Claude entdeckt neuartige kryptografische Schwachstellen, Gemini Robotics ER 2 lässt mehrere Roboter zusammenarbeiten, GPT-5.6 senkt seine Preise

Der 30. Juli 2026 wird von zwei Forschungsdurchbrüchen geprägt: Claude Mythos, das interne Forschungsmodell von Anthropic, entdeckt neuartige kryptografische Schwachstellen in einem post-quantum NIST-Kandidaten und in einer geschwächten Version von AES, während Google DeepMind Gemini Robotics ER 2 startet, das mehrere Roboter bei derselben Aufgabe zusammenarbeiten lassen kann. Rund um diese beiden Themen drehen sich eine Preissenkung bei OpenAI für GPT-5.6, die gleichzeitige Einführung von gestapelten Pull Requests bei GitHub und Devin, mehrere Veröffentlichungen offener Modelle (Thinking Machines, Sakana AI, LightOn) sowie eine Welle von Aktualisierungen auf Agentenseite (Perplexity, Genspark, Gemini).

Claude Mythos entdeckt neuartige kryptografische Schwachstellen (HAWK, AES)

30. Juli — Anthropic veröffentlicht eine Studie seines Frontier Red Team, die zeigt, dass Claude Mythos Preview, sein leistungsfähigstes internes Forschungsmodell, neuartige mathematische Schwachstellen in zwei wichtigen kryptografischen Algorithmen entdeckt hat — jenseits der bloßen Implementierungsfehler, die Claude bereits in Bibliotheken wie OpenSSL erkennen konnte. Die Ankündigung wurde am 28. Juli auf X veröffentlicht und anschließend in einem ausführlichen Blogbeitrag detailliert beschrieben.

Erstes Ergebnis: ein verbesserter Angriff gegen HAWK, Kandidat der dritten Runde des NIST-Wettbewerbs (der amerikanischen Normungsbehörde) für post-quantum digitale Signaturen. In 60 Stunden Arbeit, zu Kosten von rund 100.000 Dollar an API-Nutzung, fand das Modell einen Angriff, der die effektive Schlüssellänge von HAWK-256 halbiert — die geschätzten Kosten eines vollständigen Angriffs sinken von 2^64 auf 2^38 Operationen. Zweites Ergebnis: Bei einer auf 7 von 10 Runden reduzierten Version von AES-128 beschleunigt eine neue Technik namens Möbius Bridge (Brücke von Möbius) die besten bekannten Angriffe um das 200- bis 800-Fache, bei ähnlichen Kosten — das Modell hielt die Aufgabe zunächst für unlösbar, setzte aber auf Anregung der Forschenden dennoch fort, die anschließend mehrere Hundert Stunden mit der Validierung des Ergebnisses verbrachten.

Anthropic stellt klar, dass kein Produktivsystem betroffen ist: HAWK ist nur ein nicht eingesetzter Kandidat, und der Angriff auf AES gilt nur für eine geschwächte Version der Verschlüsselung — das vollständige AES mit 10 Runden ist nicht gebrochen. Vorläufige Ergebnisse betreffen außerdem LEA (Schlüssel in weniger als einer Stunde auf 13 Runden zurückgewonnen), Serpent-128 (vollständiger Angriff auf 6 Runden) sowie begrenztere Fortschritte bei Salsa20, Poseidon und SHA-1.

Um diese Forschung weiter voranzubringen, arbeitet Anthropic mit der ETH Zürich, der Tel Aviv University und TU Berlin zusammen, um CryptanalysisBench zu entwickeln, einen Benchmark zur Messung der kryptanalytischen Fähigkeiten von Modellen.

Kryptografisches Ziel	Erzieltes Ergebnis
HAWK-256 (post-quantum Signatur)	Effektive Schlüssellänge halbiert (2^64 → 2^38), gefunden in 60 Stunden
AES-128 auf 7 von 10 Runden reduziert	Angriff 200- bis 800-mal schneller durch die Möbius-Bridge-Technik
LEA auf 13 von 24 Runden reduziert	Schlüsselrückgewinnung in weniger als einer Stunde auf einem Desktop-Computer
Serpent-128 auf 6 von 32 Runden reduziert	Neuer vollständiger Schlüsselrückgewinnungsangriff
Salsa20, Poseidon, SHA-1	Verbesserungen von weniger als dem 10-Fachen gegenüber den besten bekannten Angriffen

🔗 Vollständige Recherche — Anthropic

Google DeepMind startet Gemini Robotics ER 2

30. Juli — Google DeepMind startet Gemini Robotics ER 2 (Embodied Reasoning, verkörpertes Denken), sein bisher leistungsfähigstes Modell, um Robotern ein hochrangiges Gehirn zu geben. Es versteht die physische Welt, spricht mit Menschen, plant mehrstufige Aufgaben und delegiert die motorische Ausführung anschließend an ein niedrigeres Vision-Language-Action-Modell; außerdem kann es nativ Werkzeuge wie Google Search oder vom Entwickler definierte Funktionen aufrufen.

Im Vergleich zur vorherigen Version (ER 1.6) liegt der wichtigste Fortschritt in der kontinuierlichen Videoverständnisfähigkeit: Durch das Beobachten eines Live-Video-Streams kann ein Roboter seinen eigenen Fortschritt verfolgen, sich bei Fehlern anpassen und genau erkennen, wann er zur nächsten Etappe übergehen muss. Google führt außerdem die Zusammenarbeit mehrerer Roboter ein: Verschiedene Maschinen (etwa ein Radroboter und ein Humanoid) kommunizieren über ein geteiltes semantisches Verständnis, um komplexe Aufgaben aufzuteilen — demonstriert mit den Robotern Apollo 2 von Apptronik und Franka F3 Duo, die gemeinsam eine Garage aufräumen.

Bei den Leistungen erreicht das Modell 57,4 % Genauigkeit bei der Klassifikation des Aufgabenfortschritts und 91,3 % bei der Erkennung des richtigen Moments zum Handeln (durchschnittliche Abweichung von 0,96 Sekunden), bei einer 4-mal höheren Ausführungsgeschwindigkeit als größere Modelle mit vergleichbarer Genauigkeit. In Sachen Sicherheit gibt Google an, dass es sich um sein bisher sicherstes Modell handelt: Es stoppt einen humanoiden Roboter korrekt, wenn sich eine Person nähert, und setzt seine Aktivität erst fort, sobald der Bereich frei ist.

Das Modell ist ab heute für Entwickler über die Gemini API und Google AI Studio verfügbar, mit eingeschränktem Frühzugang auf der Gemini Enterprise Agent-Plattform. Eine Demonstration mit einem Spot-Roboter von Boston Dynamics, der auf Sprachbefehl einen Snack holt, ist ebenfalls dokumentiert, inklusive Code auf GitHub.

Leistungsindikator	Gemessenes Ergebnis
Klassifikation des Aufgabenfortschritts	57,4 % Genauigkeit
Erkennung des richtigen Moments zum Handeln	91,3 % Genauigkeit, durchschnittliche Abweichung von 0,96 Sekunden
Ausführungsgeschwindigkeit vs. größere Modelle	4-mal schneller

🔗 Offizielle Ankündigung — Google DeepMind

Cursor: Cloud-Agenten schließen 56 % der zusammengeführten Pull Requests ab

30. Juli — Cursor teilt eine bemerkenswerte interne Kennzahl zur Einführung seiner Cloud-Agenten: Im Dezember stammte nur 1 von 10 zusammengeführten Pull Requests von einem Cloud-Agenten; heute liegt dieser Wert bei 56 %. Das Unternehmen führt diesen Anstieg darauf zurück, den Agenten ihre eigene Cloud-Maschine zu geben, mit der Möglichkeit, ihre Laufzeitumgebung selbst zu korrigieren und zu verbessern — was ihnen erlaubt, längere Engineering-Aufgaben von Anfang bis Ende auszuführen.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇩🇪 Im Dezember stammte 1 von 10 zusammengeführten PRs von Cloud-Agenten. Heute sind es 56 %, dank des Einsatzes von Cloud-Agenten, um längere Engineering-Aufgaben von Anfang bis Ende erfolgreich abzuschließen. Wir sind so weit gekommen, indem wir den Agenten ihren eigenen Cloud-Computer gegeben und sie ihre Umgebungen reparieren und verbessern ließen. — @cursor_ai auf X

Gestapelte Pull Requests gehen bei GitHub in die Vorschau, Devin übernimmt sie noch am selben Tag

30. Juli — Zwei getrennte Ankündigungen am selben Tag rund um einen einzigen Workflow: einen großen Change in eine Reihe kleinerer, unabhängig prüfbarer Pull Requests aufteilen.

GitHub führt gestapelte Pull Requests breiter ein

GitHub stellt gestapelte Pull Requests als öffentliche Vorschau in allen Repositories bereit. Statt eines riesigen Pull Requests oder mehrerer von Hand zu rebasender Branches wird die Änderung in geordnete Ebenen aufgeteilt, von denen jede über eine „Stack Map“ geprüft werden kann, die die aktuelle Ebene im Gesamtzusammenhang verortet, und anschließend in einem einzigen Schritt zusammengeführt werden kann. Das Zusammenführen der obersten Ebene zieht automatisch alles darunter mit; das Zusammenführen einer mittleren Ebene rebaset und retargetet automatisch die offenen darunterliegenden Ebenen, ohne die bestehenden Branch-Schutzmechanismen zu verlieren. Die Funktion ist über github.com, die CLI (Erweiterung gh-stack), die mobile App und direkt über einen Coding-Agenten wie GitHub Copilot dank der dafür vorgesehenen Fähigkeit gh-stack verfügbar.

🔗 Gestapelte Pull Requests — GitHub

Devin (Cognition) unterstützt sie nativ

Am selben Tag kündigt Devin, der Software-Engineering-Agent von Cognition, die native Unterstützung für GitHub-Stacked-PRs an: große Änderungen in kleinere Diffs zerlegen, Reviews über den gesamten Stack hinweg bearbeiten und korrigieren sowie nachgelagerte Änderungen automatisch rebasen, wenn sich eine Ebene ändert. Die gleichzeitige Einführung auf Plattform- und Agentenseite zeigt, dass sich dieses neue Review-Modell direkt in Workflows mit autonomen Agenten durchsetzt — und nicht nur für menschliche Entwickler.

🔗 Devin — Ankündigung von Cognition

Amp Labs schließt eine Partnerschaft mit der Bank Westpac

29. Juli — Amp Labs, die Service-/Beratungssparte von Amp (dem unabhängigen Spin-off von Sourcegraph), kündigt eine Partnerschaft mit Westpac an, einer der ältesten australischen Banken — ein Unternehmen mit einer Geschichte von mehr als zwei Jahrhunderten. Ziel ist es, die Art und Weise zu verändern, wie die Bank ihre Technologie entwickelt und ausliefert, insbesondere die Migration und Modernisierung von Datensystemen, die von Millionen Menschen genutzt werden. Ein dediziertes Team wird vor Ort in Sydney zusammen mit den Ingenieuren von Westpac arbeiten. Der Artikel stellt das Gründungsteam des Projekts vor — aus Block, Ethereum Foundation, Google und Canva — und eröffnet eine lokale Rekrutierung in Sydney. Diese Partnerschaft veranschaulicht den Aufstieg von Dienstleistungsangeboten rund um Coding-Agenten, über das reine Software-Abonnement hinaus: Amp Labs verkauft nun eine menschliche Präsenz vor Ort, gestützt auf seinen Agenten.

🔗 Ankündigung — Amp Labs x Westpac

API-Preissenkung für GPT-5.6, Fast-Modus für Sol

30. Juli — Auf Grundlage der Effizienzgewinne vom Vortag (GPT-5.6 Sol optimierte seine Produktionskerne selbst, bereits berichtet) senkt OpenAI die API-Preise von GPT-5.6 Luna, seinem schnellsten und günstigsten Modell, um 80 %, und von GPT-5.6 Terra, seinem ausgewogenen Modell für den Alltagseinsatz, um 20 %. Diese Senkungen spiegeln sich auch im Verbrauch von Credits der Abonnements Codex und ChatGPT Work wider, ohne dass sich Kontingente oder Abonnementpreise ändern.

OpenAI führt außerdem einen Fast-Modus in der API ein, der das Angebot Priority Processing ersetzt: Für GPT-5.6 Sol bietet er bis zu 2,5-mal die Geschwindigkeit der Standardverarbeitung zum doppelten Preis, ohne Änderung der Intelligenz. Bestehende mit „priority“ markierte Anfragen wechseln automatisch in diesen neuen Modus. Mehrere Unternehmenskunden werden als Referenzen genannt, darunter Replit, Notion, Ramp, Blitzy, Cognition und Dust.

Modell und Modus	Preisgestaltung ab dem 30. Juli
GPT-5.6 Terra (Eingabe / Ausgabe)	2 Dollar und 12 Dollar pro Million Tokens
GPT-5.6 Luna (Eingabe / Ausgabe)	0,20 Dollar und 1,20 Dollar pro Million Tokens
GPT-5.6 Sol, Fast-Modus	Bis zu 2,5-mal schneller, zum doppelten Preis

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇩🇪 GPT-5.6 Luna ist das, was einer zu billigen Intelligenz am nächsten kommt, um noch gemessen zu werden. Ich habe noch nie ein so erschwingliches Modell gesehen, das so leistungsfähig ist — das erschließt für Replit Anwendungsfälle, von denen wir nicht dachten, dass wir sie so bald bauen könnten. — Michele Catasta, Präsident und Head of AI, Replit — zitiert von OpenAI

Zwei API-Optimierungen verdreifachen die Werte von GPT-5.6 Sol auf ARC-AGI-3

29. Juli — OpenAI veröffentlicht eine Analyse zu den anfangs niedrigen Werten von GPT-5.6 Sol (7,8 %) und GPT-5.5 (0,4 %) auf dem 2D-Puzzle-Benchmark ARC-AGI-3, obwohl Sol zuvor offene Mathematikprobleme gelöst und komplexe Videospiele besiegt hatte. Die Untersuchung zeigt, dass das offizielle Benchmark-Harness das private Denken des Modells nach jeder Aktion entfernt und seinen Verlauf mit einem Sliding Window abschneidet, wodurch es sich nicht an frühere Gedanken und Aktionen erinnern kann.

Durch den Wiederaufbau des Harness mit der Responses API von OpenAI (die in ChatGPT und Codex produktiv verwendet wird), das Aktivieren der Beibehaltung des Reasonings und der Kompaktierung statt des Abschneidens steigt der Score von GPT-5.6 Sol auf dem öffentlichen Set von 13,3 % auf 38,3 %, bei 6-mal weniger Ausgabe-Tokens — gegenüber einer geschätzten menschlichen Referenz von 48 %. OpenAI leitet daraus eine allgemeine Empfehlung ab: die Responses API statt der älteren Chat Completions API zu verwenden, um realitätsnahe Evaluierungen zu erhalten.

Getestete Konfiguration	Erzielter Score (ARC-AGI-3)
Offizielles Benchmark-Harness	13,3 %
Beibehaltetes Reasoning und Kompaktierung	38,3 % (6-mal weniger Ausgabe-Tokens)
Geschätzte menschliche Referenz	48 %

🔗 Vollständige Analyse — OpenAI

GitHub Copilot in Visual Studio: Juli-Bilanz

30. Juli — GitHub veröffentlicht seinen monatlichen Überblick über GitHub Copilot in Visual Studio 2026 mit vier Neuerungen. Ein neuer Agent (Preview) erscheint im Auswahlmenü von Copilot Chat, aufgebaut auf demselben Copilot SDK, das GitHub Copilot CLI antreibt — mit dem Versprechen kürzerer Antworten und erfolgreicherer Aufgaben mit weniger Rückfragen. Integrierte .NET- und Azure-Fähigkeiten, die von den jeweiligen internen Teams geschrieben wurden, erscheinen automatisch in der Kategorie „Built-in“ des Werkzeugausswahlmenüs, sobald die betreffenden Workloads installiert sind (standardmäßig deaktiviert). Eine Funktion Review Selection ermöglicht es, Code zu markieren, per Rechtsklick Kommentare mit Inline-Aktionsmöglichkeiten zu erhalten. Schließlich erlauben benutzerdefinierte Anweisungen auf Organisationsebene den Organisationsinhabern, gemeinsam genutzte Einstellungen zu definieren, die automatisch auf alle Repositories angewendet werden — reserviert für die Business- und Enterprise-Pläne, während die drei anderen Neuerungen in allen Plänen verfügbar sind.

🔗 Juli-Bilanz — GitHub Copilot in Visual Studio

Genspark stellt SecondBrain vor, persistentes Gedächtnis für AI Workspace 6.0

29. Juli — Genspark hebt über einen Medienauftritt seiner COO Wen Sang eine Funktion namens SecondBrain innerhalb von AI Workspace 6.0 hervor (bereits am 20. Juli gestartet). Der gewählte Blickwinkel: das „Gedächtnisproblem“ von KI-Agenten, die den Kontext eines Projekts von einer Sitzung zur nächsten vergessen. Mit ausdrücklicher Zustimmung des Nutzers verbindet sich SecondBrain mit E-Mails, Kalender, Chatverlauf, Besprechungsnotizen und externen Tools (Gmail, Slack, Notion, HubSpot, Microsoft 365…) und schafft so eine persönliche Kontextschicht, die vom Super Agent von Genspark genutzt werden kann. Mehrere konkrete Anwendungsfälle werden dokumentiert: automatische Wochenzusammenfassung, Briefing vor Meetings mit dem Kontext der Teilnehmer oder Quersuche in allen verbundenen Quellen. Genspark unterscheidet diese Software vom Produkt SecondBrain Note, einem separat verkauften physischen Aufnahmegerät, das lediglich ein optionaler Eingabekanal unter vielen ist.

🔗 SecondBrain — Genspark-Ankündigung

Perplexity startet Projects, Weiterentwicklung von Spaces in Computer

30. Juli — Perplexity ersetzt die „Spaces“ in Computer, seiner Agenten-Orchestrierungsumgebung, durch Projects: persistente Arbeitsbereiche für langfristige Arbeit mit gemeinsam genutztem, hierarchischem Dateisystem, auf dem aufeinanderfolgende Aufgaben aufbauen können, ohne bei Null zu beginnen. Die Projects verbinden sich mit Brain, dem selbstverbessernden Gedächtnissystem von Computer, das zwischen Aufgaben die Dateien und Sitzungen des Projects erneut liest, damit jede neue Aufgabe mit dem aufgebauten Kontext startet. Der kollaborative Aspekt wird betont: Mehrere Mitglieder eines Teams können an demselben Project arbeiten und dabei ihr persönliches Gedächtnis sowie ihre Connectors an ihr eigenes Konto gebunden halten. Perplexity gibt eine mögliche Verbindung zu mehr als 400 Tools an (Google Drive, Notion, Linear, Snowflake, GitHub) sowie eine Integration von Slack und Microsoft Teams. Bestehende Spaces migrieren automatisch; ab heute für alle Computer-Nutzer verfügbar.

🔗 Spaces werden zu Projects — Perplexity

Gemini Spark integriert Chrome und erweitert sich auf 160+ Länder

30. Juli — Google erweitert Gemini Spark, seinen Assistenten zur Automatisierung von Webaufgaben, um eine direkte Integration in Chrome namens Chrome auto browse. Mit Zustimmung des Nutzers kann Spark nun auf verbundene Konten und im Browser gespeicherte Passwörter zurückgreifen, um mühsame Vorgänge zu erledigen — etwa Besichtigungen gespeicherter Wohnungen zu planen oder Flüge zu suchen und eine Buchung anzustoßen. Google präzisiert, dass diese Aktionen gegen Prompt-Injection-Versuche geschützt sind und sensible Schritte wie Zahlungen stets an den Nutzer zur Bestätigung zurückgegeben werden. Die Funktion startet in den Vereinigten Staaten, eine Ausweitung auf weitere Regionen ist geplant. Parallel dazu wird der Zugang zu Spark ab heute auf Google-AI-Pro-Abonnenten in mehr als 160 zusätzlichen Ländern ausgeweitet — eine wesentlich breitere Expansion als am 23. Juli, die auf die USA beschränkt war.

🔗 Gemini-Spark-Updates — Google

Nano Banana landet in Google Earth

30. Juli — Google Earth integriert nun Nano Banana 2, das Bildgenerierungsmodell von Google, direkt in seine Weboberfläche. Es genügt, auf einen Ort zu zoomen, auf „create image“ zu klicken und zu beschreiben, was man visualisieren möchte: Das Modell erzeugt ein Bild, das in der realen Bildwelt des Ortes verankert ist (Satelliten-, Luft- und 3D-Ansichten) und keine generische Szene. Der Artikel beschreibt fünf konkrete Anwendungsfälle: die Rekonstruktion einer historischen Stätte (die Ruinen von Pompeji, wie sie im Jahr 78 n. Chr. aussahen), die Erstellung pädagogischer Infografiken zu einem Ort, die Ausarbeitung von Plänen für Immobilien- oder Stadtentwicklungsprojekte, die Visualisierung eines Bauvorhabens vor Beginn der Arbeiten oder einfach die fantasievolle Neugestaltung eines Ortes. Die Funktion ist ab heute weltweit für alle Google-Earth-Nutzer im Web verfügbar, ohne geografische Einschränkung oder spezielle Abo-Stufe.

🔗 Nano Banana in Google Earth — Google

ElevenLabs startet Character Casting in ElevenCreative Audiobooks

30. Juli — ElevenLabs startet Character Casting innerhalb von ElevenCreative Audiobooks, seiner KI-gestützten Produktionssuite für Hörbücher. Die Funktion ermöglicht es, ein vollständiges Manuskript zu importieren und dann verschiedene Stimmen direkt anhand echter Dialoge aus dem Text zu previewen, um jedem Charakter eine eigene Stimme zuzuweisen. Ziel ist es, das Voice Casting zu vereinfachen, einen bislang manuellen und zeitaufwendigen Schritt in der Produktion von KI-generierten Hörbüchern — das Studio legt die Stimme nun auf tatsächlich im Buch gesprochene Zeilen fest, statt auf einen generischen Demo-Text.

🔗 Character Casting — ElevenLabs

Inkling-Small: Thinking Machines veröffentlicht, NVIDIA folgt noch am selben Tag

30. Juli — Thinking Machines (das Labor von Mira Murati) startet Inkling-Small, eine komprimierte Version von Inkling: insgesamt 276 Milliarden Parameter, 12 Milliarden aktiv, NVFP4-Quantisierung, für mit Inkling — viermal größer — vergleichbare Leistung und laut Hugging Face besseren Ergebnissen bei Code. Die vollständigen Gewichte werden offen veröffentlicht, mit möglichem Fine-Tuning über Tinker und Test im Tinker Playground (Text, Bild, Audio). Hugging Face verstärkt den Launch noch am selben Tag mit einem eigenen Blog zu Benchmarks und Leistung sowie einer Modellsammlung auf dem Hub.

NVIDIA ergänzt die Veröffentlichung am selben Tag mit der Ankündigung der Kompatibilität von Inkling-Small mit NVIDIA NeMo auf DGX Station für das Fine-Tuning sowie eines dedizierten Checkpoints im NVFP4-Format, der direkt auf Hugging Face veröffentlicht wurde. Diese zum Start verfügbare Hardware-Unterstützung (day-0) zeigt, wie schnell sich das Ökosystem inzwischen um ein offenes Drittmodell herum koordiniert: Das Labor veröffentlicht die Gewichte, Hugging Face dokumentiert die Leistung, und NVIDIA sichert die Kompatibilität seiner Fine-Tuning-Infrastruktur zu — alles an einem einzigen Tag.

Technische Eigenschaft	Gemessener Wert
Gesamt- / aktive Parameter	276 Milliarden / 12 Milliarden
Quantisierung	NVFP4
Hardware-Kompatibilität day-0	NVIDIA NeMo auf DGX Station

🔗 Start — Thinking Machines auf X

🔗 NeMo/DGX-Support — NVIDIA auf X

Sakana AI und NYU veröffentlichen Dream-Cubed, Datensatz und Modelle für Minecraft

29. Juli — Sakana AI veröffentlicht gemeinsam mit der New York University (NYU) Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. Der Beitrag ist zweifach: ein umfangreicher Datensatz von Minecraft-Welten (Zehnermilliarden „Cubes“ aus prozeduralen Terrains und von Menschen mit ihrer Zustimmung gebauten Karten) sowie eine Familie von Transformern, die auf diesen Cubes als Tokenisierungs-Einheit trainiert wurden, nach dem Vorbild der Wörter in der Sprachmodellierung. Die Modelle ermöglichen die Erzeugung und Bearbeitung interaktiver 3D-Umgebungen in Echtzeit auf Cube-Auflösung, mit gezieltem Inpainting, großflächigem Outpainting und nutzerbedingter Generierung auf Welten beliebiger Größe. Der Datensatz, der Trainingscode und der Artikel werden offen veröffentlicht.

🔗 Ankündigung — Sakana AI auf X

Together AI und Y Combinator starten einen dedizierten GPU-Cluster für YC-Startups

30. Juli — Together AI und Y Combinator kündigen eine Partnerschaft an, die den ersten dedizierten GPU-Cluster für das Startup-Portfolio von YC liefert. Ziel ist es, den wichtigsten Engpass junger KI-Startups zu beseitigen — den Zugang zu Rechenleistung —, ohne sie zu zwingen, Compute-Verträge über mehrere Jahre zu sichern, die oft über ihre gesamte Liquidität hinausgehen. Startups aus dem YC-Portfolio können ihre GPUs über das Self-Service-Portal von Together AI reservieren, bereitstellen und selbst verwalten, für punktuelle Inferenz- und Trainingsbedarfe ohne langfristige Bindung und zugleich zu den Preisen, die üblicherweise nur für langfristige Verträge gelten. Am selben Tag hebt Together AI einen ersten konkreten Einsatz hervor: das Startup Osmosis_AI, das auf diesem Cluster untersucht, ob ein Open-Source-Modell durch Reinforcement Learning das Niveau eines Foundation-Models erreichen kann.

🔗 Dedizierter YC-GPU-Cluster — Together AI

LightOn veröffentlicht mDenseOn & mLateOn auf dem Hugging-Face-Blog

30. Juli — Das französische Labor LightOn AI veröffentlicht auf dem Hugging-Face-Blog die Sammlung mDenseOn & mLateOn: Modelle für Information Retrieval mit Einzelvektor und Multi-Vektor sowie die zugehörigen Datensätze, spezialisiert auf mehrsprachige Suche, langen Kontext und Code-Suche — insgesamt 18 Elemente, veröffentlicht mit offenen Gewichten. Diese Veröffentlichung folgt demselben Muster wie die Veröffentlichung von LiquidAI (LFM2.5-Encoders) am 28. Juli: Ein externes Labor nutzt den Hugging-Face-Blog als offiziellen Startkanal, wobei Modellkarte und Sammlung direkt auf dem Hub gehostet werden.

🔗 mDenseOn & mLateOn — Hugging-Face-Blog

Kurznachrichten

Cognition aktualisiert FrontierCode 1.1 — mit den neuen Preisnachlässen von GPT-5.6 Terra und Luna (siehe oben) positioniert sich die Reihe nun auf der Pareto-Kurve für Kosten/Leistung. 🔗 Quelle
Hugging Face startet Trackio Logbooks — Version 0.34.0 von Trackio erfasst automatisch den Code, die Agentenspuren und die Artefakte einer KI-Experimentierreihe als reproduzierbares statisches HTML-Bundle. 🔗 Quelle
Antigravity CLI erreicht Version 1.1.8 — strukturierte Ausgabeformate (json, stream-json) für den Print-Modus, Validierung über ein benutzerdefiniertes JSON-Schema und verbesserte Berechtigungen für zusammengesetzte Befehle. 🔗 Quelle
GitHub Models wird offiziell eingestellt — Playground, Modellkatalog, Inferenz-API und BYOK sind für keinen Kunden mehr zugänglich; GitHub verweist auf Microsoft Foundry oder GitHub Copilot. 🔗 Quelle
GitHub beschränkt Fernsteuerung auf verwaltete Geräte — neue Unternehmensoption remoteControl (requireSSO / disabled / enabled) für Copilot-Sitzungen mit Fernsteuerung, bereitstellbar über privates Repository, MDM oder Konfigurationsdatei. 🔗 Quelle
Kimi K3 (Max) übernimmt die Spitze der Fullstack Code Arena — vor GPT-5.6 Sol (xHigh) und Claude Fable 5, ein weiteres Zeichen dafür, dass offene Modelle geschlossene Modelle bei End-to-End-Entwicklungsaufgaben aufholen (siehe Inkling-Small oben). 🔗 Quelle

Was das bedeutet

Grundlagenforschung tritt aus dem Labor heraus. Claude Mythos findet neuartige Schwachstellen in einem post-quanten NIST-Kandidaten und in einer geschwächten Version von AES — ein Forschungsdurchbruch, keine produktionsreife ausnutzbare Lücke, aber ein Hinweis darauf, mit welcher Geschwindigkeit ein internes Forschungsmodell ein Feld voranbringen kann, das Menschen seit Jahrzehnten untersuchen. Am selben Tag lässt Gemini Robotics ER 2 die verkörperte Robotik vom einzelnen, gehorchenden Roboter zu mehreren Maschinen übergehen, die sich für eine gemeinsame Aufgabe koordinieren. Google Earth verankert die Bildgenerierung ebenfalls in der realen Welt: Nano Banana zeichnet keine generische Szene mehr, sondern eine Rekonstruktion oder Projektion auf Basis der Satellitenbilder eines konkreten Ortes — während Gemini Spark über Chrome vom Text zur konkreten Aktion im echten Web des Nutzers übergeht. Vier unterschiedliche Arten, wie KI an diesem 30. Juli das rein Konversationelle verlässt.

Die Inferenzökonomie kippt weiter zugunsten der Entwickler. OpenAI senkt die API-Preise für GPT-5.6 Luna um 80 % und für Terra um 20 %, während gleichzeitig ein Fast-Modus eingeführt wird, der doppelt so teuer, aber 2,5-mal schneller ist — zwei entgegengesetzte Wege, den Preis an die tatsächliche Nutzung anzupassen. Am selben Tag zeigt eine Analyse von OpenAI, dass schon eine einfache Änderung der API-Konfiguration (beibehaltenes Reasoning, Kompaktion) den Score von GPT-5.6 Sol auf ARC-AGI-3 verdreifacht und zugleich seinen Output-Token-Verbrauch durch sechs teilt — die Leistung eines Modells hängt ebenso stark vom ihn ausführenden Setup ab wie vom Modell selbst. Cognition zieht daraus eine unmittelbare Konsequenz und aktualisiert sein eigenes Benchmark FrontierCode: Mit den neuen Rabatten landet GPT-5.6 auf der Pareto-Kurve für Kosten/Leistung.

Offene Modelle holen weiter zu geschlossenen Modellen auf. Thinking Machines veröffentlicht Inkling-Small mit ab dem Launch verfügbarer NVIDIA-Hardware-Unterstützung; Sakana AI und NYU öffnen einen Datensatz und generative Modelle für Minecraft; LightOn veröffentlicht seine Sammlung mehrsprachiger Modelle für Information Retrieval — drei verschiedene Labore, die denselben Kanal wählen, den Hugging-Face-Blog, um ihre Arbeiten am selben Tag zu starten und zu dokumentieren. Kimi K3 (Max), bereits an der Spitze des Agent Arena-Rankings, erreicht auch den ersten Platz in der Fullstack Code Arena und liegt vor GPT-5.6 Sol und Claude Fable 5. Und Together AI nimmt gemeinsam mit Y Combinator genau den wahren Engpass dieses Ökosystems ins Visier: den Zugang zu Rechenleistung, indem ein dedizierter GPU-Cluster für die KI-Startups des YC-Portfolios bereitgestellt wird, ohne sie zu mehrjährigen Verpflichtungen zu zwingen.

Die Industrialisierung von Code-Agenten beschleunigt sich. Bei Cursor ist der Anteil der gemergten Pull Requests, die von Cloud-Agenten stammen, von 10 % im Dezember auf 56 % heute gestiegen. GitHub macht gestapelte Pull Requests in der Public Preview allgemein verfügbar, und Devin (Cognition) unterstützt sie am selben Tag nativ — derselbe Review-Workflow wird gleichzeitig auf Plattform- und Agentenseite übernommen. Amp Labs verkauft seinerseits inzwischen zusätzlich zur Agentenlösung auch eine menschliche Präsenz vor Ort (ein Team in Sydney bei Westpac), während GitHub Copilot in Visual Studio um einen neuen Agenten auf Basis seines SDK erweitert. Genspark und Perplexity arbeiten an einem verwandten Problem, dem Gedächtnis: SecondBrain und Projects geben ihren Agenten gleichermaßen einen persistierenden Kontext zwischen Sitzungen, eine Voraussetzung, um lange Aufgaben zu erledigen, ohne jedes Mal wieder bei Null zu beginnen.