AI Picks der 36. KW

Die Modellwochen sind wieder eingeläutet, diesmal mit den Frontiers vorweg – OpenAI, Anthropic, Google und Meta haben innerhalb von vier Tagen abgeworfen. Daneben gab’s ordentlich Zuwachs bei den Open Weights, ein „europäisches Flaggschiff“ mit chinesischem Motor. Reichlich Ware also, dafür mal kein Gossip. Damit rein in die 36. Kalenderwoche des Jahres 2026.

GPT-6 Astra

Bei OpenAI ist am 3. September GPT-6 Astra hinten raus gefallen, und in der Launch-Meldung spielen sie ein bisschen Microsoft – zumindest, was Superlative und Tonalität angeht. „Neue Generation der Intelligenz“ steht drüber, Greg Brockman hat das Presse-Briefing mit „Welcome to the AGI era“ beendet. Das, was nicht aus OpenAIs eigener Tabelle stammt, klingt nüchterner: Artificial Analysis führt Astra und den Vorgänger GPT-5.6 Sol beide mit 61 Punkten im Intelligence Index.

In erster Linie ist Astra das bessere agentische Modell zum höheren Preis. Computer Use ist der eigentliche Sprung, auf OSWorld 2.0 meldet OpenAI 72,6 statt 65,7 % – herstellereigen und auf einem Offline-Subset gemessen. Für Codex gibt es eine zweite Gedächtnisschicht aus Notizen und einer Suche über frühere Kontextfenster, die gegen die übliche Compaction-Amnesie helfen soll. Dann der Preis – 10 $ Input und 50 $ Output je Million Tokens, das 2,5-Fache von Sol. Pro Index-Task rechnet Artificial Analysis mit 1,67 statt 0,95 $.

Die ausführliche Einordnung zu Astra steht seit Freitag hier.

Claude Fable 5.1 und Mythos 5.1

Auch Anthropic hat ein „Flagship“ rausgelassen, und ich schreibe ganz bewusst nur „ein“. Fable 5.1 und Mythos 5.1 sind dasselbe Modell mit unterschiedlich permissiven Safeguards davor – Fable für alle, Mythos vorerst für eine Handvoll geprüfter US-Organisationen. Der Unterschied liegt nicht im trainierten Modell, sondern im System drumherum.

Wie viel dieses System kostet, steht diesmal offen in der Launch-Tabelle. Auf Terminal-Bench 4.0 kommt Fable auf 55,8 %, Mythos auf 60,9 %. Dasselbe Modell, dieselben Aufgaben, 5,1 Punkte Differenz – gemessen allerdings noch mit den älteren, gröberen Cyber-Filtern. Mit den neuen Safeguards, die pro Claude-Code-Session rund 60 % seltener eingreifen sollen, dürfte die Lücke schrumpfen. Sagt Anthropic. Ob sie das tut, zeigt erst eine unabhängige Nachmessung.

Der Preis bleibt bei 10/50 $, nur Cache-Reads sinken um 75 % auf 0,25 $. Womit Astra und Fable 5.1 seit Donnerstag exakt dasselbe Preisschild tragen.

Muse Spark 1.3

Meta ist das Fast-Fashion-Label unter den Herstellern und entlässt mit Muse Spark 1.3 das vierte Muse-Spark-LLM in fünf Monaten. Und es zeichnet sich klar ein Trend ab: Alle optimieren auf agentische Fähigkeiten, denn hier liegt das Geld auf der Straße. Chat ist nicht tot, taucht in den Launch-Meldungen aber kaum noch auf.

Was Meta in die Hände spielen könnte, ist die Kombination aus Preis und Kurve. Artificial Analysis misst 61 Punkte für xhigh, 1.2 lag bei 57, 1.1 bei 53 – mit jedem Release wird’s messbar besser. Damit steht Muse gleichauf mit GPT-5.6 Sol (max), Grok 4.6 (high) und Claude Opus 5 (high), bei unveränderten 1,25/4,25 $ je Million Tokens. Unter allen Modellen ab 59 Indexpunkten erledigt aktuell keines eine Aufgabe billiger.

Der Haken hängt an der Kostenrechnung. Pro Index-Task steigt der Preis von 0,40 auf 0,55 $, weil 1.3 in den agentischen Evals rund 57 % mehr Input-Tokens zieht. Gleicher Tokenpreis, teurere Aufgabe – das Muster begleitet uns diese Woche noch öfter. Auf meiner Testliste steht 1.3 trotzdem weit oben, 1.2 hatte ich in der 32. KW schon kurz in der Hand.

Gemini 3.8 Flash

Auch Google trimmt Gemini 3.8 Flash auf Coding- und Agentenfähigkeiten. Dritter Flash-Release in sechs Wochen, das große Modell fehlt weiterhin. Auf dem Papier kostet das neue Modell dasselbe wie 3.7 Flash – 0,75 $ Input und 3,75 $ Output –, führt aber mehr Reasoning-Schritte aus und ruft häufiger Tools auf. Artificial Analysis misst den Effekt schon: 0,58 statt 0,40 $ pro Index-Task auf high, bei drei Punkten mehr im Index (59 statt 56). Medium landet bei 57 und kostet pro Aufgabe ungefähr das, was 3.7 auf high gekostet hat.

Die 0,75 und 3,75 $ sind Einführungspreise bis zum 31. Dezember, ab Januar 2027 verdoppeln sie sich auf 1,50 und 7,50 $. Wer absehbar Workflows umstellt, rechnet also schon mal vorausschauend mit dem Standardpreis.

3.7 Flash hat sich bei mir in den letzten Wochen zum treuen Arbeitspferd gemausert – Sprachnachrichten transkribieren und strukturieren, Webseiten zusammenfassen und in Markdown mit Frontmatter gießen, HTML und CSS generieren – fast alles davon als Arbeitstier in n8n-Workflows. Das Human in the Loop war ich beim Input, der Rest lief zuverlässig durch. Ob 3.8 auf medium denselben Job günstiger erledigt als 3.7 auf high, gilt es dann eben zu testen.

Qwen3.8-Max-0902

Alibaba hat auch wieder zugeschlagen und am 2. September Qwen3.8-Max-0902 rausgeworfen – kein neuer Versionsname, sondern ein Snapshot, weiter post-trained auf Coding und Cowork-Tasks. 2,4 Billionen Parameter, 1 Mio. Token Kontextfenster, 2 $ Input und 6 $ Output je Million Tokens über QwenCloud.

Und der Snapshot hinterlässt Einschläge. Ich gebe eigentlich nicht so viel auf Arena-Rankings, aber Platz 1 in der Code Arena: WebDev direkt am ersten Tag, mit 1.691 Punkten drei vor Claude Opus 5 (Max), 17 vor Kimi K3 (Max) und 22 vor dem eigenen Vorgänger – Respekt. Dazu die Spitzenposition auf der Pareto-Front bei rund 5 $ Blended Price.

Damit das niemand falsch liest: Das ist die WebDev-Arena, nicht die Text-Arena. Im Artificial Analysis Index steht der Vorgänger bei 58 gegen 62 für Fable 5, und eine Messung für den Snapshot gibt es dort noch nicht. Beim Frontend-Bauen ganz vorn, beim allgemeinen Reasoning eine Etage tiefer.

Spark-X2.5

Open Weights in zwei Geschmacksrichtungen: Spark-X2.5 kommt als 1.7B und 4B, mit nativem 1-Mio.-Token-Kontextfenster und Apache-2.0-Lizenz, auf Hugging Face jeweils als Base, Instruct, FP8, INT8 und GGUF. Hinter dem Label XHToken steckt eine Tochter von iFlytek, trainiert wurde auf Huawei-Ascend-Clustern. Was kann das Teil also? Ollama beschreibt es als kompaktes Allzweckmodell für „conversation, writing, translation, reasoning, coding, tool use, and agentic workflows“, über 200 Sprachen inklusive.

Das lange Kontextfenster läuft über eine Hybrid-Attention – ein Full-Attention-Layer auf drei Sliding-Window-Layer, damit der Speicherbedarf bei langen Kontexten nicht explodiert. Die Integrationen in Codex, Claude Code, OpenClaw und Hermes liefert iFlytek gleich mit, ebenso Support für vLLM, SGLang, llama.cpp, MLX, Ollama und LM Studio.

Wenn man sich die Größe vor Augen hält, ist das wieder so ein Ding für die bessere Bürokiste – reichlich Potenzial für lokale Agenten, die lange Dokumente durchkauen sollen. Wobei der Speicherfresser nicht das Modell ist, sondern der KV-Cache, sobald du das Kontextfenster wirklich ausreizt. Benchmarks gibt es bislang nur aus dem eigenen Haus, verglichen mit Qwen3.5-4B und Gemma 4 E4B. Warten wir auf unabhängige Zahlen. Am 7. September soll das große Spark X2.5 mit 293 Milliarden Parametern folgen.

Quasar 438B

Ich klaue mir mal ein Zitat von Fefe:

Von Microsoft lernen, heißt siegen lernen.

Beim Ton haben sie bei Multiverse Computing jedenfalls aufgepasst. „Europe’s Leading AI Model“ steht über dem Launch von Quasar 438B, einem Reasoning-Modell mit Schwerpunkt auf – na, wer möchte raten? – Agents und Coding. Es versteht sich auf Englisch und Spanisch(!), die Firma sitzt in San Sebastián, und dediziert als europäisches Modell wird es auch verkauft.

Was in der Pressemeldung fehlt, steht bei Artificial Analysis im Modellnamen: „Quasar 438B (max, based on GLM-5.2)“. Das europäische Flaggschiff ist ein komprimiertes GLM-5.2 von Z.ai aus Peking, durch die hauseigene CompactifAI-Kompression gezogen und proprietär angeboten. Kann man machen. Dann sollte man es aber hinschreiben.

Bei den Zahlen nehmen sie den Mund ganz schön voll, liefern dann aber auch: 43 Punkte im Intelligence Index, damit vor Mistral Medium 3.5 (30) und Nemotron 3 Ultra (38), aber weit hinter Claude Opus 5 mit 63. Der nächste Verfolger steht allerdings in ihrer eigenen Tabelle – Inkling kommt auf 42. Ein Punkt Vorsprung trägt kein Flaggschiff-Etikett. Artificial Analysis fasst zusammen:

… is amongst the leading models in intelligence, but particularly expensive when comparing to other models of similar price. It's also notably fast, however very verbose. The model supports text input, outputs text, and has a 1M tokens context window.

Was sie mit teuer meinen: 0,60 $ Input und 1,80 $ Output je Million Tokens bei einem Klassen-Median von 0,25 und 0,90, im Index 350 Millionen Output-Tokens produziert gegen einen Median von 67 Millionen. Der Eval hat Artificial Analysis 1.047,71 $ gekostet.

Heißt für mich: Wer sein Modell als europäisch verkauft, nennt die Basis im ersten Absatz und überlässt die Arbeit nicht Artificial Analysis.

Muse Voice Transcribe

Damit bei Meta Superintelligence Labs gar nicht erst Langeweile aufkommt, haben sie am 1. September ein Echtzeit-Transkriptionsmodell hinterhergekippt. Streaming-ASR, Diarization für 20 und mehr Sprecher, Endpointing – alles in einem Modell, ohne Post-Processing. Trainiert wurde mit über 70 Sprachen, 25 sind aktiv validiert: Arabisch, Bengalisch, Niederländisch, Englisch, Französisch, Deutsch, Hebräisch, Hindi, Indonesisch, Italienisch, Japanisch, Kannada, Koreanisch, Malaiisch, Mandarin-Chinesisch, Marathi, Polnisch, Portugiesisch, Spanisch, Tagalog, Tamil, Telugu, Thailändisch, Türkisch und Vietnamesisch. Code-Switching mitten im Satz geht auch.

Meta sieht sich auf Artificial Analysis beim Streaming-WER mit 3,1 % auf Platz 1. Die Grafik dazu ist hausgemacht – abgelesen vom AA-Leaderboard, Stand 1. September.

Auch hier ist der Preis wieder eine echte Ansage: 3 $ je 1.000 Audio-Minuten, also 0,18 $ pro Stunde verarbeitetes Audio, für Streaming und Batch gleich. Gemini 3.5 Transcribe aus der letzten Woche liegt zum Vergleich bei rund 5 $ je 1.000 Minuten, die Live-Variante bei 9 $, und AssemblyAI verlangt für Streaming plus Diarization zusammen 0,57 $ die Stunde. Der Endpoint ist OpenAI-SDK-kompatibel.

Was es nicht gibt, sind Open Weights. Anders als bei Muse Glimmer bleiben die Gewichte im Haus, das hat Meta gegenüber The New Stack bestätigt. Meine These von letzter Woche, dass jede KI-Bude ein Transkriptionsmodell braucht, bevor sie sich AI-Lab nennen darf, hält damit eine weitere Woche.

MCP was supposed to solve the agent tooling problem. It missed a step

The New Stack erklärt Agentic Resource Discovery, kurz ARD. Die offene Spezifikation soll Agenten helfen, passende MCP-Server, Skills, APIs und andere Agenten dynamisch zu finden. MCP setzt voraus, dass der Client schon weiß, welchen Server er ansprechen will – ARD ergänzt die fehlende Discovery-Schicht davor. AWS nennt das „DNS, but for agents“, hat die Spec aber nicht geschrieben. Die Autoren kommen von Google, Microsoft und Hugging Face, mitgearbeitet haben Cisco, Databricks, GitHub, Nvidia, Salesforce und ein paar mehr, Lizenz Apache 2.0.

Technisch ist das noch dünn. Version 0.91 vom 26. August, JSON-LD und REST, ein Pflicht-Endpoint POST /search, der nach Aufgaben sucht. Governance offen, eventuell Umzug zu W3C oder einer AI-Foundation. Der DNS-Vergleich hinkt auch, wie der Artikel selbst anmerkt: DNS liefert eine Adresse, ARD liefert mehrere Kandidaten, die alle behaupten, den Job zu können.

Building commerce agents with Claude

Anthropic hat am 2. September zwei Posts zu Commerce Agents rausgehauen – die Produktmeldung mit Referenzimplementierungen und den Engineering-Leitfaden dazu. Das Repo anthropics/commerce-agents enthält einen Shopping- und einen Merchant-Agenten für Retail, Travel, Telco und Ticketing, also Produktsuche, Warenkorb, Kundenservice, Bestandsanalyse, Preisgestaltung und Marketing. Enthalten sind passende Tools, Skills, Guardrails und ein Claude-Code-Plugin zur Anpassung an eigene Kataloge, Richtlinien und Systeme. Läuft über API, Bedrock, Foundry und Vertex.

Der Leitfaden ist das lesenswertere Stück. Statt vieler spezialisierter Subagenten empfiehlt Anthropic einen zentralen Agenten im Standard-Loop mit Tools und bei Bedarf geladenen Skills, ohne Intent-Router – „Skills, not subagents“. UI-Komponenten werden als Tools behandelt, Latenz und Kosten drückt man über parallele Aufrufe und Prompt-Caching, für den Produktivbetrieb gehören Memory, Guardrails im Harness und ein Eval-Set dazu. Die Warenkorb-Zahlen in der Meldung – bis zu 35 % größer, 60 % höhere Kaufabschluss-Wahrscheinlichkeit – sind Kundenreferenzen von Shopify und Priceline, keine unabhängige Messung.

Die Architektur-Entscheidung passt zu dem, was ich am Donnerstag über scheiternde Agenten geschrieben habe: Scope und Ownership vor Modellwahl. Was das Repo nicht liefert, sind saubere Kataloge und Bestandsdaten. Die musst du weiterhin selbst haben.

Kimi in Codex und Claude Code

Die Kimi API spricht drei Protokolle – OpenAI Chat Completions, OpenAI Responses und Anthropic Messages – und lässt sich entsprechend in Codex und Claude Code schrauben. Für Codex reicht ein Eintrag in der config.toml, weil Kimi die Responses API nativ bedient, ohne Proxy und ohne Protokollkonvertierung. Für Claude Code genügen ein paar Umgebungsvariablen auf den Anthropic-Endpoint.

Wer Kimi K3 also ohne 1,5 TB Blech ausprobieren möchte, kann das im gewohnten Werkzeug tun. Mit den üblichen Sandbox-Warnungen.

How to Build a Robust RAG System with Minimal Resources

Zum Abschluss ein Handwerksstück, das schon vom 11. August ist, mir aber erst jetzt in den Feed gespült wurde. Machine Learning Mastery zeigt, wie sich ein robustes RAG-System ohne Cloud und ohne bezahlte APIs aufbauen lässt: quantisiertes lokales Modell (GGUF drückt ein 7B-Modell von 14 auf rund 4 GB), kompaktes Embedding-Modell aus sentence-transformers, dateibasierter Vektorspeicher über FAISS oder ChromaDB, Inference über llama.cpp oder Ollama.

Der Teil, der den Artikel von den üblichen Tutorials abhebt, kommt nach der Pipeline. Zuverlässig wird das Ding erst durch das Drumherum – sauberes Chunking, Quellenangaben in der Antwort, eine Ähnlichkeitsschwelle, unter der das System „steht nicht in der Wissensbasis“ sagt statt zu halluzinieren, ein kleines Set an Testfragen und Logs, die Retrieval-Fehler von Generierungsfehlern trennen. Das sind die Stellen, an denen die meisten Bastel-RAGs still vor sich hin lügen.

Schluss für diese Woche. Passt wie immer auf eure Agenten auf. Und auch auf eure API-Rechnungen.