Mistral veröffentlicht die Gewichte von Mistral Large 4, Cohere peilt 7 Milliarden kanadische Dollar an, OpenAI erläutert seine Misalignment-Überwachung

Mistral veröffentlicht die Gewichte von Mistral Large 4, einem multimodalen MoE mit rund 1 000 Milliarden Parametern, das seit der Vorabversion vom 6. Oktober durch drei Wochen Reinforcement Learning verbessert wurde, unter einer modifizierten MIT-Lizenz und zu 0,70 Dollar pro Million Eingabe-Tokens. Cohere meldet den ersten Abschluss einer Series-E-Runde, die bis zu 7 Milliarden kanadische Dollar anstrebt, OpenAI beschreibt das System, das inzwischen alle seine Reinforcement-Learning-Trainingsläufe auf Spitzenniveau überwacht, und Pika startet H3 Flex, ein Video- und Audiomodell mit offenen Gewichten. Bei den Produkten unterstützen die Claude-Apps nun 33 Sprachen und CarPlay, Gemini bearbeitet Dateien im Gespräch, und Amp stellt seinen Agenten einen Mac zur Verfügung.

Mistral veröffentlicht die Gewichte von Mistral Large 4 (Le Chonk), verbessert durch drei Wochen Reinforcement Learning

29. Oktober — Mistral hält das bei der Vorabversion vom 6. Oktober gegebene Versprechen: Die Gewichte von Mistral Large 4, mit dem Spitznamen „Le Chonk“, sind auf Hugging Face verfügbar. Es ist nicht ganz dasselbe Modell wie vor drei Wochen. Mistral hat das Reinforcement Learning (reinforcement learning) drei Wochen lang fortgesetzt, nach eigenen Angaben ohne Anzeichen einer Sättigung. Das Ergebnis sind effizienteres Reasoning und drei wählbare Modi, low, medium und high (Standard), wobei low den bisherigen Modus ohne Reasoning ersetzt.

Die Architektur bleibt unverändert: ein nativ multimodales Mixture-of-Experts-Modell (MoE) mit rund 1 000 Milliarden Parametern (1T), davon 49 Milliarden aktiv pro Token (52 Milliarden einschließlich der Eingabe- und Ausgabeschichten), 128 gerouteten Experten, davon 4 aktiv, sowie einem gemeinsam genutzten Experten, einem Kontextfenster von 1M Tokens und Text sowie Bildern als Eingabe. Das Modell wurde in den europäischen Rechenzentren von Mistral auf 3 800 NVIDIA Grace Blackwell GPU von Grund auf trainiert und deckt mehr als 160 Sprachen ab, darunter alle Amtssprachen der Europäischen Union.

Die folgenden Zahlen sind diejenigen, die Mistral in seinem Beitrag und auf seiner Hugging-Face-Modellkarte ausdrücklich im Text nennt; die Ergebnisse der Wettbewerber erscheinen dort nur in Diagrammen.

Von Mistral genannter Benchmark	Mistral Large 4 (29. Oktober)	Vorabversion oder Vergleichswert
FrontierCode 2.0 (Cognition)	19,7 %, Platz 1 unter den offenen Modellen	8,8 % für die Vorabversion (Beitrag von Cognition, 27/10)
Terminal-Bench 4.0	41 %	+13 Punkte, 30 % weniger Ausgabe-Tokens
AA Coding Agent Index	48 %	gleichauf mit GLM-5.3, 47 % weniger Tokens
AA Intelligence Index v5	26	bestes offenes westliches Modell
AA Cyber Index	51 %	—
Ablehnung bösartiger Cyber-Anfragen	durchschnittlich 96,6 %	höchster von Mistral unter den offenen Modellen gemessener Wert
B3 Agent Security Benchmark	97,1 % der Angriffe abgewehrt	93,3 % für die Vorabversion
BrowseComp	84,5 %	75 % beim feinabgestimmten Ausgangsmodell (SFT)
Finch (FinWorkBench)	73,3 %	Platz 2 unter den offenen Modellen, hinter Kimi K3

Mistral räumt selbst ein, dass die besten offenen chinesischen Modelle im aggregierten Intelligence Index besser abschneiden. In den verblindeten menschlichen Bewertungen von Surge Code wird das Modell gegenüber GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash bevorzugt und unterliegt nur Claude Opus 5.5.

Cybersicherheit nimmt die Hälfte des Beitrags ein, mit Erfahrungsberichten von CrowdStrike, Cloudflare, Zscaler, Cisco, Fortinet und der ENISA. Mistral zeigt sich dabei vorsichtig: Seit der Vorabversion überwacht das Unternehmen die Cyber-Nutzung in seinem Datenverkehr. Obwohl das Modell Black-Box-Angriffe gegen reale Ziele zuverlässig ablehnte, sieht Mistral dennoch das Potenzial, Angreifern einen tatsächlichen Fähigkeitszuwachs zu verschaffen (uplift). Die Schutzmechanismen werden deshalb angepasst, weitere Updates sollen in den kommenden Monaten folgen, und eine spezialisierte Variante für Penetrationstests und simulierte Angriffe (red teaming) bleibt verifizierten Partnern mit Vertrag wie Orange Cyberdefense vorbehalten.

Das Modell erscheint unter der Mistral Ecosystem Open-Weight License, einer modifizierten MIT-Lizenz: Nutzung, Änderung, Fine-Tuning und kommerzielle Verwertung sind frei, mit einer Ausnahme: Wer das Modell als Dienst (Model-as-a-Service) anbieten möchte, benötigt eine separate kommerzielle Lizenz. Es lässt sich mit vLLM (empfohlen), SGLang, transformers oder llama.cpp betreiben, ist in NVFP4 für Blackwell-GPU verfügbar und enthält einen DSpark-Head für Speculative Decoding, der den Durchsatz laut Mistral auf das bis zu 1,9-Fache steigert. Der Zugewinn hängt von Hardware und Auslastung ab. Verfügbar ist es in Mistral Studio, über die Mistral-API, OpenRouter, Vibe Code, Microsoft Foundry, das sich als erster Cloud-Anbieter mit diesem Modell bezeichnet, und über NVIDIA NIM. Ein vollständiger technischer Bericht ist angekündigt, ohne Termin.

Tarifart (pro Million Tokens)	Tarif am 29. Oktober	Vorabversion vom 6. Oktober
Eingabe	0,70 Dollar	1,36 Dollar, durchgestrichen und halbiert (0,68)
Gecachte Eingabe	0,07 Dollar	—
Ausgabe	2,10 Dollar	4,18 Dollar, durchgestrichen und halbiert (2,09)

Der endgültige Tarif entspricht damit ungefähr dem halbierten Preis, der auf der Modellkarte der Vorabversion angegeben war, also etwa der Hälfte ihres Referenzpreises.

🔗 Der Beitrag von Mistral · Die Modellkarte auf Hugging Face

Hugging Face unterstützt Mistral Large 4 ab Veröffentlichung in Transformers v5.22.0 und TRL v1.17.0

29. Oktober — Hugging Face begleitet die Veröffentlichung mit sofortiger Unterstützung. Transformers v5.22.0, veröffentlicht um 14:15 Uhr UTC, ist vollständig Mistral Large 4 gewidmet und bringt eine inkompatible Änderung mit: Die Logik für Expertenparallelismus wandert in eine eigene Datei. Der Beitrag des Teams erläutert die Architektur (72 Schichten, MLA-Attention mit DeepSeek-Sparse-Attention-Indexer, 3:1-Muster zwischen RoPE- und NoPE-Schichten, Pixtral-Vision-Encoder mit 1,6 Milliarden Parametern) sowie die beiden offiziellen Varianten FP8 und NVFP4, ergänzt durch GGUF von Unsloth und dem llama.cpp-Team. vLLM und llama.cpp unterstützen das Modell ab dem ersten Tag. Es lässt sich außerdem über Inference Endpoints, serverlose Inferenz (serverless) und den Dell Enterprise Hub bereitstellen.

Beim Training ermöglicht TRL v1.17.0 das Fine-Tuning dieses Modells mit 1 000 Milliarden Parametern per LoRA auf einem einzigen Knoten mit 8 B300-GPU, direkt ausgehend von den FP8-Gewichten: 32 700 Tokens pro Schritt in etwa 8 Sekunden bei 142 Gio pro GPU. Dieselbe Version behebt eine unauffällige Verzerrung beim Reinforcement Learning mit vLLM: vLLM normalisierte seine Wahrscheinlichkeiten nach der Filterung, während der Trainer dies über das gesamte Vokabular hinweg tat. Mit top_p=0.9 fiel das Importance-Sampling-Verhältnis dadurch auf etwa 1e-4 statt 1. Zu beachten ist: Der Beitrag von Hugging Face übernimmt Mistral zugeschriebene Ergebnisse, die von denen im Veröffentlichungsbeitrag abweichen (28,3 % auf Terminal-Bench 4 gegenüber 41 %); die obige Tabelle folgt dem Beitrag von Mistral.

🔗 Der Beitrag von Hugging Face · Transformers v5.22.0 · TRL v1.17.0

Cohere meldet den ersten Abschluss seiner Series E, die bis zu 7 Milliarden kanadische Dollar anstrebt

29. Oktober — Cohere meldet den ersten Abschluss (initial close) seiner Series E. Die Runde strebt bis zu 7 Milliarden kanadische Dollar bei einer Bewertung von 35,7 Milliarden kanadischen Dollar an. Diese Bewertung steht nur im angehefteten Tweet des Unternehmens, nicht in seinem Beitrag. Cohere nennt nicht, wie viel bei diesem ersten Schritt eingeworben wurde: Die 7 Milliarden sind ein Ziel, kein bereits eingenommener Betrag.

We’re proud to announce the initial close of our Series E, targeting up to CAD $7 billion at a CAD $35.7 billion valuation; marking the largest private financing round in Canadian startup history.

🇩🇪 Wir sind stolz, den ersten Abschluss unserer Series E bekannt zu geben, die bis zu 7 Milliarden kanadische Dollar bei einer Bewertung von 35,7 Milliarden kanadischen Dollar anstrebt und damit die größte private Finanzierungsrunde in der Geschichte kanadischer Startups ist. — @cohere auf X

Der von den drei Mitgründern Nicholas Frosst, Ivan Zhang und Aidan Gomez unterzeichnete Beitrag schlüsselt die Finanzierungsrunde auf:

Bestandteil der Runde	Genannte Angabe
Phase	Erster Abschluss
Ziel	Bis zu 7 Milliarden kanadische Dollar
Bewertung (nur im Tweet)	35,7 Milliarden kanadische Dollar
Bislang eingeworbener Betrag	Nicht bekannt gegeben
Führender Investor	Schwarz Group
Weitere genannte Investoren	Bell Ventures, Bullhound Capital, Inovia Capital, NVIDIA, Prosperity7 Ventures, Regierung Kanadas

Schwarz Group wurde bereits im April im Zuge des Zusammenschlusses mit Aleph Alpha mit einem Beitrag von 600 Millionen US-Dollar zu dieser Series E genannt; im September bezifferte ein von Cohere geteilter CNN-Bericht die Bewertung auf 7 Milliarden Dollar. Der kanadische Premierminister Mark Carney begrüßte die Ankündigung in einer von Cohere geteilten Nachricht.

Der Beitrag dient vor allem als Manifest. Cohere will ein Frontier-Unternehmen außerhalb der USA und Chinas werden und lehnt den sogenannten Frontier-Fatalismus (frontier fatalism) ab: die Vorstellung, dass die Welt ihre Intelligenz von zwei Ländern und einer Handvoll Unternehmen mieten müsse. Dazu nennt Cohere eine Zahl: Anfang dieses Jahres stammten mehr als 70 % der über OpenRouter bereitgestellten Tokens offener Modelle von chinesischen Modellen, gegenüber 3 % vierzehn Monate zuvor. Die These lautet, dass die Leistungsgrenze ungleichmäßig verläuft (jagged) und man in bestimmten Bereichen führend sein kann, etwa bei der Cyberabwehr: AISLE, dessen Übernahme durch Cohere derzeit läuft, hat innerhalb eines Jahres mehr als 500 CVE und 18 der 24 in der Oktober-Version von curl behobenen Schwachstellen identifiziert.

Für die nächsten zwölf Monate kündigt Cohere vier Vorhaben ohne konkreten Termin an: den Zusammenschluss mit Aleph Alpha und die Übernahme von AISLE abschließen, Cohere Cyber für isolierte und für Verschlusssachen zugelassene Umgebungen einführen, eine neue Modellgeneration veröffentlichen und mit verbündeten Partnern ein Training auf Frontier-Niveau beginnen. Die Mittel sollen außerdem North voranbringen, die modellunabhängige Plattform des Unternehmens, die sich in der Cloud des Kunden, in dessen Rechenzentrum oder in einem isolierten Netzwerk bereitstellen lässt.

🔗 Der Beitrag der Cohere-Mitgründer

Cognition übernimmt Corridor, um Devin Security zu stärken

29. Oktober — Cognition kündigt die Übernahme von Corridor an, einem vor knapp zwei Jahren von Jack Cable und Ashwin Ramaswami gegründeten Startup für Softwaresicherheit. In einem auf den 28. Oktober datierten Beitrag im Cognition-Blog, der aber erst am 29. auf X angekündigt wurde, erklären die beiden Mitgründer, dass Corridor, das sich als Sicherheitsschicht für IA-native Teams positionierte, sich dem Anbieter von Devin anschließt, um Devin Security weiterzuentwickeln. Dort treffen sie auf Russell Kaplan, Präsident von Cognition und einer der ersten Berater von Corridor, auf Alex Stamos, Sicherheitschef von Cognition, mit dem sie erneut zusammenarbeiten werden, sowie auf Steven Hao, den CTO des Unternehmens.

Der Beitrag stellt die Übernahme als dringlich dar: Laut den Gründern können IA-Agenten inzwischen einen Angriff von Anfang bis Ende durchführen, und die nächsten 6 bis 12 Monate werden die entscheidendste Phase in der Geschichte der Cybersicherheit sein. Weder der Betrag noch die Bedingungen werden bekannt gegeben, ebenso wenig die Zukunft des Produkts Corridor und seiner Kunden. Die Übernahme setzt Cognitions Sicherheitsoffensive fort, drei Tage nach dem Neustart von Devin Security mit eingehenden Analysen auf Claude Mythos.

🔗 Der Beitrag von Corridor · Die Ankündigung von Cognition auf X

OpenAI erläutert sein System zur Überwachung von Misalignment, das seit dem Vorfall bei Hugging Face auf sämtliche RL-Trainings seiner Spitzenmodelle ausgeweitet wurde

29. Oktober — OpenAI beschreibt das System, das das fehlgeleitete Verhalten (misaligned behavior) seiner Modelle überwacht, und beginnt mit einem Eingeständnis: Der Vorfall bei Hugging Face nahm während interner Cybersicherheitsbewertungen seinen Anfang, bei denen diese Monitore nicht liefen. Seitdem erstreckt sich die Überwachung auf das Training, die Bewertungen, die interne Nutzung und, in angepasster Form, den externen Einsatz. Bei Modellen, die mindestens so leistungsfähig wie GPT-6 Astra sind, werden jeder Trainingslauf mit Reinforcement Learning (RL), jede Bewertung und jedes Harness mit Tools überwacht, ebenso wie der gesamte interne Codex-Traffic, unabhängig vom Modell.

Today, we’re sharing a look at our expanded system for monitoring frontier models at OpenAI, which in September helped us catch a model’s attempt to access the live internet during training.

🇩🇪 Heute geben wir einen Überblick über unser erweitertes Überwachungssystem für Spitzenmodelle bei OpenAI, das uns im September dabei geholfen hat, den Versuch eines Modells zu erkennen, während seines Trainings auf das reale Internet zuzugreifen. — @OpenAI auf X

Das System umfasst vier Schichten, von der kostengünstigsten bis zur gründlichsten; das RL-Training von Spitzenmodellen und der interne Codex-Traffic überspringen die erste.

Überwachungsschicht	Rolle im System
L0, Aktivierungssonden (activation probes)	Erkennen verdächtige Muster in den internen Aktivierungen; 5 % des nicht gemeldeten Traffics werden nach dem Zufallsprinzip trotzdem an die nächste Schicht weitergeleitet
L1, modellbasierter Prüfer	Untersucht Konversation, Gedankenkette und Tool-Aufrufe am Ende jedes Gesprächsschritts und bei jeder Zusammenfassung des Kontexts
L2, Untersuchungsagenten	Ein Sicherheitsagent und ein Alignment-Agent prüfen sämtliche Kontextfenster und führen Code in einer isolierten Umgebung aus
L3, automatisierte Untersuchung	Gleicht bei sensiblen Workloads (internes Codex, Bewertungen, RL) das Transkript mit Netzwerkprotokollen und Telemetriedaten ab

Bei der Schicht L1 stellt OpenAI derzeit auf Kontrollen im Abstand von höchstens 30 Minuten um. Die genannten Zahlen:

Von OpenAI veröffentlichte Kennzahl	Angegebener Wert
Alarm bei der Wiederholung des Vorfalls bei Hugging Face	etwa 30 Minuten nach dem Verlassen der Sandbox
Vorlauf vor dem tatsächlichen Eindringen bei Hugging Face	mehr als 30 Stunden
Versuch eines Internetzugriffs über DNS im September	innerhalb von 15 Minuten gemeldet, menschliche Prüfung 3 Minuten später
Typische Verzögerung bei Alarmen mit höchster Priorität	etwa 15 Minuten

Der Beitrag räumt auch Grenzen ein. Fehlalarme verhindern, dass die Rufbereitschaft (paging) dauerhaft aktiv bleibt: Beim RL-Training von Spitzenmodellen ist sie rund um die Uhr aktiv, bei den meisten anderen Workloads während der Geschäftszeiten und beim internen Codex-Traffic überhaupt nicht. OpenAI strebt eine automatische Unterbrechung an, wenn ein Alarm höchster Priorität nicht innerhalb von 30 Minuten nach der Benachrichtigung eines Menschen entkräftet wird. Die meisten der Schwachstellen, die METR und Redwood Research bei ihrem Belastungstest im Juli aufgedeckt haben, sind behoben, an einer Korrektur wird jedoch noch gearbeitet.

Zwei Designentscheidungen verdienen Aufmerksamkeit. Ein Trainingsbeispiel, das einen Monitor auslöst, behält seine Belohnung, damit das Modell nicht lernt, seine Abweichungen in der Gedankenkette zu verbergen; OpenAI merkt an, dass fortgeschrittenere Modelle, darunter Astra, bereits besser kontrollieren, was diese Gedankenkette preisgibt. Und unter den als Monitore getesteten Modellen erkennt GPT-5.6 Sol deutlich mehr Fälle als GPT-5.6 Terra oder Luna, laut OpenAI teilweise deshalb, weil der Überwachungs-Prompt für dieses Modell optimiert wurde.

Extern überwacht eine Version des Systems bestimmte Einsätze von Modellen oberhalb der Schwelle Critical im Bereich Cybersicherheit, etwa Astra, ohne die Fälle systematisch an Menschen bei OpenAI weiterzuleiten: Die Konversation kann automatisch unterbrochen werden, Unternehmen können Benachrichtigungen per Webhook erhalten, und Zero Data Retention wird eingehalten. Diese Überwachung erfasst Anfragen an die Responses API mit Tools, nicht jedoch Chat Completions.

🔗 Der Beitrag von OpenAI

OpenAI ordnet seinen Model Spec um fünf Werte herum neu und entfernt den Großteil seiner Stilvorgaben

29. Oktober — Am selben Tag veröffentlicht OpenAI eine neue Version seines Model Spec, des öffentlichen Dokuments, das beschreibt, wie sich seine Modelle verhalten sollen. Die Vorgaben werden um fünf Werte herum gruppiert: Treue gegenüber menschlichen Absichten (faithfulness to human intent), Verringerung von Schäden, Ehrlichkeit und Transparenz, Unterstützung menschlicher Handlungsfähigkeit (human agency), also der Fähigkeit von Menschen, selbstständig zu verstehen, zu entscheiden und zu handeln, sowie Fürsorge für Menschen (care). OpenAI begründet diese Entscheidung mit der zunehmenden Autonomie der Modelle: Je länger ihre Aufgaben dauern, desto weiter entfernen sich ihre Entscheidungen von dem, was ein Mensch ausdrücklich verlangt hat.

Die Treue zur Absicht wird zur Grundlage, mit einem neuen Abschnitt, der von Assistenzspielen (assistance games) inspiriert ist: Anweisungen bleiben das deutlichste Signal, doch das Modell soll den Kontext, frühere Gespräche und Erinnerungen berücksichtigen und die daraus abgeleiteten Annahmen sichtbar machen. Dazu gehört eine aktualisierte Befehlskette (chain of command) zwischen OpenAI, Entwicklern und Nutzern. Neue Vorgaben betreffen die menschliche Handlungsfähigkeit, die Achtung sozialer Normen und die Kontrolle von Nebenwirkungen einer Handlung. Im Gegenzug entfernt OpenAI die meisten detaillierten Stilvorgaben, da sich der Stil nach den individuellen Vorlieben richten soll, und der Spec spricht nicht mehr vom „Assistenten“, sondern von „GPT“. OpenAI stellt klar, dass seine Modelle dieses Dokument noch nicht vollständig widerspiegeln, und verspricht für künftige Aktualisierungen Trainingsmethoden, mit denen sie diese Werte erlernen sollen.

🔗 Der Beitrag von OpenAI zum Model Spec · Der Thread von Jason Wolfe

Anthropic trainiert Claude darauf, missbräuchliche Nutzung in seinen Konversationen selbst zu melden

29. Oktober — Anthropic eröffnet einen neuen Blog namens Safeguards und hebt aus diesem Anlass einen Beitrag vom 16. Oktober zur Selbstbewertung (self-assessment) hervor, einer Technik, die Claude zu seinem eigenen Missbrauchsmonitor macht. Unmittelbar nach jeder Antwort fordert eine kurze Systemanweisung das Modell auf, die Sicherheit der Konversation zu bewerten, und Claude antwortet mit einem kleinen JSON: ob die Konversation gemeldet wird, Begründung, Kategorie und untergeordnete Richtlinie, ob eine Ablehnung erfolgte sowie eine Priorität von 1 bis 10 für die menschliche Prüfung. Diese beiden Gesprächsschritte bleiben für den Nutzer unsichtbar und werden im weiteren Austausch nicht wieder aufgegriffen.

Because Claude has already read the conversation, self-assessment is very efficient. And unlike classifiers, which target a discrete set of harms, it draws on Claude’s own judgment, so it gets more accurate as our models improve.

🇩🇪 Da Claude die Konversation bereits gelesen hat, ist die Selbstbewertung sehr effizient. Und im Gegensatz zu Klassifikatoren, die auf eine festgelegte Auswahl von Schäden abzielen, stützt sie sich auf Claudes eigenes Urteil, sodass sie mit der Weiterentwicklung unserer Modelle präziser wird. — @AnthropicAI auf X

Die Bewertung verursacht wenig Aufwand: Die Konversation befindet sich bereits im KV-Cache, und Claude erzeugt etwa zehn Tokens, was laut Anthropic weniger als 2 % zusätzlichen Rechenaufwand bei der Inferenz bedeutet und nicht berechnet wird. Sie läuft seit Juni als Offline-Monitor, der nichts blockiert, in allen seit Fable 5 veröffentlichten Modellen, außer bei Traffic, der unter eine Vereinbarung zu Zero Data Retention fällt.

Von Anthropic veröffentlichte Kennzahl	Angegebener Wert
Recall auf Claude Fable 5, bei 1 % falsch positiven Ergebnissen	78 % der vom Referenzklassifikator gemeldeten Konversationen
Recall bei Konversationen hoher Priorität (7 und höher)	94 %
Recall nach Modellgröße (nur Fine-Tuning)	von etwa 16 % bis etwa 96 %
Erfolg von Cyberangriffen ohne Schutz	79 % (19 von 24)
Erfolg bei blockierender Selbstbewertung	54 % (13 von 24)
Erfolg mit einem Klassifikator mit eigenem Prompt	25 % (6 von 24)

Der Referenzklassifikator ist ein auf Claude Mythos Preview aufgebauter Klassifikator mit Prompt und sämtlichen internen Richtlinien. Im Produktivbetrieb brachte die Selbstbewertung im August mehr als 100 000 Meldungen über sexuellen Missbrauch von Minderjährigen ans Licht, die von einem einzigen API-Kunden stammten und an das NCMEC weitergeleitet wurden, sowie im September einen mit Claude Code aufgebauten automatisierten Liebesbetrug, bei dem die Konten nach menschlicher Prüfung gesperrt wurden; mehr als die Hälfte der erkannten Organisationen war im Vormonat von keiner anderen Quelle gemeldet worden. Anthropic benennt auch die Grenzen: Die Selbstbewertung erkennt nicht alle schädlichen Konversationen, ist gegen einen gezielt gegen sie vorgehenden Angreifer nicht robust, übernimmt die blinden Flecken des Klassifikators, mit dem sie trainiert wurde, und überwacht Claudes eigenes Verhalten noch nicht zuverlässig.

🔗 Der Beitrag im Safeguards-Blog

Pika veröffentlicht Pika H3 Flex, ein auf MiniMax H3 nachtrainiertes Video- und Audiomodell mit offenen Gewichten

29. Oktober — Pika veröffentlicht Pika H3 Flex, ein Modell zur Videoerzeugung mit synchronisiertem Ton, das auf MiniMax H3 nachtrainiert wurde und dessen Gewichte vom ersten Tag an offen verfügbar sind. Pika stellt es als Werkzeug für professionelle Iteration vor: schnell einen ersten Entwurf erzeugen und anschließend die ausgewählte Einstellung nachbearbeiten, Teile ersetzen und fertigstellen. Für seine Entwicklung hat das Team H3 mit einem internen Audio-Video-Datensatz feinabgestimmt, von 50 auf 6 Entrauschungsschritte destilliert und anschließend durch belohnungsbasiertes Lernen an menschlichen Präferenzen ausgerichtet, mit zwei zu einem einzigen LoRA zusammengeführten Adaptern, ohne zusätzlichen Generierungsschritt.

Das Modell unterstützt Text-zu-Video, Bild-zu-Video (erstes und letztes Bild), referenzgesteuerte Videos sowie Bearbeitung (Kulisse, Objekt, Figur, Bewegungsübertragung). Es akzeptiert bis zu 12 Referenzen, darunter höchstens 9 Bilder, 3 Videos und 3 Audioausschnitte, und erzeugt nativ Videos in 480p oder 768p mit einer Länge von 5 bis 15 Sekunden, 24 Bildern pro Sekunde und Stereoton mit 32 kHz. Ein eigener Upsampler (upsampler) stellt die Einstellung anschließend in 1080p, 2K oder 4K fertig. Pika hebt außerdem den Export von fünf getrennten Audiospuren hervor (Dialoge, Musik, Effekte, Geräusche, Atmosphäre), den das Unternehmen als Premiere für ein Videomodell bezeichnet.

Zur Geschwindigkeit gibt Pika an, dass ein 15 Sekunden langer Clip in 768p mit Tonspur in nur 7 Sekunden erzeugt wird; die zugehörige Fußnote stellt jedoch klar, dass dies ausschließlich die Berechnung des Diffusion Transformer (DiT) unter kontrollierten Testbedingungen betrifft und nicht die gesamte Bearbeitungszeit einer Anfrage; nach derselben Messung soll Flex im Durchschnitt 1,8-mal schneller als H3 Max sein. Der technische Beitrag nennt auch eine Ende-zu-Ende-Latenz: 2,129 Sekunden statt 3,409 für einen 5 Sekunden langen Clip in 768p auf acht B300-GPUs, also 1,6-mal schneller.

Pika platziert Flex zum Zeitpunkt der Veröffentlichung auf Platz 7 insgesamt und auf Platz 1 unter den Modellen mit offenen Gewichten im Text-zu-Video-Ranking von DesignArena, vor MiniMax H3, H3 Max und Seedance 2.5; dieses Ranking ließ sich zum Zeitpunkt der Erstellung des Artikels nicht überprüfen, da die Seite von DesignArena einen Fehler zurückgab. In den eigenen Bewertungen in 768p gegenüber MiniMax H3, Fal H3 Max und HeyGen Video erzielt Flex bei allen fünf visuellen und akustischen Metriken die besten Werte; menschliche Bewerter bevorzugen es bei Anatomie, Komposition und Tonsynchronisation, andere Modelle liegen jedoch bei Physik, szenenübergreifender Erzählung, Beleuchtung und Actionszenen weiterhin vorn.

Das Modell ist ab sofort über die API von Pika (Pika API Club), ComfyUI und Diffusers verfügbar und wird am 2. November in Pikas Kreativwerkzeug aufgenommen. Die Abrechnung erfolgt pro Sekunde erzeugten Videos:

Ausgabeauflösung	Einführungspreis, Text oder Bild	Normalpreis, Text oder Bild	Einführungspreis, Videoreferenz
480p	0,01 Dollar	0,02 Dollar	0,03 Dollar
768p	0,02 Dollar	0,04 Dollar	0,06 Dollar
1080p	0,035 Dollar	0,07 Dollar	0,075 Dollar
2K	0,04 Dollar	0,08 Dollar	0,08 Dollar
4K	0,08 Dollar	0,16 Dollar	0,10 Dollar

Bei einer Videoreferenz werden die Eingabesekunden zum gleichen Tarif wie die Ausgabe berechnet; Bild- und Audioreferenzen sind kostenlos, und getrennte Spuren kosten 0,001 Dollar pro Sekunde. Mitglieder des Pika API Club erhalten bis zum 5. November täglich 15 kostenlose Generierungen. Die Gewichte stehen unter der Community-Lizenz von MiniMax H3 auf Hugging Face bereit, der Code auf GitHub; sie decken die Generierung in 480p und 768p ab, während die Fertigstellung in 4K, die Trennung der Spuren und die Verbesserung von Prompts dem gehosteten Dienst vorbehalten bleiben. Pika verspricht, auch seinen Upsampler offenzulegen, nennt dafür aber keinen Termin.

🔗 Der Thread von Pika · Der Beitrag zur Veröffentlichung · Der technische Beitrag · Die Gewichte auf Hugging Face

ElevenLabs veröffentlicht SFX v3, sein neues Soundeffektmodell, das mehrere Anweisungen in einem einzigen Prompt befolgt

29. Oktober — ElevenLabs veröffentlicht SFX v3, die neue Version seines Modells für die Erzeugung von Soundeffekten aus Text. Das Modell verspricht reichhaltigere und präzisere Klänge, eine bessere Unterstützung von Musik und Stimmen und vor allem die Befolgung mehrerer Anweisungen in einem einzigen Prompt: Es genügt, eine jubelnde Menschenmenge, einen fallenden Ball und anschließend eine buhende Menschenmenge zu beschreiben, um die Sequenz in dieser Reihenfolge zu erhalten. Es wird in ElevenCreative (flows, Registerkarte Sound Effects, Studio, Musikeditor), in der mobilen App und in der API angeboten.

Die Dokumentation schränkt diese Verfügbarkeit ein: In der API ist eleven_text_to_sound_v3 nur eingeschränkt zugänglich, kann in bestimmten Regionen fehlen (ein Konto ohne Zugriff erhält den Fehler Unknown model), und v2 bleibt das Standardmodell. Sie weist außerdem auf weniger Übersteuerung bei hohen Tönen wie Gongs oder Pfeifen sowie auf die Erzeugung von Loops hin. ElevenLabs veröffentlicht weder Preise noch Vergleichsmessungen.

🔗 Der Thread von ElevenLabs · Die Modelldokumentation

Ideogram ergänzt Precise Edit um ein Kontextfenster für die Retusche von Bildern mit bis zu 8K

29. Oktober — Ideogram ergänzt Precise Edit, sein Werkzeug für die gezielte Bildretusche, um ein Kontextfenster (context window). Bisher musste man ein großes Bild zum Bearbeiten verkleinern und das Ergebnis anschließend wieder einfügen. Jetzt lässt sich in einem Bild mit bis zu 8K ein Bereich von bis zu 2K in seiner ursprünglichen Pixelauflösung retuschieren, ohne sichtbare Übergänge oder Artefakte. Der gesamte Rest bleibt unverändert: Ein 4K-Bild wird wieder in 4K ausgegeben statt in 2K. Die Funktion ist in der App, über die API und bei acht Partnern verfügbar, darunter Runway, fal, Luma und ComfyUI. Es gibt vier Qualitätsstufen von 0,8 bis 22 Cent pro Retusche, mit denselben Preisgrenzen wie bei den Modi von Ideogram 4.5, über die hier am 16. Oktober berichtet wurde.

🔗 Der Thread von Ideogram · Die Seite zu Precise Edit

Assistenten: mehrere Konten und CarPlay für Claude, bearbeitbare Dateien und geteilte Avatare in Gemini, Kimi mit Gmail, Drive und Calendar verbunden

Anthropic, Google und Moonshot AI erweitern am selben Tag ihre Assistenten für Privatnutzer, sowohl auf Mobilgeräten als auch im Web.

Die mobilen Claude-Apps erhalten Unterstützung für mehrere Konten, CarPlay und 24 zusätzliche Sprachen

29. Oktober — Anthropic beschreibt in einem Thread von @claudeai mehrere Verbesserungen der Claude-Apps, die diese Woche erschienen sind, ohne Blogbeitrag oder Versionshinweise.

Betroffene Plattform	Angekündigte Neuerung
iOS und Android	Mehrere angemeldete Konten, Wechsel ohne Abmeldung
iPhone	Sprachmodus mit Apple CarPlay
Web, Desktop, iOS und Android	24 weitere Sprachen, insgesamt 33, darunter Bengalisch, Swahili, Thailändisch, Ukrainisch und Vietnamesisch
iOS und Android	Schneller reagierender Sprachmodus, besseres Sprachverständnis bei Lärm, natürlichere Stimme in anderen Sprachen als Englisch, Unterstützung weiterer Android-Smartphones
iPad und iPhone Duo	Von Claude erstellte Inhalte neben dem Gespräch geöffnet, bei Bedarf im Vollbild
Chromebooks, Googlebooks und faltbare Geräte	Android-App im Laptop-Modus: Seitenleiste mit anpassbarer Breite, Touchpad, Rechtsklick, Tastenkürzel von Claude Desktop

Die Unterstützung mehrerer Konten ermöglicht es, ein privates und ein berufliches Konto zu trennen, ohne sich erneut anzumelden. Mit CarPlay lässt sich Claude während der Fahrt befragen, während die Hände am Lenkrad bleiben. Eine Suche per Wischgeste nach unten auf iPhone und iPad, mit der sich ein Gespräch, ein Projekt oder eine Einstellung finden lässt, ist für demnächst angekündigt, ohne konkreten Termin.

🔗 Der Thread von Claude auf X

Die Gemini-App ermöglicht es, Dokumente, PDFs, Präsentationen und Tabellen direkt im Chat zu erstellen, in der Vorschau anzuzeigen und zu bearbeiten

29. Oktober — Die Gemini-App kann jetzt Dateien erstellen, in der Vorschau anzeigen und bearbeiten, ohne das Gespräch zu verlassen: Dokumente, PDFs, Präsentationen, Tabellen oder Code. Die erstellte Datei öffnet sich im Chat; man kann ins Vollbild wechseln, um den Text selbst zu korrigieren, eine Passage markieren, um eine Frage dazu zu stellen, oder Gemini bitten, einen Abschnitt zu überarbeiten, sowohl Text als auch Bildmaterial. Google veranschaulicht dies anhand handschriftlicher Vorlesungsnotizen, die in einen PDF-Lernleitfaden umgewandelt und anschließend von Hand angepasst werden. Die Neuerung steht allen Nutzern in sämtlichen Sprachen der App zur Verfügung, allerdings nicht auf allen Plattformen:

Dateiformat	Unterstützte Plattformen
PDF	Web und Mobilgeräte
Google Docs, Google Sheets, Präsentationen	Nur Web
Markdown, TXT, Code	Nur Web

🔗 Der Blogbeitrag von Google

Die Gemini-App ermöglicht es, den eigenen Avatar mit anderen Nutzern zu teilen, die ihn dann in Bildern und Videos auftreten lassen können

29. Oktober — Der Avatar von Gemini, der diesen Sommer für Nano-Banana-Bilder eingeführt wurde, lässt sich jetzt teilen. Jeder nimmt sein Gesicht und seine Stimme auf einem Smartphone oder Tablet auf und erlaubt anschließend nahestehenden Personen über deren Gmail-Adresse die Nutzung: In einem Prompt rufen sie den Avatar mit seinem Google-Nutzernamen (@nom) auf, um mit Nano Banana ein Bild oder mit Gemini Omni ein Video zu erstellen, in dem alle vorkommen, mit gleichbleibender Figur und Stimme. Der Empfänger nimmt die Einladung an oder lehnt sie ab; der Eigentümer sieht, wer Zugriff hat, legt Ablaufdaten fest und kann den Zugriff jederzeit entziehen. Ein Entzug verhindert neue Kreationen, ohne bereits erstellte zu löschen. Für den Zugang gelten weiterhin Einschränkungen: ab 18 Jahren, persönliches Google-Konto, nur Englisch, keine Verfügbarkeit im Europäischen Wirtschaftsraum, in der Schweiz oder im Vereinigten Königreich und ein Tarif von Google AI für Videos mit dem eigenen Avatar.

🔗 Die Ankündigung von Gemini auf X · Die Hilfeseite von Google

Kimi verbindet sich mit Gmail, Google Drive und Google Calendar

29. Oktober — Moonshot AI bindet Kimi an drei Google-Dienste an: Gmail, Google Drive und Google Calendar. Der Assistent kann Gesprächsverläufe zusammenfassen, eine Datei in Drive finden oder den Tag anhand des Kalenders organisieren. Dafür nutzt er einen OAuth-Zugang, den der Nutzer gewährt und kontrolliert. Die drei Konnektoren lassen sich über die Plugin-Seite von Kimi installieren, wo sie Outlook und Werkzeuge für Dokumente (PDF, Excel, Word) ergänzen. Moonshot nennt weder den Umfang der angeforderten Berechtigungen, also Lesezugriff oder vollständigen Zugriff auf das Postfach, noch den erforderlichen Tarif oder den Preis. Auch der Versand von Nachrichten wird in der Ankündigung nicht erwähnt.

🔗 Die Ankündigung von Kimi auf X · Die Plugin-Seite von Kimi

OpenAI verdoppelt das Nutzungskontingent für Work und Codex in den Tarifen Pro 100 und Pro 500 und verzichtet auf die Kürzung bei Pro 200

29. Oktober — OpenAI erhöht das in seinen teuersten Tarifen enthaltene Nutzungskontingent für Work und Codex. Laut den Versionshinweisen von ChatGPT verfügen Pro 100 und Pro 500 jetzt über das Doppelte ihres bisherigen Kontingents. Bei Pro 200 rudert OpenAI zurück: Die am 29. September zum Start von Pro 500 per E-Mail angekündigte Kürzung wird aufgehoben. Wer das bisherige Kontingent behalten hatte, behält es weiterhin. Bei denjenigen, die bereits auf das reduzierte Kontingent umgestellt worden waren, wird es verdoppelt, womit sie wieder dasselbe Niveau erreichen.

Betroffener Tarif	Änderung zum 29. Oktober
Pro 100	Kontingent für Work und Codex verdoppelt
Pro 500	Kontingent für Work und Codex verdoppelt
Pro 200	Kürzung vom 29. September aufgehoben, reduziertes Kontingent verdoppelt
Business Premium	Erhöhung ohne Zahlenangabe in den Versionshinweisen, Verdopplung laut @thsottiaux
Dots	Erweiterte Limits bleiben vorerst bestehen, Nutzung wird weiterhin separat erfasst

Der von @OpenAI geteilte Beitrag von @thsottiaux spricht tatsächlich von einer Verdopplung sämtlicher Limits der Pro-Stufen und von Business Premium mit Wirkung vom selben Tag, während die Versionshinweise für Business Premium keine Zahl nennen.

🔗 Die Versionshinweise von ChatGPT · Der Beitrag von @thsottiaux

Plattformen für Unternehmen und Entwickler: Sakana API Platform im Early Access, Perplexity Enterprise nach FedRAMP Moderate zertifiziert und ultra-preview-Stufe der Agent API

Drei Ankündigungen richten sich an den professionellen Einsatz: eine API mit Verwaltungsfunktionen für Unternehmen in Japan, eine Zertifizierung für US-Behörden und neue Einstellungen für Rechercheagenten.

Sakana AI öffnet den Early Access für Sakana API Platform, eine mit OpenAI kompatible API mit Verwaltungsfunktionen für Unternehmen

29. Oktober — Sakana AI öffnet den Early Access für Sakana API Platform, den Zugang zu seinen Modellen für Unternehmen, in einem auf den 28. Oktober datierten Blogbeitrag, der am Folgetag auf X angekündigt wurde. Fugu, sein Orchestrierungsmodell, das mehrere führende Modelle kombiniert, und Namazu, sein auf Japanisch spezialisiertes LLM, waren bereits per API verfügbar, allerdings ohne Verwaltungswerkzeuge. Die Plattform ergänzt, was für den Einsatz in Unternehmen fehlte: Organisationen und Arbeitsbereiche, eine Konsole zur zentralen Verwaltung von Mitgliedern, API-Schlüsseln und Verbrauch, rollenbasierte Zugriffskontrolle, als CSV exportierbare Audit-Logs, Budgetobergrenzen, Zahlung auf Rechnung, MSA- und DPA-Verträge sowie Bedingungen, die die Nutzung übermittelter Daten für das Training ausschließen.

Die API ist mit OpenAI kompatibel: Eine Anwendung, die bereits ein LLM aufruft, muss lediglich den Endpunkt ändern. Zunächst werden Sakana Fugu und Fugu Ultra angeboten, Namazu und Fugu Max folgen später, ohne konkreten Termin. Der Zugang muss beantragt werden, und Sakana AI veröffentlicht keine Preise: Preise und Bedingungen werden jedem Kunden individuell mitgeteilt.

🔗 Die Ankündigung von Sakana AI

Perplexity erhält die Zertifizierung nach FedRAMP Moderate für Perplexity Enterprise, einschließlich Live-Websuche

28. Oktober — Perplexity Enterprise erhält die Zertifizierung nach FedRAMP Class C (Moderate) im Rahmen des US-Bundesprogramms zur Zulassung von Cloud-Diensten, nach einer Bewertung durch die unabhängige Prüfstelle 360 Advanced. Perplexity hebt die Live-Websuche mit Quellenangaben innerhalb des zertifizierten Geltungsbereichs hervor: Die Anfrage eines Behördenmitarbeiters wird niemals an eine externe Suchmaschine weitergeleitet, da das Unternehmen einen eigenen Index mit mehr als 200 Milliarden eindeutigen URLs betreibt.

Bundesbehörden erwerben den Dienst über den Multiple Award Schedule der GSA, Bundesstaaten, Kommunen und Bildungseinrichtungen über autorisierte Wiederverkäufer, staatliche Auftragnehmer direkt. Anfragen, die als von US-Behörden stammend erkannt werden, werden niemals zum Trainieren, Verbessern oder Bewerten von Modellen gespeichert. Die Administratoren behalten die Kontrolle über Single Sign-on, Freigaben, Konnektoren, Aufbewahrung, Audit-Logs und die Auswahl der Modellanbieter. Der Blogbeitrag, der auf X nicht aufgegriffen wurde, sagt nicht, ob die APIs Search, Agent und Embeddings zum zertifizierten Geltungsbereich gehören. Unabhängig davon bleibt Enterprise Pro for Government für Bundesbehörden über OneGov für 0,25 Dollar pro Behörde bis zum 31. März 2027 verfügbar.

🔗 Der Blogbeitrag von Perplexity

Die Agent API von Perplexity ergänzt die Aufwandsstufe ultra-preview und erhöht die Limits der Stufen low bis xhigh

29. Oktober — Perplexity veröffentlicht im Changelog seiner API einen nachträglichen Eintrag zu den Aufwandsstufen der Agent API. Die Änderungen gelten seit Mitte Oktober, waren aber bislang nicht angekündigt worden. Die sichtbare Neuerung ist die Stufe ultra-preview, die für breit angelegte Recherche und Datensammlung gedacht ist, wenn eine umfassende Abdeckung wichtiger als Geschwindigkeit ist, wobei die Ausführungen lange dauern können. Der nicht dokumentierte Name ultra entfällt und liefert jetzt einen Fehler zurück, der Alias wide-research verweist auf xhigh, und der Parameter max_steps erlaubt bis zu 500 Schritte statt bisher 100.

Aufwandsstufe	Aktuelle Version	Wichtigste Änderung
fast	`fast@2026-10-16.0`	Fallback auf GPT-5.6 Luna, wenn GPT-6 Luna nicht verfügbar ist
low	`low@2026-10-24.0`	Maximale Ausgabe von 32 768 auf 128 000 tokens
medium	`medium@2026-10-22.1`	Websuche von 2 000 auf 4 000 tokens pro Seite
high	`high@2026-10-28.0`	GPT-6.1 Terra statt GPT-6 Sol, von 15 auf 40 Schritte
xhigh	`xhigh@2026-10-29.0`	Claude Opus 5.5 mit GPT-6.1 Sol als Fallback, von 100 auf 300 Schritte, Compaction ab 150 000 tokens
ultra-preview	neu	Breit angelegte Recherche, lange Ausführungen

Die Websuche von low und high liefert ebenfalls 4 000 tokens pro Seite statt 2 000, und xhigh läuft jetzt ohne System-Prompt. Die bisherigen Konfigurationen bleiben als gepinnte Versionen verfügbar, und neue Preise werden nicht angekündigt.

🔗 Der Changelog der Perplexity-API

Hardware: XREAL AURA-Brille mit Android XR und Gemini sowie Sprachgerät SecondBrain VoicePad von Genspark

Zwei Geräte sollen den Assistenten aus dem Bildschirm holen: Das eine setzt ihn auf die Nase, das andere macht ihn per Fingertipp erreichbar.

Google und XREAL bringen XREAL AURA auf den Markt, die erste kabelgebundene XR-Brille mit Android XR und integriertem Gemini

28. Oktober — Google und XREAL bringen XREAL AURA auf den Markt, die Google als erste kabelgebundene XR-Brille mit Android XR vorstellt. Die Gläser sind durchsichtig: Inhalte werden in einem Sichtfeld von 70 Grad über die reale Welt gelegt. Die Brille wiegt weniger als 95 Gramm, da Recheneinheit und Akku in ein per Kabel angeschlossenes Gehäuse ausgelagert sind, das erste Gerät auf Basis der Plattform Snapdragon Reality Elite von Qualcomm. Gemini versteht, was der Nutzer sieht, sowohl im Raum als auch auf seinen Bildschirmen, und kann jetzt Wichtiges hervorheben, wenn man die eigene Sicht teilt; mit Wired Mirroring wird ein über USB-C angeschlossener Laptop ohne zu installierende Software zu einem zusätzlichen Fenster, das Gemini ebenfalls lesen kann.

Merkmal von XREAL AURA	Angegebener Wert
Sichtfeld	70 Grad
Gewicht der Brille	Weniger als 95 Gramm
Chip im Gehäuse	Snapdragon Reality Elite (Qualcomm)
Für XR entwickelte Apps	Mehr als 150 auf Google Play
Einführungspreis	Ab 1 099 Dollar, bis zum Jahresende
Bestellstart	Vereinigte Staaten, Kanada und Korea ab dem 28. Oktober, Japan am 2. November

Laut dem Blogbeitrag werden in den Vereinigten Staaten über BestBuy.com aufgegebene Bestellungen ab Mitte November versandt; das Gerät ist Personen ab 18 Jahren vorbehalten.

🔗 Der Blogbeitrag von Google

Genspark öffnet die Reservierungen für SecondBrain VoicePad, ein Sprachsteuergerät mit fünf Tasten zur Bedienung seiner KI-Tools

29. Oktober — Genspark stellt SecondBrain VoicePad vor, ein Gerät mit fünf Tasten, das zur Bedienung von KI-Tools die Tastatureingabe durch Sprache ersetzt. Standardmäßig erstellen die Tasten Besprechungsnotizen, verwalten den Kalender, starten eine Präsentation, öffnen den KI-Arbeitsbereich von Genspark und geben über die größte Taste, solange sie gedrückt gehalten wird, einen bereinigten diktierten Text an der Cursorposition ein – in jeder Anwendung, einschließlich Terminal. Jede Taste kann außerdem ChatGPT, Claude, Gemini oder Grok öffnen und dort den diktierten Prompt eingeben; die Seite stellt klar, dass VoicePad weder mit diesen Diensten verbunden ist noch von ihnen empfohlen wird. In Verbindung mit Genspark wird aus einer mündlichen Anfrage eine Präsentation, eine Tabelle, ein Dokument oder eine Website, und der Modus für Besprechungsnotizen zeichnet ohne Computer auf.

Angekündigtes Merkmal	Angabe laut Genspark-Seite
Gehäuse	Gefrästes Aluminium, 85 Gramm, zwei Mikrofone, magnetische Befestigung
Akkulaufzeit	Etwa 20 Stunden pro Ladung
Spracheingabe	160 Wörter pro Minute, gegenüber etwa 40 beim Tippen
Enthaltene Credits	1 000 Genspark Super Agent Credits im ersten Jahr
Reservierung	9,99 Dollar für einen VIP-Platz zum Preis von 99 Dollar
Marktstart	Kickstarter, November 2026

Der Tweet spricht von geöffneten Vorbestellungen, doch die Shop-Seite präzisiert den Zeitplan: Der Start erfolgt im November auf Kickstarter, und die Reservierung sichert bereits heute den Preis von 99 Dollar. Genspark hatte schon am 1. September SecondBrain Note vorgestellt, ein weiteres Gerät seiner SecondBrain-Reihe.

🔗 Die VoicePad-Seite · Die Ankündigung von Genspark auf X

Hugging Face und fünf US-Universitäten starten Project ProtoStar, um öffentlich finanzierte Forschung für KI nutzbar zu machen

29. Oktober — Hugging Face startet Project ProtoStar gemeinsam mit fünf im Open Forum for AI zusammengeschlossenen US-Universitäten (Carnegie Mellon, Purdue, Georgia Tech, Arizona State und George Washington), dem Astera Institute und dem Open Research Community Accelerator (ORCA). Das Ziel: Datensätze, Modelle und Code aus öffentlich finanzierter Forschung sollen in KI-verwertbaren Formaten, dokumentiert und wiederverwendbar veröffentlicht werden. Hugging Face übernimmt dabei die Rolle des Infrastrukturpartners, und die Einrichtungen verpflichten sich durch eine Absichtserklärung. Der Beitrag erinnert daran, dass die US-Bundesregierung jährlich rund 190 Milliarden Dollar für Forschung und Entwicklung ausgibt.

Der Beitrag beziffert auch die bereits erkennbare Dynamik auf dem Hub: mehr als 17 000 öffentliche wissenschaftliche Datensätze, in den ersten neun Monaten 2026 mehr als dreimal so viele neue wissenschaftliche Datensätze wie im gleichen Zeitraum 2025 und mehr als 11 Millionen Downloads für die 18 Repositories des NCBI. Die erste Challenge, Climate Risk Intelligence, wird von Carnegie Mellon vom 2. bis 13. November veranstaltet. Dabei sollen vier Klimaindikatoren für 210 US-Städte für den Zeitraum 2019 bis 2026 ausschließlich anhand früherer Daten vorhergesagt und mit einfachen statistischen Baselines verglichen werden; die endgültigen Ergebnisse werden Anfang 2027 erwartet.

🔗 Der Beitrag von Hugging Face · Die Climate Risk Intelligence Challenge

Coding-Agenten: Codex CLI 0.166.0, macOS Satellites von Amp, Antigravity IDE 2.6.0 mit Gemini 4 Argon und Antigravity für Eclipse

Codex CLI 0.166.0 ergänzt die Tastaturauswahl im Transkript, codex doctor —network-only und GPT-6.1 Terra in den Modellkatalogen für Vertex AI und Bedrock

29. Oktober — Zwei Tage nach 0.165.0 erscheint Codex CLI 0.166.0 als stabile Version mit 264 Einträgen im vollständigen Changelog. Die wichtigsten Änderungen betreffen die Terminaloberfläche (TUI): Das Transkript lässt sich nun per Tastatur durchgehen und auswählen. Wird eine Anfrage aus Sicherheitsgründen blockiert, erklärt die TUI den Grund besser und schlägt sicherere erneute Versuche vor.

Neuerung in 0.166.0	Details zur Version
Auswahl im Transkript	Per Tastatur, nach Wort, Zeile oder Seite, mit integrierter Suche und konfigurierbaren Tastenkürzeln
`codex queue --resume`	Setzt einen entladenen Thread fort, nachdem eine Nachricht in die Warteschlange gestellt wurde
`codex doctor --network-only`	Diagnose beschränkt auf Konfiguration, Konnektivität und WebSocket
Modellkataloge	GPT-6.1 Terra zu den Katalogen für Vertex AI und Amazon Bedrock im CLI hinzugefügt
Markdown-Darstellung	Einheitlich bei asynchronen Fragen, Auswahlmöglichkeiten und Antworten

GPT-6.1 Terra war bereits seit 0.165.0 in den integrierten Katalogen enthalten; die Version kündigt damit jedoch keine Verfügbarkeit bei Google oder Amazon an. Bei den Fehlerkorrekturen bleiben bereits erteilte Berechtigungen beim Fortsetzen oder Duplizieren (fork) eines Threads erhalten. Auch die Zählung der Reasoning-Tokens bleibt in beiden Fällen bestehen, was eine vorzeitige Kompaktierung verhindert, und die TUI stellt sich nach einer erneuten Verbindung zuverlässiger wieder her. FedRAMP-API-Schlüssel werden außerdem standardmäßig an die Endpunkte für Regierungsbehörden weitergeleitet.

🔗 Version 0.166.0 auf GitHub

Amp gibt seinen orbs mit macOS Satellites einen Mac, als Beta ab 2 Dollar pro Stunde

29. Oktober — Amp ergänzt seine orbs, die Cloud-Maschinen, auf denen seine Threads laufen, um Macs. Mit macOS Satellites kann der Agent an einer iOS- oder Mac-Anwendung arbeiten: Er startet selbstständig innerhalb von rund dreißig Sekunden einen Mac in der Cloud mit Xcode und den Simulatoren, kompiliert, startet und testet dort die Anwendung und liefert anschließend Screenshots, Logs und eine Bildschirmaufzeichnung im Thread zurück, über den sich auch die Steuerung übernehmen lässt. Der Thread bleibt auf dem Linux-orb, während der Mac lediglich als Satellit den synchronisierten Code empfängt; er startet mit einer frischen Umgebung und wird nach Abschluss der Arbeit nur 20 Minuten lang vorgehalten, damit sich bei einem weiteren Durchlauf der Build-Cache wiederverwenden lässt. Amp hat seine „Morbs“, vollständig auf Macs laufende orbs, aufgegeben, da sie zu langsam starteten und zu hohe Speicherkosten verursachten.

Maschinengröße	Prozessoren (CPU)	Arbeitsspeicher	Stundentarif
mac.medium	6	14 Go	2 Dollar
mac.large	12	28 Go	4 Dollar

Die Funktion befindet sich in der Beta und wird schrittweise über eine Warteliste freigeschaltet; die Mac-Laufzeit wird zu einem höheren Satz zunächst auf die im Tarif enthaltene orb-Nutzung angerechnet und anschließend von den Amp-Credits abgezogen.

🔗 Die Ankündigung von Amp

Antigravity IDE 2.6.0 ergänzt Gemini 4 Argon und eine überarbeitete Agentenoberfläche

26. Oktober — Antigravity IDE, der Editor von Google Antigravity, erhält mit 2.6.0 (6 Verbesserungen, 2 Fehlerkorrekturen) seine erste Version seit 2.5.5 vom 13. August und bekommt nun ebenfalls Gemini 4 Argon für berechtigte Tarife, ohne nähere Angaben. Am 19. Oktober war die IDE auf der Modellseite von Antigravity noch vom Zugriff auf Argon ausgenommen. Die Agentenoberfläche wurde auf Basis der integrierten Antigravity-Erweiterung neu aufgebaut, um einen schnelleren Start, Hintergrundaktualisierungen und Funktionsgleichheit zu ermöglichen. Die Version ergänzt Tastenkürzel zum Annehmen (Alt+Eingabe oder Option+Eingabe) oder Ablehnen eines Diff-Blocks, Inline-Codekommentare, die für die nächste Anweisung vorgemerkt werden, sowie Drag-and-drop von Dateien oder Screenshots in das Agent-Panel; die beiden Fehlerkorrekturen betreffen Drag-and-drop unter macOS und Linux sowie die Wiederherstellung von Unterhaltungen nach einer Dienstunterbrechung.

🔗 Das Changelog von Antigravity

Google veröffentlicht Antigravity für Eclipse, eine Erweiterung mit agentischem Chat und Diff-Prüfung in nebeneinanderliegenden Ansichten

27. Oktober — Google Antigravity hält mit einer ersten Erweiterung in Version 1.0.0 (10 Verbesserungen, 6 Fehlerkorrekturen) Einzug in Eclipse. Sie ergänzt eine neben dem Editor angedockte Ansicht für agentischen Chat, an die sich eine Codeauswahl oder die Ausgabe von Terminal und Konsole senden lässt. Die Änderungen des Agenten werden im Vergleichseditor von Eclipse nebeneinander angezeigt und lassen sich annehmen, ablehnen oder in einem Schritt rückgängig machen. Vom Agenten erstellte Pläne und Berichte öffnen sich in eigenen Tabs, und die Erweiterung bietet einen Import an, wenn der Agent ein Maven-, Gradle- oder Eclipse-Projekt erstellt. Wie in der CLI startet der Agent erst nach Freigabe des Arbeitsbereichs; diese Vertrauenseinstellung wird mit Antigravity CLI geteilt. Eclipse reiht sich damit neben VS Code und Visual Studio in die unterstützten Drittanbieter-Editoren ein.

🔗 Das Changelog von Antigravity, Tab für Erweiterungen

Kurzmeldungen

Rund um Mistral Large 4 und offene Modelle

NVIDIA und Mistral Large 4 — NVIDIA unterstützt das Modell ab seiner Veröffentlichung mit einem NVFP4-Checkpoint auf Hugging Face und einem Dynamo-Rezept für verteilte Inferenz und bestätigt das Training auf 3 800 GPU des Typs Grace Blackwell; SGLang beansprucht die erste Bereitstellung des Modells auf Vera Rubin für sich. 🔗 Quelle
Maya 2 Native — Maya Research veröffentlicht unter Apache-2.0 ein Sprachsynthesemodell für elf indische Sprachen und Englisch, mit 20 Stimmen, kontinuierlichem Streaming und Voice Cloning anhand von 3 bis 10 Sekunden Audio; nach eigenen Messungen sind auf einer H100 NVL 224 gleichzeitige Streams möglich, mit einer ersten Audioausgabe nach im Median 111 ms. 🔗 Quelle
Granite Switch 4.1.1 — IBM veröffentlicht eine rückwärtskompatible Korrekturversion: Nur das Transkriptionsmodell, das nun 10 Sprachen mit Zeichensetzung unterstützt, und der Entscheidungsadapter ändern sich; Zahlen zu Verbesserungen werden nicht veröffentlicht. 🔗 Quelle
Phonic-1 auf Together AI — Together AI gibt an, Phonic-1, das Speech-to-Speech-Modell des Start-ups Phonic für Sprachagenten, trainiert zu haben und bereitzustellen; LiveKit integriert es noch am selben Tag und bezeichnet es als Spitzenreiter des Artificial Analysis Speech to Speech Index, eine nicht anhand der Originalquelle überprüfte Platzierung. 🔗 Quelle
jack & jill — Together AI nennt diesen Kunden, der vorhersagt, welche Kandidaten ein Recruiter treffen möchte: Sein mit Together Post-Training verfeinertes offenes Modell erreicht in einer Offline-Evaluation das Niveau eines geschlossenen Modells bei günstigerem Betrieb, ohne veröffentlichte Zahlen. 🔗 Quelle
SixthView — Meta stellt ohne Ankündigung einen Benchmark für räumliches Denken mit 604 Beispielen und 11 634 Bildern online, bei dem die verdeckte Seite einer Anordnung aus Würfeln erschlossen werden muss; Ergebnisse werden nicht veröffentlicht. 🔗 Quelle
AnySpeechRecognizer und AnyDecisionModel — Mattt (Hugging Face) veröffentlicht zwei Swift-Pakete: Das eine behält Apples Spracherkennungs-API bei und führt Parakeet oder Qwen3-ASR auf dem Gerät aus, das andere beantwortet geschlossene Fragen anhand der Modellwahrscheinlichkeiten, 16 Fragen in etwa 0,45 s auf einem M4 Max. 🔗 Quelle
huggingface_hub 2.4.0 — HfFileSystem kopiert und verschiebt Dateien in Buckets; mit Xet gespeicherte Dateien werden anhand ihres Hashs serverseitig kopiert, ohne Download; die CLI hf weist außerdem auf veraltete Erweiterungen hin. 🔗 Quelle
kernels 0.18.0 — Nachtrag zum 28. Oktober: Die Bibliothek von Hugging Face erstellt Kernels für TPU, unterstützt PyTorch 2.15 mit CUDA 13.4 und ROCm 7.14 und nimmt PyTorch 2.10 bis 2.12 wieder auf. 🔗 Quelle

API, SDK und Leitfäden

Claude Platform — Die API Usage and Cost Analytics startet in die Beta, um Token-Nutzung und Kosten nach Modell, Workspace, API-Schlüssel oder Nutzer zu verfolgen; die bisherige Usage and Cost API erhält den Legacy-Status; am Vortag wurde die maximale Anfragegröße für die Messages API und die Token Counting API von 32 auf 128 MB erhöht. 🔗 Quelle
SDKs von OpenAI — openai-python 3.41.0 filtert Agentensitzungen anhand von Metadaten, nachdem openai-python 3.40.0 und openai-node 7.45.1 konfigurierbare Gültigkeitsdauern pro Breakpoint im Prompt-Cache eingeführt hatten. 🔗 Quelle
TypeScript-SDK von SpaceXSI — Version 0.2.6 benennt den Client in SpaceXSI um und behält SpaceXAI als veralteten Alias bei; Version 0.2.7 gleicht die Typen erneut mit der API-Spezifikation ab. 🔗 Quelle
CLI mistral 0.15.0 — Inkompatible Änderung: Ohne System-Schlüsselbund weigert sich mistral login, die Anmeldedaten im Klartext zu speichern, außer mit der Option --insecure-storage; mistral upgrade lässt sich außerdem mit SHA-256-Prüfung von einem internen Mirror installieren. 🔗 Quelle
Cohere auf AWS — Cohere veröffentlicht einen Leitfaden zum Aufbau eines Assistenten für Finanzrecherchen mit Embed, Rerank und Parse auf SageMaker AI sowie Claude auf Bedrock, unterstützt durch eine CloudFormation-Demo anhand von 928 Seiten aus Geschäftsberichten dreier Banken; kein neues Produkt. 🔗 Quelle
Embeddings bei Perplexity — Ein einführender Leitfaden zu Text-Embeddings nennt das im Februar veröffentlichte pplx-embed-v1 mit 69,66 nDCG@10 bei der mehrsprachigen Suche von MTEB gegenüber 67,71 für gemini-embedding-001; keine Neuerung. 🔗 Quelle

Agenten und Code-Tools

Antigravity 2.28.1 ergänzt einen Gesprächsnavigator und einen Hinweis zu Plugins von Drittentwicklern — Nachtrag zum 28. Oktober: Eine Leiste links zeigt einen Punkt pro Austausch und gliedert die Gespräche nach Datum in Kapitel; jede Plugin-Seite nennt den Entwickler, die Version und die zugehörigen Links. 🔗 Quelle
Plugins von Copilot — Nachtrag zur Universe: Die von einem vertrauenswürdigen Repository festgelegten Standard-Plugins und die Plugin-Kontrollen für Unternehmen (freigegebene Marktplätze, vorgeschriebene oder gesperrte Plugins) sind nun in VS Code, Copilot CLI und der App GitHub Copilot allgemein verfügbar. 🔗 Quelle
Visualize This bei Amp — Amp erstellt auf Wunsch direkt im Gesprächsverlauf Grafiken, Zeitleisten, Diagramme und anklickbare Mockups; keine Angaben zu Preisen oder Limits. 🔗 Quelle
Devin, Versionshinweise vom 28. Oktober — Der Tab Progress zeigt die Aufgaben der Sitzung live an und ersetzt den Tab Tasks; Rückmeldungen zu Pull Requests in Azure DevOps gelangen zurück in die Sitzung, die sie geöffnet hat, und persönliche Skills lassen sich über @ Skills erwähnen. 🔗 Quelle
Devin, Versionshinweise vom 26. Oktober — Nachtrag: Die Tabs Progress und Shell werden in einer Activity-Ansicht zusammengeführt, und Devin integriert HTML-Artefakte (Berichte, Dashboards, Grafiken) direkt in seine Nachrichten. 🔗 Quelle
Delta 0.23 — Jedes Projekt wählt seinen Standard-Checkout (isolierter Worktree, lokaler Checkout oder Git-Worktree), eine Einstellung begrenzt die Laufzeit der Terminalbefehle von Agenten, und 17 Fehlerbehebungen korrigieren unter anderem die Kompaktierung bei benutzerdefinierten Modellen. 🔗 Quelle
DeltaDB — Zed erläutert die Architektur seiner Versionsdatenbank für Agenten: in SQLite als kausaler Graph gespeicherte CRDT, ein Durable Object von Cloudflare pro Thread und die Rückverfolgung jedes Zeichens bis zu seinem Ursprungsgespräch; ohne Termin angekündigt. 🔗 Quelle
Softwarefabrik von Warp — Ein methodischer Beitrag nennt sieben Komponenten einer Softwarefabrik (software factory), darunter eine Computersteuerung, die drei oder vier Minuten Überprüfung auf 15 Sekunden Video verdichtet; Warp Factories bleibt im Early Access, mit bis zu 10 000 Dollar an Guthaben für die ersten Teams. 🔗 Quelle
Qwen Code v0.26.4 — Einen Tag nach v0.26.3 gibt die stabile Version dem Managed Agent unabhängige Worktrees und der Generated UI interaktive Ansichten, die nun dem Theme des Hosts folgen; 19 Funktionen und 18 Fehlerbehebungen. 🔗 Quelle
safeagents — Nachtrag zum 28. Oktober: Hugging Face veröffentlicht ohne Ankündigung einen lokalen Proxy unter Apache-2.0, der jeden Tool-Aufruf eines Code-Agenten (Claude Code, OpenCode, Pi, Hermes…) prüft und blockierte Aufrufe neutralisiert, mit einem reinen Beobachtungsmodus. 🔗 Quelle

Bild, Video und Sprache

Kling 4.0 in Genspark AI Media Studio — Zwei Tage nach dem Start seines Media Studio fügt Genspark Kling 4.0 hinzu: 30 Sekunden in einer einzigen nahtlosen Generierung, bis zu 15 Referenzen und 10 Keyframes, Credits zum halben Preis bis zum 4. November. 🔗 Genspark · 🔗 Kling
Interne Agenten von ElevenLabs — Die an Slack angebundenen Agenten ElevenAgents sparen den eigenen Teams mehr als 1 200 Stunden pro Monat und beantworten monatlich mehr als 5 000 Fragen; der Beitrag empfiehlt, den für den Agenten sichtbaren Datenumfang zu verringern, statt seinen Prompt zu überarbeiten. 🔗 Quelle
ElevenLabs und Karnataka — Der in der Absichtserklärung vom 7. Oktober nicht namentlich genannte indische Bundesstaat ist Karnataka: Pilotprojekte mit Sprach-KI für Beschwerden, Hilfshotlines und staatliche Leistungen auf Kannada und in 13 weiteren Sprachen sowie lebenslang kostenlose Stimmwiederherstellung für berechtigte Einwohner; weder Betrag noch Zeitplan. 🔗 Quelle
Lettuce und Ads Engine — Das Fintech für Selbstständige erstellt fast alle seine Meta-Werbeanzeigen mit Ads Engine von ElevenLabs, eine Variante in etwa 45 Sekunden statt in mehr als einer Woche, und schätzt die Senkung seiner Produktionskosten auf rund 75 %. 🔗 Quelle

Produkte und Unternehmen

Kostenlose Lehrbücher in Gemini Notebook — Hunderte Lehrbücher von Verlagen wie S Chand Publishing, OpenStax oder Open Textbook Library lassen sich kostenlos als Quellen zu einem Notebook hinzufügen; Länder und Sprachen werden nicht genannt. 🔗 Quelle
Kimi Work 3.2.22 — Der Agent lässt zentrale Informationen bestätigen, bevor er eine Aufgabe startet (Ask user), Pakete für zusätzliche Nutzung lassen sich bei einer Kontingentwarnung kaufen, ohne Preisangabe, und ein Task Center bündelt die Automatisierungen. 🔗 Quelle
Automatisches Nachdenken in ChatGPT Enterprise und Edu — Instant wechselt nicht mehr selbstständig auf eine höhere Denkstufe, außer in Workspaces, die für spezialisiertes medizinisches Routing konfiguriert sind; die Stufe muss nun im Auswahlmenü gewählt werden. 🔗 Quelle
Ropes & Gray — Die Anwaltskanzlei entwickelt mit OpenAI ein Tool zur Vorabprüfung (due diligence), das die Inhalte eines Datenraums ordnet und Zusammenfassungen sowie einen Bericht im kanzleieigenen Format erstellt, die von Juristen geprüft werden; ein Bericht in Stunden statt Wochen bleibt ein Ziel, kein gemessenes Ergebnis. 🔗 Quelle
Codex Originals — OpenAI Developers startet eine Kurzfilmreihe über neun Menschen, die mit Codex entwickeln, darunter der Immunologe Derya Unutmaz, Mikhail Parakhin (Shopify) und Mitchell Hashimoto; keine Zahlen und kein Produkt. 🔗 Quelle
Teardown und UNBROKER in Perplexity Computer — Zwei Community-Skills kommen auf den Marktplatz von Computer, einer zum Zeichnen beschrifteter Explosionsansichten, der andere zum Vorbereiten von Löschanträgen bei Datenhändlern; ihre Aufgaben sind bis zum 6. November kostenlos, begrenzt auf 5 000 Credits pro Nutzer. 🔗 Quelle
Sakana AI und die Zwischenwahlen — Sakana AI hat mit Sakana Marlin 2 042 Beiträge und 705 976 Reaktionen auf X rund um die Senatswahl in Texas analysiert; laut seinem Bericht zeigten sich dort Meinungsumschwünge etwa zwei Monate vor den veränderten Einschätzungen der Prognoseorganisationen. 🔗 Quelle
OpenMath 2026 — Sakana AI gewinnt die Unternehmenskategorie des Hackathons zur rekursiven Selbstverbesserung in der Mathematik, der gemeinsam mit Stephen Wolfram bei Harvard Innovation Labs veranstaltet wurde. 🔗 Quelle

GitHub abseits von KI

IP-Bereiche für Webhooks — GitHub ergänzt die in der API meta veröffentlichten Zustelladressen für Webhooks um 9.234.98.160/28, 9.234.98.176/28 und 9.234.106.48/28; statische Allowlisten müssen sie aufnehmen. 🔗 Quelle

Was das bedeutet

Offene Gewichte erreichen die nächste Stufe. Mistral Large 4 kommt auf rund 1 000 Milliarden Parameter, wurde in Europa auf 3 800 GPU trainiert und senkt den API-Preis auf 0,70 Dollar pro Million Eingabe-Tokens. Das Ökosystem steht noch am selben Tag bereit: Transformers, vLLM, llama.cpp, NVIDIA NIM, Microsoft Foundry und eine LoRA-Feinabstimmung, die auf einen einzigen Knoten mit 8 GPU passt. Pika setzt bei Video auf denselben Ansatz und veröffentlicht eine nachtrainierte Version von MiniMax H3 samt Gewichten. Die Offenheit hat dennoch Grenzen: Mistral verlangt eine kommerzielle Lizenz, um das Modell Dritten bereitzustellen, Pika behält 4K, die Spurentrennung und die Verbesserung von Prompts seinem gehosteten Dienst vor, und Mistral verschärft seine Cyber-Schutzmaßnahmen, indem es seine offensive Variante verifizierten Partnern vorbehält. Mistral räumt außerdem ein, dass die besten offenen chinesischen Modelle im Gesamtindex von Artificial Analysis weiterhin vor ihm liegen.

OpenAI und Anthropic veröffentlichen am selben Tag zwei Ansätze zur Überwachung ihrer eigenen Modelle. OpenAI schichtet immer aufwendigere Ebenen übereinander, von Aktivierungssonden bis zu Untersuchungsagenten, und weitet die Überwachung auf sämtliche RL-Trainings von Spitzenmodellen aus, nachdem der Vorfall bei Hugging Face dort begonnen hatte, wo sie nicht lief. Anthropic setzt Claude als eigenen Missbrauchsmonitor ein, bei weniger als 2 % zusätzlichem Rechenaufwand. Beide betonen die Grenzen: auf der einen Seite eine für den internen Codex-Traffic abgeschaltete Rufbereitschaft, weil die Fehlalarme nicht zu bewältigen waren; auf der anderen eine Selbstevaluation, die nur einen Teil der Angriffe blockiert und gegenüber einem Angreifer, der sie gezielt ins Visier nimmt, nicht robust ist. Die überarbeitete Model Spec führt dieselbe Debatte auf der Ebene der Werte: Wenn ein Modell lange eigenständig handelt, zählt die Treue zur Absicht der Person mehr als der Stil seiner Antworten.

Das Geld folgt der Cybersicherheit und der Souveränität. Cohere sammelt Kapital ein, um außerhalb der USA und Chinas ein Unternehmen an der technologischen Spitze aufzubauen, mit der kanadischen Regierung im Investorenkreis, und verweist auf eine Zahl, die zeigt, was auf dem Spiel steht: Mehr als 70 % der Tokens offener Modelle, die Anfang dieses Jahres über OpenRouter ausgeliefert wurden, stammten von chinesischen Modellen. Seine Vorhaben, Cohere Cyber für als geheim eingestufte Netzwerke und die Übernahme von AISLE, reihen sich in die von Cognition ein, das Corridor für Devin Security übernimmt, und von Perplexity, das FedRAMP Moderate erhält, um seine Suche an US-Bundesbehörden zu verkaufen. Mistral, das Erfahrungsberichte von ENISA und Orange Cyberdefense hervorhebt, folgt derselben Logik eines nicht amerikanischen Anbieters, der sich im Verteidigungsbereich positioniert.

Bei den Anwendungen dreht sich der Wettbewerb um den Alltag und um Kontingente. Claude unterstützt nun 33 Sprachen und zieht mit CarPlay ins Auto ein, Gemini bearbeitet Dateien im Gespräch und teilt Avatare, allerdings nicht in Europa, Kimi liest Gmail und den Kalender, und zwei Geräte, die Brille XREAL AURA und das VoicePad von Genspark, versuchen, den Assistenten vom Bildschirm zu lösen. OpenAI verdoppelt die Nutzung von Work und Codex in seinen Pro-Tarifen und verzichtet nach Rückmeldungen der Abonnenten darauf, Pro 200 zu kürzen: Die enthaltene Nutzung ist zu einem eigenständigen Verkaufsargument geworden. Die Code-Agenten erhalten unterdessen neue Rechner und Editoren: einen bei Amp in 30 Sekunden gestarteten Mac in der Cloud, Gemini 4 Argon in der IDE von Antigravity und eine erste Erweiterung für Eclipse.