Anthropic entdeckt einen globalen Arbeitsraum in LLMs (J-space), Runway eröffnet einen physical-AI-Hub in Paris, Claude Code erklärt agentische Schleifen

Der 6. Juli markiert einen dichten Tag zwischen grundlegender Interpretierbarkeit und physischer Infrastruktur: Anthropic veröffentlicht eine Forschung zum J-space, einem globalen Arbeitsraum, der in LLMs entdeckt wurde und an neurowissenschaftliche Theorien des Bewusstseins erinnert; Runway kündigt sein erstes Büro in Frankreich mit 30 Mio. USD Investitionen in die Forschung zu physical AI an; und das Claude-Code-Team dokumentiert endlich die vier Arten agentischer Schleifen, die autonome Workflows strukturieren. Auf der Open-Source-Seite präzisieren LeRobot v0.6.0 und die Partnerschaft Google DeepMind × Apptronik die Anatomie der Robotik-KI im Jahr 2026.

Anthropic-Forschung — Der J-space, globaler Arbeitsraum in LLMs

6. Juli — Anthropic veröffentlicht auf transformer-circuits.pub eine neue Forschung zur Interpretierbarkeit: LLMs besitzen einen Mechanismus, der dem in den kognitiven Neurowissenschaften beschriebenen global workspace (globalen Arbeitsraum) ähnelt — eine aktive, bewusste, für das Denken zugängliche Informationszone. Dieser Mechanismus, J-space genannt, entsteht in Sprachmodellen ganz natürlich, ohne explizit entworfen worden zu sein.

Die Forschung zeigt, dass, genau wie das menschliche Gehirn nur einen Bruchteil seiner neuronalen Aktivität dem Bewusstsein zugänglich macht, LLMs ihr aktives Denken in diesem begrenzten Raum konzentrieren. Diese Entdeckung hat drei konkrete Auswirkungen:

Lesen, worüber Claude in einem gegebenen Moment aktiv nachdenkt
Prüfen der Zwischenzustände des Denkprozesses
Steuern des Denkprozesses des Modells während seiner Ausführung

Der X-Thread von Anthropic verweist auf eine interaktive Demo, die über Neuronpedia auf Open-Weights-Modellen verfügbar ist und das direkte Erkunden des J-space ermöglicht. Die Forschung ist Teil von Anthropic’s Programm zur mechanistischen Interpretierbarkeit (mechanistic interpretability), das darauf abzielt, die internen Repräsentationen der Modelle zu verstehen, um ihre Zuverlässigkeit mit zunehmender Leistungsfähigkeit zu gewährleisten.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇩🇪 Neue Forschung von Anthropic: ein globaler Arbeitsraum in Sprachmodellen. Von allem, was in Ihrem Gehirn gerade passiert, ist nur ein winziger Bruchteil bewusst zugänglich — die Gedanken, die Sie beschreiben, im Kopf behalten und logisch durchdenken können. Wir haben eine überraschend ähnliche Dynamik in Sprachmodellen entdeckt. Der J-space ermöglicht es uns, zu lesen, zu prüfen und zu steuern, worüber Claude aktiv nachdenkt — nützliche Werkzeuge, um die Zuverlässigkeit der Modelle zu sichern, während sie an Leistungsfähigkeit gewinnen. Und er legt überraschende Parallelen zwischen Sprachmodellen und unserem eigenen Geist nahe. — @AnthropicAI auf X

🔗 Vollständiges Papier — transformer-circuits.pub

Runway eröffnet sein erstes Büro in Frankreich in Paris

6. Juli — Runway kündigt die Eröffnung seines ersten französischen Büros in Paris an, das sich der Forschung zu world models (Weltmodelle) und physical AI (physischer KI) widmet. Dieser Hub ist Teil der europäischen Expansion von Runway, sechs Wochen nach der Eröffnung seines ersten Londoner Büros.

Element	Detail
Ort	Paris, Frankreich
Anfangsteam	10 Personen
Investition	30 Mio. USD
Schwerpunkt	World models, physical AI
Rekrutierung	Paris + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇩🇪 „Frankreich verfügt über eine der tiefsten Konzentrationen an Talenten in der KI-Forschung weltweit. Wir freuen uns sehr, unsere Flagge in Paris zu hissen, während wir unsere globale Forschungspräsenz weiter ausbauen.“ — Anastasis Germanidis, Co-CEO, Runway

Der Co-CEO verweist auf die Dichte der Talente aus den großen französischen Forschungseinrichtungen und auf die Unterstützung der Regierung als entscheidende Faktoren. Runway rekrutiert aktiv in Paris und in ganz Europa. Die Investition von 30 Mio. USD positioniert Paris als Zentrum für Grundlagenforschung, komplementär zum auf Kommerzialisierung ausgerichteten Londoner Hub.

🔗 Offizielle Ankündigung von Runway

Claude Code — Leitfaden zu den vier Arten agentischer Schleifen

6. Juli — Das Claude-Code-Team veröffentlicht über @ClaudeDevs einen fundierten Leitfaden, der bereits 316.000 Mal angesehen wurde, zur Gestaltung agentischer Schleifen. Der Leitfaden geht von einer präzisen Definition aus: Eine Schleife ist ein Agent, der Arbeitszyklen wiederholt, bis eine Stoppbedingung erreicht ist.

Schleifentyp	Auslöser	Stoppbedingung	Claude-Code-Primitiv	Typischer Anwendungsfall
Schritt für Schritt (turn-based)	Benutzer-Prompt	Claude hält die Aufgabe für erledigt	Agentic loop	Kurze und explorative Aufgaben
Zielorientiert (goal-based)	Prompt + explizites Kriterium	Kriterium erreicht oder max. Anzahl an Schritten	`/goal`	Aufgaben mit überprüfbarem Ausstiegskriterium
Zeitbasiert (time-based)	Zeitintervall	Abbruch oder Arbeitsende	`/loop`, `/schedule`	Wiederkehrende Arbeit oder externe Systeme
Proaktiv (proactive)	Ereignis oder Zeitplan ohne Mensch	Ende jeder Teilaufgabe	Dynamic workflows + auto mode	Klar definierte wiederkehrende Workflows

Konkrete Beispiele im Leitfaden: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). Der Leitfaden behandelt außerdem das Management der Codequalität in langen Schleifen (SKILL.md für die Selbstprüfung, zweiter Agent für das Gegenlesen) und die Steuerung des Tokenverbrauchs (Auswahl des passenden Modells, klare Abbruchkriterien).

🔗 Thread @ClaudeDevs — Einstieg in Schleifen

Regierung von Alberta — 466 Millionen Zeilen in 20 Stunden geprüft

6. Juli — Anthropic veröffentlicht einen detaillierten Anwendungsfall der Regierung von Alberta (Kanada): Seit 2025 nutzt die Provinz Claude Code mit den Modellen Opus und Sonnet, um die Sicherheit ihrer staatlichen IT-Systeme zu prüfen. Die Ergebnisse sind beeindruckend.

Metrik	Wert
Gescannte Codezeilen	466 Millionen
Dauer des Scans	20 Stunden
Parallele Agenten	~50 (Opus + Sonnet)
Abgedeckte Anwendungen	1.280
Abgedeckte Repositories	3.400
Betroffene Ministerien	27
Sicherheitsprüfungen pro Durchgang	~95

Die Architektur basiert auf zwei Arten von Agenten, die mit dem Claude Agent SDK erstellt wurden: einem „Red-Team“-Agenten, der Anwendungen wie ein Angreifer untersucht, und einem „Blue-Team“-Agenten, der die Abwehrmaßnahmen nach einem internationalen Sicherheitsstandard bewertet und den Remediationsplan ausarbeitet. Ein 25 Jahre altes Java-Förderportal wurde in 4 bis 5 Tagen neu aufgebaut (statt ursprünglich 5 Monaten). Alberta veröffentlicht technische Whitepaper, damit andere Regierungen den Ansatz reproduzieren können.

🔗 Fallstudie — anthropic.com

Sakana AI startet Sakana Translate — JA/EN/ZH-Übersetzung in Echtzeit

6. Juli — Sakana AI, ein in Tokio ansässiges Labor, das auf bio-inspirierte neuronale Netze spezialisiert ist, startet Sakana Translate, integriert in seinen Dienst Sakana Chat. Das Tool unterstützt die bidirektionale Übersetzung Japanisch ↔ Englisch ↔ Chinesisch mit drei unterschiedlichen Modi:

Modus	Funktionsweise
Translate	Längere Übersetzung in Echtzeit
Proofread	Verfeinert Ton und Formulierung mit Änderungsverfolgung
Ask	Klärt nuancierte Wortwahl

Dieser Start markiert den Einstieg von Sakana AI in Übersetzungstools für Endnutzer, mit einer bewusst auf die drei großen ostasiatischen Sprachen ausgerichteten Positionierung. Der Dienst ist unter translate.sakana.ai verfügbar.

🔗 Tweet von Sakana AI

HuggingFace LeRobot v0.6.0 — World Models, Reward Models, 9 Benchmark-Familien

5.-6. Juli — HuggingFace veröffentlicht LeRobot v0.6.0 unter dem Titel „Imagine, Evaluate, Improve“, eine Version, die robotisches Lernen in drei komplementären Achsen strukturiert.

Politiken mit Weltmodell:

Politik	Beschreibung
VLA-JEPA	Kompaktes VLA (Qwen3-VL-2B), das die Zukunft im latenten Raum vorhersagt
LingBot-VA	Autoregressives Video-Action-Modell, das Zukunftsvideo und Aktionen gleichzeitig vorhersagt
FastWAM	Bewertet, ob Imagination zur Inferenz tatsächlich die Leistung verbessert

Neue integrierte VLAs: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, Inferenz ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Mrd. Parameter).

Belohnungsmodelle: Robometer (Zero-Shot auf jedem LeRobot-Datensatz) und TOPReward (nutzt Qwen3-VL als Richter).

Die Benchmarks decken nun 9 Familien ab: LIBERO, Meta-World, NVIDIA IsaacLab-Arena und 6 neue. Die Infrastruktur wird um das CLI lerobot-rollout für das Deployment mit DAgger-Strategie erweitert, um FSDP-Unterstützung für das Training von Modellen, die größer sind als der verfügbare GPU-Speicher, sowie um HF Jobs für Cloud-Training mit einer einzigen Befehlszeile.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Erweiteter Robot Park, Apollo-2-Daten für Gemini Robotics

6. Juli — Google DeepMind kündigt die Erweiterung seiner Forschungskooperation mit Apptronik an. Anlässlich der Vergrößerung des Robot Parks von Apptronik werden die in realen Bedingungen von der humanoiden Plattform Apollo 2 gesammelten Daten direkt das Training von Gemini Robotics speisen.

Element	Detail
Partner	Apptronik (erweiterter Robot Park)
Plattform	Apollo 2 (humanoider Roboter)
Nutzung	Reale Daten → Training von Gemini Robotics

Diese Ankündigung veranschaulicht die Strategie von Google DeepMind: Robotische KI auf Felddaten statt auf Simulationen zu stützen, indem physische humanoide Roboter eingesetzt werden, die in realen Umgebungen betrieben werden.

🔗 Tweet @GoogleDeepMind

Kurzmeldungen

Kimi K2.7 Code vs Claude Fable 5 — Landing Pages zu -94 % Kosten — Together AI veröffentlicht einen Vergleich: 12 generierte Landing Pages, Kimi K2.7 Code kostet etwa 4 Cent pro Seite gegenüber 1,09 USD für Fable 5 (im Durchschnitt 16× günstiger), bei GPT-5.5-Scores mit einem Abstand von 4 bis 12 Punkten je nach Seite. Der Vorteil von Kimi wird mit einem MCP-Server für visuelle Referenzen noch verstärkt. 🔗 Together AI Blog

Was das bedeutet

Interpretierbarkeit wandert vom Labor zum Überwachungswerkzeug. Die Entdeckung des J-space durch Anthropic ist kein isoliertes akademisches Ergebnis: Es ist das erste Mal, dass ein interner Mechanismus von LLMs in Echtzeit gelesen, geprüft und gesteuert werden kann, ohne das Modell zu verändern. Wenn auf dieser Forschung basierende Überwachungswerkzeuge operational werden, würde das die Art und Weise grundlegend verändern, wie überprüft wird, was ein autonomer Agent gerade plant — was sowohl Sicherheitsteams als auch Entwickler interessiert, die agentische Workflows debuggen.

Physical AI etabliert sich in Europa über Paris. Die Eröffnung des Pariser Büros von Runway, kombiniert mit LeRobot v0.6.0 von HuggingFace und der Partnerschaft Google DeepMind × Apptronik, zeichnet ein stimmiges Ökosystem rund um physical AI: Modelle, die ihre Handlungen vor der Ausführung imaginieren (world model policies), reale Daten humanoider Roboter für das Training und Cloud-Infrastruktur, um den Zugang zu demokratisieren. Runway wählt Paris wegen der Dichte an Grundlagenforschung — ein Signal für die zukünftige Geografie dieses Feldes.

Agentische KI geht in die staatliche Produktion. Der Fall Alberta ist kein Pilotprojekt: 466 Millionen Zeilen in 20 Stunden von 50 parallelen Agenten gescannt, 1.280 Anwendungen und 27 Ministerien abgedeckt, Whitepaper für andere Regierungen veröffentlicht. Zusammen mit dem Claude-Code-Leitfaden zu Schleifen, der die Primitiven /goal, /loop, /schedule für vollständig autonome Workflows dokumentiert, ist das ein Zeichen dafür, dass agentische KI inzwischen zuverlässig genug ist, um auf kritischen Systemen eingesetzt zu werden — mit überwachten Multi-Agent-Architekturen.

Die Kosten-Qualitäts-Gleichung verschiebt sich. Der von Together AI veröffentlichte Vergleich Kimi K2.7 Code vs Fable 5 veranschaulicht eine strukturelle Spannung: Für Aufgaben mit hoher Frequenz (Seitengenerierung, repetitive Workflows) senken gut optimierte Open-Weight-Modelle die Kosten um den Faktor 16 bei einem Qualitätsabstand von weniger als 10 %. Das bedeutet nicht, dass geschlossene Modelle an Wert verlieren, sondern dass ihr Vorteil sich zunehmend auf Aufgaben konzentriert, bei denen die marginale Qualität wirklich zählt.