Bei Anthropic sinkt der Anteil der Juniors an technischen Neueinstellungen von 27 % auf 9 %, DeepSeek veröffentlicht V4.1-Flash-1017, Claude Code beginnt dreimal schneller zu antworten

Anthropic untersucht seine eigenen Teams: Der Anteil der Juniors an technischen Neueinstellungen ist dort von 27 % auf 9 % gesunken, die von Beschäftigten gestarteten Agenten arbeiteten im August sechsmal so viele Stunden wie die Beschäftigten selbst, und 91 % der Beschäftigten halten KI bis 2030 zu einer nobelpreiswürdigen Entdeckung fähig, gegenüber 39 % der Amerikaner. DeepSeek veröffentlicht V4.1-Flash-1017 unter MIT-Lizenz, das bei DeepSWE v1.1 zu unveränderten Preisen vor GPT-5.6 Sol und Claude Opus 5 liegt, und öffnet seine Websuch-APIs Search und Fetch für alle. Agenten von Google Research steuern Laborroboter und tragen dazu bei, nanomolare Proteinbinder gegen eine tumorbezogene Zielstruktur zu entwickeln, Claude Code beginnt dreimal schneller zu antworten als im August, und NVIDIA stellt seine RTX Spark-PCs für Entwickler genauer vor.

Anthropic untersucht seine eigenen Arbeitsplätze: Juniors fallen auf 9 % der technischen Neueinstellungen, seine Beschäftigten erwarten deutlich mehr von KI als die Amerikaner

16. Oktober — Das Economics-Team von Anthropic veröffentlicht zwei Berichte von The Anthropic Institute, die das Unternehmen selbst zum Untersuchungsgegenstand machen. Der erste, „Wie sich die Beschäftigung bei Anthropic verändert“ (How employment is changing at Anthropic), verknüpft interne Daten zu Personalbestand, KI-Nutzung, Arbeitsergebnissen, Kalendern und Einstellungsentscheidungen mit 17 Interviews mit Beschäftigten. Der zweite, „Die Kluft bei den Erwartungen an KI“ (The AI expectations gap), vergleicht eine im August durchgeführte Morning Consult-Umfrage unter 10 980 amerikanischen Erwachsenen mit einer internen Befragung von 1 334 Beschäftigten; eine zweite Befragungswelle im September liefert ähnliche Ergebnisse.

Bei Anthropic erfasster Indikator	Gemessene Entwicklung
Anteil der Juniors an technischen Neueinstellungen	von 27 % auf 9 %
Anteil der Juniors in technischen Abteilungen	von 21 % auf 14 % seit Anfang 2025
Arbeitsstunden interaktiver Agenten pro Arbeitsstunde eines Beschäftigten	6 im August 2026
Commits pro Ingenieur	5-mal so viele wie vor sechs Monaten
Coding-Sessions von Beschäftigten ohne technischen Hintergrund, pro Monat	von 2 (August 2025) auf 90 (Mai 2026)

Der Rückgang bei Berufseinsteigern ist der deutlichste Befund, und KI spielt dabei nach ausdrücklichen Angaben eine Rolle: Im April 2026 gaben etwa ein Drittel der Manager im Bereich Machine Learning und ein Fünftel der Manager im Software Engineering an, wegen KI weniger Personal einzustellen. Agenten haben unterdessen an Bedeutung gewonnen: Im März 2026 überstiegen ihre kumulierten Arbeitsstunden erstmals die der Beschäftigten. Bei 192 Ingenieuren, die auf Coding-Agenten umgestiegen sind, steigt die Menge des hinzugefügten Codes im Vergleich zu 74 Ingenieuren, die dies nicht getan haben, sprunghaft an, ohne dass der Code der Agenten anschließend häufiger gelöscht oder rückgängig gemacht wird.

Die Kehrseite ist die menschliche Aufmerksamkeit, die zum Engpass geworden ist: Interaktive Sessions sind etwa 80 % der Zeit inaktiv, während sie auf eine Antwort warten, und alles zu lesen, was sie produzieren, würde mehr als die Hälfte der Arbeitswoche beanspruchen. Meta-Arbeit (meta-work), also das Schreiben von Spezifikationen für Agenten, das Überprüfen der Arbeit eines Agenten durch einen anderen oder das Überwachen von Verarbeitungsketten, stieg zwischen Herbst 2025 und Frühjahr 2026 von 10 % auf 22 % der Sessions. Beschäftigte verbringen im Median 20 % mehr Zeit in Besprechungen als vor einem Jahr. Bei Einstellungen legen die Bewertungen mehr Gewicht auf Selbstständigkeit und Urteilsvermögen; Anthropic erklärt, ein Frühwarnsystem (early warning system) für gefährdete Stellen einzurichten und interne Stellenwechsel zu bevorzugen.

Der zweite Bericht zeigt, dass Beschäftigte und breite Öffentlichkeit darin übereinstimmen, was KI heute leisten kann, aber nicht darin, wie schnell sie Fortschritte macht:

Erfasste Antwort, Zeithorizont 2030	Befragte Amerikaner	Beschäftigte von Anthropic
Nobelpreiswürdige Entdeckung für möglich gehalten	39 %	91 %
Durch KI erledigbarer Anteil der eigenen Arbeit (Mittelwert)	28 % (Erwerbstätige)	75 %
Aus den Antworten abgeleitetes BIP-Wachstum (Median)	5,4 %	17,1 %

Beide Gruppen argumentieren dennoch auf dieselbe Weise: Je größer der Anteil der eigenen Arbeit ist, den man KI zutraut, desto höher schätzt man die künftige Arbeitslosigkeit ein. Amerikanische Erwerbstätige, die KI mindestens 80 % ihrer Arbeit zutrauen, rechnen für 2030 mit 12,2 % Arbeitslosigkeit, gegenüber heute 4,2 %. Das BIP-Wachstum wird aus dem von Anthropic im September vorgestellten Modell wirtschaftlicher Szenarien abgeleitet. Zudem gehen Beschäftigte im Median davon aus, dass KI bereits 51 % der Arbeit zur Entwicklung eines Spitzenmodells erledigt, und erwarten bis Ende 2030 einen Anteil von 95 %: Der Bericht stellt klar, dass es sich um persönliche, per Umfrage erhobene Einschätzungen handelt, nicht um Prognosen des Unternehmens.

🔗 Wie sich die Beschäftigung bei Anthropic verändert · Die Kluft bei den Erwartungen an KI · Der einführende Blogbeitrag

Offene Modelle: DeepSeek veröffentlicht V4.1-Flash-1017 und öffnet seine APIs Search und Fetch, NVIDIAs Partner trainieren Nemotron 3.5 Super VL nach

17. Oktober — DeepSeek veröffentlicht DeepSeek-V4.1-Flash-1017, eine neue Version von V4.1-Flash, seinem am 10. September eingeführten multimodalen MoE-Modell mit 552 Milliarden Parametern. Die Modellkarte spricht von einem kleinen Update (minor update), doch bei Agentenaufgaben sind die Unterschiede deutlich: 77,0 % bei DeepSWE v1.1 gegenüber 74,2 % bei der Vorgängerversion, 42,3 gegenüber 31,2 bei Terminal-Bench 4.0. Die Gewichte werden unter MIT-Lizenz auf Hugging Face und ModelScope veröffentlicht, und das Modell ist auf der Website, in der App und über die API verfügbar.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇩🇪 Höhere Scores, schneller abgeschlossene Aufgaben und kürzere Ausgaben als bei der Vorgängerversion: eine Pareto-Verbesserung bei Leistung und Kosten. — @deepseek_ai auf X

Der Preis bleibt unverändert. Unter dem Namen deepseek-flash wird nun diese Version bereitgestellt, mit einem Kontext von einer Million Tokens und bis zu 384K Ausgabe-Tokens; die bisherigen Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiterhin akzeptiert, ihre Anfragen laufen aber ebenfalls über V4.1-Flash-1017. Die Preisseite zeigt weiterhin 0,30 Dollar pro Million Eingabe-Tokens (ohne Cache) und 1,20 Dollar für die Ausgabe zu Spitzenzeiten, zu Nebenzeiten jeweils die Hälfte, wie schon am 13. September. Die Kostensenkung ergibt sich somit aus kürzeren Antworten: Das nur als Bild lesbare Diagramm in den Release Notes verortet die Einstellung max bei 77,0 % auf DeepSWE v1.1 für etwa 0,2 Dollar pro Aufgabe, oberhalb aller anderen Punkte. Der nächstgelegene Punkt, GPT-6.1 Sol, erreicht höchstens rund 75 % für etwa 0,65 Dollar, während die besten Punkte von GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 und Claude Fable 5 bei etwa 70 % bis 74 % liegen und ungefähr 2 bis 15 Dollar pro Aufgabe kosten.

Benchmark	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE ohne Tools	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : Text-Teilmenge von HLE, der einzige für GLM-5.3 angegebene Score (V4.1-Flash-1017 erreicht dort 44,0). Quelle: Hugging Face-Modellkarte.

Bei den geschlossenen Modellen berücksichtigt die Tabelle nur GPT-5.6 Sol und Claude Opus 5, nicht ihre Nachfolger. V4.1-Flash-1017 liegt bei DeepSWE v1.1, Automation-Bench, Agents’ Last Exam und Apex Bench vor ihnen, bleibt aber bei HLE ohne Tools (wo auch GPT-5.6 Sol mit 44,5 gegenüber 42,6 vor ihm liegt), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench und den drei visuellen Benchmarks mit Tools in der Modellkarte (Chartography, BabyVision und ZeroBench-main) hinter Opus 5 zurück; gegenüber den offenen Modellen K3 und GLM-5.3 unterliegt es nur K3, und zwar bei HLE ohne Tools (43,5 gegenüber 42,6). DeepSeek führt diese Fortschritte auf Reinforcement Learning mit Selbstbewertung (reinforcement learning with self-feedback) anhand vollständiger Projekte zurück und optimiert das Modell für DeepSeek Harness, Tencent CodeBuddy und WorkBuddy. Für die lokale Ausführung liefert die Veröffentlichung kein Chat-Template im Jinja-Format, sondern eine Python-Referenzimplementierung des Prompt-Formats und empfiehlt mindestens 256K Ausgabe-Tokens; diese Version wird von keinem neuen technischen Bericht begleitet.

🔗 Die Release Notes von DeepSeek · Die Modellkarte auf Hugging Face

Search und Fetch: DeepSeek öffnet seine Websuch-APIs für alle, zu 0,75 Dollar pro 1 000 erfolgreiche Anfragen

17. Oktober — Im selben Thread öffnet DeepSeek zwei Websuchdienste für alle Nutzer seiner API. Search fragt die hauseigene Suchmaschine von DeepSeek ab, die nach eigenen Angaben täglich Hunderte Millionen Anfragen verarbeitet, und liefert strukturierte Ergebnisse: Jedes enthält einen Relevanzwert von 0 bis 3, eine für das Modell bestimmte Zusammenfassung mit 600 bis 800 Zeichen, das Veröffentlichungsdatum und eine Autoritätsstufe von 0 bis 4. Fetch ruft eine Seite ab und wandelt sie in Markdown um, unter Beachtung der Zugriffsregeln der jeweiligen Website.

Bestandteil des Angebots	Von DeepSeek angegebener Wert
Preis jeder API	0,75 Dollar pro 1 000 erfolgreiche Anfragen
Limit pro Konto	5 Anfragen pro Sekunde auf jeder API
Ergebnisse pro Suche	von 1 bis 50 (standardmäßig 10)
Aufrufe aus Harness, Claude Code, Codex	kostenlos bis zum 31. Oktober um 16 Uhr UTC

Nur Antworten mit Ergebnissen werden berechnet: Fehlgeschlagene Anfragen, Suchen ohne Ergebnisse und Zeitüberschreitungen sind kostenlos, und die Anzahl der angeforderten Ergebnisse beeinflusst den Preis nicht. Die serverseitigen Tools der DeepSeek-API, die aus DeepSeek Harness, Claude Code oder Codex aufgerufen werden, basierten bereits auf diesen APIs, und diese Aufrufe bleiben bis zum 31. Oktober kostenlos; Harness v0.2.1-rc.2 integriert Search und Fetch in seine Einstellungen für die Websuche.

🔗 Die Anleitung zu Search und Fetch · Die Ankündigung von @deepseek_ai

Nemotron 3.5 Super VL: Nach dem Nachtraining durch NVIDIAs Partner erreicht es bei deren Aufgaben das Niveau teurerer geschlossener Modelle

16. Oktober — Einen Tag nach dem Start von Nemotron 3.5 Super VL, seinem offenen Modell mit 120 Milliarden Parametern (12 Milliarden aktiv), das hier am 15. Oktober vorgestellt wurde, veröffentlicht NVIDIA einen Thread, der 21 Beiträge von Partnern zitiert, die fast alle am Tag des Starts erschienen sind. Viele davon zeigen, was das Modell nach einem Nachtraining für eine bestimmte Aufgabe leistet, jeweils anhand eigener Evaluationen gemessen: NVIDIA verbreitet sie ohne gemeinsame Methodik weiter.

Genannter Partner	Anwendung nach dem Nachtraining	Vom Partner gemeldetes Ergebnis
AfterQuery (mit Hebbia)	Expertenaufgaben im Kreditbereich	von 47 % auf 74 % fehlerfrei gelöste Aufgaben, bei etwa 1/7 der Kosten der verglichenen geschlossenen Modelle
Trajectory	Legal Agent Bench von Harvey	Niveau von Opus 4.7, zu 1,34 Dollar pro Million Tokens gegenüber 15
Alex Dimakis	Autonomer ML-Forscher	von 28 % auf 35 % bei AutoResearchExam, auf dem Niveau des 20-mal größeren Qwen 3.8 Max
Handshake	Dokumente aus den Lebenswissenschaften	verdoppelte Genauigkeit mit über 2 000 Datenpunkten von Experten
Multiverse Computing	Modellkomprimierung	Comet 60B, halb so viele Parameter, mit weniger als 5 % Abweichung von der ursprünglichen Genauigkeit

Der Thread zeigt auch die Tools, die rund um das Modell entstehen: Verfügbarkeit auf Tinker, der River-API, AC2 von Applied Compute und ModelScope (Gewichte in BF16 und NVFP4), Einführung der Fastino Training API für SFT- und RL-Schleifen sowie Bereitstellung mit 962 Tokens pro Sekunde und Nutzer auf zwei H200-GPUs mit der Litespark-Engine von Mindbeam.

🔗 Der Thread von @NVIDIAAI

Agenten im Labor: Google Research vertraut ihnen Pipettierroboter an und erhält Binder mit nanomolarer Affinität gegen ein Tumortarget

16. Oktober — Google Research stellt drei Arbeiten vor, die KI-Agenten bis an den Labortisch im Nasslabor (wet lab) bringen: Sie entwerfen nicht mehr nur Moleküle, sondern starten Experimente, lesen die Ergebnisse und korrigieren ihre Methode unter der Leitung von Wissenschaftlern.

Der erste Baustein, VERID (VERified Infrastructure for Discovery Laboratories), ist ein digitaler Zwilling der robotergestützten Pipettierstation, aufgebaut auf dem Open-Source-Framework PyLabRobot. Er verfolgt in Echtzeit den Roboterarm, das Volumen in jedem Well, die Reagenzien und die verfügbaren Pipettenspitzen, lässt jedes Protokoll innerhalb weniger Sekunden in einer Simulation durchspielen und blockiert physikalisch unmögliche Befehle. In einem beschriebenen Fall verweigert der Simulator eine Achtkanalaspiration aus einem zu schmalen Behälter: Der Agent plant neu und entwirft anschließend einen faktoriellen Versuchsplan, der einen durch die Pipettenspitzen verursachten Kontaminationsbias isoliert.

Mit den Agenten durchgeführtes Experiment	Von Google Research berichtetes Ergebnis
Aptamere gegen α-Thrombin, drei Zyklen	0 %, dann 26,0 %, dann 42,1 % bestätigte Binder bei 98,5 % Spezifität
Aptamere gegen Myoglobin	Spezifität von 75,0 % auf 19,1 % gefallen, wieder auf 72,4 % gestiegen; 33,5 % Binder in Zyklus 3
De-novo-Proteinbinder gegen FAP	nanomolare Affinität im einstelligen Bereich, 8,6-mal schnellere Strukturvorhersage
Zusammenarbeit zwischen Mensch und Agent bei gleichem Rechenaufwand	Erfolgsquote in silico gegenüber einem Wissenschaftler allein nahezu verdoppelt

Der Fall Myoglobin zeigt das Lernen im geschlossenen Regelkreis: Im zweiten Zyklus setzen die Agenten auf G-Quadruplex-Motive, die an alles binden, erkennen den Einbruch der Spezifität in den Labordaten und schreiben ihre Designregeln selbstständig neu. Bei FAP, einem in soliden Tumoren überexprimierten Rezeptor, behält die Pipeline während der Strukturvorhersage nur die Bindungsstelle bei. Google beschreibt seine Schutzmaßnahmen im Detail (nicht infektiöse biologische Systeme, Biosicherheits-Screening jeder Sequenz, verpflichtende Simulation vor der Ausführung, menschliche Aufsicht), verrät aber nicht, welches Modell die Agenten antreibt.

🔗 Der Beitrag von Google Research · VERID (PDF) · Die Aptamer-Sandbox (PDF) · Die Epitop-Exzision (PDF)

Code-Agenten: Claude Code beginnt dreimal schneller zu antworten, Version 2.1.302 macht Fork-Subagenten zum Standard, Replit zieht in die Cloud seiner Kunden ein

16. Oktober — Claude beginnt früher zu antworten, kündigt @ClaudeDevs an. In Claude Code wird die Unterhaltung, die bei jedem Durchgang an das Modell gesendet wird, nun mit gzip komprimiert, damit sie es schneller erreicht, und Cloud-Sitzungen starten bereits, sobald man beginnt, seine Anfrage einzugeben. Die der Ankündigung beigefügte Tabelle misst die Wartezeit bis zum ersten Token zwischen August und Oktober:

Gemessene Oberfläche	August 2026	Oktober 2026	Angegebener Geschwindigkeitsgewinn
Claude Code, lokale Sitzungen	4,07 s	1,33 s	3-fach
Claude Code, Cloud-Sitzungen	16,99 s	6,00 s	2,8-fach
Claude, Chat und Cowork	3,36 s	2,17 s	1,5-fach
Claude API, einschließlich Modelllaufzeit (Median)	1,53 s	1,01 s	1,5-fach

Die ersten drei Zeilen schließen die Rechenzeit des Modells aus und beziehen sich auf das 90. Perzentil. Die Komprimierung ist nicht ganz neu: Claude Code 2.1.300 wandte sie bereits am 14. Oktober auf große Anfragen an api.anthropic.com an; mit der Variable CLAUDE_CODE_GZIP_REQUEST_BODIES=0 lässt sie sich abschalten. Für den vorgezogenen Start der Cloud-Sitzungen wird keine Versionsnummer genannt.

🔗 Die Ankündigung von @ClaudeDevs

Claude Code 2.1.302: Fork-Subagenten außerhalb des Terminals standardmäßig aktiv, Modell für den Klassifikator des Auto-Modus wählbar, 43 Fehlerbehebungen

16. Oktober — Am Tag nach Version 2.1.301 erweitert Claude Code 2.1.302 (63 Einträge, darunter 43 Fehlerbehebungen) ein bisher dem Terminal vorbehaltenes Verhalten auf die anderen Oberflächen: Fork-Subagenten sind nun in claude -p, im Agent SDK, in der Desktop-App und in VS Code standardmäßig aktiv (mit CLAUDE_CODE_FORK_SUBAGENT=0 lassen sie sich abschalten), und sowohl die Desktop-App als auch VS Code starten die Subagenten der Hauptunterhaltung immer im Hintergrund.

Betroffener Bereich	Änderung in Version 2.1.302
Auto-Modus	`CLAUDE_CODE_AUTO_MODE_MODEL` wählt das Modell des clientseitig ausgeführten Klassifikators
Befehl `/config`	Eintrag Idle compaction zum Aus- oder Wiedereinschalten der Compaction bei Inaktivität
Drittanbieter	ohne angegebenen Modus starten `claude -p` und das Agent SDK im Modus `default`, wenn die Telemetrie deaktiviert oder die Installation neu ist
Prompt- und Agent-Hooks	höchstens 12 gleichzeitige Ausführungen pro Ereignis
Tool Read	Bilder mit mehr als 128 Mo werden abgewiesen, statt in den Arbeitsspeicher geladen zu werden

Zu den weiteren Fehlerbehebungen gehört, dass eine teilweise fehlgeschlagene geplante Routine nicht mehr von Anfang an neu gestartet wird, was zuvor zur doppelten Veröffentlichung desselben Berichts führen konnte, und dass exFAT- oder FAT32-Datenträger Schreibvorgänge unter Windows nicht mehr blockieren.

🔗 Die Versionshinweise zu Claude Code 2.1.302

Replit Bring Your Own Cloud: die Plattform in der Kundenumgebung bei Azure, Google Cloud oder AWS und Claude Haiku 5.5 im Power-Modus

16. Oktober — Replit startet Bring Your Own Cloud (BYOC), womit Replit ganz oder teilweise in der Cloud-Umgebung (tenant) eines Unternehmens bei Microsoft Azure, Google Cloud oder Amazon Web Services läuft. Für Entwickler ändert sich nichts: Veröffentlicht wird weiterhin über dieselbe Schaltfläche Publish.

Bereitstellungsoption	Was beim Kunden läuft	Verfügbarkeitsstatus
Full BYOC	die gesamte Plattform einschließlich des Agent-Harness sowie die veröffentlichten Anwendungen	private Vorabversion
BYOC for Published Apps	nur die veröffentlichten Anwendungen, während die Entwicklung bei Replit bleibt	Vorabzugang
Image Exports	ein Docker-Image, eine Terraform-Datei und eine SBOM, die vom Team des Kunden bereitgestellt werden	Vorabzugang

Die Tunnel sind ausschließlich ausgehend, mit doppelter mTLS-Verschlüsselung, und vom Kunden verwaltete Schlüssel (CMEK) sind Verträgen mit vollständiger physischer Isolation vorbehalten. Die Dokumentation legt die Grenzen fest: Die Control Plane bleibt bei Replit, Full BYOC ist weder eine isolierte Installation (air-gapped) noch ein vollständig selbst gehostetes Replit, und die Modellinferenz wird weiterhin von Replit durchgeführt. Preise werden nicht veröffentlicht. Das Changelog vom selben Tag ergänzt Claude Haiku 5.5 im Modellauswahlmenü des Power-Modus für die Tarife Core und Pro; Claude Sonnet 5.5 war dort bereits am 2. Oktober hinzugekommen.

🔗 Der Beitrag von Replit · Die BYOC-Dokumentation · Das Changelog vom 16. Oktober

RTX Spark: NVIDIA beschreibt seine PCs für Entwickler im Detail, mit Junie Local von JetBrains und angegebenen Leistungsgewinnen gegenüber dem Core Ultra X9 388H

16. Oktober — Am Erscheinungstag der RTX Spark-Laptops, deren Startsoftware NVIDIA bereits am 13. Oktober vorgestellt hatte, erklärt NVIDIA in seinem technischen Blog, was das Gerät Entwicklern bietet: auf einem einzigen PC programmieren, testen und bereitstellen, mit Code-Agenten, die lokal mit bis zu 128 Go Unified Memory laufen. Die Laptops sind erhältlich, und im November folgen kleine Desktop-Computer, die als geeignet für dauerhaft laufende Agenten vorgestellt werden.

Workload	Von NVIDIA verwendeter Test	Angegebener Leistungsgewinn gegenüber dem Core Ultra X9 388H
Code-Agenten	AA-AgentPerf-local mit Qwen3.8-27B	4,6-fach
Fine-Tuning (LoRA)	Unsloth auf Llama-3.1-8B	2,7-fach
Kompilierung	Linux-Kernel, Phoronix Test Suite	1,8-fach

Diese Messwerte stammen von NVIDIA, im Vergleich mit Intels Panther Lake 12Xe-Chip. Auf Softwareseite installiert Windows Developer Config, das gemeinsam mit Microsoft entwickelt wurde, die wichtigsten Entwicklungsframeworks, schaltet Benachrichtigungen ab und verbessert das Terminal; unter Windows on Arm sind mehr als 2 000 Conda-Pakete einsatzbereit, und mehr als 97 % der 15 000 meistgenutzten Python-Pakete haben eine Arm-Version. JetBrains führt die native Unterstützung für Junie Local ein, das sein Kontextfenster an den GPU-Speicher anpasst, GitHub Copilot läuft lokal über Windows ML mit llama.cpp, und die SDKs AI for Media (Video-Super-Resolution, Generierung von Zwischenbildern, TrueHDR) erscheinen als Python-Paket auf PyPI.

🔗 Der Beitrag im technischen Blog von NVIDIA

Kurzmeldungen

Agenten und Coding-Tools

Versionshinweise zu Devin vom 16. Oktober — Nach den Hinweisen vom 14., über die am 15. berichtet wurde, veröffentlicht Cognition 19 Punkte: /devin-Befehle für Merge Requests in GitLab, den Merge-Status von Bitbucket Cloud in Devin Review, die Suche nach Pull Requests auf fünf Plattformen, integrierte Tools für Issues und Labels sowie eine Enterprise-Einstellung, die den bisherigen MCP-Marketplace ausblendet, ohne bereits installierte Server abzuschalten. 🔗 Quelle
Copilot CLI 1.0.100-1 — Zweieinhalb Stunden nach der 1.0.100-0, über die am Vortag berichtet wurde, macht diese zweite Vorabversion den einheitlichen Session-Browser zur Standardansicht für /sessions, /session und /resume und entfernt die Sprachmarkierungen aus dem Sprachdiktat; weiterhin gibt es keine stabile Version seit der 1.0.98 vom 14. Oktober. 🔗 Quelle
Gemini CLI, Nightly vom 17. Oktober — Vier Korrekturen schließen Tickets aus März und April: Das automatische Update prüft endlich die tatsächlich gestartete Binary, statt bei mehreren Installationen im PATH in einer Endlosschleife einen falschen Erfolg zu melden, keybindings.json akzeptiert ein keys-Array, und Stoppsignale erreichen den Kindprozess unter ACP, systemd oder im Container. 🔗 Quelle
Antigravity CLI 1.4.0 und Antigravity-App 2.24.0 — Nachträge zum 15. und 14. Oktober: Die CLI zeigt ihren Status im Terminal-Tab an (OSC-Sequenz 7501) und überarbeitet agy plugin validate anhand der tatsächlichen Laderegeln; die App gestaltet nach der 2.23.0, über die am 13. Oktober berichtet wurde, ihre Seitenleiste um, ergänzt /compact und ermöglicht es, für jede Automatisierung Flash Lite, Flash oder Pro auszuwählen. 🔗 Quelle
DeepSeek Harness 0.2.1-rc.1 und rc.2 — Die ersten beiden Release Candidates der Reihe 0.2.1: rc.1 bündelt die Änderungen der Vorabversionen alpha.1 bis alpha.5, rc.2 unterstützt V4.1-Flash-1017 sowie die APIs Search und Fetch; das Repository zählt seit dem 17. August 31 Veröffentlichungen, allesamt Vorabversionen. 🔗 Quelle
bun lint — Als Nachtrag zum 15. Oktober kündigt Bun, das Ende 2025 von Anthropic übernommen wurde, für seine nächste Version einen ESLint-kompatiblen Linter mit über 1 000 integrierten Regeln an, der eslint- und oxlint-Konfigurationen liest; laut Ankündigung ist er 26-mal schneller als ESLint, je nach den fünf untersuchten Repositories 11- bis 43-mal, ein Erscheinungstermin steht noch aus. 🔗 Quelle

OpenAI in Unternehmen und bei Entwicklern

Itaú und ia.i — Laut einer Fallstudie von OpenAI macht die brasilianische Bank ia.i, ihre Konversationsoberfläche für Text und Sprache, rund 300 000 Kunden zugänglich und will bis Ende 2026 ihre gesamte Kundschaft erreichen; GPT-5.x-Modelle treiben Customer DNA an (rund 70 Millionen Kunden), und ihre anbieterübergreifende Plattform IARA unterstützt eine juristische Lösung für über 90 Millionen Dokumente. 🔗 Quelle
Benefit Street Partners und Codex — Bei diesem auf Kredite spezialisierten Vermögensverwalter hat Fondsmanager Anant Kumar an einem Tag die erste Version einer Anwendung zur Nachverfolgung von Kreditbewertungen entwickelt (insgesamt 10 bis 12 Stunden Entwicklungszeit) sowie einen mit GPT-6 Astra refaktorierten Kreditvertragsanalysator; Fragen des Investmentkomitees, deren Bearbeitung Tage oder Wochen dauerte, lassen sich innerhalb eines Tages bearbeiten. 🔗 Quelle
ChatGPT Enterprise und Edu — Die vom Administrator verwalteten synchronisierten Konnektoren werden zugunsten der Echtzeit-Apps Google Drive, SharePoint und Microsoft Teams mit neuen Inhaltskontrollen eingestellt, und die Seite External access in der Admin Console bündelt die Zugriffe von Sign in with ChatGPT, verbundenen Apps und Ads-Daten. 🔗 Quelle
Wechsel zwischen Anbietern — Als Nachtrag zum 14. Oktober erklärt der Blog OpenAI Developers, wie sich zwischen der direkten API von OpenAI und dessen Modellen bei Amazon Bedrock oder Azure OpenAI umschalten lässt: nur bei vorübergehenden Fehlern oder einer Begrenzung, die das Einhalten der Frist gefährdet, niemals bei ungültigen Anfragen, Ablehnungen oder ausgeschöpftem Kontingent; ein Codex-Prompt ergänzt einen standardmäßig deaktivierten Failover. 🔗 Quelle
Mit Codex gebaute Hardwareprojekte — OpenAI Developers stellt eine für Einreichungen offene Community-Galerie mit 20 nach Stimmen sortierten Projekten vor: von einem alten Kindle, der zum Dashboard für die KI-Nutzung wurde, bis zu einem DEFCON-Badge, dessen Schaltung laut seinem Autor von Astra entworfen wurde, vom Routing in KiCad bis zur Bestellung bei JLCPCB. 🔗 Quelle

APIs, Modelle und Websuche

Agent API von Perplexity — Sechzehn ältere Modelle (sieben Claude 4.x, fünf Gemini 3.x, vier Grok 4.x) verschwinden aus der Dokumentation, dem Rechner und den Beispielen, wobei der Eintrag nicht besagt, dass ihre IDs keine Antworten mehr liefern; GPT-6 Astra (10 Dollar pro Million Eingabe-Tokens, 50 für die Ausgabe) und DeepSeek V4 Pro (1,32 und 3,96 Dollar) kommen hinzu. 🔗 Quelle
pplx-decider-v1.2 auf OpenRouter — Die beiden Entscheidungsmodelle von Perplexity wurden am 16. Oktober mit ihren Gewichten veröffentlicht und sind am selben Tag auf OpenRouter verfügbar, zu 0,02 Dollar (27B) und 0,01 Dollar (4B) pro Million Eingabe-Tokens, mit kostenloser Ausgabe und einem Kontext von 262K, wie schon v1.1 am 7. Oktober. 🔗 Quelle
Embed 5 Fast gegen EmbeddingGemma 2 — Cohere gibt an, das Google-Modell auf über 95 % von 163 Datensätzen zu übertreffen, allerdings mit RCP-nDCG@10, seiner eigenen Evaluationsmethode; beim standardmäßigen nDCG@10 zeigt sein ViDoRe-v3-Diagramm 59,3 gegenüber 47,6, ohne Liste der Datensätze, und stellt dabei ein kostenpflichtiges API-Modell einem offenen Modell mit 740M Parametern gegenüber. 🔗 Quelle
TypeScript-SDK von SpaceXSI 0.2.4 — Ohne Ankündigung ergänzt es den Parameter guidelines von responses.create(), kategoriespezifische Vorgaben für die Modellausgabe (eine Kategorie ablehnen, bei Selbstverletzung Unterstützung anbieten), die Videoformate 21:9 und 5:2 sowie die IDs grok-voice-3.0 und grok-voice-2.0 und markiert Live Search zugunsten von web_search und x_search als deprecated. 🔗 Quelle
AI Mode und AI Overviews — Als Nachtrag zum 15. Oktober ergänzt Google mehr eingebettete, weiter oben platzierte Links in seinen generierten Antworten, erweitert seine Nachrichtenkarussells, die bevorzugte Quellen (Preferred Sources) hervorheben, auf weitere Länder und Sprachen, wobei sich deren Nutzung seit Jahresbeginn mehr als versiebenfacht hat, und testet einen eigenen Bereich für offizielle Seiten. 🔗 Quelle

Offene Modelle und Community-Forschung

FLUX 3 Image Klein — Zwei Tage nach der Veröffentlichung des Modells korrigiert Black Forest Labs seine Workflows (ComfyUI v0.41.3, aktualisierter Hugging Face Space), empfiehlt sein Prompt-Upsampling bei 2K und veröffentlicht auf GitHub den empfohlenen System-Prompt, um darauf verzichten zu können. 🔗 Quelle
Autorenfilter auf dem Hub — Die Seiten Models und Datasets von Hugging Face lassen sich über eine neue Schaltfläche in jedem Profil nach Nutzer oder Organisation filtern; eine Karte zeigt das gerade durchsuchte Konto an, wenn Filter für Aufgabe, Größe, Bibliothek oder Lizenz hinzukommen. 🔗 Quelle
Ammu-1.0-OffOnTopic-Guardrail — Kalyan KS veröffentlicht unter MIT-Lizenz vier Klassifikatoren mit 150M bis 17M Parametern, die beurteilen, ob eine Anfrage den durch den System-Prompt festgelegten Rahmen verlässt; laut dem Autor erreicht der größte 91,56 Macro-F1, gegenüber 81,95 für DeepSeek V4 Flash 0731 und 79,12 für GPT-6 Luna. 🔗 Quelle
Ein nicht eingesetzter Memory-Klassifikator — Javad Taghia erklärt, warum der für die Entscheidung über Memory-Schreibvorgänge von AtMem feinabgestimmte Encoder nicht in den Produktivbetrieb übernommen wurde: von 18,4 % auf 73,8 % in einem versiegelten Test, aber nur 16 richtige Entscheidungen bei 100 fiktiven Beobachtungen, die wie im Produktivbetrieb erneut durchgespielt wurden, gegenüber 30 bei den deterministischen Regeln, und 15- bis 230-mal langsamer. 🔗 Quelle
SPICY-KV — Laut Yuge Y (ElithiaTechnologies) komprimiert diese Methode, die Schlüssel vor RoPE gruppiert, den KV-Cache von DeepSeek-R1-Distill-Qwen um den Faktor 28,6 und erhält dabei 100,0 % (1.5B) und 91,7 % (7B) Recall auf RULER, während die Zusammenführung nach RoPE auf 0,0 % fällt; dies sind Messungen des Autors ohne Peer-Review. 🔗 Quelle

Was das bedeutet

Der Bericht von Anthropic verlagert die Beschäftigungsfrage. In einem Spitzenforschungslabor arbeiten die von Beschäftigten gestarteten interaktiven Agenten bereits sechsmal so viele Stunden wie diese selbst, und knapp wird die menschliche Aufmerksamkeit: gegenlesen, spezifizieren, überwachen. Berufseinsteiger bekommen das zuerst zu spüren, mit 9 % der technischen Neueinstellungen gegenüber 27 %, während in Bewerbungsgesprächen Selbstständigkeit und Urteilsvermögen stärker bewertet werden. Google Research beschreibt dieselbe Aufgabenverteilung im Labor: Der Wissenschaftler legt die Strategie fest, der Agent führt sie aus, und das Duo findet in silico fast doppelt so viele Kandidaten wie ein Wissenschaftler allein. Es bleibt die Kluft zwischen den Erwartungen: 91 % der Beschäftigten von Anthropic halten KI bis 2030 für fähig, eine nobelpreiswürdige Entdeckung zu machen, gegenüber 39 % der Amerikaner, und ihre Antworten implizieren ein dreimal so starkes BIP-Wachstum (17,1 % gegenüber 5,4 %).

Die Geschwindigkeitsgewinne stoßen an dieselbe Grenze. Claude Code verkürzt die lokale Wartezeit bis zum ersten Token von 4,07 auf 1,33 Sekunden und aktiviert Fork-Subagenten außerhalb des Terminals standardmäßig, doch die Studie von Anthropic zeigt, dass die Maschine nicht mehr der wichtigste Engpass ist: Interaktive Sessions bleiben rund 80 % der Zeit inaktiv und warten auf eine Antwort, und alles zu lesen, was sie produzieren, würde mehr als die Hälfte einer Arbeitswoche beanspruchen. Geringere Latenz verkürzt die Wartezeit des Nutzers vor der Maschine, aber nicht die der Sessions, die auf den Menschen warten.

Bei offenen Modellen zählen inzwischen die Kosten pro Aufgabe mehr als der Preis pro Token. DeepSeek ändert seinen Tarif nicht, doch V4.1-Flash-1017 erzeugt kürzere Ausgaben und beansprucht 77,0 % auf DeepSWE v1.1 für rund 0,2 Dollar pro Aufgabe, während das beste geschlossene Modell in seinem Diagramm, GPT-6.1 Sol, für etwa das Dreifache höchstens rund 75 % erreicht; seine Ergebnistabelle vergleicht allerdings nur GPT-5.6 Sol und Opus 5, nicht deren Nachfolger. Die Partner von NVIDIA argumentieren bei gezielten Aufgaben ähnlich, mit einem nachtrainierten Nemotron 3.5 Super VL auf dem Niveau von Opus 4.7 auf Harveys Legal Agent Bench, zu 1,34 Dollar pro Million Tokens gegenüber 15. Und DeepSeek verkauft inzwischen auch die Websuche seiner Agenten für 0,75 Dollar pro 1 000 Anfragen: Modell, Tools und Harness stammen vom selben Anbieter.

Schließlich rücken die Agenten näher an die reale Umgebung heran, und jeder setzt eigene Schutzvorkehrungen. Google Research lässt jedes Protokoll in einem digitalen Zwilling durchspielen, bevor mit einem Reagenz gearbeitet wird, mit Biosicherheitsprüfung und menschlicher Aufsicht. Replit installiert seine Plattform und den Harness seines Agent in der Cloud des Kunden, behält jedoch die Control Plane und die Inferenz bei sich. NVIDIA setzt mit RTX Spark auf Coding-Agenten, die auf dem Rechner des Entwicklers laufen, von Junie Local bis Copilot, in Erwartung von Desktop-Computern, die für ununterbrochen arbeitende Agenten ausgelegt sind.