Agentic AI News 2. August 2026

Intelligenz auf dem Niveau von März 2026. DeepSeek V4 Flash (0731) erreicht einen Intelligenzindex-Wert von 50 und liegt damit fast gleichauf mit dem Wert von 51 der Spitzenmodelle von vor fünf Monaten. Auf Verbraucherhardware läuft es mit nutzbaren Geschwindigkeiten: 44 t/s auf einer RTX PRO 6000 eGPU, 15 t/s auf drei MI50 und sogar 4,5 t/s auf zwei RTX 3060 mit RAM-Auslagerung, dank raffinierter Quantisierung und teilweiser Auslagerung.

• DeepSeek-V4-Flash-0731: Models you can run locally now have the intelligence score of the top frontier model from March 2026(öffnet in neuem Tab)
• DeepSeek-V4-Flash-0731 on Bosgame M5 with RTX PRO 6000 Max-Q eGPU(öffnet in neuem Tab)
• Ran DS V4-Flash-0731 Locally on 3xMI50 32GB @ ~15 t/s TG(öffnet in neuem Tab)
• DeepSeek V4 Flash 0731 IQ2_M benchmark for Dual 3060 and 96GB RAM ≈ 3.5 tok/s.(öffnet in neuem Tab)

Tool-Aufrufe behoben, Regelbefolgung weiterhin unzuverlässig. Nach Berichten aus der Community über defekte Tool-Aufrufe wurde ein Fix für llama.cpp zusammengeführt und Workarounds für Unsloth Studio geteilt. Allerdings stellen Nutzer fest, dass das Modell System-Prompts und Fähigkeiten oft ignoriert, sie als komprimierte Zusammenfassungen speichert, anstatt sie strikt einzuhalten, was seine Zuverlässigkeit für Agentenaufgaben untergräbt, die präzise Anweisungsbefolgung erfordern.

• Fix for Deep Seek v4 Flash 0731 tool calling has been added to llama cpp(öffnet in neuem Tab)
• DeepSeek V4 Flash 0731 local setup gotcha: model, tool call & config setting(öffnet in neuem Tab)
• Deepseek v4 flash 0731 still not holding up.(öffnet in neuem Tab)

Community-Benchmarks für Hermes-Agenten. LocalLLaMA-Nutzer diskutieren die besten Benchmarks zur Bewertung agentenfähiger Modelle wie Hermes, wobei viele das Gefühl haben, dass etablierte Leaderboards wie SWE-bench nicht auf ihre Heimassistenten- oder Dokumentenverarbeitungs-Workflows anwendbar sind.

• What’s the community’s favorite benchmark to validate performance?(öffnet in neuem Tab)

Nur-Code-Leaderboards kritisiert. Ein Aufruf zu vielfältigeren Benchmarks argumentiert, dass neuere Leaderboards überproportional auf Programmieraufgaben fokussiert sind, wodurch Sprachlernen, kreatives Schreiben und MINT-Denken unterrepräsentiert bleiben, was es schwierig macht, die Modellleistung für Nicht-Programmier-Anwendungsfälle von Agenten zu beurteilen.

• Why are almost all new benchmarks and leaderboards coding focused?(öffnet in neuem Tab)

DIY-Benchmark-Kit für bestimmte Domänen. Ein Reddit-Nutzer hat eine Sammlung von über 30 kleinen, domänenspezifischen Tests erstellt (z. B. gesunder Menschenverstand, Autowaschanlagen-Simulation) und ein Webtool, um Modellantworten zu vergleichen, mit dem Ziel, die Lücke zwischen breiten Benchmarks und persönlichen Anwendungsfällen zu schließen.

• A collection of small domain-specific benchmarks for local models (30+ and growing)(öffnet in neuem Tab)

Astra knackt jahrzehntealte Matheprobleme. OpenAIs nächste Modellfamilie, Astra, hat zehn zuvor offene Probleme in Mathematik und theoretischer Informatik gelöst, mit formalen Lean-Beweisen und Kosten von unter 2.000 $ pro Lösung. Die Ergebnisse erstrecken sich über Geometrie, Codierungstheorie und Quantenkomplexität und haben bereits weitere menschliche Forschung inspiriert.

• Ten advances in mathematics and theoretical computer science(öffnet in neuem Tab)
• OpenAI announces its "next major model" Astra by dropping ten previously unsolved math solutions(öffnet in neuem Tab)

Programmier-Agenten beleben alternde Forschungsoftware. Eine Feldstudie mit OpenAI und akademischen Partnern zeigt, dass KI-Programmieragenten wie GPT-5.5 und Claude Code fragile wissenschaftliche Software modernisieren können und in einigen Fällen über 60-fache Beschleunigungen erreichen, aber die Arbeit verlagert die Last auf die Verifizierung der Korrektheit – die Agenten können die Wissenschaft nicht beurteilen.

• AI coding agents can modernize research software but can't judge if the science is right(öffnet in neuem Tab)

Sich selbst verbreitender Prompt-Injection-Wurm greift Copilot an. Ein Sicherheitsforscher demonstrierte einen Wurm, der versteckten weißen Text auf weißem Grund in Word-Dokumenten verwendet, um bösartige Anweisungen in Microsoft Copilot einzuschleusen, das daraufhin die Nutzlast in neue Dateien kopiert. Microsoft bestätigte das Verhalten, hat es aber nach 144 Tagen noch nicht behoben.

• A security researcher built a self-spreading worm that hides inside Word docs and hijacks Microsoft Copilot(öffnet in neuem Tab)

EU-KI-Verordnung: Kennzeichnungspflicht beginnt. Ab dem 2. August 2026 verlangt die EU, dass KI-generierte Bilder, Videos, Audios und Texte klar gekennzeichnet werden. Die Verordnung könnte sich auf Agenten auswirken, die Inhalte autonom veröffentlichen oder Medien erstellen.

• EU AI Act takes effect tomorrow, August 2, 2026. 🤡(öffnet in neuem Tab)

Minnesotas ‚Nudify'-Verbot übersteht rechtliche Anfechtung von xAI. Ein Bundesrichter lehnte den Versuch von xAI ab, das Gesetz von Minnesota gegen Apps, die nicht einvernehmliche explizite Bilder erzeugen, vorübergehend zu blockieren, und merkte an, dass xAI drei Monate gewartet hat, um zu klagen. Das Gesetz tritt in Kraft, während die Klage weiterläuft.

• Judge denies xAI’s request to block Minnesota ban on ‘nudify’ apps(öffnet in neuem Tab)

Kimi K3 läuft auf einer einzelnen CPU, langsam. Zwei Entwickler schrieben unabhängig voneinander minimale C-Inferenz-Engines, um das 1,56 TB große MoE-Modell Kimi K3 ohne GPUs von der Festplatte auszuführen. Einer erreichte ein Token alle 30 Sekunden mit 8 GB RAM und NVMe-Streaming; ein anderer erreichte 0,5 t/s mit 29 GB RAM, wobei alle Experten bei Bedarf gelesen werden.

• I pushed Kimi K3 onto one CPU with 8 GB of RAM(öffnet in neuem Tab)
• Weight-Aware Streaming Tensor Engine: run Kimi K3 using 29 GB of RAM at 0.50 tok/s(öffnet in neuem Tab)

LongCat-Flash-Lite-Sparse jetzt verfügbar. Diese neue Version ersetzt dichte Aufmerksamkeit durch LongCat Sparse Attention (LSA) und unterstützt nativ bis zu 1 Million Token Kontext, was sie für Agentenaufgaben mit langen Dokumenten geeignet macht.

• LongCat-Flash-Lite-Sparse Is Now Available for Download(öffnet in neuem Tab)

Laguna S 2.1 aktualisiert Kontext und Quantisierung. Poolside hat neue FP8- und NVFP4-Checkpoints für Laguna S 2.1 veröffentlicht, die die Standard-Kontextgröße auf 1 M Token erhöhen und hoffentlich ein Schleifenproblem beheben, das Entwicklungsworkflows behindert hatte.

• New official weights for Laguna S 2.1 FP8 & NVFP4 are now available(öffnet in neuem Tab)