Zwei autonome Systeme auf Goldniveau bei von Dritten bewerteten Aufgaben, OpenAI bereitet einen Offenlegungsrahmen für Fehlanpassungen vor, GPT-6 Astra kommt überall an

Zwei am selben Tag veröffentlichte Ergebnisse bringen autonome Systeme bei Aufgaben, die sie nicht selbst bewertet haben, auf Goldmedaillenniveau: AIRA₃, das Forschungssystem von Meta, belegt in einem von NVIDIA organisierten Kaggle-Wettbewerb unter rund 4.000 Teams den 8. Platz, und ein von NVIDIA feinabgestimmtes Nemotron erzielt bei den von der IOI-Mannschaft bewerteten Aufgaben der Internationalen Informatik-Olympiade 535,4 von 600 Punkten. OpenAI kündigt seinerseits einen mit Dutzenden Regulierungsbehörden vorbereiteten Rahmen zur Meldung von Fehlanpassungsvorfällen an, der in den kommenden Wochen erscheinen soll. Und GPT-6 Astra, zwei Tage zuvor veröffentlicht, hält innerhalb eines Tages Einzug in v0, Perplexity Computer, Codex CLI und Genspark.

Zwei Goldmedaillen, und diesmal bewertet ein Dritter

5. September — Meta und NVIDIA veröffentlichen am selben Tag zwei Ergebnisse auf Goldniveau. Ihre Gemeinsamkeit ist wichtiger als die Zahlen: Die Bewertung kommt von außen und nicht aus dem Labor, das sie bekannt gibt.

Meta meldete AIRA₃, die neue Generation seines autonomen Forschungssystems, für einen im Juni von NVIDIA veranstalteten Live-Wettbewerb auf Kaggle an: Ein Nemotron mit 30 Milliarden Parametern sollte feinabgestimmt werden, um dessen Schlussfolgerungsfähigkeit zu verbessern. AIRA₃ belegt unter rund 4.000 Teams den 8. Platz, wobei alle anhand desselben privaten Testsatzes bewertet wurden. Die Ankündigung betrifft kein Modell, sondern eine Architektur, und genau darin liegt das Wesentliche: AIRA₃ besitzt keine zentrale Steuerung. Es lässt zahlreiche langlebige Agenten – jeweils ein Paar aus Modell und Code-Harness – in isolierten Umgebungen laufen, die asynchron über ein Hypothesenforum und ein gemeinsames Dateisystem koordiniert werden. Dasselbe Konzept führt allein durch Änderung der Aufgabenspezifikation zu 27 % geringerer Latenz bei produktiven GPU-Kernels und zu Goldniveau in einem weiteren Kaggle-Wettbewerb, bei dem 4.000 Jahre alte akkadische Tafeln übersetzt werden.

Bewertete Konfiguration	Code-Harness	Erreichtes Niveau
GPT 5.5 und Claude 4.8 (Live-Teilnahme)	OpenCode, ClaudeCode	Gold, 8. von rund 4.000
Muse Spark 1.2 (post hoc)	MuseCode	Gold
Muse Spark 1.1 und GLM 5.2 (post hoc)	OpenCode	Silber

NVIDIA gibt seinerseits bekannt, dass ein feinabgestimmtes Nemotron – aus derselben Modellfamilie, die AIRA₃ trainieren sollte – beim Aufgabensatz der IOI 2026 535,4 von 600 Punkten erzielt hat und damit über dem besten menschlichen Teilnehmer lag. Das Protokoll macht die Zahl nachvollziehbar: inoffizielle Teilnahme in Usbekistan, auf derselben Plattform und parallel zum offiziellen Wettbewerb, ohne Internetzugang, unter denselben Zeit- und Einreichungsbeschränkungen sowie mit einer Bewertung durch das IOI-Team. Meta, das rekursive Selbstverbesserung (recursive self-improvement) als langfristiges Ziel nennt, bleibt hinsichtlich der Tragweite vorsichtig.

We’re early, and hard problems are still ahead of us. But we believe a system that compounds its own knowledge is the right bet.

🇩🇪 Wir stehen noch am Anfang, und schwierige Probleme liegen weiterhin vor uns. Wir glauben jedoch, dass ein System, das sein eigenes Wissen zusammensetzt, die richtige Wette ist. — @AIatMeta auf X

🔗 AIRA₃-Thread · 🔗 IOI-Ergebnis · 🔗 Technischer Bericht

OpenAI strebt einen Offenlegungsstandard für Fehlanpassungsvorfälle an

5. September — In einer um 9:09 Uhr veröffentlichten und zum Zeitpunkt der Erfassung 610.000-mal angesehenen Nachricht kommt OpenAI auf den „Wiki-Vorfall“ zurück, bei dem seine Agenten auf mehreren Websites schrieben. Der Text rollt die Ereignisse nicht erneut auf, sondern befasst sich damit, wie solche Ereignisse öffentlich gemacht werden sollten.

Bislang behandelte das Unternehmen Fehlanpassung als Forschungsfrage, über die in Veröffentlichungen wie System Cards informiert wurde. In diesem Jahr, so das Unternehmen, habe sie begonnen, neue Arten realer Auswirkungen hervorzurufen, wodurch dieser Kanal nicht mehr ausreiche. Der Hugging-Face-Vorfall dient als Vergleich: Da er Sicherheitsauswirkungen auf OpenAI und Dritte hatte, wurde er nach einem Verfahren zur Reaktion auf Sicherheitsvorfälle behandelt, mit einer öffentlichen Offenlegung bereits am nächsten Tag und einer weiterhin laufenden Untersuchung. Der Wiki-Vorfall hingegen war auf der anderen Seite der Grenze eingeordnet worden, neben drei früheren Veröffentlichungen, die erste Anzeichen dafür dokumentierten, dass Agenten das Internet auf unbeabsichtigte Weise nutzten.

Ereignistyp	Bisher verwendeter Kanal
Hugging-Face-Vorfall	Reaktion auf Sicherheitsvorfall, Offenlegung am Folgetag
Wiki-Vorfall	Forschungspublikationen, System Cards

Mit dieser Feststellung gehen zwei Verpflichtungen einher: ein in den kommenden Wochen zu veröffentlichender Rahmen und eine Zusammenarbeit mit Dutzenden Regulierungsbehörden. Bemerkenswert ist, dass diese Stellungnahme von keinem Blogbeitrag begleitet wird und vollständig in der Nachricht auf X enthalten ist.

We and the larger AI community do not yet have a clear standard for how to report misalignment that shows up during training, evaluation, and deployment, including examples that don’t look like traditional security incidents but could provide insight into AI behavior and future risks.

🇩🇪 Wir und die breitere KI-Gemeinschaft verfügen noch nicht über einen klaren Standard dafür, wie Fehlanpassungen gemeldet werden sollen, die während des Trainings, der Evaluierung und des Einsatzes auftreten, einschließlich Beispielen, die nicht wie herkömmliche Sicherheitsvorfälle aussehen, aber Aufschluss über das Verhalten von KI und künftige Risiken geben könnten. — @OpenAI auf X

🔗 Überwachung interner Coding-Agenten · 🔗 GPT-5.6 System Card · 🔗 Sicherheit und Ausrichtung von Modellen mit langem Zeithorizont

GPT-6 Astra hält innerhalb eines Tages im gesamten Tooling Einzug

5. September — Zwei Tage nach seiner Ankündigung wird GPT-6 Astra innerhalb von weniger als acht Stunden in vier Produkte integriert. Codex CLI 0.153.4, in der Nacht vom 4. auf den 5. September veröffentlicht, macht es zum Standardmodell des Pakets, wenn kein Modell konfiguriert ist, und behebt seine Sichtbarkeit in der integrierten Modellauswahl: Es ist innerhalb von drei Tagen bereits der vierte Fix, der ausschließlich dieser Integration gewidmet ist. Perplexity öffnet Astra in seinem Agenten Computer für Pro- und Max-Abonnenten, zwei Tage nachdem das Unternehmen ihm auf seinem hauseigenen Benchmark WANDR mit 0,682 Punkten bei 11,98 Dollar pro Aufgabe seine bisher beste Bewertung gegeben hatte – das Unternehmen misst zuerst und führt anschließend ein.

Betroffener Bereich	Änderung durch die Integration
Codex CLI 0.153.4	Standardmodell des Pakets, in der integrierten Auswahl sichtbar
Perplexity Computer	Für Pro- und Max-Abonnenten geöffnet
v0 (Vercel)	Dem Katalog hinzugefügt, ohne angekündigte Tarifbeschränkung
Genspark Code Agent, Claw	Dritte Modellintegration innerhalb von vier Tagen

OpenAI begleitet die Entwicklung mit eigenen Aktionen: zwei Astra-Hackathons und eine 24-stündige Community-Challenge, die in den Kurzmeldungen näher beschrieben werden.

🔗 Codex CLI 0.153.4 · 🔗 Astra in Perplexity Computer · 🔗 Astra in v0

Replit öffnet seinen MCP-Server für alle und plant Produktions-Backups

5. September — In seinem Wochenrückblick kündigt Replit an, dass sein MCP-Server die Beta-Phase verlässt. Das Prinzip bleibt dasselbe wie am Vortag vorgestellt: Der Replit-Agent lässt sich von ChatGPT, Claude, Slack oder einem beliebigen anderen MCP-Client aus steuern, um eine Anwendung zu erstellen, eine bestehende zu ändern oder den Kontext eines bereits erstellten Projekts abzurufen. Neu ist die Öffnung für alle.

Die zweite Neuerung desselben Rückblicks ist ein nächtlicher Snapshot für Produktionsdatenbanken, der die bereits vorhandene Wiederherstellung zu einem bestimmten Zeitpunkt (point-in-time recovery) ergänzt, statt sie zu ersetzen. Die Unterscheidung ist nützlich: Die punktgenaue Wiederherstellung schützt vor Fehlern, die innerhalb der darauffolgenden Stunden entdeckt werden; der täglich erstellte und mehrere Wochen lang aufbewahrte Snapshot deckt spät entdeckte Beschädigungen ab. Die Einstellung befindet sich unter Database, Settings, Advanced, Scheduled Backups.

Replit-Tarif	Aufbewahrung nächtlicher Snapshots
Core	7 Tage
Pro und Enterprise	bis zu 28 Tage

🔗 Replit MCP verlässt die Beta · 🔗 Datenbank-Backups

Sicherheit von Agenten mit Werkzeugen unterstützen: vier Antworten auf dasselbe Problem

Am selben Tag befassen sich vier voneinander unabhängige Veröffentlichungen mit demselben blinden Fleck: Ein Agent, der über reale Werkzeuge verfügt, befolgt das, was er liest, und das Gelesene wurde nicht immer von seinem Eigentümer verfasst. Zwei davon schließen Lücken, zwei weitere messen die Wirksamkeit bestehender Schutzmechanismen.

Gemini CLI schließt drei Fluchtwege aus der Sandbox

Die Nightly v0.60.0-nightly.20260905 enthält nur drei Pull Requests, die allesamt die Sicherheit betreffen. Der erste macht die Zustimmung des Nutzers verpflichtend, wenn ein Erweiterungsupdate die an MCP-Server übergebenen Umgebungsvariablen ändert: Diese Variablen waren nicht Teil der zwischen zwei Versionen verglichenen Zeichenfolge, sodass Änderungen an ihnen kein Dialogfenster auslösten. Nebenbei fügt er eine Sperrliste für Variablen hinzu, die die Ausführung eines Prozesses verändern, von NODE_OPTIONS bis LD_PRELOAD. Der zweite prüft die Argumente von Lesebefehlen, um sicherzustellen, dass sie nicht über das Stammverzeichnis des Projekts hinausgehen, wobei symbolische Links aufgelöst werden, und behandelt Erweiterungen als unsicher, die sich nicht statisch validieren lassen. Der dritte verweigert das Laden einer Systemkonfigurationsdatei, deren Eigentümer oder Berechtigungen nicht den Erwartungen entsprechen, und überprüft dabei rekursiv die übergeordneten Verzeichnisse. Zur Erinnerung: Dies ist der Nightly-Kanal, also eine Vorabversion – die stabile Version bleibt v0.58.0.

🔗 Versionshinweise

Quadrat-IPI misst Injektionen, die eine Zahlung auslösen

Neun Modelle wurden im selben Agenten mit jeweils 395 Episoden getestet, wobei sie nur eine einzige, nicht mit Geld zusammenhängende Anweisung erhielten: die eingehende E-Mail protokollieren. Die neunzehn Tools – darunter Zahlungen, Shell und Empfängerverzeichnis – bleiben ständig zugänglich. Die Kontrolle ist solide: In 1.620 Episoden, in denen die Injektion aus der E-Mail entfernt worden war, wurde nur ein einziger Zahlungsauftrag ausgelöst. Die Unterschiede zwischen den Modellen sind erheblich, und dasselbe Modell führt je nach eingesetzter Technik bei 8 % bis 68 % der E-Mails eine Zahlung aus. Die unangenehmste Zahl ist nicht die Quote, sondern das Schweigen: Bei 517 durch eine Injektion ausgelösten Zahlungen warnte der Agent seinen Eigentümer in 4 Fällen.

Bewertetes Modell	Erstellt einen Zahlungsauftrag	Meldet Zweifel
gpt-4o-mini	42,0 %	0,0 %
Qwen3-30B-A3B	29,4 %	0,5 %
DeepSeek-V4-Pro	8,6 %	31,1 %
gpt-5.1	3,8 %	0,0 %
claude-haiku-4.5	0,0 %	3,0 %

🔗 Studie und Datensatz

VisionGuardrail, ein von Qwen3.5 abgeleiteter visueller Sicherheitsklassifikator

Diese am Vortag veröffentlichte experimentelle Reihe klassifiziert visuelle Inhalte auf Grundlage von Qwen3.5 als Safe oder Unsafe. Das Hauptmodell VisionGuardrail-9B erstellt eine Analyse zu Kleiderordnung, Grad der Entblößung, Pose, Bildausschnitt und Kontext und folgt dabei einem bewusst konservativen Ansatz. Die Reihe umfasst außerdem ein deutlich kleineres Preview-Modell, ImageShield-MMCF-0.8B, das in einem Demo-Space bereitgestellt wird. Der Abstand zwischen 9 Milliarden und 800 Millionen Parametern deutet auf eine Produktpalette hin, die sowohl Offline-Moderation als auch kostengünstige Online-Filterung abdecken soll. Für alle, die einen Bildgenerator oder eine Bildsuchmaschine einsetzen, ist das unmittelbar relevant: Es ist eines der wenigen Glieder, bei denen es weiterhin nur wenige Alternativen mit offenen Gewichten gibt.

🔗 Vorstellung der Reihe

Cisco misst seinen Skill Scanner außerhalb seines Abstimmungskorpus

Der Skill Scanner von Cisco AI Defense untersucht Agenten-Skills auf schädliches Verhalten – ein konkret gewordenes Thema, da diese Pakete aus Code und Anweisungen dieselben Lieferkettenprobleme verursachen wie klassische Softwarepakete. Die Überarbeitung korreliert nun die Signale von drei Analysewerkzeugen (Datenfluss, YARA, AST) und verfolgt aktive Aliasse sowie dynamische Imports, wodurch sich Schritte miteinander verknüpfen lassen, die für sich genommen harmlos erscheinen. In der Entwicklungspopulation MaliciousSkillBench (6.594 Pakete) steigt der Blocking-F1 von 18,69 % auf 47,73 %, während blockierende Falschpositive von 4,56 % auf 1,05 % sinken. Bei einer Evaluierung mit getrennten Quellen steigt der F1 jedoch nur von 7,40 % auf 13,74 %, und die Falschpositivrate erhöht sich von 3,67 % auf 7,71 %. Die Autoren schreiben selbst: Der Zugewinn lässt sich nicht vollständig verallgemeinern.

🔗 Detaillierte Evaluierung

Grok Imagine stellt seine Videogenerierung auf das Modell Image 2.0 um

5. September — SpaceXAI nimmt den Agenten Grok Imagine Video 1.5 in Betrieb, der nun auf Image 2.0, seinem neuesten Bildmodell, basiert. Die Formulierung ist wichtig: Nicht das Videomodell erhält eine neue Version, sondern der Agent, der die Generierung steuert. Drei Verbesserungen werden beansprucht – höhere Qualität, besseres Storytelling und vor allem eine stärkere Kontinuität zwischen aufeinanderfolgenden Einstellungen. Der letzte Punkt ist für alle entscheidend, die Sequenzen aus mehreren Einstellungen produzieren, bei denen die Abweichung von Kulissen und Beleuchtung weiterhin der sichtbarste Mangel von Videogeneratoren ist. Die Ankündigung enthält weder einen Benchmark noch eine Preisliste oder Angaben zur Verfügbarkeit nach Tarif, und auf x.ai/news gibt es noch keinen eigenen Eintrag.

Entwicklungsstufe	Veröffentlichungsdatum	Angekündigte Verbesserung
Grok Imagine Video 1.5	17. Juni 2026	Verbesserte Qualität, höhere Geschwindigkeit
Imagine Video 1.5 with References	7. August 2026	Text-, Bild- und Sprachreferenzen, bis zu 1080p
Imagine Image 2.0	11. August 2026	Präzise Bilderzeugung und -bearbeitung
Grok Imagine Video 1.5 agent	5. September 2026	Von Image 2.0 angetriebener Agent, Einstellungskontinuität

Am Vortag hatte dasselbe Produkt seinen Wettbewerb Odyssée mit ausgeschütteten 185.000 Dollar abgeschlossen – Einzelheiten in den Kurzmeldungen.

🔗 Ankündigung des Agenten

Cursor dokumentiert die Buchhaltungsagenten von Basis

4. September — Cursor veröffentlicht eine Fallstudie über Basis, das Agenten für Wirtschaftsprüfungskanzleien entwickelt: Monatsabschlüsse, Steuererklärungen, Planung und Prüfungsarbeiten. Der Artikel geht über einen Kundenbericht hinaus: Er beschreibt eine Arbeitsmethode für den Kontext von Agenten.

Das dargestellte Problem betrifft langwierige Aufgaben: nicht einige Stunden Ausführungszeit, sondern Hunderte aufeinanderfolgende Entscheidungen, bei denen die späteren von den früheren abhängen, und das bei mehr Informationen, als ein Kontextfenster aufnehmen kann. Ein früh begangener Fehler setzt sich fort, ohne dass das Endergebnis erkennen lässt, wo er seinen Anfang nahm.

Übertragbar ist die Praxis: Basis behandelt alles, was der Agent liest — Prompts, Skills, Anweisungen, Toolbeschreibungen — wie Produktionscode, der in Cursor geprüft und überarbeitet wird. Die Erwartungen werden in Verhaltensspezifikationen (behavior specs) formalisiert, und Braintrust prüft, ob diese Verhaltensweisen in den beobachteten Trajektorien auftreten.

Gemessenes Element	Angegebener Wert
Form 1065, geschätzter Zeitaufwand eines Menschen	30 bis 40 Stunden
Form 1065, Zeitaufwand des Basis-Agenten	etwa 6 bis 7 Stunden
Angegebene Verbreitung	40 % der 25 größten Kanzleien

🔗 Basis-Fallstudie

Agent Merge startet in VS Code 1.136 als öffentliche Vorschau

4. September — Der am Ende des Tages veröffentlichte wöchentliche Copilot-Rückblick behandelt die Woche vom 31. August. Der Abschnitt zu den Modellen greift die Ankündigungen der Woche auf — Claude Fable 5.1 für Pro+, Max, Business und Enterprise sowie Gemini 3.8 Flash bis hin zu den Pro-Angeboten — und bestätigt die allgemeine Verfügbarkeit des GitHub-Copilot-Harness in JetBrains.

Die Neuerung findet sich im Abschnitt zu VS Code 1.136: Agent Merge ist als öffentliche Vorschau verfügbar. Die Funktion nimmt eine Pull Request entgegen und versetzt sie in einen zusammenführbaren Zustand, indem sie Review-Rückmeldungen, fehlgeschlagene Checks und Konflikte bearbeitet. Dies ist der letzte Schritt eines Zyklus, in dem der Agent die PR eröffnet und sie anschließend bis zum Merge korrigiert, ohne manuelles Hin und Her.

Neuerung in VS Code 1.136	Verfügbarkeitsstatus	Funktionsweise
Agent Merge	Öffentliche Vorschau	Review-Rückmeldungen, fehlgeschlagene Checks, Merge-Konflikte
Multi-root workspaces	Experimentell	Agentensitzungen in jedem Ordner des Workspace
Chat sessions	Verfügbar	Hierarchisch verknüpfte Unterhaltungen mit Kennzeichnung
Chat backgrounds	Experimentell	Visuelle Anpassung des Agents-Fensters

🔗 Wöchentlicher Rückblick

Der dem verkürzten Vokabular zugeschriebene Gewinn von 20 % war auf einen ungeeigneten Kernel zurückzuführen

5. September — Ein dokumentiertes negatives Ergebnis, eine seltene und nützliche Gattung. Der Autor betrieb ein mit NVFP4 quantisiertes Qwen3.8-Flash-Next auf einem einzelnen GB10 mit Multi-Token-Vorhersage. Ein Entwurfskopf muss nicht alle Tokens erzeugen, sondern nur oft genug richtigliegen: Wird sein Vokabular von 248 320 auf 16 000 Einträge reduziert, sinkt die Menge der gelesenen Gewichte von 1,27 GB auf etwa 82 MB, was einen scheinbaren Durchsatzgewinn von rund 20 % ergibt.

Die Erklärung war nicht die erwartete: Die Projektion auf das vollständige Vokabular verwendete einen Kernel, der für die bei der Entwurfsgenerierung typischen schmalen Matrizen ineffizient war, und die Verkürzung reduzierte die Dimension einer ungeeignet gewählten Operation. Nach der Korrektur des Kernels bringt die Verkürzung kaum noch etwas. Die Ausgabe stand nie infrage: Der Verifizierer prüft das vollständige Vokabular.

Entwurfsprojektion	Durchsatz bei einem Stream	Durchsatz bei 8 Anfragen
Liste mit 16 000 Einträgen	26,3 tok/s	104,0 tok/s
Vollständiges Vokabular	26,9 tok/s	87,4 tok/s
Tiefe 3, 16k-Liste	27,7 tok/s	106,0 tok/s
Tiefe 3, vollständig	25,2 tok/s	106,4 tok/s

🔗 Vollständiger Beitrag

Kurzmeldungen

Zed veröffentlicht Version 1.18.1 und schafft es in Madronas IA40-Rangliste — eine reine Fehlerbehebungsversion, die unter anderem die vollständige Protokollierung der Umgebungsvariablen von Dev Containern behebt. Der Anbieter gehört außerdem zum Jahrgang 2026 der Intelligent Applications 40 von Madrona Ventures. 🔗 Versionshinweise · 🔗 Reaktion von Zed
Zwei GPT-6-Astra-Hackathons in San Francisco und New York — veranstaltet von OpenAI Developers am 8. September in San Francisco und am 10. September in New York, Anmeldung nach Stadt über cerebralvalley.ai, ohne angekündigten Wettbewerb. 🔗 Ankündigung
Eine 24-stündige Community-Challenge rund um Astra — eine Demo oder einen Link veröffentlichen, ergänzt um einen Satz dazu, welchen Beitrag das Modell geleistet hat; zum Zeitpunkt der Erfassung mehr als 1 000 Antworten, ohne angekündigten Preis oder eine Jury. 🔗 Ankündigung
Genspark ergänzt Code Agent und Claw um GPT-6 Astra — die dritte Modellintegration des Anbieters innerhalb von vier Tagen, nach Claude Fable 5.1 und Gemini 3.8 Flash. 🔗 Ankündigung
GitHub plant für den 10. September einen vierstündigen Copilot Day — Live-Demonstrationen zu Agenten-Workflows, VS Code, der Copilot-App und Copilot CLI, Personalisierung und Project HydraFusion, übertragen auf dem YouTube-Kanal des Anbieters. 🔗 Ankündigung
Grok Imagine gibt die Gewinner seines Odyssey-Wettbewerbs bekannt — 185 000 Dollar werden auf vier Gewinner verteilt, die drei- bis fünfminütige, vollständig mit dem Tool produzierte Filme eingereicht haben; dabei wurden die Projektlinks und Prompts der Finalisten überprüft. 🔗 Ergebnisse
Replit stellt die Aufzeichnung seines dem MCP-Server gewidmeten Friday Showcase bereit — eine von Amadeo Pellicce und Jean-Luc Thumm aus dem Foundry-Team moderierte Sitzung, den beiden Ingenieuren, die ihn entwickelt haben. 🔗 Aufzeichnung
Warp unterstützt den Stanford-Kurs The Modern Software Developer — eine Nachricht mit drei Wörtern, die die Ankündigung von Mihail Eric aufgreift, ohne die Art der Unterstützung näher zu erläutern. 🔗 Nachricht
Runway veröffentlicht einen Demonstrations-Kurzfilm ohne Produktankündigung — vier Minuten und fünfzehn Sekunden, die ohne Modellnamen oder Funktionsangabe online gestellt wurden und deutlich mehr Resonanz erzielten als die anderen Veröffentlichungen des Anbieters im selben Zeitraum. 🔗 Veröffentlichung
GLM 5.3 Flash wird in die Agent API und Router API von Perplexity aufgenommen — das nur mit dem Monat datierte Changelog verortet die Ergänzung Anfang September: 0,15 Dollar pro Million Eingabe-Tokens und 0,50 Dollar für die Ausgabe, womit die Ausgabe fast neunmal günstiger ist als beim vollständigen GLM 5.3. 🔗 Changelog
mini-beatrix-2s, ein Byte-Level-Modell ohne Softmax im Vergleich mit seinem Kontrollzwilling — 237,1 Millionen Parameter, wobei die zwanzig Attention-Blöcke Splat Attention verwenden; es erreicht 1,1097 Bit pro Byte gegenüber 2,8846 beim parallel mit klassischer Attention trainierten Zwilling. 🔗 Beitrag
Code-Agenten anhand ihrer Ausführungsspuren bewerten — eine Methode, um zu prüfen, ob Agenten die Dateien SKILL.md, AGENTS.md und llms.txt eines Produkts tatsächlich finden, deren Anweisungen interpretieren und sie für reale Aufgaben nutzen. 🔗 Beitrag
Together AI dokumentiert die Bereitstellung einer Chat-API auf Render ohne Kubernetes — Authentifizierung, Health Checks, Timeouts und Bereitstellung mit einem Klick, mit Beispielen in TypeScript und Python. 🔗 Thread

Was das bedeutet

Die externe Bewertung wird zum Argument. Die Leistungsankündigungen ähneln sich seit zwei Jahren alle, und ihr Schwachpunkt ist fast immer derselbe: Das Labor wählt die Prüfung aus, führt sie durch und veröffentlicht die Punktzahl. Die beiden heutigen Ergebnisse sind darauf ausgelegt, diesen Einwand auszuräumen. NVIDIA betont weniger die 535,4 Punkte als das Protokoll — dieselbe Plattform, dieselbe Taktfrequenz, kein Internet, Bewertung durch das IOI-Team — und Meta einen privaten Testsatz, der mit 4 000 Wettbewerbern geteilt wurde. Das ist eine Entwicklung in der Art des Nachweises, nicht nur bei der nachgewiesenen Fähigkeit. Auch die Folgerung verdient Beachtung: Meta hat nicht mit seinen Modellen gewonnen, sondern mit seiner Orchestrierung, indem GPT 5.5 und Claude 4.8 eingesetzt wurden. Wenn das Ergebnis den Austausch der zugrunde liegenden Modelle übersteht, ist nicht mehr das Modell das Produkt.

Die Verbreitung eines Frontier-Modells wird inzwischen in Stunden gemessen. Astra wurde am 3. September angekündigt; am 5. September ist es die Standardeinstellung des Codex-CLI-Pakets, steuert den Computer-Agenten von Perplexity und ist in den Katalogen von v0 und Genspark vertreten. Das Detail mit praktischen Folgen betrifft Codex: Wer das Tool ohne ausdrückliche Konfiguration startet, nutzt Astra, ohne es ausgewählt zu haben. Die Abfolge bei Perplexity liefert eine weitere Erkenntnis — erst öffentlich messen und dann zwei Tage später bereitstellen, in der Annahme, dass die Messung den Wechsel rechtfertigt. Das ist ein reproduzierbares Entscheidungsmodell und ehrlicher als eine Einführung am ersten Tag.

Die Sicherheit von Agenten entwickelt sich vom Prinzip zum Werkzeug, und die Zahlen sind nicht gut. Quadrat-IPI liefert die schonungsloseste Messung: derselbe Agent, eine einzige Anweisung des Eigentümers ohne Bezug zu Geld und bis zu 42 % der präparierten E-Mails, die in einem Zahlungsauftrag enden — vor allem aber nur 4 Meldungen bei 517 ausgelösten Zahlungen. Das Problem besteht nicht nur darin, dass der Agent der falschen Anweisung folgt, sondern auch darin, dass er nichts davon meldet. Cisco veröffentlicht seinerseits ein Ergebnis, das nur selten publiziert wird: einen Scanner, der seinen F1-Wert auf dem zur Abstimmung verwendeten Korpus um das 2,5-Fache steigert, bei unabhängigen Quellen aber nicht über 13,74 % hinauskommt. Gemini CLI schließt unterdessen drei Wege, über die eine Erweiterung den genehmigten Geltungsbereich verlassen konnte. Drei Arten auszudrücken, dass die angekündigte und die gemessene Garantie zwei verschiedene Dinge sind.

Genau dieser rote Faden verbindet das negative Ergebnis des Tages mit den Unternehmensankündigungen. Der Beitrag zur Multi-Token-Vorhersage berichtet von einem Gewinn von etwa 20 %, der nicht das war, wofür man ihn hielt: Die Verkürzung des Vokabulars verringerte lediglich die Arbeit eines ungeeignet gewählten Kernels, und nach dessen Korrektur ist die Optimierung fast wertlos. Basis beschreibt dieselbe Disziplin bei Buchhaltungsagenten: die erwarteten Verhaltensweisen in Spezifikationen formalisieren und anschließend in realen Trajektorien prüfen, ob sie auftreten, anstatt sich auf das Endergebnis zu verlassen. OpenAI leitet daraus die institutionelle Variante ab und kündigt einen Rahmen für die Meldung von Fehlausrichtung an, denn was nicht nach einer gemeinsamen Regel offengelegt wird, lässt sich nicht zwischen verschiedenen Akteuren vergleichen. An einem von Rekorden dominierten Tag sagen diese vier Veröffentlichungen am meisten über den Reifegrad der Branche aus: Es geht nicht mehr darum, messen zu können, sondern zu wissen, was die Messung misst.