Suchen

Anthropic legt den Ausgabepreis seines Börsengangs auf 83 Dollar fest, OpenAI-Agenten bewältigen 46 % der Aufgaben von 2 bis 4 Stunden allein, Ideogram 4.6 setzt auf natives 4K

Unternehmen in dieser Ausgabe

Entfernen Sie das Häkchen bei allem, was Sie nicht interessiert. Ihre Auswahl gilt für alle Ausgaben und bleibt auf diesem Gerät.

Große Labore
China
Europa
Coding-Tools
Agenten und Websuche
Generative Medien
Infrastruktur und Open Source
Weitere

ai-powered-markdown-translator

Mit gpt-6.1-sol aus dem Französischen ins Deutsche übersetzter Artikel.

Projekt auf GitHub ansehen ↗

Anthropic legt den Ausgabepreis seines Börsengangs auf 83 Dollar je Aktie fest, oberhalb der Spanne von 70 bis 78 Dollar. Das Angebot wurde auf 980 Millionen Aktien aufgestockt, die Notierung an der Nasdaq wird unter dem Kürzel ANT erwartet. OpenAI veröffentlicht neue Messwerte zu seiner durch Agenten beschleunigten Forschung: Die Agenten bewältigen inzwischen 46 % der Aufgaben mit einem Zeitbedarf von zwei bis vier Stunden allein. Außerdem zeigt das Unternehmen, wie Codex-Agenten nach den Ursachen für Verlangsamungen von ChatGPT suchen. Ideogram 4.6 generiert in nativem 4K, Gemini 4 Neon übernimmt die Führung bei CursorBench 4.1 und kommt zu GitHub Copilot, Genie 4 wird für Entwickler zu rund 0,10 Dollar pro Sekunde zugänglich, und die Gemini-App für den Mac lernt, den Computer zu bedienen.


Finanzen: Anthropic legt den Ausgabepreis seines Börsengangs auf 83 Dollar je Aktie fest

18. November — Anthropic hat den Ausgabepreis seines Börsengangs auf 83 Dollar je Klasse-A-Aktie festgelegt, oberhalb der Spanne von 70 bis 78 Dollar, die zum Auftakt der Investorenpräsentationen (roadshow) am 10. November angekündigt worden war. Auch das Angebot ist gewachsen: Es umfasst 980 Millionen Aktien statt der geplanten 825 Millionen. Anthropic verkauft davon 956 351 354, bestehende Aktionäre weitere 23 648 646, deren Erlös nicht an das Unternehmen fließt. Die Banken verfügen zusätzlich über eine 30-tägige Option auf 147 Millionen Aktien.

Bestandteil des AngebotsAnkündigung vom 10. NovemberPreisfestsetzung am 18. November
Preis je Aktie70 bis 78 Dollar83 Dollar
Angebotene Aktien825 000 000980 000 000
davon von Anthropic verkauft801 351 354956 351 354
davon bestehende Aktionäre23 648 64623 648 646
Option der Banken (30 Tage)123 750 000147 000 000

Die SEC hat die Registrierungserklärung am 18. November für wirksam erklärt. Die ersten Notierungen wurden am 19. November am Nasdaq Global Select Market unter dem Kürzel ANT erwartet, der Abschluss der Transaktion am 20. November. Anthropic veröffentlicht weder den Emissionserlös noch seine Bewertung. Zum festgelegten Preis entsprechen die 956 351 354 vom Unternehmen verkauften Aktien einem Bruttoerlös von rund 79,4 Milliarden Dollar, berechnet anhand der Zahlen aus der Mitteilung. Für Privatanleger im Europäischen Wirtschaftsraum, darunter Frankreich, sah der europäische Prospekt denselben endgültigen Preis wie beim US-Angebot vor.

Am 19. November veröffentlichte @AnthropicAI ein kurzes Video und anschließend einen Text von Dario Amodei. Der Unternehmenschef erinnert darin daran, dass er und Daniela Amodei ihren Vater an eine Krankheit verloren haben, die wenige Jahre später heilbar wurde. Seiner Ansicht nach könnte eine ausreichend leistungsfähige KI in Zusammenarbeit mit Menschen ein Jahrhundert wissenschaftlichen und medizinischen Fortschritts auf ein Jahrzehnt verdichten, auch wenn die Ergebnisse bislang vorläufig bleiben. Er benennt die Risiken: Missbrauch durch Einzelpersonen oder Staaten, wirtschaftliche Umwälzungen und Kontrollverlust über die Systeme. Er verpflichtet sich, das Tempo von Training und Bereitstellung der Modelle so lange wie nötig zu steuern, um sicherzustellen, dass sie sicher sind und unter menschlicher Kontrolle bleiben.

We will not bend to either business or political pressure.

🇩🇪 Wir werden weder kommerziellem noch politischem Druck nachgeben. — @AnthropicAI auf X

Für Dario Amodei stärkt der Börsengang die finanzielle Lage des Unternehmens und damit auch seine Entschlossenheit; er greift dabei die Idee eines „Wettlaufs nach oben“ (race to the top) auf.

🔗 Bekanntgabe des Ausgabepreises beim Börsengang (Anthropic) · @AnthropicAI auf X: der festgelegte Preis


Agenten im Einsatz bei OpenAI: der Bericht zur Beschleunigung der Forschung und die Performance Factory

18. November — Zwei Monate nach einem ersten Bericht veröffentlicht OpenAI neue Messwerte dazu, wie die eigenen Agenten seine Forschung beschleunigen. Der Titel fasst das Ergebnis zusammen: Die Leistungsgrenze verläuft unregelmäßig (jagged frontier). Zwischen März und Oktober steigt der Anteil der Aufgaben mit einem geschätzten menschlichen Arbeitsaufwand von zwei bis vier Stunden, die Agenten ohne Eingriff bewältigen, von 23 % auf 46 %. Bei Aufgaben von vier bis acht Stunden steigt er von 13 % auf 35 %. Entscheidend ist die Art der Arbeit: 79 % Erfolgsquote bei der Überwachung eines Trainings, 72 % bei der Beantwortung einer technischen Frage und nur 25 % beim Schreiben von Inferenz- und Serving-Code. OpenAI weist darauf hin, dass sich mit den Modellen auch die übertragenen Aufgaben verändert haben könnten.

Interner Indikator von OpenAIVeröffentlichter Wert
Erfolg ohne Hilfe, Aufgaben von 2 bis 4 Stunden23 % im März, 46 % im Oktober
Erfolg ohne Hilfe, Aufgaben von 4 bis 8 Stunden13 % im März, 35 % im Oktober
Mediane Agentenausgaben je Forscher und Tag2 400 Dollar im Oktober (+62 %)
Ausgaben im 90. Perzentil23 000 Dollar im Oktober (+105 %)
Agententage je Forscher und Tagvon 0,5 auf 5,7
Dokumentierter Zeitaufwand für Sicherheit und Alignment+77 % von Januar bis September
Leistungsgrenze der OpenAI-Modelle im OECI+16,4 Punkte pro Jahr gegenüber 14 laut Epoch

Die Ausgaben werden anhand der API-Listenpreise berechnet, und die Forscher haben kein Kontingent. Die Agentenzeit je Forscher hat sich verelfacht; Mitte Oktober ließen mehr als zwei Drittel der erfassten Forscher in der Spitzenphase ihres Arbeitstags mindestens vier Agenten gleichzeitig laufen. Im September entsprach der Wert dieser Nutzung etwa dem Doppelten der Vergütung ohne Aktienanteile in der Forschungsorganisation, während der interne Einsatz nur 2 % der für die Forschung aufgewendeten Rechenleistung beansprucht.

Der Bericht verfolgt auch den Ursprung der Ideen. Für GPT-6.2 Astra entwickelten Forscher aus dem Pretraining einige Ideen im Dialog mit Codex, wobei einer von ihnen dem System entscheidende Einsichten zuschrieb; die Ideen für GPT-6 Astra stammten vollständig von Menschen. Um drei Monate lang über Code-Agenten zu verfügen, die besser sind als GPT-5.2, würden die befragten Forscher im Median 40 % der Personalstärke ihres Teams oder 30 % seiner Rechenleistung abgeben. Die Interviews erinnern an die Grenzen: schwaches Gespür für Forschungsideen, Code von geringer Qualität und Umwege über unnötige Schritte, weshalb eine enge menschliche Aufsicht erforderlich bleibt.

Der Zeitaufwand für Sicherheit und Alignment verzeichnet den stärksten absoluten Anstieg aller Bereiche, mit einem deutlichen Knick nach dem Hugging-Face-Vorfall im Juli. OpenAI führt außerdem den OECI ein, einen vom Epoch Capabilities Index abgeleiteten Index, in dem seine Modelle besser abschneiden als im Index von Epoch. Das liegt dem Unternehmen zufolge wahrscheinlich an der Zusammensetzung der Benchmarks. Schließlich vertritt OpenAI die Ansicht, dass Labore verpflichtet werden sollten, Indikatoren für rekursive Selbstverbesserung (recursive self-improvement, RSI) zu erfassen und zu veröffentlichen. Gemeint ist der Prozess, durch den KI die Entwicklung künftiger Systeme beschleunigt. Zugleich betont das Unternehmen, dass diese Veröffentlichung nicht als Absicht verstanden werden sollte, eine vollständige RSI anzustreben. Der Bericht bezeichnet seine Zahlen als einen teilweise auf Selbstauskünften beruhenden Ausschnitt.

🔗 Beschleunigung der Forschung: Die unregelmäßige Leistungsgrenze (OpenAI) · @OpenAI auf X

OpenAI erläutert die Performance Factory, in der Codex-Agenten Verlangsamungen von ChatGPT untersuchen

19. November — Der Engineering-Blog von OpenAI liefert ein konkretes Beispiel für diese an Agenten übertragene Arbeit: die Performance Factory, ein autonomes System in der Cloud, in dem Codex-Agenten nach Performance-Regressionen von ChatGPT suchen. Eine Warnmeldung eröffnet eine Aufgabe, ein Agent ermittelt die Ursache, ein weiterer schlägt einen Fix als Pull Request vor, ein Ingenieur entscheidet über den Merge, und anschließend prüft ein Agent nach dem Deployment, ob die Messwerte wieder im Normalbereich liegen. In etwas mehr als drei Monaten hat dieser erste Workflow über 1 700 Untersuchungen begleitet und in mehr als 600 Fällen die Ursache gefunden. Das entspricht 17 automatisierten Untersuchungen pro Tag.

Das Know-how des Teams steckt in einem gemeinsam genutzten Skill, perf-forensics, der Codex vorgibt, welche der mehr als 30 Performance-Tools zu verwenden sind. Damit ein Agent nicht bei der ersten plausiblen Erklärung stehen bleibt, versucht eine zweite Codex-Sitzung, jede Diagnose zu widerlegen: Von 100 manuell geprüften Ursachen wurden 70 % als korrekt bewertet. OpenAI räumt ein, dass das Beheben der Fehler weiterhin der schwierigste Schritt ist, und untersucht die proaktive Erkennung von Regressionen sowie die Auslieferung risikoarmer Fixes ohne menschliches Eingreifen, ohne einen Zeitplan zu nennen.

🔗 Wie OpenAIs Performance Factory ChatGPT schnell hält · Thread von @OpenAIDevs


Generative Bilder und Videos: Ideogram 4.6 in nativem 4K, Kling 4.0 in 4K und 10-Bit-HDR

19. November — Ideogram veröffentlicht Ideogram 4.6, ein neues Bildmodell, das direkt in 4K generiert, ohne Hochskalierung (upscaling): Jedes Detail, von der Haut bis zum Stoff, entsteht in voller Auflösung. Ideogram gibt an, daran gearbeitet zu haben, den „KI-Look“ und die wächserne Haut aus den Bildern zu entfernen, zugunsten sichtbarer Poren, feiner Fältchen und natürlicher Texturen. Außerdem kündigt das Unternehmen eine deutlich höhere Farb- und Materialtreue an, mit Blick auf den Onlinehandel und die Produktfotografie.

Die Bildbearbeitung bleibt das Kernstück des Modells: deutlich weniger Pixelverschiebungen (pixel drift) außerhalb des bearbeiteten Bereichs und eine Generierung aus Skizzen, die sich enger an die ursprüngliche Zeichnung hält. Ideogram erklärt, Version 4.6 führe das Rapidata-Ranking für mehrstufige Bildbearbeitung (Multi-step Image Edit) vor allen anderen Modellen an, darunter Seedream 5.5 und FLUX 3 Image, nennt aber keinen Punktwert. Bereits Version 4.5 hatte am 10. November die Spitzenposition in einem Rapidata-Ranking für aufeinanderfolgende Bildbearbeitungen beansprucht.

Zugang zu Ideogram 4.6Was angekündigt wurde
App und API von Ideogramab dem 19. November verfügbar
Partnerplattformen (12)Leonardo, Runway, fal, Comfy, Runware, Scenario, Invideo, MyDesigns, Sociaro, Moda, HeyGen und Luma
Preiskeine Preisangabe in der Ankündigung
Offene Modellgewichteoffene Version von 4.6 zugesagt, ohne Termin

Bei den offenen Modellgewichten ändert Ideogram seinen Plan. Auf Nachfrage zu den Gewichten von Version 4.5, die seit dem 30. September als „bald“ angekündigt waren, antwortet das Unternehmen, es werde 4.5 überspringen und direkt zu einer offenen Version von 4.6 übergehen, ohne ein Datum zu nennen. Ideogram 4.0 war am 3. Juni mit offenen Modellgewichten veröffentlicht worden.

We’ll skip 4.5 open and go directly to 4.6 open.

🇩🇪 Wir werden die offene Version von 4.5 überspringen und direkt zu einer offenen Version von 4.6 übergehen. — @ideogram_ai auf X

🔗 Ankündigung von Ideogram 4.6 auf X

Kling 4.0 setzt auf natives 4K mit 10-Bit-HDR-Ausgabe

19. November — Dieselbe Entwicklung bei Videos: Kling kündigt an, dass Kling 4.0 nun native 4K-Auflösung und eine 10-Bit-HDR-Ausgabe sowohl in 4K als auch in 1080p unterstützt, für mehr Details und sattere Farben. Diese HDR-Ausgabe war bei der vollständigen Freigabe von Kling 4.0 am 15. Oktober ohne konkreten Termin als „bald“ versprochen worden; Kling 3.0 generierte bereits seit dem 23. April in nativem 4K. Die Ankündigung beschränkt sich auf einen einzigen Tweet: kein Blogbeitrag, keine Release Notes, keine Preisangabe in Credits, keine maximale Dauer und keine näheren Angaben zur API.

🔗 Ankündigung von Kling auf X


Gemini 4 Neon bei Cursor und GitHub Copilot: führend bei CursorBench 4.1, verfügbar für Pro+, Max, Business und Enterprise

Wenige Stunden nach dem Start durch Google, über den hier am 18. November berichtet wurde, erreicht Gemini 4 Neon die Coding-Tools von Drittanbietern. Cursor und GitHub Copilot schalten es bereits am Abend des 18. November frei; Genspark und Antigravity CLI folgen am 19. November (siehe Kurzmeldungen).

Cursor schaltet Gemini 4 Neon frei: mit Extra High bei 65,4 % an der Spitze von CursorBench 4.1

18. November — Laut Cursor setzt Gemini 4 Neon mit seiner standardmäßigen Aufwandsstufe eine neue Grenze beim Verhältnis von Kosten und Leistung auf CursorBench 4.1: 63,7 % gegenüber 57,3 % für Gemini 4 Hydrogen, das es beim alltäglichen agentischen Programmieren ersetzt. Gemini 4 Carbon bleibt für die schwierigsten Aufgaben empfohlen. CursorBench 4.1 ist eine neue Version des Benchmarks vom selben Tag, mit geänderten Aufgaben zur Befolgung von Anweisungen und mehr Zeit für den Agenten: Die Ergebnisse lassen sich nicht mit denen von CursorBench 4.0 vergleichen, die Anfang November für Carbon und Hydrogen veröffentlicht wurden.

Modell und Aufwandsstufe (CursorBench 4.1)ErgebnisDurchschnittliche Kosten je Aufgabe
Gemini 4 Neon Extra High65,4 %10,67 Dollar
Gemini 4 Neon High63,7 %6,54 Dollar
Gemini 4 Carbon High61,5 %8,52 Dollar
Gemini 4 Hydrogen Extra High61,4 %8,09 Dollar
Claude Fable 5.2 Max61,3 %48,11 Dollar
Gemini 4 Carbon Medium60,4 %7,22 Dollar
Claude Fable 5.2 Extra High58,8 %17,84 Dollar
Claude Opus 5.5 Max58,1 %11,88 Dollar
Gemini 4 Neon Medium57,7 %3,07 Dollar
Gemini 4 Hydrogen High57,3 %4,57 Dollar

In Cursor wird Neon (gemini-4-neon, Kontext von 200K Tokens, bis zu 1M) mit 3 Dollar je Million Eingabe-Tokens, 0,15 Dollar für Cache-Lesezugriffe und 15 Dollar für die Ausgabe abgerechnet. Wie die anderen Modelle von Drittanbietern gehört es nicht zur enthaltenen Nutzung: Die Kosten werden vom vorausbezahlten Guthaben von The X Subscription oder vom Kontingent „Other Models“ älterer Cursor-Tarife abgezogen.

🔗 Ankündigung von Cursor auf X · CursorBench-Tabelle (Cursor)

Gemini 4 Neon kommt für Pro+, Max, Business und Enterprise in GitHub Copilot

18. November — GitHub macht Gemini 4 Neon in Copilot allgemein verfügbar und stellt es als Modell für agentisches Coding, mehrstufige Tool-Nutzung und Wissensarbeit vor. Das Changelog übernimmt Googles Argumentation: eine Qualität nahe an Gemini 4 Carbon bei geringeren Token-Kosten pro Aufgabe, ein schnellerer Antwortbeginn, weniger ungefragte Codeänderungen und weniger unbelegte Aussagen über Tools oder Testergebnisse, ohne dies mit Zahlen zu belegen.

Neon steht Abonnenten von Copilot Pro+, Max, Business und Enterprise offen; der Pro-Tarif wird nicht genannt, obwohl Gemini 4 Hydrogen dort bereits am 13. November verfügbar wurde. Es funktioniert auf zehn Oberflächen: VS Code, Visual Studio, Copilot CLI, im Coding-Agenten, in der GitHub Copilot-App, auf github.com, in GitHub Mobile, den JetBrains-IDEs, Xcode und Eclipse. Die Abrechnung erfolgt nach Nutzung zum Listenpreis des Anbieters, die Bereitstellung schrittweise. In Unternehmen wird es automatisch aktiviert, solange neue Modelle standardmäßig freigeschaltet werden, es sei denn, der Administrator deaktiviert dieses Modell.

🔗 Gemini 4 Neon in GitHub Copilot (Changelog) · @github auf X


Coding-Agenten: Claude Code 2.1.328, Kimi Code 2.7.0, Devin Security Threats, Devin for Databricks Migrations, Amuse und Optimization-Bench von Replit

Claude Code 2.1.328 öffnet den Auto-Modus für Opus 4.6 und Sonnet 4.6 bei Drittanbietern und richtet /code-review wieder auf Bugs aus

19. November — Claude Code 2.1.328 umfasst 144 Einträge, darunter 91 Bugfixes. Der Auto-Modus steht nun Claude Opus 4.6 und Sonnet 4.6 auf Amazon Bedrock, Google Cloud’s Agent Platform, Microsoft Foundry und dem Claude apps-Gateway offen: Eine interaktive Sitzung, die dort ohne Angabe eines Berechtigungsmodus gestartet wird, beginnt direkt im Auto-Modus; mit der Einstellung disableAutoMode lässt sich dieser deaktivieren. Am 19. November beschränkte die Dokumentation der Berechtigungsmodi den Auto-Modus bei diesen Anbietern noch auf Sonnet 5 und neuer, Opus 4.7 und neuer, Haiku 5.5 sowie die Fable-Modelle.

Der Befehl /code-review meldet bei den meisten Modellen nur noch Bugs und Abweichungen von CLAUDE.md; Bereinigungen (Wiederverwendung, Vereinfachung, Effizienz) erfolgen über /simplify, und jeder Befund wird als Important, Pre-existing oder Nit gekennzeichnet. Das Blockieren bei einem Fehler ("onFailure": "block"), das am 8. Oktober für Command- und HTTP-Hooks eingeführt wurde, gilt nun auch für mcp_tool-Hooks. Im Terminal mit der Anthropic API verfasst jetzt das kleine, schnelle Modell die Fortschrittszusammenfassungen der Subagenten. Code Mode erhält 22 Einträge, darunter die Abschaffung einer Pause von 0,75 Sekunden nach den meisten Skripten im Auto- und Bypass-Modus, der selbst gehostete Runner 26. Eine Regression aus 2.1.327, die den Reasoning-Aufwand der Subagenten auf Bedrock, Agent Platform und Foundry abschaltete, wurde behoben; der stabile Kanal bleibt bei 2.1.311.

🔗 Claude Code v2.1.328

Kimi Code 2.7.0 unterstützt Amazon Bedrock, Kimi Code Desktop 1.4.0 verbindet sich mit Claude Code, Codex und Cursor

19. November — Moonshot AI veröffentlicht Kimi Code 2.7.0 (24 Einträge), das erste Minor-Release seit 2.6.0 vom 12. November, und dreizehn Minuten später die Anwendung Kimi Code Desktop 1.4.0 (34 Einträge). Die CLI unterstützt Amazon Bedrock als Anbieter, zeigt experimentell nach jedem Durchgang eine Vorhersage des nächsten Prompts an und ergänzt die Einstellung „Follow-up behavior“. In deren Modus Steer lenkt die Eingabetaste den laufenden Durchgang neu aus, statt die Nachricht in die Warteschlange zu stellen. Für die Automatisierung startet kimi server den lokalen Server, ohne einen Browser zu öffnen, und drei neue HTTP-Endpunkte ermöglichen die Steuerung von Sitzungen. Jedes Projekt kann eigene SSH-Hosts ansprechen; die bisherigen Endpunkte /api/v2 entfallen zugunsten von /api/v1, eine API-Änderung, die dennoch als bloßer Bugfix eingestuft wird.

Die Desktop-Anwendung verbindet sich mit externen Agenten wie Claude Code, Codex und Cursor, um ihnen Sitzungen zu übergeben, den Verlauf einzusehen und über mehrere Durchgänge hinweg zusammenzuarbeiten. Außerdem nimmt sie den Qwen Coding Plan in die Anbieterauswahl auf.

🔗 Kimi Code 2.7.0 · Kimi Code Desktop 1.4.0

Cognition startet Devin Security Threats, einen verwalteten Index aktueller Schwachstellen für Scans mit einem Klick

19. November — Cognition ergänzt Devin Security um einen verwalteten Index frisch offengelegter Schwachstellen. Der Anbieter nimmt zwei Meldungen dieser Woche zum Ausgangspunkt: Java4Shell (17. November), das die Java-Laufzeitumgebung betrifft, und NGINX2Root (18. November), fünf Bugs mit Speicherbeschädigung in nginx; beide können zur Ausführung von Code aus der Ferne führen. Jeder Bedrohungseintrag beschreibt, was betroffen ist, wie ein Angreifer die Schwachstelle ausnutzen würde und wodurch sie behoben wird. Cognition veröffentlicht Einträge zu bedeutenden Offenlegungen, und jedes Team kann eigene Einträge auf Grundlage eines Bug-Bounty-Berichts, eines Herstellerhinweises oder einer Vorfallsanalyse verfassen.

Die Schaltfläche Scan with Devin startet in den ausgewählten Repositories einen auf die Bedrohung ausgerichteten Scan; anschließend öffnet Devin Pull Requests zur Prüfung. Im Modus Auto-triage scannt Devin die ausgewählten Repositories bei jeder neuen Bedrohung oberhalb eines festgelegten Mindestschweregrads erneut. Zwei in Markdown geschriebene Open-Source-Skills, fix-nginx-vuln und fix-java-vuln, ergänzen das Plugin Vulnerability Fixes im Devin Marketplace und können auch von einem anderen Coding-Agenten genutzt werden. Preise wurden nicht angekündigt.

🔗 Devin Security Threats (Cognition) · @cognition auf X

Cognition startet Devin for Databricks Migrations, um bestehende Data Warehouses auf Databricks zu übertragen

19. November — Gemeinsam mit Databricks startet Cognition ein spezielles Migrationsangebot. Devin konvertiert den Code bestehender Data Warehouses (Teradata, Oracle, SQL Server, Informatica, Redshift, Snowflake), testet ihn im Workspace des Kunden, behebt Fehler und gleicht vor der Umstellung jede Quelle mit ihrer Kopie auf Databricks ab: Schema, Zeilenzahl, Aggregate und schließlich ein Vergleich Zeile für Zeile. Laut Cognition hat ein Energieunternehmen aus den Fortune 500 eine Plattform mit 142 Objekten in acht Tagen zu Unity Catalog migriert, und die Beratung Zeb hat eine auf vier Wochen angesetzte NetSuite-Migration in zweieinhalb Wochen abgeschlossen.

Das Angebot ist im Databricks Marketplace verfügbar und wird auf die bereits mit Databricks vereinbarte Ausgabenverpflichtung (Universal Commit) angerechnet. Cognition gibt außerdem an, Databricks als strategischen Inferenzanbieter für Open-Source- und Frontier-Modelle zu nutzen, die über einen einzigen Endpunkt bereitgestellt werden. Preise wurden nicht mitgeteilt.

🔗 Devin for Databricks Migrations (Cognition)

Replit veröffentlicht Amuse, einen persönlichen Open-Source-Assistenten, den Missions in drei Tagen nachgebaut hat

19. November — Nach TernSign zeigt Replit eine weitere Arbeit von Missions, seinem Harness für Agentenschwärme: Amuse, einen persönlichen Open-Source-KI-Assistenten (Apache 2.0), der auf dem Computer des Nutzers läuft. Laut Replit sollte der Schwarm „den als Maßstab geltenden KI-Assistenten“ nachbauen, ohne ihn namentlich zu nennen, und schaffte dies in drei Tagen. Anschließend wurden mit dem Security Scanner der Plattform die gefundenen Schwachstellen behoben.

Amuse recherchiert im Web mit Quellenangaben, steuert einen Browser, dessen Arbeit man beobachten und selbst übernehmen kann, verwaltet Erinnerungen und Hintergrundaufgaben und erstellt kleine Anwendungen. Sein Gedächtnis liegt in lesbaren Dateien, seine Zugangsdaten in einem verschlüsselten Tresor, aus dem das Modell nur Ersatztokens sieht. Vor jedem Versand, jeder Formularübermittlung, jeder Zahlung und jeder neuen Zeitplanung verlangt er eine Freigabe. „Kostenlos“ gilt ohne das Modell: Er benötigt einen OpenAI-API-Schlüssel (GPT-6.2 Sol für den Agenten, GPT-6 Luna für schnelle Schritte) sowie eine PostgreSQL-Datenbank und bleibt auf eine Person an einem Computer beschränkt, ohne MCP-Server.

🔗 Ankündigung von Replit auf X · Repository replit/amuse

Replit veröffentlicht Optimization-Bench: Der beste Einzelagent ergibt nicht den besten Schwarm

19. November — Das Forschungsteam von Replit veröffentlicht Optimization-Bench, einen Benchmark zur Performance-Optimierung auf festgeschriebenen Versionen von Open-Source-Bibliotheken, von denen vier der insgesamt vierzehn analysiert werden: NumPy, SQLite, SQLGlot und Git. Sechs Modelle arbeiteten zwei Stunden lang zunächst allein, dann in Schwärmen von 8, 16 und 32 Agenten; die Auswertung lief auf einem Rechner, auf den die Agenten keinen Zugriff hatten.

Messgröße von Optimization-BenchVon Replit veröffentlichtes Ergebnis
GPT-6.2 Astra allein, auf NumPymehr als 3-mal so schnell wie Opus 5.5 allein
Schwärme aus 32 GPT-6.2 Astra-Agentenbei 3 von 4 Aufgaben unter dem Solo-Ergebnis
Medianer Leistungsgewinn der Schwärme von Opus und Sonnet 5.5das 1,30-Fache ihres Solo-Ergebnisses, bei 16 und 32 Agenten
An das gemeinsame Board gesendete Nachrichten von Opus 5.582 %

GPT-6.2 Astra dominiert im Alleingang, doch seine Schwärme erreichen bereits bei 8 Agenten ihre Leistungsgrenze. Die Schwärme von Claude Opus 5.5 und Claude Sonnet 5.5 übertreffen dagegen jedes Mal ihre Einzelläufe; auf NumPy steigt Opus von einer 3,7-fachen Beschleunigung allein auf eine 18,9-fache im Schwarm aus 32 Agenten, eine Zahl, die bereits zum Start von Missions genannt wurde. Replit führt den Unterschied auf die Organisation zurück: Effiziente Teams schreiben auf ein gemeinsames Board und lassen den Koordinator die Arbeit verteilen und anschließend zusammenführen (im NumPy-Schwarm aus 32 Opus-Agenten schrieb er nie auch nur einen einzelnen Worker direkt an), während die anderen den Koordinator zur Vermittlungszentrale machen, deren Posteingang mit jedem zusätzlichen Agenten wächst.

🔗 Das Problem mit mehr Personal angehen (Replit) · @Replit auf X


Assistenten für Endnutzer: computer use in Gemini für Mac, ChatGPT Health auf Android, Desktop, dots und sites

Die Gemini-App für Mac steuert mit computer use Anwendungen und das Web im Hintergrund

19. November — Die Gemini-App für Mac kann den Computer jetzt anstelle des Nutzers bedienen (computer use). Gemini führt mehrstufige Aufgaben über lokale Dateien, Desktop-Anwendungen und das Web hinweg aus: Klicken, Texteingabe, Menüs, Formulare. Es arbeitet in einem isolierten Fenster im Hintergrund, mit einer Live-Vorschau im Gespräch, sodass der Hauptbildschirm und der Mauszeiger frei bleiben. Der Nutzer wählt die zugänglichen Anwendungen aus, verfolgt jeden Schritt, kann alles pausieren und genehmigt wichtige Aktionen vor ihrer Ausführung.

Googles Beispiele reichen von der Stapelbearbeitung von Fotos über das Ausfüllen von Versandangeboten anhand lokaler PDFs bis zu einer aus Dashboards erstellten Google-Slides-Präsentation; das auf X veröffentlichte Video verwandelt eine Skizze in ein animierbares 3D-Modell in Blender. Die Funktion wird in den USA auf Englisch für Abonnenten von Google AI Plus, Pro und Ultra bereitgestellt, auf Macs mit Apple Silicon und macOS Sequoia 15.0 oder neuer sowie mit einem persönlichen Google-Konto für Personen ab 18 Jahren. Für Entwickler ist das Tool Computer Use der Gemini API seit Ende Oktober allgemein verfügbar; die App für Endnutzer bringt diese Steuerung nun auf den Mac des Nutzers.

🔗 Computer use in Gemini für Mac (Google) · @GeminiApp auf X

ChatGPT erweitert Health auf Android mit Health Connect, die Desktop-App, dots und sites

19. November — Der Health-Bereich von ChatGPT kommt in die Desktop-App, zu dots, sites und Android. Auf Android verbindet er sich mit Health Connect, um Trends bei Schlaf und Aktivität zu erkennen. Die dots, die persönlichen Agenten von ChatGPT, können von sich aus einen anderen Trainingszeitpunkt vorschlagen, wenn ein Meeting dazwischenkommt, oder anhand verknüpfter Krankenakten an Vorsorgemöglichkeiten erinnern. Für den Computer nennt OpenAI als Beispiel eine Website zur Begleitung der Marathonvorbereitung. Die Einführung erfolgt schrittweise und ist auf die USA sowie die Tarife Free, Go, Plus und Pro beschränkt; dots bleiben dem Pro-Tarif vorbehalten. Health ist in der Seitenleiste oder im Menü Explore zu finden.

🔗 Versionshinweise zu ChatGPT


Gemini API: Genie 4 für Entwickler verfügbar, Tool Retrieval als Vorschau

Genie 4 kommt in die Gemini API und Google AI Studio, für rund 0,10 Dollar pro Sekunde generierter Welt

19. November — Einen Tag nach seiner Einführung in Project Genie für Abonnenten von Google AI Ultra steht Genie 4 Entwicklern in der Gemini API über die Interactions API sowie in Google AI Studio zur Verfügung, mit einer interaktiven Arbeitsfläche und Beispielanwendungen für den Einstieg. Ausgehend von einem Text, einem Referenzbild oder beidem generiert das Weltmodell eine durchgängige Umgebung mit synchronisiertem Ton, von Umgebungsgeräuschen bis zu Dialogen; man bewegt sich per Tastatur darin und kann unterwegs per Text das Wetter, die Beleuchtung, Objekte oder Ereignisse verändern.

Eigenschaft von Genie 4 in der APIDokumentierter Wert
Modellkennungmodels/genie-4 (Interactions API)
Video- und Audioausgabe1280x720, 16:9, 24 Bilder/s, Stereo-Audio 48 kHz
ZugangAPI-Schlüssel der kostenpflichtigen Stufe
Abrechnung240 Video-Tokens pro Bild, also rund 0,10 Dollar pro Sekunde
Dauer einer Sitzungmögliche Qualitätsverluste nach 60 bis 90 s, Obergrenze 120 s
VerfügbarkeitsregionenUSA, Westeuropa, Japan

Die Dokumentation weist darauf hin, dass das Schließen des Tabs die Generierung nicht sofort beendet: Erst das ausdrückliche Beenden der Sitzung (complete()) stoppt die Abrechnung. Genie 4 hält keine 3D-Szene im Speicher: Ein Objekt, das 8 Sekunden oder länger aus dem Blick gerät, oder eine vollständige Drehung um die eigene Achse können dazu führen, dass Orientierungspunkte verschoben oder zurückgesetzt werden. Jede Ausgabe trägt ein SynthID-Wasserzeichen.

🔗 Genie 4 in der Gemini API (Google) · Genie-Dokumentation (AI Studio)

Die Gemini API startet Tool Retrieval als Vorschau und lädt Tool-Schemas bei Bedarf

19. November — Google ergänzt die Gemini API um die Tool-Suche, die OpenAI und Anthropic bereits anboten. Mit Tool Retrieval, als Vorschau in der Interactions API, sendet ein Agent, der mit Dutzenden oder Hunderten Tools verbunden ist, nicht mehr bei jeder Anfrage alle Parameterschemas: Es genügt, ein Tool tool_search hinzuzufügen und die Tools, die in Reserve bleiben sollen, mit defer_loading: true zu markieren. Das Modell sieht nur deren Namen und Beschreibung, fordert bei Bedarf ein Tool mit dessen Namen an, und die API lädt das Schema serverseitig innerhalb derselben Anfrage, ohne dass ein Index aufgebaut werden muss.

Der Mechanismus gilt auch für entfernte MCP-Server und bewahrt den Prefix-Cache, da geladene Schemas erst später im Gespräch angehängt werden. Teams, die ein eigenes Tool-Verzeichnis verwalten, können die Suche selbst ausführen, benötigen dafür aber einen zusätzlichen Roundtrip. Tool Retrieval wird nicht gesondert berechnet: tool_search fügt einen kleinen, festen Block von Eingabe-Tokens hinzu, jedes geladene Schema wird für den Rest des Gesprächs als Eingabe berechnet, und Google, das keine Einsparungszahlen veröffentlicht, empfiehlt, den Nutzen anhand des eigenen Traffics zu messen. Die Funktion arbeitet mit Gemini 3.6 und neueren Modellen, darunter der gesamten Gemini-4-Familie.

🔗 Tool Retrieval in der Gemini API (Google)


Sprachfunktion: GPT-Live-1.1 kommt in die API, mit Standby für 0,02 Dollar pro Minute

19. November — Etwas mehr als einen Monat nach seinem Einzug in die Sprachfunktion von ChatGPT Plus und Pro am 15. Oktober kommt GPT-Live-1.1 in die API von OpenAI (gpt-live-1.1 auf v1/live/sessions). Das Modell verbessert die Aussprache, die Beständigkeit des Akzents und die Transkription in mehrsprachigen Sprachgesprächen und lässt sich in eine bestehende Konfiguration für Live-Sessions einbinden.

Die greifbarste Neuerung ist der Standby-Modus (standby), der für GPT-Live-1 und GPT-Live-1.1 in WebRTC-Sessions verfügbar ist. Nach einer einstellbaren Sprechpause von 5 bis 60 Sekunden pausiert das Modell, ohne den Anruf zu beenden, und der Minutenpreis sinkt von 0,05 auf 0,02 Dollar, bis jemand wieder spricht.

Art der GPT-Live-SessionPreis pro Minute
Aktive Session0,05 Dollar
Standby (WebRTC, Inferenz pausiert)0,02 Dollar

Die Nutzung des Backend-Modells und der Tools wird weiterhin separat abgerechnet, und für die beiden Versionen gelten jeweils eigene Limits für gleichzeitige Sessions. Die SDKs für Python 3.56.0 und Node 7.61.0 ergänzen das Modell, und OpenAI begleitet die Veröffentlichung mit einem Leitfaden zu Sprachen und regionalen Akzenten.

🔗 Ankündigung von @OpenAIDevs · Modellbeschreibung zu GPT-Live-1.1 · Prompting für GPT-Live zu Sprachen und regionalen Akzenten


Hardware und Cloud: NVIDIA und Microsoft auf der Ignite, Mini-PCs der Reihe RTX Spark verfügbar

NVIDIA und Microsoft erweitern ihre Zusammenarbeit auf der Ignite, von Vera Rubin in Azure bis Nemotron 3.5 in Foundry

19. November — Anlässlich der Microsoft Ignite erläutert NVIDIA in einem Beitrag von Dave Salvator die Ausweitung seiner Zusammenarbeit mit Microsoft. Vera Rubin NVL72-Systeme laufen in den Rechenzentren von Azure, und der Zugang zu den virtuellen Maschinen, die sie nutzen, wird erweitert; der Beitrag spricht von einer Preview von Vera Rubin auf Azure, ohne einen Termin für die allgemeine Verfügbarkeit zu nennen.

Ankündigung von NVIDIA und MicrosoftStatus laut Beitrag
Azure-VMs auf Vera Rubin NVL72erweiterter Zugang, Preview
Nemotron 3.5 Super, Lightning, Embed, Rerank, Parse und Content Safetyerweitertes Angebot auf Foundry Managed Compute
Nemotron 3.5 Bolt und Transcribedemnächst
Nemotron 3.5 und Cosmos-Modelle in Foundry Localerweiterte Unterstützung, auch für Azure Local-Umgebungen
Azure LocalGPU RTX PRO 6000 Blackwell geplant, Erweiterung auf Jetson Thor und Jetson Orin
Direct Stream auf Windows 365zwei 4K-Streams mit 60 images/s, öffentliche Preview Anfang 2027
BioNeMo und ALCHEMI in Microsoft DiscoveryAufnahme in den Katalog, erste Integration von RFD4-Proteina

Als Beispiel wird EY genannt: Das Unternehmen hat offene Nemotron-Modelle mit Programmed Training, dem Serverless-Dienst für Post-Training von Foundry, angepasst, um Einkaufsregister zu klassifizieren; laut dem Beitrag steigt die Genauigkeit auf seinem Evaluierungsdatensatz um 55 %, bei 15-mal niedrigeren Kosten als mit führenden proprietären Modellen. Microsoft AI nutzt außerdem NVIDIA Dynamo für die Inferenz der Rollouts (rollouts) beim Reinforcement Learning im Rahmen seines Post-Trainings. Abschließend erinnert der Beitrag an die MLPerf-Ergebnisse von Azure: bis zu 10 240 NVIDIA-GPUs auf GB200 NVL72-Systemen in Training v6.1, die größte Skalierung dieser Runde, und in Inference v6.1 laut Signal65 mehr als 10 % Vorsprung der GB300 NVL72 von Azure gegenüber den anderen Cloud-Einreichungen beim interaktiven Durchsatz mit DeepSeek-R1. Preise werden nicht genannt.

🔗 NVIDIA und Microsoft auf der Ignite (NVIDIA)

Mini-PCs der Reihe RTX Spark von ASUS, Dell und MSI sind verfügbar, meldet NVIDIA

18. November — NVIDIA kündigt die Verfügbarkeit der Desktop-Mini-PCs der Reihe RTX Spark von ASUS, Dell und MSI an, darunter der ASUS ProArt GR1X und die Serie MSI EdgeMesa N AI+; die Geräte von Acer, GIGABYTE und HP folgen demnächst, ebenso die Microsoft Surface RTX Spark Dev Box. Sie übernehmen die Plattform der im Oktober eingeführten Laptops: NVIDIA Grace-Prozessor mit 20 Kernen, Blackwell RTX-GPU mit 6 144 CUDA-Kernen, bis zu 128 GB Unified Memory und bis zu 1 Petaflop KI-Leistung. Laut NVIDIA können sie Modelle mit 120 Milliarden Parametern lokal ausführen. Preise werden nicht genannt.

Auf der Softwareseite ist Switchyard, das Agentenaufgaben zwischen lokalen Modellen und Cloud-Modellen verteilt, in Hermes verfügbar. Adobe verkürzt in Premiere die Zeit für gängige H.264-Ausgaben um mehr als 50 %, und Illustrator, das nun nativ auf Windows on Arm läuft, ist bis zu 30 % schneller als seine emulierte Version; Blender 5.3 integriert DLSS 4.5 Ray Reconstruction. Auf der Ignite angekündigt: Windows Server 2028 kommt auf DGX Station for Windows, und Windows ML führt jedes GGUF-Modell von Hugging Face über llama.cpp aus.

🔗 Mini-PCs der Reihe RTX Spark verfügbar (NVIDIA)


Offene Modelle: DaisyRose-27B und der Hermes-Adapter verbessern Qwen3.8-27B, OVHcloud veröffentlicht Olala mini, PEFT v0.22.0

RadixArk veröffentlicht DaisyRose-27B, ein durch RL verfeinertes Qwen3.8-27B, das seinen Score auf Terminal-Bench 4.1 verdoppelt

18. November — RadixArk veröffentlicht DaisyRose-27B, das als sein erstes Modell vorgestellt wird: ein Qwen3.8-27B, das mit Miles, seinem Open-Source-Framework, durch Reinforcement Learning nachtrainiert wurde. Dafür wurden etwa 1 200 langwierige Agentenaufgaben verwendet (bis zu 1,5 Stunden und mehr als 100 Tool-Aufrufe pro Versuch), die gemeinsam mit Eigent AI entwickelt wurden, um gezielt die Fehler des ursprünglichen Modells anzugehen. Die Gewichte werden unter Apache 2.0 in BF16, FP8 und NVFP4 veröffentlicht, mit dem Kontext von 256K Tokens und dem Bildverständnis des Basismodells. Das Training dauerte 18 Tage auf 144 H200.

Benchmark (Score in %)Qwen3.8-27BDaisyRose-27B
Terminal-Bench 4.1 (pass@1)5,612,0
Terminal-Bench 2.173,075,5
DeepSWE v1.142,246,2
SWE Bench Pro v291,394,7
GPQA Diamond89,290,7

RadixArk meldet außerdem eine effektive GPU-Auslastung (MFU) von 37 % gegenüber 16 % beim auf Megatron basierenden Open-Source-Trainer, was 57 % weniger GPU-Zeit entspricht; diese Zahlen stammen vom Anbieter.

🔗 DaisyRose-27B (Beitrag von RadixArk) · DaisyRose-27B-NVFP4 (Hugging Face)

Das Projekt harness-hub veröffentlicht den Hermes-Adapter für Qwen3.8-27B, der SWE-Bench Pro ohne Reasoning von 29,4 auf 43,1 % steigert

19. November — Nach pi und OpenCode veröffentlicht das Projekt harness-hub einen dritten LoRA-Adapter für Qwen3.8-27B, diesmal für Hermes, den Agenten-Harness von Nous Research, mit einer GGUF-Version.

Benchmark (pass@1)Qwen3.8-27BMit dem Hermes-Adapter
SWE-Bench Pro (51 schwierige Aufgaben), ohne Reasoning29,4 %43,1 %
SWE-Bench Pro (51 schwierige Aufgaben), Reasoning xhigh45,1 %51,0 %
Terminal-Bench 2.1, ohne Reasoning44,7 %58,8 %
Terminal-Bench 2.1, Reasoning xhigh58,8 %57,6 %

Der größte Vorteil liegt im sparsamen Token-Verbrauch: Ohne Reasoning erreicht der Adapter die Leistung des Basismodells mit Reasoning auf xhigh und benötigt dabei 3,5- bis 4,4-mal weniger Tokens. Mit einem Budget von 10 000 Tokens pro Aufgabe löst er 51 % von Terminal-Bench 2.1 und 39 % von SWE-Bench Pro, gegenüber 28 % und 0 % beim Basismodell auf xhigh. Das Vorgehen (AsyncGRPOTrainer von TRL, OpenEnv, safeagents) soll in einem für Freitag angekündigten Beitrag ausführlich beschrieben werden.

🔗 Ankündigung von @yb2698 auf X · Qwen3.8-27B-hermes-adapted (Hugging Face)

OVHcloud stellt die Gewichte von Olala mini 7A1B auf Hugging Face bereit, mit einem durchschnittlichen Score von 68,0 auf zwölf Benchmarks

19. November — Das am 17. November angekündigte Olala mini 7A1B, das den Auftakt zur ersten Sprachmodellfamilie von OVHcloud bildet, steht nun auf Hugging Face unter der Lizenz Apache 2.0 in den Varianten base, SFT, GGUF und MLX zum Download bereit.

Eigenschaft von Olala mini 7A1BVeröffentlichter Wert
Parameter6,8 Milliarden, davon etwa 1 Milliarde pro token aktiv
ArchitekturHybrid aus Mamba-3 und Attention mit Mixture of Experts, KV-Cache in 7 von 36 Schichten
Kontext32K tokens, 128K-Version für demnächst angekündigt
Training12,8T tokens, auf Englisch und in 36 weiteren Sprachen
Geschätzter Fußabdrucketwa 40 t CO2 und 1,16 GWh
Durchschnitt über zwölf Benchmarks68,0, also 15,2 Punkte mehr als der SFT-Checkpoint

Das Modell wurde auf drei öffentlichen europäischen Supercomputern trainiert: JUPITER (darunter 1 024 GH200-GPUs), Jean Zay und MeluXina. Es nutzt vor der Antwort Reasoning mit vier Aufwandsstufen und wurde durch Reinforcement Learning darauf trainiert, Tools aufzurufen; seine Stärke ist das Befolgen von Anweisungen, seine Schwäche die Wettbewerbsmathematik.

🔗 @OVHcloud auf X · Olala-v1.0-mini-7A1B (Hugging Face)

Hugging Face veröffentlicht PEFT v0.22.0 mit den Methoden PaCA, Astra und NoRA vor PEFT 1.0

19. November — Die Bibliothek von Hugging Face für ressourcensparendes Fine-Tuning erscheint in v0.22.0. Sie ergänzt PaCA (Partial Connection Adaptation), das keine Adapterschichten hinzufügt, sondern direkt zufällig ausgewählte Eingabespalten in den vortrainierten Gewichten per Fine-Tuning anpasst: Laut dem ursprünglichen Paper benötigt es bei vergleichbarer Genauigkeit 22 % weniger Trainingszeit und 16 % weniger Speicher als LoRA. Zwei neue Initialisierungen für LoRA, Astra und NoRA, vervollständigen die Version, die außerdem den Tensorparallelismus und FSDP2 stärkt und eine Zustandsprüfung für das Modell ergänzt. PEFT setzt nun Python 3.11 voraus, und die Versionshinweise kündigen als nächste Version die 1.0 mit einer Bereinigung der API und einigen kleineren inkompatiblen Änderungen an, der ein Veröffentlichungskandidat (release candidate) vorausgehen wird.

🔗 PEFT v0.22.0


Wissenschaft: Ai2 startet Theorizer in Asta, einen Agenten, der Theorien mit Verweisen auf Publikationen vorschlägt

19. November — Ai2 stellt Theorizer in Asta, seiner Agentenplattform für die wissenschaftliche Forschung, bereit und veröffentlicht den Code unter der Lizenz Apache-2.0. Der Agent durchsucht die Literatur, legt fest, was aus jedem Artikel extrahiert werden soll, vergleicht die Ergebnisse und formuliert Theorien, bei denen jede Aussage auf die Artikel verweist, die sie stützen; er kennzeichnet diejenigen, die er für neu hält, und weist darauf hin, dass eine Recherche frühere Arbeiten übersehen kann. Ai2 veranschaulicht dies anhand realer Fälle: bei Lungenadenokarzinomen ohne bekannte Treibermutation (etwa 20 bis 30 % der Fälle) ein vorläufiger Hinweis auf eine Abhängigkeit vom Protein CDK2, der noch im Labor validiert werden muss; 50 mögliche Theorien zu VIP-Interneuronen für einen Neurowissenschaftler am Allen Institute, der eine oder zwei erwartet hatte. Ai2 übernimmt die Nutzungskosten in Asta bis zu einem Token-Limit, das technische Paper wurde auf der ACL 2026 veröffentlicht, und für den 10. Dezember ist ein Webinar geplant.

🔗 Theorizer in Asta (Ai2) · Repository allenai/asta-theorizer


KI in Unternehmen: Sakana AI und Salesforce unterzeichnen eine Absichtserklärung für den öffentlichen Sektor Japans

19. November — Sakana AI kündigt eine Absichtserklärung mit Salesforce an, um seine KI-Modelle in die Software des US-Anbieters zu integrieren, die sich an japanische Behörden und Kommunalverwaltungen richtet. Erklärtes Ziel ist es, zur Verwaltungseffizienz und digitalen Transformation dieser Einrichtungen beizutragen, und Sakana AI erklärt, weiterhin Technologien entwickeln zu wollen, die auf die Bedürfnisse des japanischen öffentlichen Sektors zugeschnitten sind. Der japanischsprachige Tweet greift eine Meldung der Nachrichtenagentur Jiji auf; die Ankündigung nennt weder einen Zeitplan noch ein konkretes Produkt oder einen Betrag.

🔗 @SakanaAILabs auf X


Kurzmeldungen

Gemini 4 Neon auf weiteren Plattformen

  • Antigravity CLI 1.5.12 — Gemini 4 Neon ist mit einem einfachen Gemini-API-Schlüssel (GEMINI_API_KEY) auf allen vier Denkstufen zugänglich; die Browseransicht von Remote Control zeigt mehrere Unterhaltungen nebeneinander an, und /fork dauert wenige Sekunden statt bis zu einer Stunde. 🔗 Quelle
  • Genspark — Gemini 4 Neon kommt in AI Chat und den Code Agent, begleitet von Googles Verkaufsargumenten (Platz 3 in der Gesamtwertung von Artificial Analysis mit Denkaufwand xhigh, Platz 1 in dessen Index für Coding-Agenten, Kosten pro Aufgabe 50 bis 80 % unter denen der besten Modelle), ohne Angaben zu Tarifen oder Credits. 🔗 Quelle

Coding-Agenten und Entwicklungstools

  • Codex CLI 0.172.0-alpha.2 — Die Versionshinweise dieser Vorabversion sind leer; den Titeln ihrer 62 Commits zufolge bereitet sie die Vervollständigung von Argumenten für Slash-Befehle, den standardmäßigen Start lokaler MCP-Server bei Bedarf und anpassbare Statuszeilen in /experimental vor. Bis zur stabilen Version kann sich der Inhalt ändern. 🔗 Quelle
  • Codex auf iOS — Version 1.2026.314 von ChatGPT für iOS speichert Nebenunterhaltungen auf dem gekoppelten Computer, ergänzt eine Auswahl, um eine Aufgabe in der Cloud oder auf einem Computer und in einem bestimmten Projekt zu starten, und zählt nur noch aktive Subagenten. 🔗 Quelle
  • Copilot CLI 1.0.115 und Copilot SDK 2.0.2 — Zwei Vorabversionen der CLI beheben unter anderem Verbindungsprobleme mit MCP-Servern, die einen Scope für Refresh-Tokens auslassen; die SDK-Vorabversion 2.0.2-preview.0 entfernt unter macOS und Linux die 16 gemeldeten Schlüssel der Zertifizierungsstelle eMudhra aus den Vertrauensankern. Die stabile Version bleibt bei 1.0.114. 🔗 Quelle · 🔗 Copilot SDK
  • GitHub CLI 2.105.0 — In der Vorabversion wartet gh event listen auf ein Pull-Request-Ereignis (Review, Konflikt, neuer Commit, abgeschlossene Check Suite), statt es in einer Schleife abzufragen; sowohl gh pr als auch gh run schlagen dies Agenten nun vor. Der Zugang zu Event Streams erfolgt weiterhin über eine Warteliste. 🔗 Quelle
  • MCP-Konnektoren von Copilot — Acht von GitHub verifizierte Dienste ergänzen die mehr als 25 bestehenden, als öffentliche Vorabversion in allen Tarifen: Box, Buildkite, Calendly, ClickUp, Mixpanel, Supabase, Webflow und Wix. 🔗 Quelle
  • Gemini CLI v0.69.0 und v0.70.0 — Nach neun Tagen ohne neue Version erscheinen zwei stabile Versionen am selben Tag, und v0.70.0 liefert die seit dem 10. November integrierten Sicherheitskorrekturen für die Regel-Engine; die Vorabversion v0.71.0-preview.0 analysiert PowerShell-Befehle nun asynchron. 🔗 Quelle · 🔗 v0.71.0-preview.0
  • CLI mistral 0.19.0 und 0.20.0 — mistral ocr process wandelt ein Dokument oder ein Bild in Markdown oder strukturierte Daten um, mistral evals judge weicht mistral evals scorer, und mistral agents init erstellt nun ein eigenständiges Projekt mit dem Agents SDK, ohne API-Schlüssel. 🔗 Quelle · 🔗 0.20.0
  • Delta 0.28 — Zeds Umgebung zum Programmieren mit Agenten durchsucht Threads der gesamten Organisation und aktiviert standardmäßig eine sanfte Kompaktierung, die alte Tool-Ergebnisse ohne Modellaufruf entfernt. 🔗 Quelle
  • Amp für Windows — Am 17. November, zehn Tage nach einer experimentellen Version, kündigt Amp seine Windows-App an: nativ für x64 und Arm, mit integriertem Runner, über Intune bereitstellbaren MSIX-Paketen und Einstellungen per Gruppenrichtlinie. 🔗 Quelle
  • Warp Learn — Warp startet einen kostenlosen Kurs, Build a Self-Improving Software Factory, mit Ben Holmes: Zwei von drei Einheiten sind online, von der Entwicklungsschleife mit Agenten bis zu Korrekturen, die durch Fehlerüberwachung ausgelöst werden. 🔗 Quelle
  • DevinDash — Cognition macht aus seinen Devin Bots eine Variante, die über den MCP-Server von DoorDash Essen bestellt; Startups aus Devin for Startups, die an den Sprechstunden (office hours) in San Francisco oder New York teilnehmen, können 1 000 Dollar DoorDash-Guthaben erhalten. 🔗 Quelle

APIs und Plattformen

  • Agent API von Perplexity — Die Denkstufe xhigh wechselt von Claude Opus 5.5 zu GPT-6.2 Sol, ohne Fallback-Modell; wer die Version xhigh@2026-11-11.0 festschreibt, behält die alte Konfiguration. 🔗 Quelle
  • Qwen4-Max bei Together AI und Nous Portal — Together AI stellt Alibabas Flaggschiffmodell (MoE mit 2,4T Parametern, davon 71B aktiv, Kontext von 1M) mit 30 % Rabatt bereit, und Nous Research macht es mit Inferact fünf Tage lang kostenlos in Nous Portal verfügbar, ohne ein Enddatum oder Nutzungslimits anzugeben. 🔗 Together AI · 🔗 Nous Research

Assistenten und Unternehmen

  • ChatGPT ergänzt die Desktop-App um ein Accounting-Plugin für Kontenabstimmungen und Monatsabschlüsse — Das Plugin hilft beim Abgleichen von Transaktionen, beim Erstellen von Buchungssätzen für Rechnungen und beim Vorbereiten von Monatsabschlussberichten; es nutzt dafür die Computerbedienung unter macOS oder Windows, bei Enterprise mit Genehmigung eines Administrators (ChatGPT-Versionshinweise vom 18. November, weiter oben verlinkt).
  • Perplexity Brain — Perplexity teilt auf X die von Brain geschriebenen persönlichen Skills und kündigt die Funktion dort für alle Privat- und Unternehmensabonnenten in den USA an, während der Blogbeitrag von Max-Abonnenten spricht; im randomisierten Test erhielten 72,9 % der Nutzer mit automatischer Verbesserung einen neuen persönlichen Skill, gegenüber 6,5 % in der Kontrollgruppe. 🔗 Quelle · 🔗 Blogbeitrag
  • RAG as a service — Perplexity veröffentlicht einen Leitfaden zu RAG als Dienstleistung und bewertet sieben Anbieter, mit Perplexity Enterprise an der Spitze vor AWS Bedrock, OpenAI, Azure AI Search, Pinecone, LlamaIndex und Vectara; die Rangliste stammt von Perplexity selbst. 🔗 Quelle
  • Sumitomo Life — Der japanische Lebensversicherer, der im Juni 2026 auf ChatGPT Enterprise umgestellt hat, meldet eine wöchentliche Nutzung von über 80 % und einen anhand der gemeldeten Zeitersparnis geschätzten Return on Investment von insgesamt 203 % sowie durchschnittlich 524 % bei Beschäftigten, die es mindestens 101 Mal pro Monat nutzen. 🔗 Quelle
  • SSO für externe Mitglieder — Eigentümer von ChatGPT-Enterprise-, Edu- und Healthcare-Workspaces können externe Mitglieder, deren Domain nicht verifiziert ist, von SSO ausnehmen; die Ausnahme gilt für einen einzelnen Workspace und erlischt beim Verlassen. 🔗 Quelle
  • Candid Health und ElevenAgents — Die US-Plattform für Revenue Cycle Management überträgt ihre Anrufe bei Versicherern wegen abgelehnter Erstattungen an die Sprachagenten von ElevenLabs: 12 860 Anrufe, mehr als 850 eingesparte Stunden pro Monat und 59 % der Pilotanrufe erfolgreich abgeschlossen, bei einer Integration innerhalb von 48 Stunden. 🔗 Quelle
  • Enterprise Live Migrations — Abseits der KI: Laufende Migrationen von Azure DevOps Services zu GitHub Enterprise Cloud mit Datenresidenz werden allgemein verfügbar; Git-Verlauf, Branches, Tags und Pull Requests bleiben bis zur Umstellung synchronisiert. 🔗 Quelle
  • RHEL-Runner von GitHub Actions — Abseits der KI: Die Images von Red Hat Enterprise Linux 9 und 10 für gehostete Larger Runner werden für die Tarife Team und Enterprise Cloud allgemein verfügbar. 🔗 Quelle

Offene Modelle, Forschung und Simulation

  • Deep Research von Genspark — Genspark teilt eine am 10. November von Baseten veröffentlichte Arbeit: Ein für vertiefte Recherche nachtrainiertes Qwen3.5-397B erreicht im internen Grader von Genspark 0,759, gegenüber 0,612 für das Basismodell und 0,738 für Opus 5.5; es wird zum Standardmodell des Agenten, und Genspark behält die Gewichte. 🔗 Quelle · 🔗 Blogbeitrag von Baseten
  • Muse Wonder im BAR-Benchmark — Meta teilt die November-Rangliste der juristischen KI-Plattform Legora, in der Muse Wonder die beste Bewertung für die Gesamtqualität erzielt und bei vier Aufgabentypen führt, darunter Analyse und Extraktion. 🔗 Quelle
  • Clairic — Eine Demo von Clairic, dem von Cloudflare auf Hugging Face veröffentlichten Modell mit 27 Milliarden Parametern für typisierte strukturierte Extraktion, ist im Hub verfügbar; das Modell stammt vom 16. Oktober, seine Flash-Version vom 12. November. 🔗 Quelle
  • Gemma 4 E2B bei Airbnb — Laut Googles Gemma-Account hat Airbnb Gemma 4 E2B zur Klassifizierung von Regeln auf einer einzelnen RTX Pro 6000 GPU eingesetzt: Der maximale F1-Wert steigt von 0,563 auf 0,902, die mediane Latenz beträgt 35 ms gegenüber rund 900 ms bei Frontier-Modellen, bei hohem Volumen zu etwa 1 % ihrer Kosten. 🔗 Quelle
  • Atto — NeuML veröffentlicht eine Familie winziger Modelle für die Dokumentensuche, von 840 Parametern bis zu 28 Millionen: Das dichte Modell mit 90 000 Parametern erreicht auf einer Teilmenge von BEIR einen nDCG@10-Wert von 0,4257, gegenüber 0,4802 für das rund 256-mal größere all-MiniLM-L6-v2. 🔗 Quelle
  • ja-NCM — Ein Entwickler veröffentlicht ein kleines japanisches Modell mit offenen Gewichten, das Text anhand von Konzepten statt Token für Token generiert: Seinen Angaben zufolge ist es bei vergleichbarer Qualität rund 6-mal schneller als ein autoregressives Modell und 2,4-mal schneller als ein Diffusionsmodell. 🔗 Quelle
  • Into the Omniverse — NVIDIA veröffentlicht seinen Blogbeitrag über von Agenten erstellte Simulationen zum dritten Mal erneut, mit neuen Beispielen: digitale Zwillinge von Industrieanlagen von Falkor (KONGSBERG) mit GPT-6 Astra und eine von Claude Code zusammengestellte Intensivstation, in der 766 von 768 Microduck-Robotern aufrecht blieben. 🔗 Quelle

Was das bedeutet

Die finanziellen und technischen Meilensteine der führenden Labore gehen inzwischen mit Sicherheitszusagen einher. Anthropic legt seinen Preis oberhalb der Preisspanne fest und erhöht sein Angebot von 825 auf 980 Millionen Aktien; am folgenden Tag verspricht Dario Amodei, das Tempo von Training und Bereitstellung so zu steuern, dass die Sicherheit der Modelle und die menschliche Kontrolle sichergestellt sind, ohne kommerziellem oder politischem Druck nachzugeben. OpenAI, das den wachsenden Anteil seiner an Agenten übertragenen Forschung misst, fordert, Labore zur Veröffentlichung von Kennzahlen zur rekursiven Selbstverbesserung zu verpflichten. Beide Aussagen beantworten dieselbe Frage: Wie lässt sich zeigen, dass die Sicherheit Schritt hält, wenn Mittel und Fähigkeiten so schnell wachsen?

Agenten erledigen inzwischen einen messbaren Teil der Arbeit der Labore selbst. Bei OpenAI bewältigen sie fast die Hälfte der zwei- bis vierstündigen Aufgaben eigenständig und verursachen zum Listenpreis im Median Kosten von 2 400 Dollar pro Forscher und Tag; die Performance Factory überträgt ihnen täglich 17 Untersuchungen zu Verlangsamungen von ChatGPT. Replit zeigt, dass die Organisation ebenso wichtig ist wie das Modell: Der beste Einzelagent liefert in Schwärmen schlechtere Ergebnisse als Claude Opus 5.5, das sich über ein gemeinsames Board koordiniert. Überall bleibt die Entscheidung beim Menschen: Ein Ingenieur führt die Korrekturen der Performance Factory zusammen, die Forscher von OpenAI beaufsichtigen die Arbeit engmaschig, und Devin eröffnet Pull Requests zur Prüfung.

Die Abrechnung richtet sich zunehmend nach der tatsächlichen Nutzung. Gemini 4 Neon wird in Cursor anhand der Kosten pro Aufgabe angeboten, von 3,07 Dollar bei Denkaufwand Medium bis zu 10,67 Dollar bei Extra High; Genie 4 wird pro Sekunde generierter Welt abgerechnet, zu etwa 0,10 Dollar, und GPT-Live sinkt auf 0,02 Dollar pro Minute, wenn niemand spricht. Tool Retrieval verfolgt wie seine Pendants bei OpenAI und Anthropic auf Entwicklerseite dasselbe Ziel: nur für die Schemata der tatsächlich verwendeten Tools Tokens zu bezahlen.

Bei offenen Modellen konzentrieren sich die Bemühungen darauf, was sich aus einer bestehenden Basis herausholen lässt. DaisyRose-27B und der Hermes-Adapter gehen beide von Qwen3.8-27B aus: Ersteres verdoppelt seinen Wert auf Terminal-Bench 4.1 durch Reinforcement Learning, Letzterer erreicht mit 3,5- bis 4,4-mal weniger Tokens das Niveau des maximalen Denkmodus. PEFT bereitet seine Version 1.0 vor, um Werkzeuge für diese Feinabstimmungen bereitzustellen, OVHcloud veröffentlicht ein europäisches Modell, das auf öffentlichen Supercomputern trainiert wurde, samt CO₂-Bilanz, und Ideogram verspricht die Gewichte seiner Version 4.6. Diese Zahlen stammen weiterhin von den Anbietern selbst.


Quellen