams aus Sessions, und Amp macht seinen Meta-Agenten von anderen Assistenten aus erreichbar.

Cursor öffnet Origins Marketplace für öffentliche Einreichungen

13. Oktober — Origin, die am 17. August als Beta gestartete Code-Hosting-Plattform von Cursor, öffnet sich für Tools von Drittanbietern. Ihr Marketplace bietet mehr als 20 Anwendungen für Deployment (Cloudflare, Netlify, Vercel…), Continuous Integration (Buildkite, CircleCI…), Code-Review (CodeRabbit, Greptile), Sicherheit (Semgrep, Socket Security), Monitoring (Sentry) und Projektmanagement (Linear). Seit dem 13. Oktober nimmt er auch öffentliche Einreichungen an: Ein Team erstellt seine Anwendung in seinem Namespace, entwickelt sie auf Basis der Origin-API (Anwendungs-JWT, Installationstoken, Webhook-Ereignisse, check runs, Kommentare und Reviews von Pull Requests) und reicht sie anschließend mit einem Demovideo ein; Cursor prüft jede Einreichung vor der Aufnahme. Preise werden nicht genannt.

🔗 Origin App Marketplace (Cursor-Changelog)

Devin integriert sich in Pylon, mit 15 000 Dollar Guthaben für Neukunden

13. Oktober — Cognition führt die native Integration von Devin in das Kundensupport-Tool Pylon ein. Wenn ein Ticket für das Engineering markiert wird, startet Devin selbstständig: Er durchsucht die Logs, reproduziert den Bug, findet die eigentliche Ursache und öffnet eine PR mit einem Fix; der Support verfolgt den Fortschritt in Pylon, die Entwickler übernehmen die verknüpfte Session, und Updates werden in beide Richtungen synchronisiert. Der Support kann auch direkt aus Pylon den Code durchsuchen lassen, um Produktfragen zu beantworten. Die von Cognition angeführten Erfahrungsberichte sprechen von etwa 30 % schneller ausgelieferten Fixes, teilweise innerhalb von 15 bis 20 Minuten statt mehreren Stunden. Neue Devin-Kunden auf Pylon erhalten 15 000 Dollar Guthaben.

🔗 Devin in Pylon

Devins Dynamic Workflows orchestrieren Teams aus Sessions über ein Python-Skript

13. Oktober — Cognition stellt Devins Dynamic Workflows vor: Devin schreibt ein deterministisches Python-Skript, das entscheidet, welche Devin-Sessions in welcher Reihenfolge und mit welchen Anweisungen gestartet werden, gestützt auf die strukturierten Ergebnisse (JSON-Schema) der vorherigen Sessions. Jeder Agent ist standardmäßig eine vollständige Session auf einer eigenen virtuellen Maschine, wobei der Code über git-Branches ausgetauscht wird, oder teilt sich die Maschine mit der orchestrierenden Session. Eine unterbrochene Ausführung wird innerhalb eines Zeitfensters von sieben Tagen dort fortgesetzt, wo sie aufgehört hat, und ein erfolgreicher Workflow wird als Skill gespeichert. Die Funktion ist in jeder Devin-Session verfügbar, bleibt in Enterprise-Konten aber deaktiviert, bis ein Administrator sie einschaltet; die Dokumentation weist auf die Kosten hin, da jeder Agent Ressourcen wie eine Session verbraucht. Das Einführungsdatum wird nirgends bestätigt: Die Dokumentationsseite ist undatiert, und die Funktion taucht in den jüngsten Release Notes nicht auf.

🔗 Devin Dynamic Workflows (Dokumentation)

Amp macht Puck über MCP von ChatGPT, Claude und anderen Agenten aus erreichbar

13. Oktober — Amp macht Puck, seinen Meta-Agenten, der die anderen Agenten koordiniert, von ChatGPT, Claude und anderen MCP-Clients aus erreichbar. Der MCP-Server von Amp (ampcode.com/mcp) stellt zwei Tools bereit: puck, um mit dem eigenen Puck zu kommunizieren, und orbs, eine interaktive Ansicht der laufenden orbs mit Links zu ihren Portalen. Das angeführte Beispiel: Während eines Spaziergangs mit dem Sprachmodus von ChatGPT eine Idee entwickeln und sie dann an Puck senden, der sie der passenden orb übergibt. Die Verbindung wird über die Puck-Einstellungen in Amp hergestellt oder durch Einfügen der Serveradresse im Client und anschließende Anmeldung mit dem Amp-Konto. Bisher nutzte Puck MCP-Server; nun wird er selbst zu einem. Preise werden nicht genannt.

🔗 Puck mitnehmen (Amp)

Partnerschaften: Replits Solutions Partner Program, Manus im Agent-Modus von OPPO

Zwei Vertriebsvereinbarungen: Replit setzt auf Integratoren, um in Unternehmen Fuß zu fassen, Manus auf einen Smartphone-Hersteller.

Replit startet sein Solutions Partner Program mit Accenture, JSOL, SMFL und Snowman Labs

13. Oktober — Replit startet ein Partnerprogramm für Systemintegratoren, Beratungsunternehmen und Agenturen, die Unternehmen auf seiner Plattform begleiten: Schulungen, Unterstützung, Zusammenarbeit bei Kundenchancen und Zertifizierungsprogramme für Enterprise-Funktionen, in einem Modell, das zunächst auf Empfehlungen beruht (referral-first). Zu den ersten Partnern gehören Accenture, die japanischen Unternehmen JSOL und Sumitomo Mitsui Finance and Leasing (SMFL) sowie das brasilianische Snowman Labs. SMFL gibt an, innerhalb einer Woche eine produktionsreife Unternehmensanwendung erstellt zu haben, und JSOL nennt einen Kunden, der in einem Monat einen Prototyp gebaut hat. Das Partnerverzeichnis enthielt am 13. Oktober neun Einträge; finanzielle Bedingungen werden nicht veröffentlicht.

🔗 Vorstellung der Replit Solutions Partners

Manus arbeitet mit OPPO für den neuen Agent-Modus von AI Mind Pilot zusammen

13. Oktober — Manus integriert seine agentischen Fähigkeiten in OPPO AI Mind Pilot, und zwar in dessen neuen Agent-Modus, der auf der kommenden Find X10-Serie unter ColorOS 17 debütieren wird. Das hervorgehobene Beispiel: Eine Reise anhand von Flugtickets, Reservierungen und Eintrittskarten für Attraktionen organisieren, die über die Apps des Telefons verteilt sind, und diese mit Onlineinformationen kombinieren, um einen Reiseplan für jeden Tag zu erstellen. Beim Datenschutz verarbeitet ColorOS 17 Aufgaben wie die Suche nach oder das Umbenennen von Dateien lokal mit eingebetteten Modellen, wobei deren Inhalt nicht an Manus übertragen wird, und AI Mind Pilot verlangt vor jeder externen Verarbeitung eine ausdrückliche Bestätigung. Weder Termin noch Märkte noch Bedingungen werden genannt: Sie werden zur Markteinführung des Telefons bekannt gegeben.

🔗 Manus geht eine Partnerschaft mit OPPO ein

Generative Videos und Stimmen: FastH3-Omni von Reactor, Runway in Replit, ElevenLabs-Agenten im Support und eine nachgebildete Stimme im Oberhaus

Echtzeitvideo bekommt Ton, Runway hält Einzug in das Webdesign, und ElevenLabs zeigt zwei Einsatzmöglichkeiten seiner Plattform, im Kundensupport und im britischen Parlament.

FastH3-Omni: Reactor startet eine Echtzeitversion von MiniMax H3 mit synchronisiertem Ton

13. Oktober — Die Plattform Reactor startet FastH3-Omni, eine Echtzeitversion von MiniMax H3, dem Videomodell von MiniMax, die aus einem einzigen Prompt ein Video mit synchronisiertem Ton erzeugt. Das Modell wurde vom FastVideo-Team des Hao AI Lab zusammen mit Nuva Lab nachtrainiert, die bereits Ende August FastH3 entwickelt hatten, und wird als schnellste und qualitativ beste Open-Source-Version von H3 für Echtzeitvideo vorgestellt. Hinzu kommen die Konditionierung anhand des ersten und letzten Bildes, Audioeingaben mit Dialogen und bis zu drei Referenzbilder. FastH3-Omni ist bis zum 20. Oktober exklusiv als Vorabversion über die Reactor-API verfügbar; die Ankündigung enthält weder Benchmarks noch Preise noch einen Link zu den Gewichten. MiniMax verbreitete sie noch am selben Abend weiter.

🔗 Ankündigung von Reactor

Runway verbindet sich mit Replit für das Webdesign

13. Oktober — Runway und Replit stellen am selben Tag Runway for web design vor: Sobald Runway über Runway MCP mit einem Replit-Projekt verbunden ist, erzeugt der Entwicklungsagent Bilder, Videos und visuelle Ressourcen direkt im Projekt, von der ersten Idee bis zur fertigen Website. Die Seite zu Runway MCP führt Replit unter den unterstützten Umgebungen auf, neben ChatGPT, Claude, Grok Bot, Muse und Cursor; Runway MCP war bereits bei seinem Start am 27. Mai mit Replit kompatibel, weshalb die Ankündigung vor allem eine gemeinsame Werbeaktion ist. Nach dem App-Verzeichnis von ChatGPT am 7. Oktober und Claude Motion am 8. Oktober richtet sich Runway diesmal auf das Webdesign. Weder Preise noch der Verbrauch an Credits werden angegeben.

🔗 Ankündigung von Runway · Ankündigung von Replit

ElevenLabs löst mit seinen eigenen Agenten mehr als 22 000 Support-Tickets pro Monat

13. Oktober — ElevenLabs zeigt, wie es seine eigene Plattform nutzt: Sein Kundensupport läuft auf ElevenAgents, das mehr als 22 000 Tickets pro Monat ohne menschliches Eingreifen löst und bei Bedarf an das Team eskaliert. Im vergangenen Monat bearbeitete der Agent 65 % der Tickets vollständig, die durchschnittliche Zeit bis zur ersten Antwort sank auf 60 Sekunden gegenüber zuvor mehreren Stunden, und 70 % der Gespräche wurden positiv bewertet. Der Agent stützt sich auf die Abläufe des Support-Teams, die in Procedures umgewandelt wurden (für Rückerstattungen in strukturierter Form), sowie auf Webhook-Tools, die den Tarif, das Guthaben oder die Stimmen jedes Nutzers abfragen; er wurde durch Simulationstests mit rund fünfzig Szenarien validiert und anschließend vor dem Produktivstart im Schattenmodus (shadow mode) mit realem Traffic beobachtet. Architect, das am 6. Oktober gestartet ist, dient anschließend dazu, Eskalationen zu verstehen und Korrekturen zu testen.

🔗 Der Support von ElevenLabs auf ElevenAgents

Baronin Campbell spricht mit einer von ElevenLabs nachgebildeten Stimme vor dem Oberhaus

13. Oktober — Baronin Jane Campbell of Surbiton, eine Aktivistin für die Rechte von Menschen mit Behinderungen, die an spinaler Muskelatrophie leidet und seit 2007 Mitglied des Oberhauses auf Lebenszeit ist, ließ ihre Reden seit 2012 von einer Assistentin vorlesen. Diesmal sprach sie bei der zweiten Lesung des Health Bill zu persönlichen Gesundheitsbudgets mit ihrer eigenen, durch KI nachgebildeten Stimme vor dem Oberhaus. Laut ElevenLabs ist dies das erste Mal, dass ein Mitglied des britischen Parlaments in einer der beiden Kammern eine KI-generierte Stimme verwendet. Die Baronin bildete ihre Stimme mit dem Klonwerkzeug von ElevenLabs anhand älterer Aufnahmen selbst nach; der per Sprachsynthese erzeugte Text wurde mit Zustimmung des Verfahrensausschusses des Oberhauses über ein Hilfsgerät abgespielt. ElevenLabs gibt an, mehr als 11 000 Menschen ihre Stimme zurückgegeben zu haben.

🔗 Die erste mit einer KI-Stimme gehaltene Rede im britischen Parlament (ElevenLabs)

Forschung und offene Daten: Prompteina entwirft Proteine, Basis veröffentlicht Global Emotions, ein kritischer Beitrag über Entscheidungsmodelle

Drei offene Veröffentlichungen des Tages: ein textgesteuertes Modell für das Proteindesign, ein Datensatz mit ausdrucksvoller Sprache in 83 Sprachen und eine zahlenbasierte Kritik an Entscheidungsmodellen.

Prompteina entwirft All-Atom-Proteine anhand einer Anweisung in natürlicher Sprache

13. Oktober — Erstautor Joseph Lee stellt Prompteina vor, eine Arbeit, zu deren Mitautoren unter anderem drei Forscher von Ai2, das sie weiterverbreitet hat, sowie David Baker vom Institute for Protein Design der University of Washington gehören. Der arXiv-Artikel beschreibt es als das erste textgesteuerte Modell zur Erzeugung von All-Atom-Proteinstrukturen. Während bestehende Modelle für jede Eigenschaft eine eigene Eingaberepräsentation verlangen, wird die gewünschte Eigenschaft hier in natürlicher Sprache formuliert: Von 18 bewerteten strukturellen Eigenschaften kontrolliert Prompteina 15 besser als die Referenzmodelle. Es wurde auf 1,8 Millionen Strukturen trainiert, die mit 52,4 Millionen Beschreibungen gepaart sind, und basiert auf einer Anpassung von NVIDIAs Proteina-Complexa. Beim agentengesteuerten Design von Bindern erzielt es für 20 Zielstrukturen eine um 14 % höhere vorhergesagte Bindungskonfidenz als das beste Referenzmodell. Für GM2A, eine Zielstruktur, für die zuvor kein De-novo-Binder berichtet worden war, ergaben 90 im Labor getestete Designs neun Binder, von denen der stärkste eine scheinbare Dissoziationskonstante von 107 nM aufweist. Code und Gewichte sind veröffentlicht.

🔗 Thread von Joseph Lee · Entwurf von Proteinstrukturen aus natürlicher Sprache (arXiv)

Basis veröffentlicht Global Emotions, 525 Stunden ausdrucksvoller Sprache in 108 Locales

12. Oktober — Basis veröffentlicht Global Emotions, einen Datensatz mit 525,17 Stunden ausdrucksvoller Sprache, aufgenommen mit 10 420 bezahlten Muttersprachlern in 108 Locales und 83 Sprachen, im WAV-Format mit 48 kHz. Seine Besonderheit liegt in seiner Struktur: Derselbe Sprecher liest dieselbe Textzeile mit verschiedenen Intensitäten, neutral, mittel und schließlich voll, entsprechend einer Vorgabe (fröhlich, frustriert, sarkastisch, geflüstert, gesungen…). Indem Sprecher und Text konstant bleiben, lässt sich isolieren, was sich an der Stimme, am Rhythmus, an der Tonhöhe oder am Sprechtempo ändert, wenn die Emotion stärker wird. Der Datensatz umfasst 137 696 Aufnahmen und 54 575 gepaarte Reihen, darunter 12 141 Aufnahmen mit einem nonverbalen Signal (Seufzen, Lachen). Basis erklärt ihn unter einer eigenen Lizenz mit bedingtem Zugang für die kommerzielle Nutzung und Forschung frei verfügbar, doch die Audiodaten werden unbearbeitet und ohne Rauschunterdrückung bereitgestellt, und von Menschen geprüfte Transkriptionen sind nicht enthalten: Sie werden für 22,7 Dollar pro Audiostunde verkauft.

🔗 Basis Global Emotions (Hugging-Face-Blog)

Entscheidungsmodelle: Ein kritischer Beitrag misst ihre Grenzen und trainiert eines mit GRPO

13. Oktober — In einem Community-Beitrag im Blog von Hugging Face untersucht Hajime Yagihara die öffentlichen Demos von Entscheidungsmodellen, die keine Tokens generieren und für jede Option eine Wahrscheinlichkeit zurückgeben. Seine These: Der Code der Demos simuliert jede Option und schreibt das Ergebnis in den Prompt, erledigt also die schwierige Arbeit schon vor dem Modell. Im Szenario Predict Position von ViZDoom schafft Jev ohne Unterstützung durch den Code 0 von 128 Episoden, weniger als bei zufälliger Auswahl (12 von 128), während der Code allein 126 schafft; bei Snake sinkt die Erfolgsquote auf 63,5 %, sobald ein einziger Schritt vorhergesagt werden muss.

Der Autor überträgt anschließend GRPO von LLM auf diese Modelle, wobei die abschließende Belohnung auf alle Entscheidungen einer Episode verteilt wird. Bei NanoJev, einer offenen Nachbildung mit 0,6 Milliarden Parametern, steigt die Erfolgsquote ohne Experten von 19,4 % auf 79,1 %, gegenüber 68,6 % beim Nachahmen eines Experten mittels SFT und 81,4 % bei der Kombination beider Verfahren; das Training bleibt um Schritt 20 instabil.

🔗 Der Beitrag von Hajime Yagihara (Blog von Hugging Face)

Kurzmeldungen

Copilot CLI 1.0.97 — Die jetzt stabile Version übernimmt 25 Einträge aus ihren Vorabversionen, ermöglicht jedem benutzerdefinierten Agenten eigene deklarative Hooks, findet alle Agenten eines Repositorys auch jenseits von 100 und lehnt im Autopilot eine „ask“-Entscheidung eines preToolUse-Hooks ab, statt hängen zu bleiben; das Copilot SDK erscheint in Version 1.0.21. 🔗 Quelle · 🔗 SDK
Gemini CLI v0.65.0-preview.0 und v0.64.0 — Die Vorabversion ergänzt vier Fehlerbehebungen vom 13. Oktober, darunter eine schnelle Unterbrechung per Ctrl+C, die die Sitzung nicht mehr beschädigt, und die stabile Version v0.64.0 bringt nichts Neues. Gemini 4 Argon steht noch nicht in der Modellauswahl: Eine PR eines externen Mitwirkenden fügt es hinzu, wurde aber noch nicht gemergt. 🔗 Quelle
Antigravity 2.23.0 — Version vom 12. Oktober (16 Verbesserungen, 8 Fehlerbehebungen): Auswahl der Agentenberechtigungen im Nachrichtenbereich, Vollbildansicht für Bilder und Videos, Entpacken von .zip-Archiven durch den Agenten, Reparatur eines nicht startenden MCP-Servers durch den Agenten. 🔗 Quelle
Qwen Code v0.25.2-preview.0 — Erste Vorabversion des Zyklus, zwei Tage nach der stabilen Version v0.25.1: 115 Einträge, darunter 33 Funktionen und 50 Fehlerbehebungen, in TypeScript geschriebene Mods, die Tool-Aufrufe abfangen können, ein Explorer für fehlgeschlagene Tests und ein Dateibrowser mit Excel-Vorschau in der Web Shell. 🔗 Quelle
Jev in Amp — Der Bereich Changes in Amp sortiert die Dateien eines Diffs automatisch, wobei diejenigen, die die Änderung erklären, zuerst erscheinen, dank des Entscheidungsmodells Jev von TypeSafe viel schneller als zuvor; die alphabetische Reihenfolge bleibt verfügbar. 🔗 Quelle
Devin-Notizen vom 9. Oktober — Nachtrag: Eine ruhende Sitzung lässt sich nur noch 14 statt 30 Tage lang fortsetzen, Devin liest beim Einrichten eines Repositorys die Datei AGENTS.md, und Devin Ultra wird für Unternehmen ohne Datenaufbewahrung (zero data retention) zugänglich, die bisher ausgeschlossen waren. 🔗 Quelle
Anthropic-Schlüssel standardmäßig blockiert — Das Secret Scanning von GitHub erkennt die Service- und Benutzerschlüssel von Anthropic und blockiert sie sofort durch den Push-Schutz, auch in kostenlosen öffentlichen Repositorys; es ergänzt einen Detektor für Cloudsmith, und Salesforce wird Partner für den Widerruf von Marketing Cloud-Tokens, die in öffentlichen Repositorys gefunden werden. 🔗 Quelle
Kennzahlen zum AI Scan — In der öffentlichen Vorabversion misst die security overview von GitHub die Wirkung des AI Scan bei Pull Requests (erzeugte und behobene Befunde, Behebungsquote, Nutzung der autofix-Vorschläge), für Kunden von GitHub Code Security oder GitHub Advanced Security. 🔗 Quelle
Verwaltete Einstellungen für Copilot — Mit forceRemoteSettingsRefresh verpflichten Unternehmensadministratoren Copilot CLI, VS Code und die App GitHub Copilot, beim Start die aktuelle Richtlinie abzurufen, wobei der Client den Betrieb verweigert, wenn er sie nicht bestätigen kann; über den Schlüssel sandbox wird auch eine Mindestversion des Clients erzwungen. 🔗 Quelle
Copilot-Telemetrie — Die verwaltete Einstellung telemetry.capture.identity, die standardmäßig deaktiviert ist, ordnet Copilot-Aktivitäten in OpenTelemetry einem Benutzer zu (GitHub-Login, Systemkonto, Rechnername), ohne dessen Prompts zu erfassen; fünf Kategorien der Inhaltserfassung lassen sich separat konfigurieren und sind alle standardmäßig ausgeschaltet. 🔗 Quelle
Audit von Code Quality — Das manuelle Verwerfen und erneute Öffnen von Befunden aus GitHub Code Quality erscheint jetzt im Audit-Log, mit dem handelnden Benutzer, der Uhrzeit, dem Repository, der Regel und der Anzahl der Befunde, bei GitHub Team und GitHub Enterprise Cloud. 🔗 Quelle
Zurückgezogene Dependabot-Warnungen — Der Webhook dependabot_alert erhält eine Aktion withdrawn, und die REST-API antwortet bei einer zurückgezogenen Warnung mit 410 Gone statt 404, wodurch sie sich von einer Warnung unterscheidet, die nie existiert hat. 🔗 Quelle
Anonyme Registries für Dependabot — Eine Authentifizierungsmethode namens Anonymous ermöglicht es, auf Organisationsebene eine private Registry einzutragen, die ohne Zugangsdaten erreichbar ist, etwa einen internen Mirror mit offenem Lesezugriff; wer einen Dummy-Token verwendet hat, muss seine Registry neu anlegen. 🔗 Quelle
Abrechnungsbudgets bei GitHub — Die Seite Budgets and alerts fasst alle Budgets in einer einzigen Liste zusammen, die nach Geltungsbereich, Produkt, SKU oder Benutzer gefiltert werden kann, einschließlich der Budgets pro Benutzer. 🔗 Quelle
Der RSSI von Uber und IA-Agenten — In einem auf claude.com veröffentlichten Interview plädiert Philip Martin, RSSI von Uber, dafür, für IA-Agenten ein Programm zur Bekämpfung interner Bedrohungen (insider threat program) einzusetzen, und beschreibt das Zusammenspiel von Enterprise Frontier Safeguards mit ADR, dem Open-Source-Tool von Uber; weder Zahlen noch eine Produktankündigung. 🔗 Quelle
Mistral Large 4 bei der visuellen Verankerung — Laut Mistral erreicht sein Modell 42 % auf dem Benchmark für visuelle Verankerung (visual grounding) Dense 200, sogar vor führenden geschlossenen Modellen, ohne einen Konkurrenten oder einen Vergleichswert zu nennen; eine Demo zeigt es anhand technischer Zeichnungen. 🔗 Quelle
JJ-1 von JurinAI — Vier Entscheidungsmodelle mit 0,8 bis 9 Milliarden Parametern für japanische Geschäftsprozesse: Im Bericht des Anbieters (88 813 Fragen) erreicht JJ-1-9B 79,20 % und liegt damit vor StartLux 9B (78,02 %), Jev 1.13 und Microsoft Decision-1 (76,50 %); Modellgewichte unter CC BY-NC 4.0, keine kommerzielle Nutzung. 🔗 Quelle
AutoTrust — Zwei Online-Demos für Kurzvideos und Nachrichten sortieren ihre Empfehlungen mit einem einzigen Entscheidungsmodell, ohne Training oder Logs: Eine einzige Auswahlfrage für die gesamte Gruppe schlägt die Abfrage jedes einzelnen Kandidaten (AUC 0,931 in 0,42 s gegenüber 0,905 in 1,54 s bei 200 Fällen); die Messungen stammen aus Tests außerhalb des Produktivbetriebs, warnen die Autoren. 🔗 Quelle
MolmoAct 2 führt bei Datapoint AI — Die Robotik-Policy von Ai2 führt den nach menschlichen Präferenzen bewerteten Datapoint Robot Policy Bench mit 1 082 Elo-Punkten aus 21 130 Stimmen an, vor OpenVLA-OFT (1 049) und π0.5-DROID (1 033); dies ist das zweite unabhängige Ranking nach Reality Check vom 30. September. 🔗 Quelle
Molmo2Fish — Ai2 erzählt, wie Kai Van Brunt (MIT) Molmo 2 mit Sonarvideos feinabgestimmt hat, um Lachse zu verfolgen und seine Fehler auf einfache Anweisung zu korrigieren; der Prototyp arbeitet ungefähr so gut wie ein spezialisiertes System, ohne veröffentlichte Zahlen, und ist nicht im Einsatz. 🔗 Quelle
Spracherkennung für die Flugverkehrskontrolle — NVIDIA veröffentlicht zwei Skills, die einen Coding-Agenten beim Fine-Tuning von Nemotron 3.5 ASR anleiten: Auf einem zweistündigen ATCO2-Benchmark sinkt die Wortfehlerrate von 77,00 % auf 22,46 %, und die für allgemeines Englisch steigt von 3,50 % auf 3,63 %. 🔗 Quelle
Post-Training bei Together AI — Ein Rezeptbuch unter Apache-2.0, das ohne Ankündigung erschienen ist, dokumentiert Together Post Training, bei dem der Kunde seine Trainingsschleife auf dem eigenen Rechner schreibt, während Together AI den Trainer und das Sampling ausführt: Rezepte für GRPO, SFT, DPO und multi-LoRA, ohne Preise oder Zahlen. 🔗 Quelle
Supabase in Grok Bot — Supabase schließt sich dem Partnernetzwerk von SpaceXSI an: Eine im Chat von Grok Bot gestellte Anfrage wird an Cursor übergeben, das sie über den MCP-Server von Supabase auf dem Backend ausführt; laut Supabase beenden in Cursor-Sitzungen nur etwa 2 % der Fehler die Sitzung. 🔗 Quelle
Higgsfield und GPT-6 Astra — In einer Fallstudie von OpenAI gibt Higgsfield AI an, dass seine Videos, die vor GPT-6 Astra auf etwa eine Minute begrenzt waren, inzwischen länger als 10 Minuten sind; laut seinem CEO helfen die Tool-Aufrufe des Modells für die 3D-Modellierung dabei, die Konsistenz langer Videos zu wahren. Es werden keine Kostenangaben gemacht. 🔗 Quelle

Was das bedeutet

Die Einführung von Argon zeigt, wie sich ein Frontier-Modell heute verbreitet: Am Tag seiner allgemeinen Verfügbarkeit integrieren es Cursor, Devin, GitHub Copilot und Manus, jeweils mit eigenen Messungen, und diese Zahlen lassen sich nicht miteinander vergleichen. Auf CursorBench 4.0 erreicht Argon bei mittlerem Aufwand das Niveau von Opus 5.5, kostet aber pro Aufgabe mehr und fällt zurück, sobald man den Aufwand erhöht; auf FrontierCode 1.1, dem Benchmark von Cognition, liegt es einen Zehntelpunkt vor GPT-6.1 Sol und bleibt knapp fünf Punkte hinter Claude Opus 5.5; GitHub veröffentlicht keine Zahlen. Der Preis wiegt ebenso schwer wie die Punktzahl: 2 und 10 Dollar pro Million Tokens bis zum 30. November, danach das Doppelte. Für ein Team, das sein Modell auswählt, muss die Rechnung im Dezember neu aufgestellt werden.

The X Subscription verändert die Stellung von Cursor. Der Editor wird jetzt im selben Paket wie Grok und X Premium angeboten, mit einem gemeinsamen Nutzungskontingent und mindestens doppelt so viel Nutzung für Coding mit den Modellen von SpaceXSI. Die Modelle anderer Labore, wie das am selben Tag in Cursor freigeschaltete Gemini 4 Argon, bleiben zugänglich, allerdings erst ab 30 Dollar pro Monat und außerhalb des Kontingents zum API-Preis abgerechnet. Für neue Abonnenten lenkt das Angebot somit zu den eigenen Modellen; für Bestandskunden ändert sich nichts, solange SpaceXSI den Zeitplan der angekündigten Migration nicht festgelegt hat.

Cybersicherheit zieht sich durch den Tag. Google begründet seine Schutzmaßnahmen der neuen Generation mit einem Ergebnis: Argon löst die 12 simulierten Cyberangriffsszenarien, gegenüber 5 bei der vorherigen Generation. XBOW zeigt seinerseits, was ein allgemein zugängliches Modell bereits ermöglicht: eine vollständige Exploit-Kette für Chrome für 40 000 Dollar an Rechenkosten. Die Abwehr setzt auf Überwachung in Echtzeit: drei Schutzschichten um Argon, ein zweistufiger Klassifikator bei Anthropic, der nach eigenen Angaben die von Akteuren, die Modelle destillieren, abgeschöpften Daten um 90 bis 99 % reduziert, und bei GitHub ein kleines ModernBERT-Modell, das eine LLM-Pipeline ersetzt, mit 86 % weniger Analysezeit und um mehr als 98 % geringeren Betriebskosten.

Lokale IA erhält schließlich konkrete Werkzeuge. Nemotron 3.5 Bolt 74B passt dank einer 2-Bit-Quantisierung in 24 GB, LFM2.5-24B-A2B aktiviert nur 2 Milliarden Parameter pro Token und gibt 184 tokens/s auf einem Apple M5 Max an, und Llama Windows reduziert die Installation von llama.cpp auf wenige Klicks. Auf Serverseite veröffentlicht NVIDIA den Code von Run:ai, damit seine Partner ihre GPU selbst orchestrieren können, und Anthropic zeigt mit Scion, was das Tempo der Agenten für die Werkzeuge bedeutet: Mehr als 30 000 Merges pro Tag im September, gegenüber 2 500 im Mai, haben das Unternehmen dazu bewegt, git aufzugeben.