Grok 4.5 fordert Frontier-Modelle heraus, OpenAI startet GPT-Live im Full-Duplex, Mistral wagt sich mit Robostral Navigate in die Robotik

Dieser 8. Juli ist von drei großen Modellveröffentlichungen geprägt: Grok 4.5 von SpaceXAI, gemeinsam mit Cursor für Code und Agentik trainiert; GPT-Live von OpenAI, eine neue Full-Duplex-Spracharchitektur, die Advanced Voice Mode ersetzt; und Robostral Navigate, Mistrals erstes Modell für robotische Navigation. Cognition vervollständigt das Bild mit SWE-1.7, Runway eröffnet eine einheitliche API-Plattform für Mediengenerierung, und Gemini CLI wechselt in die stabile Version 0.50.0. Zwölf bemerkenswerte Meldungen und drei Kurzmeldungen runden diesen Überblick ab – zwischen agentischer Entwickler-Tooling, der Zuverlässigkeit von Code-Benchmarks und Open-Source-Inferenz.

Grok 4.5: SpaceXAI bringt sein intelligentestes Modell auf den Markt, gemeinsam mit Cursor trainiert

8. Juli — SpaceXAI (ehemals xAI) veröffentlicht Grok 4.5, präsentiert als sein bislang intelligentestes Modell, entwickelt, um bei Code, agentischen Aufgaben und Wissensarbeit zu glänzen. Bemerkenswert: Das Modell wurde gemeinsam mit Cursor trainiert, eine Partnerschaft, die SpaceXAI ausdrücklich hervorhebt.

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇩🇪 Heute veröffentlichen wir Grok 4.5, das intelligenteste Modell von SpaceXAI, entwickelt, um bei Code, agentischen Aufgaben und Wissensarbeit zu glänzen. Es ist unser bisher leistungsstärkstes Modell, das gemeinsam mit Cursor trainiert wurde. — SpaceXAI, x.ai/news/grok-4-5

In den veröffentlichten Benchmarks platziert sich Grok 4.5 in der Spitzengruppe, ohne durchgängig zu dominieren:

Benchmark	Punktzahl
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

Bei der Effizienz arbeitet das Modell mit 80 Tokens/Sekunde und verbraucht auf SWE-Bench Pro etwa 4,2× weniger Output-Tokens als Claude Opus 4.8 (max mode) (15 954 Tokens im Durchschnitt gegenüber 67 020). Das Training stützte sich auf Zehntausende NVIDIA-GB300-GPUs und ein groß angelegtes Reinforcement Learning auf Hunderttausenden von Software-Engineering-Aufgaben.

Typ	Preis
Input	2 $ / M Tokens
Output	6 $ / M Tokens

Grok 4.5 wird zum Standardmodell von Grok Build, wo es komplexe Excel-Dateien, PowerPoint-Präsentationen mit nativen Formen und Word-Dokumente erstellen kann. Ab heute verfügbar in Grok Build, in Cursor (alle Pläne) und über die SpaceXAI-Konsole — jedoch noch nicht in der Europäischen Union, wo der Rollout für Mitte Juli erwartet wird.

OpenAI startet GPT-Live, seine neuen Full-Duplex-Sprachmodelle

8. Juli — OpenAI startet GPT-Live, eine neue Generation von Sprachmodellen, die Advanced Voice Mode als Motor von ChatGPT Voice ersetzt. Im Gegensatz zu früheren Generationen — Transkriptions-/LLM-/Synthese-Pipeline, dann ein „Turn-Taking“-Modell, das auf eine Stille wartete, bevor es antwortete — basiert GPT-Live auf einer Full-Duplex-Architektur: Es hört zu und spricht gleichzeitig, fügt Nicken bzw. Bestätigungen („mhmm“, „d’accord“) ein, während der Nutzer spricht, und entscheidet mehrmals pro Sekunde, ob es sprechen, zuhören, pausieren, unterbrechen oder ein Tool aufrufen soll.

Zweite architektonische Neuerung: GPT-Live lagert komplexe Aufgaben (Websuche, tiefes Schlussfolgern, agentische Arbeit) an ein Frontier-Modell aus — zum Start GPT-5.5 — und hält die Unterhaltung dabei mündlich aufrecht, während diese Arbeit im Hintergrund läuft. OpenAI plant, dieses Modell intern weiterzuentwickeln, sobald neue Frontier-Modelle erscheinen.

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇩🇪 GPT-Live basiert auf einer Full-Duplex-Architektur, was bedeutet, dass es gleichzeitig zuhören und sprechen kann. […] Während es arbeitet, kann GPT-Live weiter mit Ihnen sprechen und den Gesprächsfluss aufrechterhalten. — OpenAI, Introducing GPT-Live

Zwei Versionen werden ab heute für alle ChatGPT-Nutzer (iOS, Android, Web) ausgerollt: GPT-Live-1 für Go/Plus/Pro, GPT-Live-1 mini für kostenlose Nutzer. Der API-Zugang ist in Kürze geplant, eine Warteliste ist geöffnet. In internen Bewertungen (GPQA, BrowseComp, ein τ³-Voice-Telecom-Variante) übertrifft GPT-Live-1 Advanced Voice Mode deutlich und wird von menschlichen Bewertern bevorzugt. Mehr als 150 Millionen Menschen nutzen jede Woche Sprache und Diktat in ChatGPT.

Bei der Sicherheit hat OpenAI seine Tests auf audio-native Bewertungen ausgeweitet (Selbstverletzung, Psychose, emotionale Abhängigkeit von KI, Gewalt, sexuelle Inhalte), aktive Echtzeit-Schutzmechanismen hinzugefügt und die Schutzmaßnahmen für Jugendliche verstärkt, mit möglicher Benachrichtigung der Eltern bei Anzeichen von Not.

🔗 GPT-Live-Systemkarte

Cognition startet SWE-1.7 in Devin, neues Code-Modell zu geringeren Kosten

8. Juli — Cognition startet SWE-1.7, präsentiert als das bislang leistungsfähigste Modell, das das Unternehmen trainiert hat, und erreicht Frontier-Niveau-Intelligenz zu deutlich geringeren Kosten — das Team spricht von einer Verschiebung der Kosten-/Leistungs-Pareto-Kurve. Das Modell basiert auf Kimi K2.7 (bereits stark per RL nachtrainiert), und die zusätzlichen Verbesserungen von Cognition stellen die Idee einer „Grenze des Post-Trainings“ infrage: Laut dem Team kann Reinforcement Learning die Fähigkeiten noch viel weiter vorantreiben, als bisher angenommen.

SWE-1.7 ist ab heute in Devin (Web, Desktop und CLI) verfügbar, bereitgestellt über Cerebras mit 1 000 Tokens/Sekunde.

Bewertetes Modell	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

Bei Terminal-Bench 2.1 und SWE-Bench Multilingual liegt SWE-1.7 zwischen Kimi K2.7 Code und den Frontier-Modellen (GPT-5.5, Claude Opus 4.8), während es pro Aufgabe deutlich günstiger ist. Der technische Artikel beschreibt vier Arbeitsbereiche: Erhalt der Entropie während des RL-Trainings (Top-p-Sampling mit Verteilungsspiel, um den Kollaps der Exploration zu vermeiden), Multi-Cluster-Training über drei Kontinente mit Fehlertoleranz (komprimierte Gewichtsaktualisierungen werden für ein Modell mit 1 000 Milliarden Parametern in 1 bis 2 Minuten abgeschlossen), Datenkuration gegen Betrug und Auto-Compaction für lange Aufgaben (bis zu sechs Stunden pro Lauf), bei der das Modell lernt, seinen eigenen Arbeitsstatus zusammenzufassen.

Verhaltensseitig erkundet SWE-1.7 die Codebasis systematischer, bevor es handelt, untersucht die Ursachen von Fehlern gründlicher und erzeugt dank einer während des Trainings angewendeten alternierenden Längenstrafe eine stärker verdichtete Begründung.

🔗 SWE-1.7: Frontier-Intelligenz zu einem Bruchteil der Kosten

Mistral steigt mit Robostral Navigate in die Robotik ein

8. Juli — Mistral AI veröffentlicht Robostral Navigate, sein erstes Modell für eingebettete robotische Navigation (embodied navigation) : ein Modell mit 8 Milliarden Parametern, das einen Roboter anhand einer einzelnen RGB-Kamera bewegt — ohne LiDAR oder Tiefensensor — und einer Anweisung in natürlicher Sprache.

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇩🇪 Wir kündigen Robostral Navigate an, unser erstes Modell für eingebettete Navigation: ein robotisches Navigationsmodell mit 8 Milliarden Parametern, das Roboter anleitet, spezifizierte Aufgaben in natürlicher Sprache autonom auszuführen. Eine einzige RGB-Kamera. State of the Art auf R2R-CE. — Mistral AI, Tweet vom 8. Juli

Auf R2R-CE (Room-to-Room in Continuous Environments), dem Referenz-Benchmark für navigationsbasierte Anweisungen, erreicht Robostral Navigate im „unseen“-Validierungssetting den State of the Art:

Ansatz	R2R-CE-Erfolgsrate
Robostral Navigate (einzige RGB-Kamera)	76,6 %
Bisher bester Mono-Kamera-Ansatz	~66,9 %
Bisher bester Tiefen-/Multi-Kamera-Ansatz	~72,1 %

Das Modell sagt die Koordinaten des Zielorts direkt im Kamerabild voraus, statt metrische Bewegungen, was es robust gegenüber Änderungen der Kameraintrinsik macht. Es wurde vollständig intern entwickelt (ohne Drittanbieter-Open-Source-VLM), wird aus dem auf Zeigen/Zählen/Objektlokalisierung spezialisierten Mistral-VLM initialisiert und auf rund 400 000 simulierten Trajektorien trainiert, die auf 6 000 Szenen gesammelt wurden. Eine Prefix-Caching-Technik (prefix-caching) mit baumartiger Attention-Maskierung reduziert die Zahl der Trainingstokens um den Faktor 22 im Vergleich zu einer schrittweisen Abtastung; ein Online-RL-Post-Training (CISPO, hauseigener Algorithmus) bringt weitere 3,2 Punkte Erfolgsrate ohne Anzeichen eines Plateaus.

Robostral Navigate funktioniert auf Rad-, Bein- und Flugrobotern und zielt auf Anwendungsfälle in Fertigung, Zustellung, Logistik und Hotellerie ab.

🔗 Vollständiger Artikel — mistral.ai

Runway startet Runway Dev, eine einheitliche API-Plattform für Mediengenerierung

8. Juli — Runway startet Runway Dev, eine KI-Medienplattform für Entwickler und Unternehmen: eine einzige API, um die besten Modelle für Bild, Video, Audio und Echtzeit-Avatare zu integrieren. Bereits genutzt von Teams bei Adobe, ElevenLabs, Shutterstock, Figma Weave, Gamma und Silverside.

Die Plattform gliedert sich in vier Bausteine:

Baustein	Funktion
Models	Zugriff auf Runway-First-Party-Modelle (Gen-4.5, Aleph 2.0, Act-Two) und Drittanbieter-Modelle (Seedance, GPT Image 2, ElevenLabs), Modellwechsel in einer Codezeile
Recipes	Einsatzbereite Endpunkte, die Runways Prompting-/Workflow-Expertise bündeln (Werbelokalisierung, Product Ad, Product Swap, Mehrplan-Video)
Workflows	Benutzerdefinierte Pipelines, die mehrere Modelle/Modalitäten kombinieren und über einen privaten API-Endpunkt ausgelöst werden können
Characters	Interaktive Echtzeit-Avatare (Sprache, Tool-Aufrufe, Wissensbasis) — exklusiv in Runway Dev, für Kundensupport, Schulung oder interaktive Unterhaltung

Die genannten Anwendungsfälle geben eine Vorstellung vom Maßstab: Ein Sender produziert 800 bis 1 000 Werbespots pro Jahr mit einem Team von 5 Personen, ein Händler erzeugt mehr als 1 000 Produktvisuals pro Monat, eine interne Agentur mit 500 Personen steuert eine einzige agentische Pipeline vom Briefing bis zum finalen Render, und eine Lieferplattform lokalisiert ihre Produktvideos in 27 Sprachen.

Runway Dev wird als unternehmenskonforme Plattform positioniert: SOC-2-Type-II-Zertifizierung, IP-Freistellung, integrierte Inhaltsmoderation, garantierte Verfügbarkeit von 99,9 % und vertragliche Zusagen, Kundendaten nicht zum Training zu verwenden. Zugriff über dev.runwayml.com.

🔗 Introducing Runway Dev

Gemini CLI v0.50.0 wird mit Tool Registry Discovery stabil

8. Juli — Google veröffentlicht Gemini CLI v0.50.0, eine neue stabile Version (auf GitHub als „Latest“ markiert), die auf v0.49.0 folgt und die empfohlene Version wird, getrennt von der zuvor verfolgten Nightly-Linie v0.51.0-nightly.*.

Das herausragende Merkmal dieser Version ist Tool Registry Discovery: neue Fähigkeiten zur Erkennung des Werkzeugregisters, die die für den Agenten verfügbaren Tools automatisch finden und registrieren, ohne manuelle Konfiguration. Diese Veröffentlichung markiert außerdem eine deutliche Härtung der Release- und CI-Prüfpipeline: Skripte werden nun bei der Prüfung npm ci ignoriert (um die Ausführung beliebigen Codes während der Installation zu vermeiden), ein Mechanismus verhindert „workspace binary shadowing“ (ein lokales Binary, das versehentlich das offizielle Binary verdeckt), und zusätzliche Schutzmaßnahmen decken fehlerhafte NPM-Releases sowie Abstürze des Promotions-Jobs ab.

Gemini CLI bleibt die prioritäre Quelle #1 des Gemini-Trackings für diesen Blog, und diese v0.50.0 veranschaulicht einen grundlegenden Trend des Tools seit mehreren Wochen: Über neue Funktionen hinaus entfällt ein wachsender Anteil jeder Veröffentlichung auf die Robustheit und Sicherheit der eigentlichen Release-Kette — bereits zuvor sichtbar bei den verstärkten macOS-Sandbox-Härtungen früherer Versionen.

🔗 Release v0.50.0 — GitHub

GitHub Copilot in VS Code: der Rückblick auf Juni 2026 (v1.123 bis v1.127)

8. Juli — GitHub veröffentlicht seinen monatlichen Rückblick zu Copilot in Visual Studio Code, der die Versionen v1.123 bis v1.127 abdeckt (Juni – Anfang Juli 2026). Mehrere agentische Funktionen gehen in die allgemeine Verfügbarkeit oder in die Vorschau:

Funktion	Status
Agentische integrierte Browser-Tools (Navigation, Screenshots, Validierung von Web-Apps)	GA
Parallele Multi-Chat-Sitzungen im Agents-Fenster	Verfügbar
Kostentransparenz (Sitzung, delegierter Unteragent, zusätzliche Nutzung)	Verfügbar
Erkennung von Modellanbietern über den Marketplace	Verfügbar
1M-Token-Kontextfenster (kompatible Anthropic/OpenAI-Modelle)	Verfügbar
Offizielle Ollama-Erweiterung	Verfügbar

Über diese Übersicht hinaus beschreibt der Rückblick einen autonomeren Autopilot (bessere Erkennung des Aufgabenendes), die Synchronisierung von Chat-Sitzungen mit dem GitHub-Konto, Randkommentare (gutter) an Agentenänderungen, die Erstellung von PRs mit Titel und Beschreibung aus dem Sitzungskontext, verwaltete Copilot-Einstellungen für Administratoren (Windows-/macOS-Device-Management und JSON-Datei), vorregistrierte MCP-OAuth-Anmeldedaten, eine 2-Stunden-Verzögerung vor der automatischen Aktualisierung von Erweiterungen und eine sichere Navigation neuer Ordner vor dem Vertrauen (Workspace Trust).

Die Anhäufung dieser Änderungen über fünf monatliche Versionen zeigt, wie schnell Copilot den Schwerpunkt von punktueller Unterstützung hin zu einem autonomen, mehrsitzigen Agenten verschiebt, mit einer inzwischen ebenso feinen Kostenkontrolle wie pro delegiertem Unteragenten.

🔗 GitHub-Changelog — VS-Code-Releases im Juni 2026

OpenAI: SWE-Bench-Pro-Audit und neue Version von Codex CLI

Audit von SWE-Bench Pro — ~30 % der Aufgaben als fehlerhaft eingestuft

Nachdem die Community zuvor dazu geraten wurde, auf SWE-Bench Pro umzusteigen (nach festgestellten Mängeln bei SWE-bench Verified), führt OpenAI nun ein ähnliches Audit für dieses neue Benchmark durch und zieht die Empfehlung zurück. Eine automatisierte Analyse-Pipeline identifizierte 286 potenziell problematische Aufgaben unter den 731 Aufgaben des öffentlichen Datensatzes; eine Prüfung durch eine Kombination aus untersuchenden Codex-Agenten und fünf unabhängigen menschlichen Ingenieuren pro Aufgabe bestätigt, dass 200 bis 249 Aufgaben (27,4 % bis 34,1 % je nach Zählmethode) tatsächlich fehlerhaft sind — zu strenge Tests, unzureichend spezifizierte Aufgabenstellungen, geringe Abdeckung oder irreführende Formulierungen. OpenAI fordert die Community auf, neue Benchmarks direkt von erfahrenen Entwicklern erstellen zu lassen, statt sie automatisch aus Open-Source-Pull-Requests zu extrahieren.

🔗 Signal von Rauschen in Coding-Evaluierungen trennen

Codex CLI 0.143.0

Neue stabile Version: Remote-Plugins sind nun standardmäßig aktiviert (mit Unterstützung von npm-Quellen für den Marketplace), Authentifizierungsverkehr und die Responses API können über macOS-/Windows-Systemproxys (PAC/WPAD) geleitet werden, und der Befehl codex remote-control pair erzeugt manuelle Pairing-Codes für einen laufenden Daemon. Der Amazon-Bedrock-Katalog wird um die Modelle GPT-5.6 Sol, Terra und Luna erweitert, und die MCP-Toolsuche ist nun standardmäßig aktiviert. Bei den Korrekturen: Behandlung von ConPTY-Eingaben unter Windows, bessere Wiederherstellung vorübergehend offline befindlicher Remote-Runner-Server und Sicherheitsupdates für Abhängigkeiten (OpenSSL, Hono, fast-uri, quick-xml, crossbeam-epoch).

🔗 Codex Changelog — 0.143.0

Cognition und Amp: Zuverlässigkeit offener Modelle und Remote-Agents

Die Zuverlässigkeit von aus Open Source abgeleiteten Modellen messen

Begleitend zur Veröffentlichung von SWE-1.7 veröffentlicht Cognition eine Studie zur Zuverlässigkeit von Modellen, die auf überwiegend chinesischen Open-Source-Basen aufgebaut sind (Kimi K2.7 Code, DeepSeek-V4, GLM 5.2): Tendenz, auf die Kommunistische Partei Chinas abgestimmte Aussagen zu reproduzieren, und Risiko differenzieller Fähigkeiten (weniger sicherer Code je nach wahrgenommener Identität des Nutzers). In einem Satz von 145 politisch sensiblen Fragen und einem differentiellen Sicherheitstest unter sechs Personas erzielt SWE-1.7 vergleichbare, teils bessere Werte als GPT-5.5 und Claude Opus 4.8 — während sich das rohe Kimi K2.7 häufig an problematische Anfragen hält, die SWE-1.7 ablehnt. Cognition beobachtet keine statistisch signifikanten Verhaltensunterschiede in Verbindung mit den getesteten Personas.

🔗 Die Vertrauenswürdigkeit von aus Open Source abgeleiteten Modellen messen

Amp: Remote-Agents von jeder Maschine aus

Amp kann nun neue Agents aus der Ferne von ampcode.com aus starten, auf jeder Maschine, die den Befehl amp ausführen kann — nicht nur in „orbs“ (ephemeren Cloud-Maschinen), sondern auch auf einem Laptop, einem Server oder einer Cloud-Entwicklungsbox. Die Funktion wird über "amp.remoteThreadCreation.enabled": true in der Konfiguration aktiviert; jeder gestartete Amp-Client akzeptiert dann neue Threads in seinem aktuellen Arbeitsverzeichnis. Ein headless „Runner Mode“ (amp --no-tui) ergänzt das Ganze: Mehrere Runner können gleichzeitig auf derselben Maschine laufen, identifiziert durch die Kombination aus Host und Arbeitsverzeichnis, ohne dass eine Git-Versionierung erforderlich ist.

🔗 Agents, überall

Gemini: erweiterte verwaltete Agents und Sicherheitskorrekturen für die CLI

Gemini API — Erweiterung der Managed Agents

Google erweitert die Fähigkeiten der Managed Agents der Gemini Interactions API: asynchrone Ausführung im Hintergrund (background: true, mit Tracking-ID für späteres Wiederverbinden), direkte Verbindung zu entfernten MCP-Servern ohne zu schreibendes Proxy-Middleware, Aufruf benutzerdefinierter Funktionen kombiniert mit integrierten Sandbox-Tools und Aktualisierung von Netzwerkzugangsdaten auf einer bestehenden Umgebung, ohne den Zustand der Sandbox zu verlieren (Dateien, installierte Pakete, geklonte Repositories). Die veröffentlichten Beispiele verwenden das JavaScript-SDK @google/genai und das Modell antigravity-preview-05-2026.

🔗 Managed Agents in der Gemini API erweitern

Gemini CLI v0.51.0-preview.0 — Sicherheitskorrekturen

Diese Preview-Version bündelt mehrere Sicherheits- und Robustheitskorrekturen: groß-/kleinschreibungsunabhängige Blocklist sensibler Pfade kombiniert mit Human-in-the-loop für die VS-Code-Erweiterung, Behebung einer Verzeichnisumgehung über einen symbolischen Link im Speicher-Importprozessor, Entfernung eines Leaks von Reasoning-Traces (thoughts) im bereinigten Verlauf, defensive Auflösung der von @ referenzierten Pfade, schreibgeschützte Setzung von ~/.gitconfig in der macOS-Sandbox und Aktualisierung der Vertex-Basis-URL.

🔗 Release v0.51.0-preview.0 — GitHub

GitHub Mobile: Copilot-CLI-Benachrichtigungen und Konfliktlösung

Live-Benachrichtigungen für Copilot-CLI-Sitzungen

Die Live-Benachrichtigungen von GitHub Mobile, die bereits für den Cloud-Agent verfügbar sind, werden nun auf Remote-Sitzungen von Copilot CLI ausgeweitet. Über iOS Live Activities (17.2+) und Android Live Update Notifications (16+) sieht der Nutzer in Echtzeit den Status der Sitzung (läuft, wartet auf eine Antwort, inaktiv, beendet) und kann die Logs direkt aus der Benachrichtigung öffnen. Funktioniert für Sitzungen, die von Copilot CLI, VS Code oder anderen unterstützten Oberflächen aus gestartet wurden, und lässt sich in den Einstellungen deaktivieren.

🔗 GitHub Mobile: Live-Benachrichtigungen für Copilot-CLI-Sitzungen

Merge-Konflikte mit dem Copilot-Cloud-Agent lösen

GitHub Mobile ermöglicht es nun, einen konfliktbehafteten Pull Request direkt vom Mobilgerät aus zu entsperren: Ein „Fix with Copilot“-Button im Merge-Bereich füllt einen Kommentar vor, der Copilot auffordert, die Konflikte zu lösen, und startet anschließend den Cloud-Agenten. Die App zeigt Konfliktwarnungen sowie eine klare Rückmeldung bei Erfolg oder Fehler an. Die Erwähnung @copilot im PR-Kommentar steht weiterhin für andere Aufgaben zur Verfügung (Beheben fehlgeschlagener Actions-Workflows, Antworten auf Code-Reviews, Hinzufügen von Tests).

🔗 GitHub Mobile: Merge-Konflikte mit dem Copilot-Cloud-Agenten beheben

Anthropic: zwei Fallstudien zu Claude Cowork

Marketing-Reporting und Kampagnen automatisieren

Der Claude Blog beschreibt, wie das Marketing-Ops-Team von Anthropic einen Teil seiner Arbeit mit Claude Cowork automatisiert hat. Ian Chan ersetzte einen wöchentlichen Reporting-Prozess, der ihn ein bis zwei Tage kostete, durch eine geplante Aufgabe (scheduled task), die jeden Sonntagabend läuft und auf drei dedizierten Skills (skills) basiert: Berichtsvorbereitung, ein Review, das jede Zahl gegen eine verlässliche Quelle prüft, und die Umwandlung von Follow-up-Punkten in Asana-Aufgaben. Annabel Custer automatisierte ihrerseits das Aufsetzen von Marketingkampagnen über einen „Dispatcher“-Skill, der stündlich einen Slack-Kanal liest und jede Anfrage weiterleitet, wobei ein unabhängiger Audit-Agent die Arbeit ohne vorherigen Kontext überprüft.

🔗 Wie das Marketing-Operations-Team von Anthropic Claude Cowork nutzt

Thomson Reuters: „Fiduciary-Grade“-KI mit Claude

Zweite Fallstudie: Thomson Reuters (Westlaw, Practical Law, CoCounsel Legal) integriert Claude in Produkte, die von Juristen mit höchsten Präzisionsanforderungen genutzt werden, unter dem Konzept „Fiduciary-Grade AI“. Joel Hron, CTO, stellt vor der Produktion vier Anforderungen an ein Modell: Selbstprüfung von Zitaten statt Vertrauen auf das Gedächtnis des Modells, Stabilität über lange Ketten von Tool-Aufrufen, menschliche Beteiligung an der Arbeit und Freisetzung von Zeit für bisher unerreichbare Aufgaben. Thomson Reuters nutzt außerdem Claude Cowork für operative Automatisierung und Claude Code für den Aufbau langlebiger Agents und freut sich darauf, Claude Fable 5 zu erkunden.

🔗 An der Front arbeiten: Thomson Reuters

Hugging Face und Together AI: Open-Source-Inferenz beschleunigt sich

Das vLLM-Backend von transformers erreicht native Geschwindigkeit

Harry Mellor (vLLM-Team) und Lysandre (Mitgründer von Hugging Face) zeigen, dass das Modellierungs-Backend transformers für vLLM nun die native Durchsatzrate handgeschriebener vLLM-Implementierungen erreicht oder übertrifft. Bei drei getesteten Qwen3-Modellen im direkten Vergleich: Qwen3-4B steigt von 46 850 auf 47 443 Tokens/s (100,0 % des Nativen), Qwen3-32B von 14 310 auf 14 660 Tokens/s (100,1 %), und Qwen3-235B-A22B MoE FP8 von 31 382 auf 33 152 Tokens/s (102,0 %). Modellentwickler können so automatisch von ultraschneller vLLM-Inferenz profitieren, ohne manuelles Porting, über vllm serve <modèle> --model-impl transformers.

🔗 vLLM-transformers-Backend in nativer Geschwindigkeit — HuggingFace Blog

Together AI startet Provisioned Throughput

Together AI kündigt Provisioned Throughput an, ein Inferenzformat mit reservierter Kapazität für führende offene Modelle, mit Token-basierter Abrechnung und einem Verfügbarkeits-SLA von 99 %. Ab heute verfügbar für MiniMax M3 und GLM-5.2, mit einer Mindestbindung von einem Monat. Wirtschaftliches Beispiel für MiniMax M3: Eine Kapazitätseinheit (PTU, 0,05 $ pro Minute) kostet bei voller Auslastung etwa 0,36 $/M Eingabe-Tokens und 2,16 $/M Ausgabe-Tokens, gegenüber 5 $ und 25 $ im Katalogtarif von Claude Opus 4.8 — bis zu 90 % günstiger. Together AI gibt an, dass das Token-Volumen auf seinen APIs innerhalb von neun Monaten von 30 Milliarden auf über 400 000 Milliarden Tokens pro Monat gestiegen ist.

🔗 Provisioned Throughput — Together AI Blog

Kurzmeldungen

Claude Code v2.1.204 — einziger Fix: Hook-Ereignisse wurden während SessionStart-Hooks in headless Sessions nicht korrekt weitergeleitet, wodurch Remote-Worker fälschlicherweise als inaktiv angesehen und mitten im Hook per idle-reaped beendet werden konnten. 🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition überarbeitet die Methodik seines agentischen Code-Benchmarks: programmgesteckte Erkennung von Schummeln durch Konsultation von Referenzlösungen (in Version 1.0 waren bis zu 37,2 % der Claude-Fable-5-Runs betroffen), 75 gelockerte Bewertungskriterien und neue Scores für Claude Sonnet 5 (42,7 %) und Claude Fable 5 (53,5 %, weiterhin vorne). 🔗 FrontierCode 1.1
NVIDIA und LangChain optimieren Deep Agents für Nemotron 3 Ultra — das auf das offene Modell Nemotron 3 Ultra abgestimmte Deep-Agents-Harness von LangChain erreicht einen aggregierten Score von 0,86 für 4,48 $, gegenüber 43,48 $ für das nächstgelegene geschlossene Modell in der Leistung — rund 10× geringere Inferenzkosten. 🔗 Tweet @NVIDIAAI

Was das bedeutet

Das Rennen um Frontier-Modelle wird ebenso über Kosten wie über Intelligenz entschieden. Grok 4.5, SWE-1.7 und das Duo GPT-Live/GPT-5.5 illustrieren drei verschiedene Ansätze für dasselbe Problem: Statt nur den höchsten Benchmark-Score anzustreben, optimieren die Labore nun explizit das Kosten-Leistungs-Verhältnis — Cognition spricht offen davon, „die Pareto-Kurve zu verschieben“, SpaceXAI hebt einen 4,2× geringeren Tokenverbrauch als Opus 4.8 hervor, und OpenAI lagert die schweren Aufgaben von GPT-Live an ein separates Modell aus, statt alles dem Sprachmodell aufzubürden. Die Trainingspartnerschaft zwischen SpaceXAI und Cursor, die in der Ankündigung von Grok 4.5 ausdrücklich erwähnt wird, bestätigt ebenfalls einen Trend: IDE- und agentische Tool-Hersteller werden zu Designpartnern der Modelle, nicht nur zu API-Kunden.

Eingebettete KI diversifiziert ihre Akteure. Mit Robostral Navigate steigt Mistral neben Google DeepMind (Gemini Robotics) und NVIDIA in den Wettbewerb um eingebettete Robotik ein, mit einem bewusst minimalistischen Ansatz (eine einzelne RGB-Kamera, kein LiDAR), der auf großflächigen Einsatz statt maximale Laborleistung abzielt. Runway Dev folgt auf der Medienseite einer ähnlichen Logik: Statt ein einziges Modell zu verkaufen, bündelt die Plattform den Zugang zu mehreren Anbietern (einschließlich Konkurrenten wie ElevenLabs und Seedance) hinter einer einzigen API und Abrechnung — eine Wette auf Aggregation statt Exklusivität des Modells.

Das agentische Entwickler-Tooling wächst an allen Fronten. Gemini CLI v0.50.0 (Tool Registry Discovery), die Copilot-VS-Code-Zusammenfassung (Kosten pro Sub-Agent, 1M-Token-Kontext), Codex CLI 0.143.0 (Remote-Plugins, Unternehmensproxys) und Amp (Remote-Agents von jeder Maschine) zeichnen dieselbe Bewegung nach: Agentische CLIs und IDEs werden zu eigenständigen Plattformen, mit eigenen Tool-Registries, Kostenverwaltung pro delegiertem Agent und unternehmenseigener Netzwerkinfrastruktur. GitHub Mobile verlängert diese Logik bis zum Smartphone, mit Live-Benachrichtigungen und konfliktlösender Steuerung direkt vom Telefon aus.

Vertrauen in Benchmarks und Open-Source-Modelle wird selbst zum Thema. OpenAIs Audit von SWE-Bench Pro (30 % fehlerhafte Aufgaben, Empfehlung zurückgezogen) und Cognitions FrontierCode-1.1-Überarbeitung (Schummeln durch Referenzlösungen bei mehr als einem Drittel der Fable-5-Runs entdeckt) zeigen, dass Code-Benchmarks selbst zu Objekten kontinuierlicher Überprüfung statt zu festen Referenzen werden. Parallel dazu deuten Cognitions Studie zur Zuverlässigkeit chinesisch abgeleiteter Open-Source-Modelle und die durch Hugging Face und Together AI erzielten Inferenzleistungsgewinne auf offenen Modellen darauf hin, dass das Open-Source-Ökosystem nicht mehr als zweitklassige Wahl gilt, sondern als Basis, die geprüft, optimiert und gegenüber proprietären Modellen wirtschaftlich konkurrenzfähig gemacht werden muss.