OpenAI beendet seinen Vertrag mit Cursor, Claude Code senkt die wöchentlichen Limits um 17 %, Copilot CLI wechselt zu nativem Rust

Zweiundzwanzig Meldungen aus acht Bereichen für den 29. August: ein ruhiger Samstag, nur halb so umfangreich wie der Vortag. Das beherrschende Thema ist eher vertraglicher als technischer Natur. OpenAI hat SpaceX seine Absicht mitgeteilt, die Versorgung von Cursor mit seinen Modellen einzustellen, mit einem vorgeschlagenen Einstellungsdatum am 12. November, und dabei ausdrücklich auf das frühere Verhalten der Unternehmen von Elon Musk verwiesen. Anthropic kündigt seinerseits eine dauerhafte Erhöhung der wöchentlichen Limits von Claude Code um 25 % an, was — nach eigener Aussage — gegenüber heute einer Senkung um 17 % entspricht. GitHub stellt Copilot CLI auf eine native Rust-Laufzeit-Engine um, Together AI nimmt GLM-5.3 am Tag seiner Verfügbarkeit in Betrieb, und ein Inferenz-Gateway veröffentlicht Produktionszahlen, die endlich die tatsächliche Stellung offener Gewichte einordnen.

OpenAI beendet seinen Vertrag mit Cursor nach der Übernahme durch SpaceX

28. August — OpenAI hat SpaceX seine Absicht mitgeteilt, den Vertrag zu beenden, der Cursor direkten Zugriff auf seine Modelle gewährt. Als Einstellungsdatum ist der 12. November 2026 vorgeschlagen: Das Unternehmen erklärt, es habe die längste vertraglich zulässige Kündigungsfrist gewählt, damit Entwickler so lange wie möglich auf die Modelle zugreifen können.

Der Grund ist die Übernahme von Cursor durch SpaceX. OpenAI erklärt, mit seinen großen Partnern auf Grundlage maßgeschneiderter Verträge zu arbeiten, die die Einhaltung der Nutzungsbedingungen und die Sicherheit der Integration in großem Maßstab gewährleisten, und sagt, es könne nicht darauf vertrauen, dass SpaceX seine Technologie in diesem Rahmen nutzen werde. Zwei Präzedenzfälle werden namentlich genannt: Nach der Übernahme von Twitter durch Elon Musk, das inzwischen SpaceX zugeordnet ist, wurden die Vertragsbedingungen zwischen den beiden Unternehmen gebrochen; und unter Eid räumte Musk Anfang dieses Jahres ein, dass xAI, das ebenfalls unter SpaceX gelangt ist, gegen die Nutzungsbedingungen von OpenAI verstoßen hatte. Die mit Cursor unterzeichnete Vereinbarung sah nach einem Kontrollwechsel ein zeitlich begrenztes Kündigungsfenster vor, was den Zeitplan erklärt.

Hinzu kommt ein zweites, ungewöhnlicheres Argument: OpenAI erklärt, mit dem Fortschritt der Fähigkeiten ein neues Maß an Verantwortung zu übernehmen, und verweist auf sein bevorstehendes Modell Astra — jenes Modell, bei dem das Unternehmen am 7. August angekündigt hatte, ein von seinem Bereitschaftsrahmen als kritisch eingestuftes Niveau an Cyberfähigkeiten nicht länger ausschließen zu können. Die praktische Folge: Der Vertrag läuft bis zum spätestmöglichen Datum, aber kein zukünftiges Modell wird Cursor bereitgestellt.

Bestandteil des Vorgangs	Wert
Datum der Benachrichtigung an SpaceX	28. August 2026
Vorgeschlagenes Einstellungsdatum	12. November 2026
Dauer der Partnerschaft OpenAI-Cursor	fast 4 Jahre
Cursor bereitgestellte zukünftige Modelle	keine

We’re ending our partnership with Cursor following its acquisition by SpaceX. Under our proposal, Cursor’s direct access to our models would end on November 12.

We know that the people most affected by this decision are the developers who rely on OpenAI models in Cursor. We care about their experience in this transition and we’re ready to go above and beyond to support them.

🇩🇪 Wir beenden unsere Partnerschaft mit Cursor infolge der Übernahme durch SpaceX. Nach unserem Vorschlag würde der direkte Zugriff von Cursor auf unsere Modelle am 12. November enden.

Wir wissen, dass diese Entscheidung die Entwickler am stärksten betrifft, die sich in Cursor auf OpenAI-Modelle stützen. Ihre Erfahrung während dieses Übergangs liegt uns am Herzen, und wir sind bereit, über unsere Verpflichtungen hinauszugehen, um sie zu unterstützen. — @OpenAI auf X

🔗 Entscheidung zu Cursor — OpenAI

Claude Code: Wöchentliche Limits sinken am 14. September um 17 %, die CLI startet schneller

29. August — Anthropic kündigt an, dass ab dem 14. September die standardmäßigen wöchentlichen Limits von Claude Code dauerhaft um 25 % für die Pro-, Max-, Team- und Enterprise-Tarife mit sitzbasierter Abrechnung (seat-based) erhöht werden. Bis zu diesem Datum bleibt die derzeitige Erhöhung um 50 % bestehen.

Die Formulierung erforderte eine Klarstellung, und Anthropic lieferte sie selbst in der folgenden Nachricht seines Threads: Bezogen auf die heutige Situation entspricht der Vorgang einer Senkung der wöchentlichen Limits um 17 %. Die Rechnung ist einfach — die derzeit geltende Erhöhung um 50 % ist vorübergehend, die sie ersetzende Erhöhung um 25 % dauerhaft, und der Wechsel von der einen zur anderen senkt die tatsächliche Obergrenze zwangsläufig. Diese vorübergehende Erhöhung war nicht neu: Am 18. Juli 2026 hatte dasselbe Konto sie „bis zum 19. August“ angekündigt, ein Termin, der ohne neue Mitteilung überschritten worden war. Die Ankündigung vom 29. August legt daher einen Endpunkt fest: eine dauerhafte Obergrenze, höher als die ursprüngliche Standardregelung, aber niedriger als die Ausnahmeregelung der vergangenen Wochen. Die Reaktionen blieben gemischt, sodass die Hauptnachricht — zum Zeitpunkt des Scans etwa 1,6 Millionen Aufrufe — mit einer von X-Lesern verfassten Kontextnotiz versehen wurde, die den Wert der Senkung aufgreift.

Zeitraum	Wöchentliche Limits von Claude Code
Bis zum 13. September	+50 % (vorübergehende Erhöhung, weiterhin aktiv)
Ab dem 14. September	dauerhaft +25 %
Von Anthropic angekündigter Nettoeffekt	-17 % gegenüber heute

Compared to today, this works out to a 17% reduction in weekly limits on Claude Code. We’re working on exciting changes that will make it feel like you’re getting more from Claude, while having more visibility and control of your usage. Can’t wait to share them.

🇩🇪 Im Vergleich zu heute entspricht dies einer Senkung der wöchentlichen Limits von Claude Code um 17 %. Wir arbeiten an spannenden Änderungen, durch die es sich so anfühlen wird, als bekäme man mehr Claude, mit größerer Transparenz und Kontrolle über den eigenen Verbrauch. Wir freuen uns darauf, sie zu teilen. — @ClaudeDevs auf X

Früher am selben Tag veröffentlichte dasselbe Konto seine wöchentliche Zusammenfassung der Auslieferungen von Claude Code. Der Kern dieses aus sechs Nachrichten bestehenden Threads umfasst Neuigkeiten, die hier bereits im Zuge der jeweiligen Versionen ausführlich behandelt wurden — die Registerkarte „Auto mode“ in /permissions von 2.1.246, die Prompt-Cache-Zeile in /cost und die Live-Verfolgung der Vordergrund-Subagenten von 2.1.251 sowie die Aufschlüsselung der Aufgaben /loop in /usage von 2.1.243. Ein Aspekt war dagegen noch nie quantifiziert worden: die Leistung. Die CLI wartet nicht mehr auf den Start der Sandbox (sandbox) oder der MCP-Server, bevor die Eingabe der ersten Anweisung möglich ist, und der Befehl claude überspringt nicht benötigte Initialisierungsschritte. Bei der Distribution ist der Linux-x64-Download 4,5-mal kleiner und umfasst etwa 75 MB; native Builds verbrauchen pro Sitzung 40 bis 70 MB weniger Speicher.

Angekündigte Leistungsmessung	Wert
Linux-x64-Download	4,5-mal kleiner, etwa 75 MB
Speicher nativer Builds	40 bis 70 MB weniger pro Sitzung

🔗 Ankündigung der wöchentlichen Limits · Wöchentliche Zusammenfassung

Copilot CLI wechselt zu einer nativen Rust-Engine, Visual Studio erhält benutzerdefinierte Organisations-Agenten

28. August — GitHub veröffentlicht spät am Tag seine wöchentliche Copilot-Zusammenfassung. Der Eintrag trägt in seinem Titel das Datum 24. August — die darin behandelte Woche —, wurde aber erst am 28. um 20:13 Uhr UTC veröffentlicht, nach dem vorherigen Scan. Zwei seiner Abschnitte greifen bereits hier behandelte Ankündigungen auf: Copilot in Slack und Microsoft Teams sowie die allgemeine Verfügbarkeit der Registerkarte Customize; der Rest ist neu.

Der strukturell wichtigste Punkt betrifft die CLI: Copilot CLI läuft nun auf einer nativen Rust-Laufzeit-Engine (native Rust runtime), während die Terminaloberfläche weiterhin in TypeScript geschrieben ist. GitHub kündigt „deutlich bessere“ Leistung an, veröffentlicht jedoch keinerlei Messwerte, sodass die Beurteilung dem Leser überlassen bleibt. Zwei Einstellungen, defaultMode und defaultPermissionMode, legen den Ausführungsmodus und den Berechtigungsmodus fest, die auf jede neue Sitzung angewendet werden; die Befehle /plugin, /mcp und /skills erhalten eigene Verwaltungsoberflächen; und die CLI kann eine Sitzung wiederherstellen, die nicht ordnungsgemäß beendet wurde, auch wenn sie mitten in einem Durchlauf unterbrochen wurde.

Betroffene Oberfläche	Angekündigte Neuerungen
Copilot CLI	Native Rust-Engine, `defaultMode` und `defaultPermissionMode`, Oberflächen `/plugin` `/mcp` `/skills`, Sitzungswiederaufnahme
Copilot-Anwendung	In Sitzungen umgewandelte Issues und Pull Requests von Azure DevOps, experimentelles WSL, teilbare Registerkarten, Vorschau im externen Browser
JetBrains-Erweiterung	Unternehmenskontrollen für Plugins, MCP-Server, Telemetrie und Berechtigungsmodi der Agenten
VS Code 1.135	Wiederaufnahme von Copilot- oder Claude-Agentensitzungen, die andernorts gestartet wurden, Zweitmeinung eines ergänzenden Modells, einheitliches Agents-Panel, Verbrauch nach Modell und Durchlauf
Visual Studio 2026	Benutzerdefinierte Organisations-Agenten, Reasoning-Aufwand Low, Medium und High, Manage-models-Ansicht, Überprüfung durch den Git-Agenten

Am selben Tag veröffentlicht, beschreibt ein eigener Changelog-Eintrag das August-Update von Copilot in Visual Studio 2026, das für alle Tarife verfügbar ist — Free, Student, Pro, Pro+, Max, Business und Enterprise. Die wichtigste Änderung ist die Einführung benutzerdefinierter Agenten auf Organisationsebene: Eigentümer einer GitHub-Organisation oder eines GitHub-Unternehmens veröffentlichen Agenten, die in allen ihren Repositorys verwendet werden können. Visual Studio erkennt sie automatisch und zeigt sie mit ihrer Beschreibung und ihrer Ursprungsorganisation im Auswahlmenü an. Eine GitHub-Organisation ist erforderlich, wodurch persönliche Konten ausgeschlossen werden. Die Einstellung für den Reasoning-Aufwand liegt nun auf der Benutzerseite und bietet drei Stufen; GitHub stellt dies ausdrücklich als Abwägung zwischen Reasoning-Tiefe und Token-Verbrauch dar. Die Ansicht Manage models bündelt Fähigkeiten, Kontextfenstergröße, Kosteninformationen und Steuerelemente, während der Git-Agent nicht committete Änderungen oder Commits vor dem Öffnen eines Pull Requests überprüft — sowohl in GitHub- als auch in Azure-DevOps-Repositorys.

🔗 Wöchentliche Copilot-Zusammenfassung · Copilot in Visual Studio, August-Update

GLM-5.3 kommt zu Together AI, das sofort misst, was seine destillierte Version kostet

29. August — Der dritte Tag in Folge für GLM-5.3. Am 27. August kündigte Z.ai in zwei Zeilen an, dass es die Gewichte veröffentlichen werde; am 28. war die Öffnung erfolgt, und Together AI stellte eine mit „coming soon“ gekennzeichnete Modellseite ohne Preis online. Seit dem 29. August um 1:57 UTC ist die Seite live, und der Hoster spricht von einer Bereitstellung „Day 0“. Der Endpoint zai-org/GLM-5.3 wird sowohl serverlos als auch als dedizierte Infrastruktur angeboten, und Together AI kündigt Kompatibilität mit Claude Code, OpenCode und den anderen Plattformen für Code-Agenten an. Laut dem Hoster nähert sich das Modell Fable 5 bei sämtlichen Benchmarks an, kostet pro Aufgabe jedoch nur einen Bruchteil.

Servicemerkmal	Wert
Eingabe- / Cache-Eingabepreis	$1,40 / $0,26 pro Million Tokens
Ausgabepreis	$4,40 pro Million Tokens
Kontextfenster	1 Mio. Tokens (IndexShare-Architektur)
Aufwandsstufen	low, high, max (standardmäßig max)
Angegebene SLA	99,9 %

Am selben Tag veröffentlicht Together AI den sechsten Vergleich seiner DeepSWE-Reihe, und erstmals stellt er zwei Modelle derselben Familie gegenüber: GLM-5.3 und seine destillierte Version GLM-5.3 Flash. Das Protokoll bleibt unverändert — die 113 Aufgaben von DeepSWE v1.1, vier Versuche pro Konfiguration, beide Modelle mit maximalem Aufwand —, insgesamt also 900 vollständige Ausführungen (rollouts), davon 452 mit dem vollständigen Modell und 448 mit Flash. Beim ersten Versuch wirkt der Abstand deutlich: 69,0 % pass@1 gegenüber 63,4 %. Bei pass@4 schrumpft er jedoch auf 2,6 Punkte — bei einem Siebzehntel des Preises. Durch die Destillation wurde die Fähigkeit also nicht entfernt, sondern die Regelmäßigkeit: Keine der 48 Aufgaben, die das vollständige Modell vier von vier Mal löst, wird für Flash unlösbar; Flash behält 93 der 99 Aufgaben, die mindestens einmal gelöst wurden. Der Mechanismus wird weiter unten identifiziert, und das ist das interessanteste Ergebnis: Bei instabilen Aufgaben ist der längste Versuch in 61 % der Fälle für GLM-5.3 der erfolgreiche Versuch, bei Flash jedoch nur in 46 % — unterhalb der Schwelle eines Münzwurfs. Das destillierte Modell kann zusätzlichen Aufwand nicht mehr in eine Lösung umsetzen.

Gemessene Metrik	GLM-5.3 (max. Aufwand)	GLM-5.3 Flash (max. Aufwand)
pass@1	69,0 %	63,4 %
pass@4	87,6 %	85,0 %
Kosten pro Ausführung	$3,99	$0,24
Für $100 gelöste Aufgaben	17	264
Dauer von Anfang bis Ende	35 Min.	26 Min.
Fehler eines bereits erfolgreichen Referenztests	4,4 %	6,9 %
Bezahlter Aufwand bei instabilen Aufgaben	61 %	46 %

Es wird nur eine deutliche Verschlechterung festgestellt, und sie betrifft die Vorsicht: Flash beschädigt in 6,9 % der Ausführungen einen bereits erfolgreichen Referenztest, gegenüber 4,4 % beim vollständigen Modell. Daher empfiehlt Together AI ausdrücklich eine vollständige Nichtregressionssuite, bevor ein von Flash erzeugter Diff ohne Überprüfung akzeptiert wird. Die operative Schlussfolgerung ist eine Kaskade innerhalb derselben Familie: Zuerst Flash starten und nur dann auf das vollständige Modell hochstufen, wenn ein Prüfer die Antwort zurückweist. Diese Kombination erreicht 80,9 % Erfolgsquote bei 1,70 Dollar pro Aufgabe, also zwölf Punkte mehr als GLM-5.3 allein (69,0 % bei 3,99 Dollar) — bei weniger als der Hälfte des Preises. Ein Unterschied verdient einen Hinweis für die Leserschaft: Der auf der Modellseite angezeigte DeepSWE-Wert (66,9) weicht von den 69,0 % ab, die Together AI in seiner eigenen Kampagne gemessen hat. Der Hoster übernimmt diese Abweichung und präzisiert, dass seine Zahlen aus seiner eigenen Ausführung stammen.

🔗 Bereitstellung von GLM-5.3 bei Together AI · GLM-5.3 gegenüber GLM-5.3 Flash auf DeepSWE

Open-Weight-Modelle haben die Hälfte des Traffics übernommen, aber nur 13 % der Ausgaben

29. August — Thibault Jaigu, Leiter des Inferenz-Gateways Requesty, veröffentlicht im Hugging-Face-Blog Messungen aus seinem eigenen Produktionsverkehr im Jahr 2026, ohne von Kunden bereitgestellte Schlüssel und ohne interne Konten. Die zentrale Zahl: Open-Weight-Modelle stiegen von weniger als 5 % der Tokens im Januar auf die Hälfte des gesamten Traffics in der Woche vom 3. August, machen aber nur etwa 13 % der Ausgaben aus. Ein Token eines geschlossenen Frontier-Modells kostet nach Berücksichtigung des Caches etwa 6,4-mal so viel wie ein offener Token.

Zwei Beispiele vermitteln die Beschaffenheit dieses Marktes. Nach der Veröffentlichung von kimi-k3 dauerte es 11 Tage, bis das ursprüngliche Labor die Mehrheit der auf seinem eigenen Modell bereitgestellten Tokens verlor, da vier weitere Hoster innerhalb von 72 Stunden die Inferenz auf denselben Gewichten aktiviert hatten. Bei glm-5.2 weisen sechs Hoster außerdem eine 5,7-fache Differenz beim tatsächlich gezahlten Preis auf — nicht wegen geheimer Rabatte, sondern weil der günstigste 94 % der Eingabetokens cached, während der teuerste keinen einzigen cached. Diese Zahlen stammen von einem Anbieter, der sein eigenes Produkt beschreibt; der Autor steht dazu, indem er als Leiter von Requesty unterzeichnet.

Am Gateway erhobene Messung	Wert
Anteil der Open Weights an den Tokens (Januar 2026)	weniger als 5 %
Anteil der Open Weights an den Tokens (Woche vom 3. August)	50 %
Anteil der Open Weights an den Ausgaben	etwa 13 %
Verteilung der Ausgaben (Anthropic / OpenAI / Google)	51 % / 21 % / 15 %
Cache-Wiederholungen / frische Eingabe / sichtbare Ausgabe	78 % / 19 % / weniger als 2 %
Verhältnis Eingabe zu Ausgabe (Januar, dann August)	15x, dann 36x
Durchschnittlicher Kontext pro Anfrage (Januar, dann August)	9,6 k, dann 28 k Tokens

🔗 Requesty-Beitrag auf Hugging Face

Die Search API von Perplexity belegt die ersten drei Plätze im Artificial Analysis Search Index

29. August — Perplexity verbreitet eine am Vortag von Artificial Analysis veröffentlichte Rangliste: Die drei Kontexteinstellungen seiner Search API belegen bei ihrem Debüt in diesem Ranking die ersten drei Plätze des Artificial Analysis Search Index. Die Einstellung medium erreicht 80 Punkte, fünf mehr als die bisherigen Spitzenreiter Parallel (advanced) und Brave Search (LLM context), die beide bei 75 liegen; die Varianten high und low folgen mit 79 und 77.

Das Protokoll isoliert bewusst die Suchkomponente: Artificial Analysis lässt in Stirrup, seinem Open-Source-Agenten-Harness, dasselbe Modell — GPT-5.6 Luna mit mittlerem Reasoning-Aufwand — mit Such- und Webseitenabruf-Tools laufen. Von einem Test zum nächsten ändert sich nur der Anbieter hinter dem Suchwerkzeug. Perplexitys Vorsprung konzentriert sich auf BrowseComp; die AA-Omniscience- und DeepSearchQA-Werte bleiben mit denen der anderen führenden Anbieter vergleichbar. Das zweite Argument ist wirtschaftlicher Natur: Kompaktere Nutzlasten sorgen dafür, dass das Modell weniger lesen muss. Dadurch liegen die Inferenzkosten pro Aufgabe je nach Variante bei 0,028 bis 0,034 Dollar, gegenüber 0,036 Dollar beim nächstgünstigeren Anbieter — dem niedrigsten von Artificial Analysis bisher gemessenen Wert.

Suchanbieter (Variante)	AA-Search-Index-Wert	Gesamtkosten pro Aufgabe
Perplexity Search (medium)	80	etwa 0,091 $
Perplexity Search (high)	79	etwa 0,091 $
Perplexity Search (low)	77	nicht mitgeteilt
Parallel (advanced)	75	0,084 $
Brave Search (LLM context)	75	0,13 $

Zwei Nutzungshinweise: Das Ranking stammt von Artificial Analysis und nicht von Perplexity, das es lediglich hervorhebt; außerdem bestätigt kein Blogbeitrag die Meldung, da der Unternehmensblog seit dem 25. August nichts veröffentlicht hat.

🔗 Beitrag von @perplexity_ai · Zahlenmäßige Details von @ArtificialAnlys

Codex CLI 0.151.0: Erweiterungen fangen MCP-Ergebnisse ab, die Remote-Sandbox wird strenger

29. August — Codex CLI erscheint in Version 0.151.0, die um 11:55 GMT+2 auf GitHub veröffentlicht und noch am selben Tag im offiziellen Changelog von ChatGPT und Codex aufgeführt wurde. Die strukturell wichtigste Neuerung betrifft Erweiterungen: Sie können nun die Ergebnisse eines MCP-Tools prüfen oder ersetzen, bevor diese das Modell erreichen. Damit liegt ein Abfangpunkt zwischen dem MCP-Server und dem Kontext, was das Filtern, Umschreiben oder Kürzen von Toolausgaben ermöglicht, ohne den Server anzutasten. Hinzu kommen eine konfigurierbare Karenzzeit für die Erkennung der von optionalen MCP-Servern bereitgestellten Tools sowie Plugin-Kataloge, die die für jedes Repository eigene Konfiguration kombinieren und dabei ungültige Projekt-Marktplätze melden, ohne gültige Plugins verschwinden zu lassen.

Der Rest der Version wird von der Verschärfung der Sandbox dominiert. Der Befehl /cd kann die Einschränkungen nicht mehr abschwächen — etwa in einem Szenario, in dem ein Verzeichniswechsel die Schutzvorkehrungen implizit lockerte —, und veraltete Guardian-Klassifizierungen können nach einer Änderung des Berechtigungszustands keine Aktion mehr autorisieren. Die Anwendung der Remote-Sandbox orientiert sich außerdem stärker an der Realität der Ausführungsmaschine: Home-Verzeichnis, Betriebssystem und Pfadkonventionen des Executors werden in den Kontext übertragen, auch für Regeln zur Verweigerung des Lesens. Ein letzter Punkt für Teams, die ihre Agenten delegieren lassen: Der Tokenverbrauch verschachtelter Subagenten wird endlich auf das Budget des Stammziels angerechnet.

Element der Version	Wert
Version	0.151.0 (stable)
GitHub-Veröffentlichung	29. August 2026, 11:55 GMT+2
Installation	`npm install -g @openai/codex@0.151.0`
Neuerungen / Korrekturen / grundlegende Arbeiten	3 / 6 / 2
Vorherige stabile Version	0.150.1 (27. August)

🔗 Versionshinweise zu Codex CLI 0.151.0

Appshots: ChatGPT Work und Codex lesen den Kontext der angezeigten Anwendung

28. August — OpenAI Developers stellt Appshots vor, einen Mechanismus zur Kontextaufnahme für ChatGPT Work und Codex. Das Prinzip: Statt zu beschreiben, was man vor sich hat, übermittelt man dem Assistenten den gesamten Kontext der aktuell angezeigten Anwendung, damit er den Bildschirm versteht und darauf handeln kann. Der Auslöser ist bewusst minimal gehalten — zweimal die Command-Taste drücken (⌘ ⌘).

Der Beitrag erläutert zehn Anwendungsfälle, die das anvisierte Einsatzgebiet verdeutlichen und weit über Code hinausgehen: einen Slack-Thread zusammenfassen, ein Formular ausfüllen, eine auf dem Bildschirm angezeigte API-Referenz nutzen, um eine Funktion hinzuzufügen, die Themen einer Reihe von Antworten auf X herausarbeiten, private Nachrichten identifizieren, die eine Antwort erfordern, Notizen in eine Präsentation umwandeln, ein Video in iMovie schneiden oder ein geöffnetes Rezept in eine Einkaufsliste verwandeln. Zum Zeitpunkt des Scans existiert die Ankündigung nur auf X: Das Changelog von ChatGPT und Codex enthält zwischen dem 27. und 29. August keinen Eintrag außer der CLI-Version 0.151.0. Die Zugangsvoraussetzungen — betroffene Tarife, Plattformen, allgemeine oder schrittweise Verfügbarkeit — sind daher nicht dokumentiert.

🔗 Beitrag von @OpenAIDevs

Antigravity CLI 1.1.22: Der Befehl /model akzeptiert ein Argument, acht Stabilitätskorrekturen

27. August — Nachholung für einen bisher nie gescannten Kanal. Das Changelog von Google Antigravity ist auf vier Tabs verteilt — Antigravity 2.0, Antigravity CLI, Antigravity SDK und Antigravity IDE —, von denen bei den bisherigen Durchgängen nur der erste gelesen wurde. Der CLI-Tab veröffentlicht in der Praxis alle ein bis drei Tage eine Version; die neueste, 1.1.22, bringt drei Verbesserungen und acht Korrekturen.

Bei der Bedienung akzeptiert der Befehl /model nun ein Argument: Statt einen Selektor zu öffnen, wechselt man direkt zu einem Modell, indem man dessen Namen, Slug oder Label angibt. Dabei wird der Standardwert im selben Schritt gesetzt, mit einer Geistertext-Autovervollständigung während der Eingabe. Auch der Befehl /effort, der den Reasoning-Aufwand festlegt, vervollständigt den eingegebenen Text nun, anstatt ein feststehendes Beispiel anzuzeigen. Die dritte Neuerung ist bei langen Sitzungen hilfreich: Wenn ein Agent viele Dateien erzeugt, werden die Ereignisbursts des Dateisystems zu einer einzigen Neuanalyse zusammengefasst.

Die acht Korrekturen zielen auf die Langzeitstabilität. Die auffälligste entfernt das kontinuierliche Neuzeichnen der Oberfläche, wenn das Aufgabenfenster oder die Detailansicht eines Subagenten ohne laufende Aufgabe geöffnet blieb, wodurch die Prozessorauslastung im Leerlauf anstieg. Vorübergehende HTTP-502-Fehler, die einen Lauf bisher einfach beendeten, werden nun nach einer zunehmenden Wartezeit (Backoff) erneut versucht. Der Rest betrifft Windows, den daemon ohne Oberfläche (headless) und die erneute Auswahl des Reasoning-Aufwands für Gemini 3.1 Pro und Gemini 3.5 Flash bei der Authentifizierung über einen Gemini-API-Schlüssel.

Antigravity-Kanal	Neueste Version	Datum
Antigravity 2.0	2.11.0	26. August 2026
Antigravity CLI	1.1.22	27. August 2026
Antigravity SDK	0.1.15	25. August 2026
Antigravity IDE	2.5.5	13. August 2026

🔗 Antigravity-Changelog

MiniMax zieht Bilanz zu H3 Max und erklärt die schnellere Videogenerierung als Echtzeit für erreicht

29. August — MiniMax veröffentlicht eine ungewöhnlich ausführliche Erklärung zu H3 Max, dem Videomodell, das fal Research durch Post-Training der offenen Gewichte von MiniMax H3 erhalten hat. Das Modell selbst wurde am 27. August angekündigt; neu ist hier die Stellungnahme des ursprünglichen Labors dazu, was diese externe Arbeit für das Unternehmen bedeutet.

Die Mitteilung lässt sich auf zwei Gedanken reduzieren. Der erste ist strategischer Natur: MiniMax erklärt, dass H3 Max den Wert offener Gewichte für die eigenen Teams greifbar gemacht habe, und zeigt sich bereit, jedes Team zu unterstützen, das den Ansatz von fal reproduzieren möchte. Der zweite ist technischer und geht weiter: Das Labor betrachtet die schnellere Videogenerierung als Echtzeit nun als erreicht und leitet daraus eine Liste bisher unerreichbarer Anwendungsfälle ab — dauerhafte Videostreams, interaktive Welten, Echtzeit-Narration. Zwei Stunden zuvor hatte MiniMax einen Community-Test weiterverbreitet, der den Wandel treffend zusammenfasst: Die Frage lautet nicht mehr, wie lange eine Generierung dauert, sondern ob das Modell schneller generiert, als ein Twitch-Stream übertragen wird.

They made the value of open weights feel real to our team in a way it hadn’t before. Advancing technology together has always been a core belief at MiniMax. H3 Max made that belief tangible. It showed that the frontier no longer belongs to a few, it belongs to everyone willing to build, experiment, and share what they discover.

🇩🇪 Sie haben den Wert offener Gewichte für unser Team auf eine Weise greifbar gemacht, wie es ihn zuvor noch nie gegeben hatte. Die Technologie gemeinsam voranzubringen, war bei MiniMax schon immer eine grundlegende Überzeugung. H3 Max hat diese Überzeugung greifbar gemacht. Es hat gezeigt, dass die Grenze nicht mehr einigen wenigen gehört, sondern allen, die bereit sind zu bauen, zu experimentieren und ihre Erkenntnisse zu teilen. — @MiniMax_AI auf X

🔗 Von MiniMax weiterverbreiteter Community-Test

Kurzmeldungen

Grok 4.6 kommt auf Grok.com sowie in die iOS- und Android-Apps — Nach einer auf Partnerplattformen konzentrierten Einführung — GitHub Copilot, Amazon Bedrock, Gemini Enterprise Agent Platform und anschließend Microsoft Foundry am 26. August — vervollständigt xAI die Reihe mit den eigenen Oberflächen für Endverbraucher. Drei empfohlene Einsatzbereiche: komplexe Probleme, agentische Anfragen und die Entwicklung von Anwendungen. Keine Zahlen, kein Benchmark, keine Änderung der Preisgestaltung. 🔗 Nachricht von @grok
Midjourney behebt die Bildqualität seines Bearbeitungsmodells V8.2 — Weniger als vierundzwanzig Stunden nach Beginn der Tests veröffentlicht das Studio eine Korrektur der Bildqualität und fordert Nutzer, die auf Probleme gestoßen sind, auf, ihre Generierungen erneut zu starten. Weitere Aktualisierungen sind ohne Zeitplan angekündigt. 🔗 Nachricht von @midjourney
Gemini CLI setzt Workspace-Vertrauen standardmäßig auf Ablehnung — Die nächtliche Version (nightly) v0.59.0-nightly.20260829.g0bd1d4397 enthält eine einzige Änderung: Ein Workspace, dessen Vertrauenswürdigkeit nicht festgestellt werden kann, wird als nicht vertrauenswürdig behandelt, und deklarierte MCP-Server werden im eingeschränkten Modus gefiltert. Der stabile Kanal bleibt bei v0.57.0, die Preview bei v0.58.0-preview.0. Die Nightly-Version vom 27. August hatte bereits eine SSRF-Schwachstelle bei der Erkennung der OAuth-Metadaten von MCP-Servern geschlossen. 🔗 Versionshinweise
NVIDIA ordnet Dynamo gegenüber SGLang, vLLM und TensorRT-LLM ein — Ein fünfminütiges Kurzformat beantwortet eine häufige Verwechslung: Dynamo ersetzt keine Inferenz-Engines, sondern wird um sie herum installiert, um die Last auf mehrere GPUs und mehrere Knoten zu verteilen. Das Video wird von Vishakha Sadhwani präsentiert. 🔗 Nachricht von @NVIDIAAI
QwenCloud veröffentlicht den Bericht zur Qwen Conference Hong Kong 2026 — Rückblick auf die am 26. August vor mehr als 300 Unternehmenskunden und Entwicklern abgehaltene Veranstaltung mit einer Keynote, die die Plattform um drei Zugangspunkte herum strukturiert — die Website, Skills und die CLI — sowie einer Agenten-Demonstration, die Kontoerstellung, Modellauswahl, Inferenz, Bereitstellung, Zahlung und Abrechnung miteinander verknüpft. 🔗 Nachricht von @qwen_cloud
Luma veranstaltet einen kreativen Abend in San Francisco — Creative Intelligent Machines Continuum, ein für Dienstag, den 1. September, bei tiat geplanter Abend für bedarfsgesteuerte Kreation, mit Schritt-für-Schritt-Demonstrationen der Senior-Kreativen des Studios, einem gemeinsamen Prompt und Betreuung vor Ort. Die Initiative führt die am 25. August gestartete Reihe Dream Lab Weekly fort. 🔗 Nachricht von @LumaLabsAI
FAST, ein Versuch für einen Standard zur Meldung von Schwachstellen durch Agenten — Das Framework for Autonomous Severity and Triage versteht sich als Sammlung von Markdown-Dateien, die in den Kontext eines Agenten gelegt werden, ohne SDK oder API. Es unterscheidet eine unbewiesene Spur von einer Schwachstelle mit reproduzierbarem Wirkungsnachweis, stellt einen Schweregrad-Entscheidungsbaum bereit, der sich an dem orientiert, was Bug-Bounty-Programme tatsächlich auszahlen, statt an der CVSS-Berechnung, und schreibt vor einer Einreichung ein Tor mit sechs Prüfungen vor. Lizenz CC-BY 4.0. 🔗 Beitrag auf Hugging Face
Zwei KI-Sitzungen, ein Repository, zwei gegensätzliche Urteile über einen selbstreparierenden Agenten — Eine technische Notiz zu einem persönlichen Projekt: Ein abgelehntes autonomes Selbstreparaturkonzept tauchte einige Tage später im Repository wieder auf, geschrieben von einer anderen Sitzung, die einen anderen Assistenten verwendete, ohne Spur der ersten Entscheidung. Die Datei konnte nie ausgeführt werden, allerdings nur dank zweier zufälliger Fehler — der Autor spricht von Sicherheit durch Zufall, nicht durch Konzeption. 🔗 Beitrag auf Hugging Face
three.ws, ein Open-Source-Stack, der Agenten einen Körper, eine Wallet und einen Beruf gibt — Das Projekt verbindet vier Bausteine: 3D-Generierung und Rigging mit Studios im Browser, eine Agenten-Engine mit einer Kette von Schutzvorkehrungen und einem Skills-System, eine an x402 angebundene Agenten-Wallet (Zahlung pro Aufruf über HTTP) sowie die Verteilung über ein einzelnes Tag, das auf jeder Website oder in Augmented Reality platziert werden kann. 🔗 Beitrag auf Hugging Face

Was das bedeutet

Der Zugang zu Frontier-Modellen wird zu einer Frage der Gegenleistung, nicht nur des Vertrags. OpenAI sperrt Cursor weder wegen einer unbezahlten Rechnung noch wegen einer technischen Klausel, sondern weil das Unternehmen erklärt, dem Verwendungszweck durch den neuen Eigentümer nicht vertrauen zu können, und sich dabei auf zwei namentlich genannte Präzedenzfälle stützt — Twitter und xAI, die beide unter SpaceX gelangten. Der folgenreichere Teil des Arguments ist jedoch der zweite: OpenAI verweist auf sein kommende Modell Astra, bei dem das Unternehmen am 7. August angekündigt hatte, Fähigkeiten im Bereich kritischer Cyberoperationen nicht mehr ausschließen zu können, um die Bereitstellung künftiger Modelle vollständig abzulehnen. Mit anderen Worten: Je gefährlicher eine Modellgeneration eingeschätzt wird, desto kleiner wird die Liste derjenigen, die darauf zugreifen können — und das Auswahlkriterium ist nicht mehr die Zahlungsfähigkeit des Kunden, sondern die Compliance-Historie seiner Muttergesellschaft. Für Teams, die ihre Produktionskette auf einem Drittanbieter aufgebaut haben, ist der 12. November eine Migrationsfrist.

Was sich im Preis verändert, sind die Obergrenzen, nicht die Tarife. Anthropic hat keinen ausgewiesenen Tarif geändert: Das Unternehmen wandelt eine vorübergehende Erhöhung um 50 % in eine dauerhafte Erhöhung um 25 % um, was gegenüber heute −17 % ergibt, und sagt dies selbst in der folgenden Nachricht. GitHub wiederum stellt den Reasoning-Aufwand als bewussten Abwägungsprozess mit dem Tokenverbrauch dar und zeigt nun bei jeder Gesprächsrunde den Verbrauch pro Modell an. Die Zahlen von Requesty erklären, warum diese Obergrenzen zum eigentlichen Preis geworden sind: Cache-Lesevorgänge machen 78 % aller verarbeiteten Tokens aus, die sichtbare Ausgabe weniger als 2 %, und das Verhältnis von Eingabe zu Ausgabe stieg von 15x im Januar auf 36x im August. Eine Agentenschleife kostet nicht das, was sie schreibt, sondern das, was sie bei jedem Schritt erneut einliest — und genau diese Größe haben die Anbieter begonnen zu kontingentieren.

Offene Gewichte haben Volumen gewonnen und Wert verloren. Die Hälfte des Datenverkehrs, 13 % der Ausgaben, davon weiterhin 86 % auf drei Anbieter konzentriert: Der offene Markt ist zu einem Großhandelsmarkt geworden, in dem dasselbe Modell je nach alleiniger Caching-Politik des Hosting-Anbieters 5,7-mal teurer ist und in dem ein Labor innerhalb von elf Tagen die Mehrheit der Tokens verliert, die für sein eigenes Modell bereitgestellt werden. GLM-5.3 liefert die Illustration des Tages: Gewichte am 28. veröffentlicht, am 29. bei einem Drittanbieter für 1,40 Dollar pro Million Eingabe-Tokens verfügbar, unmittelbar gefolgt von einer unabhängigen Messung, die genau beziffert, was seine destillierte Version kostet — 2,6 Pass@4-Punkte für ein Siebzehntel des Preises. Wenn das Modell überall dasselbe ist, verlagert sich die Differenzierung auf Cache, Routing und Messung. Das ist Infrastrukturarbeit, keine Laborarbeit.

Der Kommandozeilen-Client wird wieder zu einem Feld technischen Wettbewerbs. Copilot CLI wechselt zu einer nativen Rust-Ausführungs-Engine und behält dabei seine TypeScript-Oberfläche, Claude Code reduziert seinen Linux-Download um den Faktor 4,5 und spart 40 bis 70 MB Speicher pro Sitzung, Antigravity CLI entfernt die Neuzeichnungen, die den Prozessor im Leerlauf belasteten, Codex CLI verhindert, dass /cd seine Sandbox schwächt, und Gemini CLI setzt das Workspace-Vertrauen standardmäßig auf Ablehnung. Fünf Anbieter, dieselbe Woche, dieselben Themen: Startzeit, Speicherbedarf und der genaue Umfang dessen, was der Agent berühren darf. Nach einem Jahr, in dem die Fähigkeiten von Modellen verglichen wurden, spielt sich der Wettbewerb auch in dem Programm ab, das sie ausführt — und Sicherheit nimmt dort inzwischen ebenso viele Zeilen im Changelog ein wie Funktionen.