Modelle & Produkt-Releases
Qwen-Image-2.1 mit offenen Gewichten. Alibaba hat Qwen-Image-2.1 veröffentlicht: ein Open-Weights-Modell mit 7B Parametern für Bildgenerierung und -bearbeitung, das laut eigenen Angaben geschlossene Modelle im eigenen Benchmark schlägt. Transparente RGBA-Bilder verarbeitet es nativ, für die Bearbeitung nimmt es bis zu 10 Referenzbilder. Die Research-Lizenz verbietet allerdings eine kommerzielle Nutzung ohne Genehmigung.
Gander von Tencent. Tencent hat Gander vorgestellt, ein Forschungsmodell, das Echtzeit-Konversation mit Agentenaufgaben im Hintergrund verbindet – mit einem „Kleinhirn“ für Sprache und einem austauschbaren „Gehirn“ für komplexe Arbeit. Es kommt mit Unterbrechungen zurecht und verarbeitet Sprache, Bilder und Text gleichzeitig, lag in Tests bei der Genauigkeit der Aufgaben aber zurück.
Runway-Forschung zu Echtzeit-Video. Runway hat seine Forschung zur Echtzeit-Videogenerierung vorgestellt. Nutzer streamen und steuern das Video, während sie ihren Prompt eingeben; Grundlage ist das eigene Weltmodell GWM-1. Ziel ist, Wartezeit und GPU-Kosten zu senken, indem Frames interaktiv statt in einem Batch entstehen.
Tools & Frameworks
Google ADK für Kotlin. Google hat ADK for Kotlin 1.0 veröffentlicht und damit sein Agent Development Kit auf den Funktionsstand von Python und Java gebracht; hinzu kommt Unterstützung für On-Device- und hybride KI auf Android. Das Framework bietet hierarchische Multi-Agenten-Orchestrierung, Context Compaction und Session-Management.
OpenCodeReview von Alibaba. Alibaba hat OpenCodeReview als Open Source veröffentlicht, eine Apache-2.0-CLI, die deterministische Dateiauswahl und Regelabgleich mit einem LLM-Agenten für die Codeanalyse kombiniert. Intern nutzen sie Zehntausende Entwickler; sie soll Fehlerquellen wie Zeilennummern-Drift und instabile Prompts adressieren.
ZCode ist Open Source. Die Coding-Agenten-Plattform ZCode ist jetzt Open Source – nachdem gemeldete Sicherheitsprobleme behoben wurden. Das Repo enthält Desktop-App, Web-Workspace, Backend, Agent-CLI und Runtime, dazu einen neuen Prozess für Sicherheitsmeldungen samt Prämien.
System 1 & Entscheidungsmodelle
Entscheidungsmodell Laya. Laya ist ein nicht-autoregressives Open-Weights-Modell im „System-1“-Stil von Convai Innovations, das getippte Entscheidungsfragen in einem einzigen Forward Pass beantwortet; es gibt Checkpoints für Englisch, mehrsprachig und für typisierte Entscheidungen. Die C++-Implementierung laya.cpp schafft auf einer RTX PRO 6000 bis zu 810 Fragen pro Sekunde.
Jev selbst nachbauen. Mehrere Projekte bilden Jev-artiges Decision-Scoring mit gewöhnlichen Open-Weights-LLMs nach. Ein per LoRA feingetuntes Qwen3.5 4B erreichte 0,709 bei typisierten Entscheidungen; andere prüfen Kandidaten im Batch über llama.cpp oder setzen auf n_predict=1 mit Logprobs. Ziel ist, Jev ohne separate Classifier-Heads zu erreichen.
Lokale Agenten & Hardware
Agenten-Loop mit Qwen 3.8 27B. Ein lokaler Agenten-Loop auf Basis von Qwen 3.8 27B lief rund drei Wochen weitgehend unbeaufsichtigt auf einer einzelnen RTX 3090 und baute mit nur 12 menschlichen Nachrichten eine CUDA-Inferenz-Engine. Für die Compaction gingen 83 Stunden drauf, doch der Lauf zeigt: Langfristige lokale Agentenarbeit ist machbar – ein Performance-Gewinn ist sie noch nicht.
mini-AGI lernt kontinuierlich. mini-AGI ist ein Modell mit 530 Millionen Parametern für kontinuierliches Lernen, das auf einem Laptop mit 8 GB VRAM von Grund auf trainiert wurde – mit einem dynamischen Mixture-of-Experts-Ansatz und einem einzigen durchgehenden Datenstrom. Es zeigt, wie Training im Consumer-Maßstab aussieht, wenn man die volle Kontrolle über die Daten hat.
Kimi K3 auf GB10-Cluster. Ein Cluster aus 16 GB10-Knoten führte Kimi K3 von Moonshot AI mit 2,8 Billionen Parametern und angepassten Runtime-Patches aus. Dabei liefen rund 30 Tok/s beim Coding und bis zu 136 Tok/s unter Nebenläufigkeit. Der Aufbau erforderte eine modifizierte NCCL-Topologie und ein Dual-Switch-Netzwerk.
Forschungshighlights
Fuse für soziales Schlussfolgern. Fuse ist ein Multi-Agenten-Simulationsframework, das bewertet, wie LLM-Assistenten soziale Motive aus Nutzererzählungen ableiten. Über versteckte Ziel-Agenten liefert es überprüfbare Ground Truth. Tests mit 12 LLMs zeigen: Vermittlung durch Nutzer erhöht die Schwierigkeit, und die Modelle reagieren empfindlich auf voreingenommenes Framing.
StudentSim für KI-Tutoren. Forschende von Microsoft und der UIUC haben StudentSim entwickelt: digitale Studenten-Klone, die realistische Fehler machen und so die Verbesserung von KI-Tutoren beschleunigen sollen – ohne teure Tests mit echten Lernenden. Der Ansatz erzeugt aus begrenzten Daten separate Replikate und soll die Entwicklung von Tutoren beschleunigen.
Industrie & Politik
Streit um KI-Sicherheit. Anthropics Dario Amodei schlug einen Plan vor, das Tempo an der Frontier zu „drosseln“; Nvidias Jensen Huang nannte die KI-Ängste dagegen übertrieben und sagte, die Chance, dass KI die Welt beendet, liege bei „0 %“. Der Zwist zeigt, wie uneins sich die Branchenspitzen sind, während die Politik über Regulierung berät.
Trumps AI Force. Präsident Trump hat Pläne für eine „AI Force“ und einen „AI-Czar“ angekündigt. Er versprach, das KI-Wachstum nicht zu behindern, und erklärte, Rechenzentren seien gut für die Gemeinden. Seine Posts folgen auf Warnungen von KI-Größen vor existenziellen Risiken und spiegeln den Deregulierungskurs seiner Regierung.
Klage wegen KI-Bremse. Laut einer Klage haben sich Anthropic, OpenAI, SpaceXAI und Google illegal auf eine Verlangsamung der KI verständigt. Details sind bislang dünn, doch der Fall erhöht den juristischen Druck in der Debatte über das Tempo der Frontier-KI.
Anthropic verschiebt IPO. Anthropic soll seinen Börsengang von Oktober auf November 2026 verschieben. Als Grund nennen Berater die Notwendigkeit, starke Zahlen für das dritte Quartal vorzulegen. Investoren erwarten eine Bewertung von rund 2 Billionen Dollar und ein Volumen von bis zu 100 Milliarden Dollar.
Das war alles für diesen Tag – etwa 5 Minuten Lesezeit.