AI Picks der 28 . KW

Von Sommerloch keine Spur, denn wir haben diese Woche alles dabei. Angefangen bei neuen Modellen, über Services, bis hin zu Politischem (wenn auch voraussichtlich eher unschön). Das Thema ChatGPT 5.6 hatte ich separat abgefrühstückt, aber ansonsten, et voilà – die Picks der 28. Kalenderwoche:

Tencent Hy3

Apache 2.0, Mixture-of-Experts (MoE) mit 295 Milliarden Gesamt- und 21 Milliarden aktiven Parametern, Kontextlänge bis 256K Token. Tencent bewirbt Hy3 so ein wenig als „Kann-einfach-alles-Modell“, inklusive agentischer Funktionen, und will die Halluzinationsrate gegenüber der Preview von 12,5 auf 5,4 Prozent mehr als halbiert haben – interne Messwerte, du ahnst es.

Das Schöne ist, man kann es bis zum 21. Juli mit einem OpenRouter-Account kostenlos testen. Für den Selbstbetrieb empfiehlt Tencent acht GPUs der H20-Klasse oder größer; die FP8-Variante auf Hugging Face belegt rund 300 GB, BF16 knapp 600. Eher nichts für den Bastelkeller also.

LongCat-2.0

Noch ein LLM, noch mal Open Weights, nur diesmal noch ein bisschen fetter.

LongCat-2.0, MoE mit 1,6 Billionen Gesamtparametern und ~48 Milliarden aktiven Parametern bei einem Kontextfenster von 1 Mio. Token, MIT-Lizenz. Meituan hat das Modell dediziert für Coding-Aufgaben entwickelt und trainiert – über 35 Billionen Trainingstokens, und vor dem offiziellen Release lief es wochenlang anonym als „Owl Alpha“ auf OpenRouter.

Interessant ist, dass sie im Beitrag auch durchblicken lassen, wie sie trainiert haben und wie ihre Infrastruktur aussieht. Als chinesisches Unternehmen sind sie von den Exportbeschränkungen betroffen und auf Alternativen zu NVIDIA angewiesen. Das erwähnen sie eher so nebenbei, aber nehmen dann eben AI-ASIC-Superpods mit über 50.000 Beschleunigern – scheint ja auch zu funktionieren.

Das Ding liegt zwar auf Hugging Face herum, aber lange überlegen, ob man sich das mal eben zum Testen installiert, muss man bei 1,6 Billionen Parametern dann eher nicht.

Bericht: Peking prüft Einschränkung des Zugangs zu Chinas führenden KI-Modellen

Womit wir beim passenden Kontrastprogramm zu den beiden Picks davor wären. Heise geht auf einen Reuters-Bericht ein, nach dem die chinesische Regierung strenge Export- und Zugangsbeschränkungen für ihre fortschrittlichsten KI-Modelle prüft – geleitet vom Handelsministerium, mit am Tisch die staatliche Planungsbehörde NDRC. Betroffen wären z. B. Alibaba, ByteDance und Z.ai, mit denen hat man wohl auch schon zusammengesessen. Im Raum steht sogar, Leak oder Diebstahl von KI-Technologie als Straftatbestand ins nationale Sicherheitsgesetz zu schreiben.

Ist das eine Retourkutsche an die US-Administration? Vielleicht, und nicht unwahrscheinlich.

Das dürfte in Europa die Diskussion um echte Souveränität hoffentlich wieder massiv anheizen. Vielleicht wachen hier auch mal ein paar Buden auf, die zumindest die Kapazitäten hätten, das Problem mit in den Griff zu bekommen (ich schaue niemanden an: Deutsche Telekom, Vodafone, Telefónica, OVH, Orange, United Internet).

Grok 4.5

Das war mir aus diversen Gründen (die ich hier nicht breittrete) dann doch keinen eigenen Artikel wert. Aber bei SpaceXAI ist Grok 4.5 hinten rausgefallen:

Grok 4.5 is SpaceXAI's smartest model built for coding, agentic tasks, and knowledge work.

Die eigene News dazu fällt knapper aus als der Beitrag von Artificial Analysis auf X.com.

Sonst beschwere ich mich immer, dass es zum Modellstart nur anbietereigene Benchmarks gibt, gemessen unter eigenen Laborbedingungen. Diesmal haben wir zum Start unabhängige Drittmessungen – so geht das! Artificial Analysis sieht das Modell auf Platz 4 im Intelligence Index, hinter Fable 5, GPT-5.5 und Opus 4.8, bei einem Bruchteil von deren Token-Kosten.

Zwei Fußnoten gehen in der Launch-Euphorie allerdings unter. Die Halluzinationsrate ist laut derselben Messung von 25 auf 54 Prozent gestiegen – das Modell weiß mehr, ist sich aber auch öfter fälschlich sicher. Und Cursor räumt selbst ein, dass ein älterer Snapshot der eigenen Codebase versehentlich im Training gelandet ist – und hat CursorBench deshalb gleich aus der eigenen Ergebnistabelle genommen. Immerhin ehrlich kommuniziert. Genau dafür sind Drittmessungen übrigens da.

Introducing Muse Spark 1.1

Meta Superintelligence Labs hat Muse Spark 1.1 rausgelassen und zeitgleich die neue Meta Model API gestartet – die erste öffentliche, kostenpflichtige Modell-API des Konzerns. Streng genommen hatte Meta den rein defensiven Open-Source-Pfad (Llama) schon im April verlassen, als das erste Muse Spark nur ausgewählten Partnern per Private Preview zugänglich war. Neu ist, dass jetzt jeder zahlen darf. Na gut, fast jeder – die Public Preview ist vorerst US-only mit Warteliste, und auf OpenRouter will Meta das Modell bewusst nicht sehen.

Kampfpreise gibt es trotzdem:

• Input-Kosten: 1,25 $ pro 1 Million Tokens
• Output-Kosten: 4,25 $ pro 1 Million Tokens

Und sonst so? Meta verspricht massive Sprünge bei Computer Use und Coding, das Modell versteht sich auf native multimodale Visual Loops und über die API ist Echtzeit-Web-Search-Grounding verfügbar (2,50 $ pro 1.000 Queries). Ein Detail für die Kalkulation solltest du nicht überlesen – Muse Spark 1.1 ist ein Reasoning-Modell, und die Denk-Tokens werden als Output abgerechnet.

LangChain and NVIDIA launch the NemoClaw Deep Agents Blueprint

LangChain und NVIDIA haben den NemoClaw für LangChain Deep Agents Blueprint veröffentlicht. Es handelt sich um eine offene, abgesicherte Enterprise-Referenzarchitektur, die NVIDIAs Open-Weight-Modell Nemotron 3 Ultra mit LangChains Framework für langlaufende Agenten (Deep Agents Code / dcode) und einer Sandbox (NVIDIA OpenShell) verheiratet.

Laut Pressemeldung (mit ganz vielen Herstellersternchen – gemessen wurde auf LangChains eigener Eval-Suite) erreicht das in Benchmarks die Genauigkeit kommerzieller US-Topmodelle, senkt die Token- und Inferenzkosten jedoch um den Faktor 10:

• Kosten mit dem Open Stack (NVIDIA + LangChain): 4,48 $ pro Durchlauf
• Kosten mit dem nächstbesten proprietären Closed-Source-Modell: 43,48 $

Da überlegst du nicht lange, wenn am Ende der Kette das Ergebnis stimmt. Der NemoClaw-Blueprint ist ab sofort verfügbar.

Fable 5 as „advisor“ or „orchestrator“

Token-Spar-Tipps von Anthropic, um Modelle effizienter zu nutzen. Entweder über einen Tool-Call, der Fable 5 als „Aufseher“ dazuholt, während Sonnet 5 die eigentliche Arbeit macht – oder Fable 5 als Orchestrator, der kleinere Modelle als Workers in den Loop schickt.

Anthropic nennt dazu Zahlen aus eigenen Evals (via X). Das Advisor-Pattern erreicht rund 92 Prozent der Fable-Solo-Leistung auf SWE-bench Pro bei 63 Prozent der Kosten, der Orchestrator kommt auf 96 Prozent bei BrowseComp für 46 Prozent. Das Muster wirkt trotzdem plausibel – die teuren Tokens entstehen nun mal beim Abarbeiten, nicht beim Entscheiden.

Claude Cowork is coming to mobile and web

Liebe*r Datenschutzbeauftragte, jetzt bitte mal wegschauen für die nächsten paar Absätze:

Cowork dann jetzt auch für Web und Mobile. Das Update macht Agenten-Workflows geräteübergreifend und asynchron. Ein Task kann am Desktop gestartet, auf dem Smartphone überwacht und in der Cloud autark fertiggestellt werden – auch wenn zwischendurch gar kein Gerät online ist. Beta-Zugang wird über die nächsten Wochen schrittweise ausgerollt, beginnend mit Max-Usern.

Was denn so geht:

• Asynchrone Hintergrund-Ausführung: Tasks laufen komplett autark weiter, wenn der Laptop zugeklappt wird oder kein Gerät online ist.
• Geplante Aufgaben (Scheduled Tasks): Workflows lassen sich für bestimmte Uhrzeiten vorprogrammieren (z. B. Montagmorgen um 6 Uhr Briefing-Dokumente aus E-Mails und News generieren und den Mail-Entwurf vorbereiten).
• Human-in-the-Loop via Mobile Push: Braucht Claude eine strategische Entscheidung, stoppt der Agent nicht einfach, sondern schickt eine Frage aufs Smartphone. Du kannst den Entwurf von unterwegs korrigieren, freigeben oder den Agenten neu ausrichten.

Anmerkung: Das ist für meinen Account freigeschaltet. In der Desktop-App taucht ein neuer Reiter auf, etwas ungelenk übersetzt als „Versenden“ – mit einem Beta-Hinweis. In der Mobile-App heißt es „Versand“. Wenn man es in der App auf dem Telefon aktiviert und öffnet, hat sich Anthropic entschieden, es bei „Dispatch“ zu belassen, was in jedem Fall besser ist als „Versand“.

Die ohnehin schon verdoppelten Cowork-Nutzungslimits werden im gleichen Zug bis zum 5. August 2026 verlängert.

Ja, geht – haut mich jetzt aber nicht um. Das mag anderen Menschen anders ergehen und es gibt sicherlich genug Anwendungsfälle dafür. Muss man eben wollen/brauchen und aus diversen guten Gründen (DSGVO ist einer davon) auch dürfen.

Neue Features für Managed Agents in der Gemini API

Google DeepMind spendiert den Managed Agents innerhalb der Gemini Interactions API ein Feature-Paket. Ziel ist es, aus simplen, synchronen API-Aufrufen autonome Hintergrund-Worker zu machen. Die API übernimmt das gesamte Reasoning, Code-Ausführung und Datei-Management in einer isolierten Cloud-Sandbox, wird im gleichen Zug nun aber flexibler bei asynchronen und externen Integrationen.

Neu ist eine asynchrone Hintergrund-Ausführung über das Flag background: true, Managed Agents können nun direkt mit remote MCP-Servern verbunden werden, und Entwickler definieren eigene lokale Funktionen parallel zu den serverseitigen Sandbox-Tools. Der unglamouröseste Punkt dürfte für Enterprise-Setups der wichtigste sein – Credentials lassen sich zwischen Interaktionen erneuern, ohne dass die Sandbox ihren Zustand verliert.

Google macht AlphaEvolve auf der Gemini Enterprise Plattform verfügbar

Google hat den von Google DeepMind entwickelten Coding-Agent AlphaEvolve für alle Kunden der Gemini Enterprise Agent Platform freigeschaltet – nach gut einem halben Jahr Private Preview jetzt General Availability. Es handelt sich um ein System zur automatisierten algorithmischen Code-Optimierung, das auf evolutionären Prinzipien und Feedbackschleifen basiert. Im Gegensatz zu klassischen Code-Generatoren ist AlphaEvolve darauf ausgelegt, bestehende, logisch komplexe Softwarekomponenten iterativ zu optimieren.

AlphaEvolve baut auf den Gemini-Modellen (Flash für Speed, Pro für Tiefe) und bewertet Kandidaten gegen eine Scoring-Funktion, die du selbst definierst. Die Kundenbeispiele klingen erfreulich konkret statt nach Folienprosa – FM Logistic meldet 10,4 Prozent bessere Lagerrouten auf einer bereits optimierten Baseline.

JetBrains AI for Teams and Organizations

Ich stelle doch immer wieder fest, dass JetBrains IDEs und die Tools in DACH ein Ding sind. Bei mir jetzt nicht so, aber ich höre immer wieder davon, insbesondere aus der Schweiz – da scheint die Verbreitung noch deutlich höher zu sein.

Jedenfalls rollt JetBrains ab Juli 2026, also quasi jetzt, ein neues, anbieterunabhängiges (vendor-agnostic) KI-Framework aus. Statt Entwickler auf ein einziges KI-Tool festzunageln, akzeptiert JetBrains die Realität fragmentierter Workflows (IDE-Assistenten, Claude Code, Codex, Antigravity etc.) und baut eine übergeordnete Schicht für zentrale Governance, geteilten Kontext, kollaborative KI-Agenten und Kostenkontrolle. Externe Tools werden per MCP angebunden, externe Agenten per ACP.

Und es gibt ein neues „On-Demand AI Credits“-Modell – die Credits sind 12 Monate gültig (statt bisher einem) und sollen künftig auch für andere Cloud-Services genutzt werden können.

Every integration, in every format agents speak

Du suchst einen bestimmten MCP, eine API oder GraphQL zu Tool xy, oder ein CLI?

Wenn es das gibt, ist die Wahrscheinlichkeit hoch, dass du es hier findest – aktuell knapp 5.800 Specs über gut 3.200 Domains, von MCP-Servern über klassische APIs bis zu CLIs.

Cloudflare: neue KI-Traffic-Optionen für alle Kunden

Cloudflare erlaubt seinen Kunden nun detaillierter einzustellen, wie mit welcher Art von KI-Bots umgegangen wird. Das pauschale „alles bleibt draußen“ oder äquivalent „alles darf rein“ ist drei Optionen für Suche, Training und Agent gewichen – ab sofort steuerbar für alle Kunden, inklusive Free-Plan.

Ab dem 15. September 2026 ändert Cloudflare außerdem die Standardeinstellungen, allerdings gezielter, als es die Schlagzeilen vermuten lassen. Für neue Domains (und Bestands-Free-Kunden, die ihre Einstellungen bis dahin nicht anfassen) werden „Training“ und „Agent“ auf Seiten mit Werbung geblockt, während „Suche“ durchgelassen wird.

Der eigentlich spannende Teil versteckt sich im Kleingedruckten. Mixed-Use-Crawler, die Suche und Training in einem Bot vermischen, fallen ab dem Stichtag unter die strengste greifende Regel – wer Training blockt, kann damit auch Googlebot aussperren. Cloudflare zwingt die Betreiber quasi dazu, ihre Crawler nach Zweck zu trennen. Für alle, die von organischer Sichtbarkeit leben, ist das die Stelle, an der man vor dem 15. September ins Dashboard schauen sollte.

BSI: Prüfarchitektur für KI-Systeme

Mit dem A5 („AI Audit and Assurance Assessment Architecture“) legt das BSI eine modulare und erweiterbare Prüfarchitektur für KI-Systeme vor. Ziel ist es, Akteuren entlang der gesamten KI-Wertschöpfungskette (Entwicklung, Betrieb, Beschaffung, Aufsicht) Kriterien und Methoden an die Hand zu geben, um die technische Vertrauenswürdigkeit (Trustworthiness) von KI-Systemen standardisiert und nachvollziehbar zu bewerten.

Das steht drin:

• Horizontales Trustworthiness-Basismodul: Enthält technologie- und anwendungsunabhängige Prüfkriterien, die als grundlegender Rahmen für alle KI-Systeme dienen.
• Betriebsmodul Cloud-Infrastruktur: Stellt die Verbindung zum etablierten Cloud-Kriterienkatalog des BSI (C5) her, um KI-Anwendungen in Cloud-Umgebungen zu prüfen.
• A5-Prüfmethodik: Basiert auf dem international anerkannten Prüfungsstandard ISAE 3000 und regelt das konkrete Vorgehen bei Audits.

Aktuell liegt das Framework als Community Draft vor und befindet sich in der öffentlichen Kommentierungsphase, Fristende ist der 31. August 2026. Die Leute schreien immer über zu wenig Demokratiebeteiligung – hier haben wir sie, gelebt.

Neue Leitlinien für Anonymisierung und Web-Scraping in der EU

Heise berichtet, dass der EDSA mit zwei neuen Leitlinien um die Ecke kommt. Die erste setzt neue Standards für die Anonymisierung und führt ein Bewertungsverfahren zur Beurteilung der Anonymität ein:

1. Keine Einzelfallidentifikation (No record isolation): Ein Datensatz darf keine so einzigartige Kombination von Merkmalen enthalten, dass eine einzelne Person direkt herausgefiltert werden kann.
2. Keine Verknüpfung (No linkage): Die Daten dürfen sich nicht mit anderen bekannten Informationsquellen (auch von Dritten) zu derselben Person kombinieren lassen.
3. Keine Rückschlüsse (No inference): Es darf nicht möglich sein, aus den anonymisierten Daten mit hoher Wahrscheinlichkeit neue, sensible Informationen über eine Person abzuleiten.

Die zweite Leitlinie bezieht sich eindeutig auf Web Scraping für generative KI. Laut EDSA unterliegen personenbezogene Daten vollumfänglich der DSGVO – das bloße „Online-Stehen“ von Daten ist kein Freibrief.

Zur Einordnung gehört, dass beide Papiere Entwürfe sind und bis zum 30. Oktober 2026 in der öffentlichen Konsultation stehen. Wer mit Trainingsdaten oder Scraping-Pipelines arbeitet, kann also noch kommentieren – sollte die Richtung aber schon mal ernst nehmen.

Separating signal from noise in coding evaluations

OpenAI hat da etwas herausgefunden – genauer gesagt nachgemessen. Das Team hat SWE-Bench Pro auditiert, einen der meistgenutzten Coding-Benchmarks, und stuft rund 30 Prozent der Aufgaben als kaputt ein. Die Fehlerkategorien reichen von überstrengen Tests, die korrekte Lösungen ablehnen, über unterspezifizierte und irreführende Aufgabenstellungen bis zu Tests mit zu geringer Abdeckung. Die Konsequenz: OpenAI zieht die eigene Empfehlung für SWE-Bench Pro zurück.

Pikant wird es mit etwas Kontext. Erst vor Kurzem hatte OpenAI SWE-bench Verified wegen Design- und Kontaminationsproblemen beerdigt und der Community den Umstieg auf genau dieses SWE-Bench Pro empfohlen. Das größere Muster dahinter bleibt dasselbe – statische Benchmarks sättigen, Testdaten sickern in die Pre-Training-Korpora (Data Contamination), und wer auf die Teststruktur optimiert, misst am Ende Auswendiglernen statt Problemlösung. Nicht doch – damit hätte ja wohl niemand rechnen können!

Das war die 28. Kalenderwoche. Sommerloch ist hiermit offiziell abgesagt.