AI Picks der 34. KW

Letzte Woche muss irgendwo eine Abgabefrist für Jahresberichte gelegen haben, anders kann ich mir die Flut nicht erklären. Diese Woche ist da deutlich entspannter, alle haben weniger auf dem Zettel. Immer noch kein Blech … ähm, ich meine Hardware, aber dafür etwas Spannendes von der GEO-Front.

Was mir beim Sortieren auffiel: Drei Meldungen erzählen dieselbe Geschichte aus drei Richtungen. ChatGPT sucht seit dem 8. August gezielt innerhalb einzelner Domains, Vercel misst, wie gut eine Website für Agenten überhaupt lesbar ist, und Anthropic gibt Claude den Accessibility Tree statt Screenshot-Koordinaten. Deine Website ist keine visuelle Seite mehr. Sie wird zur Abfrageoberfläche für Agents.

Dann mal auf in die Picks der 34. Kalenderwoche.

ChatGPT search now uses the site:operator at scale

Simon Willison verweist auf eine Auswertung von Promptwatch, nach der ChatGPT bei seinen Fanout-Abfragen inzwischen gezielt innerhalb einzelner Domains sucht. Die Zahlen dahinter sind ungewöhnlich eindeutig. Wochenlang lag der Anteil domain-gescopter Suchen zwischen 0,3 und 0,5 Prozent, sackte vom 3. bis 5. August kurz auf 0,15 ab und sprang am 8. August auf 16,8 Prozent. Vorher etwa eine von 280 Abfragen, jetzt ungefähr jede sechste.

Interessanter als der Sprung ist aber die zweite Kurve, die Promptwatch danebenlegt. Am selben Tag stieg die durchschnittliche Zahl der Fanout-Abfragen pro Antwort von rund 1,08 auf 1,83. Die domain-gescopten Suchen kommen also obendrauf, sie ersetzen die generischen nicht. Deine bisherigen Chancen bleiben.

Vorher aber ein paar kleine Dämpfer in dem Artikel von Promptwatch: Willison hat sich das Tool angesehen und vermutet dahinter eine Signatur der Form search(query, recency, domains), also einen Domain-Parameter und keinen echten site:-Operator. Die Datenbasis deckt außerdem nur die Prompts ab, für die Promptwatch automatisiertes Tracking laufen hat. Und Promptwatch ist selbst ein GEO-Anbieter, der solche Auswertungen als Content-Marketing veröffentlicht, was Willison auch deutlich äußert.

An der Arbeit ändert das trotzdem etwas Konkretes. Wenn ChatGPT site:deinedomain.de [Thema] abfeuert, durchsucht es deine Website direkt, und was dort nicht indexiert ist, existiert für diese Abfrage nicht. Da bleiben also gleich zwei Hausaufgaben: Client-seitiges Rendering ist und bleibt ’ne Scheißidee, wofür die viel zitierte Vercel-Analyse von über 500 Millionen GPTBot-Abrufen ohne eine einzige JavaScript-Ausführung weiterhin die größte Stichprobe liefert. Einzige nennenswerte Ausnahme ist Gemini, das sich bei Googlebots Rendering-Infrastruktur bedient und deshalb sieht, was ChatGPT und Claude entgeht. Und Crawlability samt Indexierbarkeit gehören ins regelmäßige Monitoring, wobei eine Sitemap und eine vernünftig gebaute robots.txt schon das meiste erledigen. Wer wissen will, welche KI-Crawler da überhaupt vorbeikommen, schaut ins Logfile.

Kleine Randnotiz mit Folgen für alle, die auf Community-Traffic gebaut haben: In einem Nachtrag vom 18. August berichtet Promptwatch, dass Reddit in diesen Suchen deutlich seltener auftaucht – oops.

Is Agentic

Ein kleiner Service von Vercel, gebaut zusammen mit Ora, das auch jeden Scan ausführt. Is Agentic prüft eine Website darauf, was Agenten dort finden, abrufen, verstehen und benutzen können, und vergibt einen Score bis 100.

Die Gewichtung ist erfreulich unaufgeregt. Den Großteil tragen Essential Checks: server-gerendertes Markup, korrektes HTTP-Verhalten, saubere Dokumentstruktur, wiederherstellbare Fehler, bedienbare Controls. Recommended Checks springen nur an, wenn der Scan tatsächlich eine API, OAuth, GraphQL, einen MCP-Server oder eine Commerce-Oberfläche findet. Was nicht zutrifft, fällt raus statt durch. Den Report gibt es neben der Weboberfläche auch als JSON, als Markdown unter derselben URL und über einen eigenen MCP-Server.

Beim üblichen Verdächtigen bleibt Vercel bemerkenswert nüchtern. Emerging Formats wie llms.txt geben begrenzten Bonus, ihr Fehlen senkt den Score nie. Wer also gehofft hatte, sich eine Textdatei ins Wurzelverzeichnis zu legen und damit fertig zu sein, findet hier keine Bestätigung.

Die schönste Zahl steht auf der Startseite. In den Featured Scores liegt is-agentic.com bei 100 von 100 und ora.ai bei 98, während vercel.com mit 85 einläuft. Wenn der Anbieter seiner eigenen Prüfung fünfzehn Punkte schuldig bleibt, spricht das mehr für die Ernsthaftigkeit des Tests als jedes Marketing-Zitat.

Anthropic’s new browser tool doesn’t actually run a browser

Der Titel beim New Stack sitzt, und er beschreibt die Stelle, an der es dann auch interessant wird. Das neue Browser Use nutzt den Accessibility Tree, um Elemente direkt zu adressieren, statt aus Screenshots zu erraten, wo auf dem Screen ein Button liegt – ruft Claude read_page auf, kommt eine Textdarstellung des Baums zurück, in der Links, Buttons und Textfelder Referenzen wie ref_3 tragen. Statt x: 640, y: 320 schickt Claude dann die Referenz.

Angekündigt wurde das am 20. August als Teil eines größeren Pakets, bei dem auch Computer Use, die Skills API und die Files API allgemein verfügbar werden. Ansprechbar ist das Toolset über die Claude API als browser_toolset_20260801, in Claude Managed Agents bislang nicht.

Der Haken steckt im Wort „doesn’t run“. Anthropic führt hier gar nichts aus. Deine Anwendung hostet den Browser, übersetzt jede der standardmäßig 27 Operationen in eine echte Aktion, hält die Session über die Turns hinweg und liefert genug Information zurück, dass Claude versteht, was passiert ist. Navigiert der Tab zwischendurch weg, wird eine Referenz ungültig, und die API merkt das nicht von selbst. Dein Executor muss das erkennen, die Aktion ablehnen und Claude die Seite neu lesen lassen.

Dazu die Rechnung, die man vor dem Bauen kennen sollte. Das Default-Toolset schlägt laut Anthropics Preisdoku mit rund 6.600 Input-Tokens pro Request zu Buche, bevor Screenshots und Accessibility Trees überhaupt dazukommen. Einzelne Operationen lassen sich abschalten. Gegenläufig wirkt das neue Batching, bei dem mehrere Aktionen in einem Model-Turn ankommen und der Reihe nach abgearbeitet werden, was Latenz und Modellaufrufe spart. Genau das macht Freigaben schwieriger, weil ein harmloser Klick am Anfang einer Sequenz in etwas münden kann, das eigentlich eine Rückfrage gebraucht hätte.

Und Achtung, Verwechslungsgefahr zum Schluss: Es gibt ein unabhängiges Open-Source-Projekt namens Browser Use, das AI-Browser-Agenten über das Chrome DevTools Protocol fährt. Mit Anthropics Tool hat es nichts zu tun außer dem Namen.

Firecrawl connector for Claude

Firecrawl ist offizieller Connector. Der Eintrag steht im Anthropic-Verzeichnis, und wer den MCP-Server bisher von Hand konfiguriert hat, kann sich das sparen. Die Doku sagt es deutlich: kein Custom Connector, keine Server-URL zum Einfügen, stattdessen Verbinden über das Verzeichnis und pro Unterhaltung im Plus-Menü aktivieren.

Wichtig für die Einordnung ist Anthropics eigene Trennung zwischen lokalen Desktop Extensions und Remote Connectors. Firecrawl ist Letzteres und damit in Web, Desktop und Mobile verfügbar, nicht nur in der Desktop-App. Das Plugin für Claude Code gibt es ohnehin schon länger. Auf Team- und Enterprise-Plänen muss ein Owner den Connector erst freigeben, und die Requests laufen über Credits und Plan des Teams, das du beim Anmelden auswählst.

Claude Code can design now

Diese Überschrift geht schon fast ein wenig in Richtung Clickbait, aber sie kommt nicht von mir. Das hat sich Anthropic ganz allein ausgedacht.

Dahinter steckt der neue Skill /design, der den Artboard-Workflow aus Claude Design in CLI und Desktop holt, gebaut auf Artefakten. Du beschreibst den Screen, bekommst mehrere editierbare Varianten nebeneinander, wählst eine aus, schiebst Farben und Abstände zurecht und lässt erst dann implementieren. Pick, tweak, implement. Unterstützt wird das ab Pro, außerdem in Max, Team und Enterprise.

Zwei klitzekleine Details gingen in der Aufgeregtheit unter: Das läuft als Research Preview. Und ein Artboard bleibt technisch das, was ein Artefakt eben ist, eine einzelne HTML-Seite mit Inline-CSS und JavaScript unter strenger Content Security Policy, ohne eigenes Backend. Das reicht für einen Entwurf, aber mehr dann auch nicht.

Antigravity IDE Extensions

Für Visual Studio Code, Visual Studio (Preview), die JetBrains-IDEs ab Version 2026.2.1 und Zed ist nun eine offizielle Erweiterung für Antigravity verfügbar. Google beschreibt sie ausdrücklich als leichtgewichtig: Der Multi-Agent-Betrieb bleibt in Antigravity 2.0, der Editor ist für die Stellen da, an denen man in konkrete Codepfade schaut oder mit dem Debugger durch Logik steppt. Einloggen geht mit jedem Plan inklusive Free Tier. Enterprise läuft über Gemini Enterprise oder Google-Cloud-Credentials unter Cloud-ToS, ohne Training auf euren Daten und mit IAM sowie VPC Service Controls.

Und jetzt schaut mal in den Kalender: Die Gemini-Code-Assist-Extensions haben für Consumer-Tiers am 18. Juni aufgehört, Requests zu bedienen, die GitHub-Variante wurde am 17. Juli endgültig abgeschaltet, Enterprise- und Standard-Lizenzen laufen unverändert weiter. Das sind zwei Monate, in denen Google seine eigenen Nutzer ohne IDE-Integration hat sitzen lassen – mit Verweis auf die Standalone-App. Wer eine Konsolidierung ankündigt, sollte den Ersatz vor der Abschaltung liefern.

Multica

Da bin ich auch erst diese Woche drübergestolpert und habe noch keinen richtigen Use Case dafür, weil das aktuell mit Kanonen auf Spatzen geschossen wäre. Ändern kann sich das aber schneller, als man so denkt.

Multica ist ein Workspace, um verschiedene Coding-Agents an einem Ort zu verwalten. Du weist ein Issue einem Agenten zu wie einem Kollegen, der zieht die Arbeit, meldet Fortschritt, hebt die Hand bei Blockern und legt am Ende einen Pull Request hin. Unterstützt werden unter anderem Claude Code, Codex, Cursor Agent, GitHub Copilot CLI, OpenClaw, OpenCode, Hermes, Gemini, Pi, Kimi und Kiro CLI. Ausgeführt wird über einen Daemon auf deiner Maschine oder einer Cloud-Box, der Code bleibt dort. 47.3k Sterne auf GitHub, Backend in Go, Self-Hosting geht, alternativ gibt es SaaS über multica.ai. Der Name nickt in Richtung Multics, dem Time-Sharing-Betriebssystem der Sechziger.

Bei der Lizenz lag meine erste Recherche falsch. Die LICENSE-Datei heißt „Multica License“ und besteht aus zwei Teilen, wobei Apache 2.0 nur der zweite ist. Teil eins bringt Zusatzbedingungen, die bei Konflikt Vorrang haben: kein gehosteter Dienst für Dritte ohne kommerzielle Lizenz, auch kostenlos nicht und auch ohne Werbung nicht. Logo, Produktname und Attribution dürfen nicht raus – auch nicht aus einem Fork. Wer nur Backend, Daemon oder CLI verwendet, muss in der nutzerseitigen Doku auf Multica hinweisen und verlinken. Beitragende stimmen zu, dass der Hersteller die Lizenz jederzeit verschärfen darf.

Interner Betrieb in einer Organisation ist ausdrücklich frei, und für die meisten hier dürfte das der einzige relevante Fall sein. Es ist trotzdem das Muster, das ich mittlerweile bei jeder zweiten Bude sehe, und GitHub weist die Lizenz konsequenterweise als „NOASSERTION“ aus.

Mein Take dazu: Nützlich sieht das aus und ich werde das bei Zeiten bestimmt auch mal ausprobieren. Nur „Open Source“ nennen wir es besser mal nicht.

Claude Academy

Anthropic hat am 20. August Claude Academy gestartet, eine eigene Lernplattform unter academy.claude.com. Angeboten werden fünf Produktstrecken zu Claude.ai, Cowork, Code, Tag und Platform, dazu die AI-Fluency-Kurse rund um das hauseigene 4D-Framework aus Delegation, Description, Discernment und Diligence. Alles kostenlos, mit Badges, personalisierten Empfehlungen und einem eigenen Skill, der Lernpfade vorschlägt.

Das Verkaufsargument im Blogpost ist ehrlicher, als ich erwartet hätte: Es sei dasselbe Material, mit dem Anthropic seine eigenen Leute im Onboarding schult.

Das bestehende Angebot unter anthropic.skilljar.com läuft seit Anfang März weiter und trägt nach wie vor die Zertifizierungen zum Associate, Developer und Architect sowie die Partner Academy. Zwei Angebote nebeneinander also, nicht eines auf dem anderen. Ob sich beide Angebote irgendwie sinnvoll ergänzen, habe ich mir ehrlicherweise noch nicht angesehen.

Gemini 3.7 Flash: Developer Guide

Parallel zum Release von Gemini 3.7 Flash hat Google auch den Developer Guide veröffentlicht, der mir erst diese Woche vor die Füße gefallen ist. Der hätte gerne auch ausführlicher ausfallen dürfen. Immerhin gibt er eine Idee davon, was sich Google bei dem Modell gedacht hat. Das Marketing muss man gedanklich ein Stück weit ausklammern.

Nützlich ist vor allem die Migrationsliste, weil dort die Bruchstellen stehen und nicht die Superlative. temperature, top_p und top_k sind deprecated, thinking_budget heißt jetzt thinking_level mit den Stufen low, medium und high, candidate_count fliegt raus, und Model-Turns vorbefüllen geht nicht mehr. Wer eine ältere Gemini-Anwendung einfach auf die neue Model-ID umbiegt, sammelt genau dort seine Fehler ein. Das Kontextfenster liegt bei einer Million Token, maximal 64.000 gehen raus.

Für die Kalkulation relevant: Die 0,75 $ je Million Input- und 3,75 $ je Million Output-Token sind Einführungspreis bis zum 31. Dezember 2026, danach verdoppelt Google auf 1,50 beziehungsweise 7,50.

DeepSeek-V4-Flash-Vision-Exp

DeepSeek ist bei der Modellbezeichnung so wunderbar pragmatisch: „Nennen wir das Teil halt so, wie wir es über die API ansprechen würden“ – total simpel und logisch.

Es handelt sich um ein experimentelles, multimodales Modell, das die Textfähigkeiten von DeepSeek-V4-Flash bei Reasoning und Weltwissen beibehält und um Bildverarbeitung erweitert, berichtet The Decoder unter Berufung auf DeepSeeks eigene Ankündigung. Bilder beschreiben, Text aus Screenshots ziehen, Diagramme lesen. Angesprochen wird über das OpenAI-Chat-Completions-Format, den Anthropic-Messages-Endpoint oder die Responses-API, und die DeepSeek Harness unterstützt es ab 0.1.1 direkt.

Die API-Doku ist an einer Stelle bemerkenswert konkret. Ein Bild kostet maximal 384 Token, unabhängig von der Ausgangsauflösung, weil vor der Verarbeitung ohnehin auf etwa 800 × 800 Pixel normalisiert wird. Ein optionales detail-Feld drückt auf 512 × 512, wenn feine Details egal sind. Bis zu 600 Bilder pro Request sind erlaubt, ab 15 Bildern sinkt die maximale Kantenlänge von 8.192 auf 4.096 Pixel, und einbetten lassen sie sich ausschließlich in User-Nachrichten. Das Format erkennt DeepSeek am tatsächlichen Dateiinhalt statt am Dateinamen oder am deklarierten MIME-Typ, was Ärger spart. Dazu kommt eine kostenlose Files-API, über die eine Datei bis 64 MiB einmal hochgeladen und danach per ID mehrfach referenziert wird. Abgerechnet wird zu V4-Flash-Preisen.

Bei den Benchmarks das übliche Sternchen hinten dran wegen den Herstellermessungen. DeepSeek sieht die Vision-Variante in internen multimodalen Agenten-Tests nahe an Opus 4.8 und stellenweise darüber (übrigens: Opus 5 haben sie gar nicht erst erwähnt).

MiniMax Design

Eher unüblich für den hier gesetzten thematischen Rahmen, aber spannend, weil es mal was Neues ist. MiniMax stellt für Windows ab 10 und macOS ab 13 eine Desktop-App bereit, die für KI-Content-Produktion gebaut wurde, mit klarem Schwerpunkt auf Video. Im Zentrum steht das eigene Modell MiniMax H3, drumherum arbeitet ein Team aus vier Agenten für Copy, Bild, Video und Audio parallel auf einem Canvas, dessen Nodes sich selbst verbinden. Dazu kommen wiederverwendbare Skills aus einem Marktplatz, eine 3D-Director-Stage zum Vorabstellen von Kamerafahrten und ComfyUI-Nodes für alle, die es genauer wollen. Als Zielgruppen nennt MiniMax auf X und der Produktseite Short Dramas, E-Commerce, Brand-TVCs und Ad Creatives, und den Anspruch bringt das Unternehmen schon in der Selbstbeschreibung der Plattform unter:

AI Agent Platform for Commercial Content Creation

Bereitgestellt werden auch reichlich Modelle anderer Anbieter, und das Tutorial listet sie mitsamt Preisen auf (Achtung, das lädt sehr, sehr langsam). Bei den Bildern Nano Banana Pro und 2 Flash, GPT Image 1.5, Seedream 4.5 und 5.0 Lite, Midjourney V7, Flux Kontext, Qwen Image Edit und diverse Kling-Generationen. Beim Video Seedance 2.0, Wan 2.6, die hauseigenen Hailuo-Modelle und Kling bis hinauf zu V3 Omni. Dazu Text-to-Speech in zwei Stufen.

In dieser Preistabelle steht der ehrlichste Kommentar zu „Commercial Creation“. Abgerechnet wird in Credits, ein Bild kostet zwischen 20 und 150. Video spielt in einer anderen Liga: Kling V3 Omni in 4K mit Referenzen schlägt mit 1.200 Credits pro Sekunde zu Buche, ein Fünfzehn-Sekunden-Clip landet damit bei 18.000. Wan 2.6 in 1080p bei fünfzehn Sekunden sind 2.400. Bei Seedance 2.0 und 2.0 Fast ist die Credits-Spalte über alle sechs Zeilen komplett leer, während jedes andere Modell eine Zahl trägt. Und Teile der Tabelle sind noch nicht übersetzt, „有声“ und „无声“ für mit und ohne Ton, „积分/次“ für Credits pro Durchlauf.

Drinnen steckt interessanterweise eine EULA für eine kommerzielle Desktop-App, aber keine Open-Source-Lizenz. Kurioserweise ist das Modell darunter offener als die Hülle: H3 selbst hat MiniMax als Open Model veröffentlicht.

Mein Take: Das „Local-First Asset Center“ klingt nach Datensouveränität, meint aber nur, dass die Ergebnisse lokal landen. Generiert wird in Chinas Cloud, angemeldet wird sich mit einem HailuoAI-Account. Für Kundenmaterial würde ich das eher nicht anfassen, so aus einem EU-Standort heraus betrachtet.

Hetzner Inference Experiment

Bei Hetzner plaudert man ein wenig aus dem Nähkästchen, wie das Anfang August gestartete Inference-Experiment tatsächlich gelaufen ist. Der Rückblick nach einer Woche ist eines der ehrlichsten Post-Mortems, die ich dieses Jahr aus einem Rechenzentrum gelesen habe.

Der Ablauf in Kurzform. Stiller Start am 7. August, aktive Kommunikation ab dem 10., Kapazitätsgrenze nach sechs Stunden. Die Time to First Token lag im 99. Perzentil zunächst bei fünf bis zehn Sekunden und schoss am zweiten Tag auf fast zehn Minuten hoch, womit die API zeitweise praktisch unbenutzbar war. Beliebtestes Modell war am ersten Tag Qwen 3.6, sowohl nach Anfragen als auch nach Tokens, und es blieb auch danach vorn, wenn auch mit sehr vielen kleinen Anfragen statt großer Lasten. Nebenbei ist der Kubernetes-Cluster für die OpenClaw-Instanzen ans Limit gelaufen, woraufhin der Reiter für neue Accounts abgeschaltet wurde. Mehrere Instanzen haben sich durch Nutzereingaben selbst in einen kaputten Zustand konfiguriert.

Der Kern steckt in der Hardware-Aufteilung. Der GEX131 hat genau eine RTX PRO 6000 Blackwell und bedient ausschließlich das kleine Qwen. Für DeepSeek-V4-Flash, GLM-5.2 und Kimi-K2.7-Code hat Hetzner eigens Server mit acht dieser GPUs gebaut – und jeden davon exklusiv einem Modell zugewiesen. Die Maschinen können die großen Modelle also durchaus, es waren schlicht zu wenige davon im Pool. Deshalb der Schnitt:

Das Inference Experiment wird fortgesetzt, allerdings in reduziertem Umfang: Kleinere Modelle wie Qwen 3.6 und 3.8 werden wir weiterhin anbieten. Bei großen Modellen legen wir vorerst eine Pause ein.

Auch interessant, denn sie hätten wohl gern Kimi K3 angeboten, aber:

K3 war bereits erschienen und versprach sehr gute Ergebnisse in öffentlichen Benchmarks. Die sehr spezifischen Lizenzanforderungen von K3 erlaubten es uns jedoch nicht, das Modell als kostenloses Experiment anzubieten.

Was Moonshot dort im Kleingedruckten verlangt, habe ich mir Ende Juli angesehen, und Hetzner ist offensichtlich zum selben Schluss gekommen.

Auf der Roadmap stehen bessere Doku, ein Review der Modellauswahl anhand echter Nutzungsmetriken und möglicherweise Re-Ranking sowie Embeddings für RAG-Pipelines.

Spannend, spannend! Und vielen Dank und Gruß nach Gunzenhausen, dass sie sich den Stress überhaupt geben, das dann kostenlos bereitstellen und hinterher auch noch öffentlich berichten, was und wie es denn so gelaufen ist.

GPT-5.6 Sol Preissenkung

OpenAI senkt die API- und Credit-Preise von GPT-5.6 Sol um mehr als 20 Prozent für die nächsten drei Monate, konkret laut Reuters auf 4 Dollar je Million Input- und 20 Dollar je Million Output-Token. Das greift in der API sowie bei Codex-Credits und ChatGPT Work, während Pro, Plus und Business unverändert bleiben. Die Begründung auf X ist dann eher Marketing-Blabla – irgendwas mit Frontier vorantreiben bei gleichzeitig steigender Effizienz.

Die Geschichte hinter der Meldung steht woanders. Die New York Times berichtet unter Berufung auf zwei Personen mit Kenntnis der Gespräche, Anthropics Banker stellten potenziellen Investoren einen Börsengang mit über 100 Milliarden Dollar Volumen bei rund zwei Billionen Bewertung in Aussicht. Ein Statement von Anthropic gibt es natürlich nicht dazu. Mitten in diese Roadshow hinein senkt der direkte Wettbewerber die Preise. Parallel kursieren Hinweise auf Tests eines GLM-5.3-Flash, was den Druck von der anderen Seite erklärt. Gesenkt wird hier weniger der Preis als die Bewertungsgrundlage der Konkurrenz.

Ox Alpha, oder wie ich mich von drei Tweets aufs Glatteis führen ließ

Einige Labs nutzen OpenRouter gern dafür, ein neues Modell anonym zum Testen bereitzustellen, weder Lab noch Modell sind dann ersichtlich. OpenRouter kennzeichnet das als „Stealth“. Seit dem 20. August liegt dort Ox Alpha, und die Community auf X.com hat seither wenig anderes zu tun.

Die Eckdaten laut Modellseite: 1.048.576 Token Kontext, maximal 131.072 Token Output, Text, Bild und Video rein, Text raus, Tool Calling und strukturierte Ausgaben, gedacht für Coding, langlaufende agentische Arbeit und Produktionslasten. Kostenlos, ein einziger Provider – der Prompts und Completions zwar speichert, aber nicht darauf trainiert.

Der Durchsatz liegt Stand 22. August bei 21 Tokens pro Sekunde, was ungefähr dem entspricht, was ich vergangene Woche mit Qwen3.8-27B lokal auf meinem MacBook Pro M5 gemessen habe. Als Indiz für richtig fette Infrastruktur taugt das nichts. Herumgereicht wird stattdessen eine Kapazitätsansage: OpenCode nennt 100 Billionen Tokens pro Tag und hat das Angebot am 21. August um sechs Tage verlängert, beim Nous-Research-Portal soll laut Alex Volkov sogar eine Billiarde pro Tag drin sein. Nur ist eine Ansage eben eine Ansage, und niemand hat sie nachgezählt. Belastbar sind die Zahlen, die OpenRouter selbst zählt. Allein über Hermes Agent sind 490 Milliarden Tokens gelaufen, über Claude Code weitere 314 Milliarden, bei 99,99 Prozent Uptime über drei Tage. Die erfolgreich ausgelieferte Inferenz liegt mit 99,51 Prozent etwas darunter, was bei einem kostenlosen Preview niemanden überraschen dürfte.

Zum Größenvergleich taugt der Pick von oben. Ein deutscher Hoster, der eigens Achtfach-GPU-Server baut, nimmt nach einer Woche die großen Modelle vom Netz, weil schlicht zu wenige davon im Pool stehen. Hier verschenkt jemand eine Kapazität, die im Bereich dessen liegt, was die größten Frontier-Anbieter für ihr komplettes Geschäft angeben. Das ist keine Fünf-Mann-Bude mit drei RTX-4090-Clustern im Keller.

Bei der ersten Spekulationsrunde hätte ich felsenfest behauptet, dass kein führendes US-Lab dahintersteckt, weil das nicht zu deren Umgang mit neuen Modellen passt. Große Ausnahme war OpenAI, die mit „Horizon Alpha“ und „Horizon Beta“ Ende Juli 2025 GPT-5-Vorstufen als Stealth auf OpenRouter gelegt hatten, was OpenRouter beim Launch von GPT-5 dann auch bestätigte. Einen Unterschied hebt OpenRouter diesmal selbst hervor: Bei Horizon wurde ausdrücklich für Feedback und Training mitgeloggt, bei Ox Alpha trainiert der Anbieter nicht mit. Dann fingen Leute aus dem Google-DeepMind-Lager an, beiläufig Öl ins Feuer zu gießen. Vamsi Batchu schrieb „Google is back. Trust the process.“, Jonathan Ouyang legte „It’s Gemini time :)“ nach, und ich war schon fast (aber auch nur fast) überzeugt: ein Google-Modell, nur eben nicht unter dem Namen Gemini oder Gemma.

Andere Menschen haben nicht spekuliert, sondern tatsächlich gemessen. @unclecode hat neun Infrastruktur-Probes über Tokenizer, Error Codes und versteckte Templates gegen zwölf Verdächtige laufen lassen, und eine Familie besteht jeden einzelnen Tokenizer-Test: GLM. Tim Dettmers liefert einen zweiten Fingerabdruck und weist darauf hin, dass Zhipu eines der wenigen Labs mit schwachem Partial Prefill bei gleichzeitig schnellem Output ist, wobei das Modell rund 30 Prozent über GLM-5.3 liegt. @skalskip92 hat Luftbilder und Satellitenaufnahmen durchgeschickt und kommt zu einem klaren Nein zur Gemini-These, weil Googles Modelle bei Computer Vision traditionell stark sind und Ox Alpha dort bestenfalls Mittelmaß liefert.

Am schönsten hat es @tokengremlin formuliert, als er fragte, ob es nicht ein bisschen demütigend sei, dass Google fremde Modelle als Marketing braucht, um Leute für Gemini zu interessieren. Die Vage-Posterei zielte offenbar nie auf Ox Alpha, sondern auf das, was bei Google selbst in der Pipeline steckt.

Die Leistung ist derweil so umstritten, dass beide Lager Belege haben. Auf einem DeepSWE-Subset meldet @karanc_12 über 80 Prozent gegen 52 für GPT-5.6 Sol und 65 für Fable. Bindu Reddy dagegen hat es evaluiert und sortiert es auf dem Niveau von Kimi 2.6 ein, zwei Generationen alt, nennt es im selben Atemzug aber ein Marketing-Meisterstück. Auf einem kontaminationsfreien Privat-Benchmark fällt es deutlich ab, auf einem Cybersecurity-Benchmark liegt es hinter jedem Frontier-Modell außer GPT-5.6 Luna. Und dann one-shottet es eine GPU-beschleunigte Fluidsimulation in tausend Zeilen HTML.

Das könnte alles noch sehr spannend werden. Oder eben auch nicht, wenn es sang- und klanglos wieder von OpenRouter in ein paar Wochen verschwindet und niemand auch nur ein Wörtchen rauslässt, was das denn nun genau war.

Ready for now. Nächste Woche vielleicht wieder mit mehr Blech und weniger Spekulation.