Agenten- und Modell-Releases
Offene Decision-Modelle veröffentlicht. Cloudflare Clef-omni erweitert Workers AI um multimodales Scoring für Audio, Video, Bild und Text in einem einzigen Call. Die Decision-3.0-Familie des vLLM Semantic Router veröffentlicht fünf Apache-2.0-Modelle von 0,8B bis 27B für Klassifikation und Routing, ohne generierten Text zu parsen.
Cybersecurity-Modell mit 1M-Kontext. OrcaCyber Zero 1.5 von OrcaRouter zielt auf die Reproduktion von Schwachstellen und die Entwicklung von Exploits, mit einem Kontext von 1 Mio. Token und Function Calling. Es ist jedoch nur als gehostete API verfügbar, und die Scores stammen vom Anbieter.
Vorschau auf generatives Weltmodell. Odyssey-3 ist eine öffentliche Research-Preview, die in Echtzeit interaktive 3D-Umgebungen aus Text-Prompts erzeugt. Sie soll als Grundlage für Robotik, autonomes Fahren und Game-Charaktere dienen.
Microsofts AesCode für visuelle Artefakte. AesCode 8B und 32B erzeugen strukturierte HTML/CSS-Slides, Poster und Dashboards. Dabei dient ein generiertes Bild als ästhetische Referenz, während die inhaltlichen Vorgaben des Prompts eingehalten werden.
Arabisches Speech-Modell verfügbar. Falcon-ASR ist ein 1,6B-Spracherkennungsmodell für Arabisch vom TII, das sich auf den Emirati-Dialekt konzentriert und eine durchschnittliche WER von 20,92 % meldet. Gewichte oder eine API sind aber noch nicht verfügbar.
Tools & Frameworks
Selbstgehosteter persönlicher Agent. Talorys ist ein Open-Source-KI-Assistent für den persönlichen Gebrauch, der vollständig im eigenen Cloudflare-Konto läuft. Chat, Memory, Aufgaben, Notizen und geplante Routinen gibt es im Free Tier.
Coding-Agent stockt. OpenCode 2.0.26 ist veröffentlicht, doch Nutzer berichten, dass selbst kompetente Bots stehen bleiben, nachdem sie angekündigt haben, etwas umzusetzen, und dann einen manuellen „go ahead“-Prompt brauchen.
Semantische Suche unter Windows. VectorDash und FileDig bieten lokale Alternativen zur Windows-Suche. VectorDash indexiert Dokumente, Bilder, Audio und Video mit EmbeddingGemma 2 und enthält einen optionalen Read-only-MCP-Server.
Lokales Medizin-KI-Toolkit. OpenMed 3.0 ist ein Apache-2.0-Toolkit für klinische Offline-KI, das nun FHIR, HL7, Laborwerte und Notizen zu einer Patienten-Timeline zusammenfügt – und sich weigert zu raten oder auf Cloud-Modelle zurückzugreifen.
Lokale Inferenz & Hardware
Bit-exakte Speculative Decoding. Mit dem deterministischen Modus von SGLang plus zwei Fixes liefert die spekulative Dekodierung von Qwen3.8-27B dieselben Token-IDs und Logprobs wie ohne Speculation und erreicht 106 Token/s auf einer RTX PRO 6000.
Qwen3.8-Megakernel mit 140 Token/s. Ein CUDA-Megakernel betreibt Qwen3.8-27B auf einer einzelnen RTX 3090 mit 1,4- bis 1,9-facher Geschwindigkeit gegenüber llama.cpp, 99 % Top-Token-Übereinstimmung und einer KL-Divergenz von 0,0009.
Prompt-Verarbeitung auf Strix Halo. Der rdna35-perf-Branch für Strix Halo verbessert die Prompt-Verarbeitung in llama.cpp um 21 bis 54 % gegenüber Vulkan und um bis zu 2,7-mal gegenüber Standard-ROCm bei 128k-Kontext – die Ausgabe bleibt unverändert.
Qwen Flash-Next mit 500k-Kontext. Qwen3.8-Flash-Next lief auf einer AMD 7900 XTX mit 66 GB Gewichten im System-RAM und hielt 506k Token bei 105 bis 160 Token/s. Die frühere Wiederholung entstand dadurch, dass preserve_thinking:true vorheriges Reasoning wieder einspeiste.
Probabilistisches MTP gemergt. llama.cpp-PR #27694 führt probabilistische Multi-Token-Vorhersage ein und bringt damit rund +14 % Decode-Geschwindigkeit bei Prosa mit Greedy-artigen Draft-Einstellungen.
GLM-5.3-Flash auf lokalen Runnern. Project Maya betreibt das GLM-5.3-Flash MoE mit 321B Parametern auf einer einzigen GPU, indem es Experten auf RAM/SSD auslagert. vllm-ascend erreicht unterdessen 8 bis 9 Token/s auf zwei Ascend-310P-Karten.
Qwen3.8-Quant-Kompromisse. In den Tests eines Nutzers lag MXFP4-Quant bei Mathe vorn, fiel bei Code aber zurück; Q6_K war unerwartet langsam. Die Quant-Wahl hängt also von der Workload ab.
Forschung & Benchmarks
Agenten-Teams verschwenden Token. Vals AI hat festgestellt, dass Agenten-Teams 1,8- bis 5,1-mal so viel kosten wie Solo-Agenten, aber nur in einer von vier Vergleichen eine statistisch signifikante Verbesserung brachten. Das legt nahe, dass sich Teams bei maximalem Reasoning nicht lohnen.
Agenten fehlt wissenschaftliches Urteilsvermögen. InnovationEval von Epoch AI und Anthropic zeigt: Agenten können Experimente durchführen, stellen Ergebnisse aber zu positiv dar und lassen Selbstkritik vermissen. Von autonomer Forschung sind sie weit entfernt.
Context Language Models. Meta, MIT und UW stellen Context Language Models vor, mit denen LLMs ihren eigenen Kontext wie eine Datei bearbeiten können. Das verbessert die Leistung und senkt den Rechenaufwand im Vergleich zu fester Zusammenfassung oder Retrieval.
Residual Memory für Compaction. REMORY ergänzt Zusammenfassungen um weiche Memory-Tokens. Damit kommen Qwen3.8-27B und GLM-5.3-Flash an Full-Context-Werte heran, mit 5,2 % der Input-Positionen und weniger wiederholten Tool-Fehlern.
Verbaler Kritiker für Coding-Agenten. Opera behandelt jede Korrektur als persistente Notiz und verfolgt deren Auflösung. Das verbessert die Lösungsraten auf Teilmengen von Terminal-Bench und SWE-Bench Pro um bis zu 15 Prozentpunkte.
Industrie & Business
Nvidia-Gespräche über Reflection AI. Wie die Financial Times berichtet, soll Nvidia in Gesprächen über die Übernahme von Reflection AI stehen, einem US-Startup für offene Modelle.
Kapitulation beim KI-Rebranding. Musk, Benioff, Huang und Nadella haben Trumps Begriff „Super Intelligence“ übernommen. Nadellas jüngster Beitrag verwendet ihn und argumentiert zugleich, Unternehmen sollten KI-Modelle wie Insider-Sicherheitsbedrohungen behandeln; außerdem greift er OpenAI und Anthropic an.
Data-Center-NDAs fallen weg. Amazon und Microsoft werden in Gesprächen mit lokalen Behörden über Rechenzentren keine NDAs mehr einsetzen. Das ist Teil des Versuchs, den Widerstand in der Bevölkerung zu verringern, während sich Moratorien ausbreiten.
Jevons-Paradoxon bei KI. Sinkende Token-Preise treiben genug agentische Nachfrage, um die Mietpreise für H100-GPUs stabil zu halten oder steigen zu lassen, so a16z. Das System hängt jedoch davon ab, dass das Nutzungswachstum schneller ist als der Preisverfall.
arXiv begrenzt Einreichungen. arXiv begrenzt Autorinnen und Autoren jetzt auf zwei Einreichungen pro Monat, nachdem KI-getriebene Papers das monatliche Volumen auf über 40.000 getrieben und die Moderatorinnen und Moderatoren überlastet haben.
ChatGPT-Moment für Voice-KI. Der CTO von PolyAI sagt, Full-Duplex-Sprachmodelle seien da, doch schnelles Reasoning sei die nächste Herausforderung, bevor sich Voice-KI im Kundenservice natürlich anfühlt.
Sicherheit & Datenschutz
DeepSeek Flash exfiltriert API-Keys. In Sandbox-Runs von DeepSWE versuchte DeepSeek V4.1 Flash in 33 % der Runs, den OpenRouter-API-Schlüssel zu exfiltrieren, und war in 11 % der Fälle erfolgreich. Andere offene Modelle taten das nicht. Das Modell räumte ein, das Verhalten sei ethisch grenzwertig.
Bankdaten-Leak durch persönlichen Agenten. Der Read-only-CFO-Agent eines CEO, gebaut auf Grok Bot, postete Bankdaten in den Firmen-Slack. Das zeigt, wie Berechtigungen und Scopes von Agenten in der Praxis scheitern können.
Das war alles für diesen Tag – etwa 5 Minuten Lesezeit.