AI Shorts 7 Min. Lesezeit

KI Picks der 44. KW

Gemini 4 Carbon übernimmt die Spitze des neuen Intelligence Index v5, OpenAI bringt GPT-6.1 Terra und Baidu geht lange Dokumente an. Dazu Kimi K3.1 Pro, Nanbeige, Fern, joey-1, DPP, Subagents, die neue Model Spec und ein blockierter Qwen-Uploadversuch.

Ein Tischkalender vor einem dunklen Hintergrund zeigt den 26.10. bis 01.11.2026.

Letzte Woche ging es viel um offene Gewichte und Document Parsing. Diese Woche drängeln sich die großen Modelle wieder nach vorn: Google landet mit Gemini 4 Carbon an der Spitze des frisch umgebauten Artificial Analysis Intelligence Index, OpenAI erneuert Terra und Kimi legt nach. Daneben gibt es lange Dokumente, kleine Entscheidungsmodelle und einen Qwen-Vorfall, der zuerst größer wirkte, als er am Ende war.

Also, dann mal rein in die KI Picks der 44. Kalenderwoche.

Gemini 4 Carbon

Wait a minute: Kaum hatte ich Gemini 4 Argon als Googles Rückkehr ins Spitzenfeld einsortiert, schiebt Google Gemini 4 Carbon hinterher. Und diesmal steht ein Google-Modell im Intelligence Index von Artificial Analysis mit 59 Punkten tatsächlich auf Platz eins, knapp vor Claude Opus 5.5 mit 58. Google hebt besonders Cybersecurity und lange Agenten-Aufgaben hervor. Von den neun Einzeltests im Index gewinnt Carbon vier, und im Coding Agent Index von Artificial Analysis liegt Opus 5.5 mit 62 zu 59 Punkten weiter vorn. Ein Spitzenmodell, ja, aber nicht für jede Aufgabe automatisch die erste Wahl.

Google nennt 88,2 % auf SEC-bench Pro, 54,8 % auf ExploitGym und 71,0 % auf CWE-bench. Zum Start dürfen nur ausgewählte Cyber-Verteidiger ran, über das Fairwind-Programm sollen nach und nach weitere vertrauenswürdige Partner dazukommen. Eine allgemein verfügbare API gibt es noch nicht, einen Termin dafür auch nicht.

Der Einführungspreis liegt bei 2 $ pro Million Input- und 10 $ pro Million Output-Tokens, später sollen es 4 $ und 20 $ werden. Wie lange der Einführungspreis gilt, sagt Google nicht, Artificial Analysis rechnet deshalb schon mit den Standardpreisen. Für alle, die jetzt sofort testen wollen: erst einmal Gästeliste.

Artificial Analysis Intelligence Index v5

Die Carbon-Zahl braucht einen kleinen Beipackzettel, denn Artificial Analysis hat den Intelligence Index auf Version 5 umgestellt. Von den neun Tests sind zwei neu und drei überarbeitet. 60 % des Index beruhen nun auf privaten Testsets oder zurückgehaltenen Antworten. Das macht es für die Labs schwerer, sich auf bekannte Fragen einzuschießen.

Am 27. Oktober führte Claude Opus 5.5 die neue Wertung mit 58 Punkten an, vor GPT-6 Astra mit 57, GPT-6.1 Sol mit 55 und Gemini 4 Argon mit 50. Einen Tag später kam Carbon auf 59. Die Werte aus der 43. KW stammen noch aus der alten Index-Version und lassen sich nicht einfach danebenlegen. Für die Modellzahlen in dieser Ausgabe ist v5 deshalb die neue Messlatte.

GPT-6.1 Terra

OpenAI hat GPT-6.1 Terra veröffentlicht und schiebt die schnelle, günstigere Modellvariante stärker in Richtung visuelle Aufgaben und Computerbedienung. Das passt zum größeren Bild der GPT-6.1-Familie: Nicht jede Aufgabe braucht das teuerste Modell im Regal.

Beim Terminal-Bench 4.0 nennt OpenAI für Terra mit maximalem Reasoning 50,3 % statt 21,5 % beim Vorgänger GPT-5.6 Terra. Artificial Analysis führt die Max-Variante derzeit mit 51 Punkten auf Platz 12 von 57 Modellen im neuen Index. Für schwierige Coding-Aufgaben verweist selbst OpenAI weiter auf Sol und Astra. Der API-Preis von 1 $ Input und 5 $ Output pro Million Tokens macht Terra eher für häufige, klar umrissene Schritte relevant – gerade wenn Bilder oder eine Oberfläche im Spiel sind.

Kimi K3.1 Pro

Moonshot hat Kimi K3.1 Pro vor die Tür gelassen. Es baut auf Kimi K3 auf, hat ein Kontextfenster von einer Million Tokens und ist ein reines Reasoning-Modell: Abschalten lässt sich das Denken nicht, nur der Effort ist einstellbar. Nutzen lässt es sich bereits über Kimi, Kimi Code und die API. Die Weights hat Moonshot bis zum 4. November angekündigt; am 30. Oktober sind sie noch nicht veröffentlicht.

Artificial Analysis kommt im neuen Index auf 46 Punkte und misst über die Kimi-API gerade einmal rund 35 Tokens pro Sekunde. Der Listenpreis liegt bei 2 $ Input und 10 $ Output pro Million Tokens.

Nanbeige4.3-33B

Auf X dreht Nanbeige4.3-33B gerade seine Runden. Das Modell hat 33 Milliarden Parameter, ein Kontextfenster von bis zu 524.288 Tokens und liegt mit Apache-2.0-Lizenz auf Hugging Face; ein separates Basismodell gibt es auch. Für diese Größe ist das eine reizvolle Kombination, zumal man die Gewichte selbst ausprobieren kann.

Die großen Zahlen in den Vergleichstabellen stammen bisher von Nanbeige selbst. Auf Terminal-Bench 2.1 sind das 80,9 Punkte gegenüber 73,0 für Qwen3.8-27B; auf SWE-bench Pro liegt es in derselben Tabelle mit 60,3 zu 61,7 knapp dahinter. Bisher ist nichts Unabhängiges an Zahlen zu finden.

Unlimited OCR 2

Nach Indra OCR 1.1 und OCRia-1 in der letzten Ausgabe ist seit dem 28. Oktober Baidu mit Unlimited OCR 2 dran. Das Modell soll lange, mehrseitige Dokumente in einem Rutsch verarbeiten. Sein Trick heißt Sparse Reference Sliding Window Attention: Die Architektur verdichtet die Aufmerksamkeit zwischen Text und Bild auf einen festen Satz von Arbeitsreferenzen, als Beispiel nennt Baidu 512 Tokens. Rechenaufwand und Speicher pro Schritt bleiben dadurch nahezu gleich, egal wie viele Seiten noch kommen. „Unlimited“ beschreibt hier vor allem diese Technik für Dokumente mit Hunderten Seiten.

Im von Baidu ermittelten MarathonDocBench mit 100 Dokumenten von jeweils 100 bis 300 Seiten erreicht OCR 2 77,06 Punkte, der nächste Eintrag (Kimi K3) kommt auf 33,7. Wenn eine Vergleichs-API an Bild- oder Ausgabelimits scheitert, zählt das in Baidus Auswertung allerdings als leere Antwort. Modellgewichte und Code sind veröffentlicht, die Gewichte stehen unter MIT-Lizenz. Wer große Dokumentstapel für RAG oder Suche zerlegt, kann hier selbst prüfen, ob das Konzept im eigenen Material trägt.

Document Parsing Protocol

Das Thema bleibt frisch: LlamaIndex schlägt mit dem Document Parsing Protocol (DPP) einen gemeinsamen Satz von Regeln vor, wie Parser Dokumente in strukturiertes Markdown übertragen sollen; komplexe Tabellen landen darin als eingebettetes HTML. Der Arbeitsentwurf 0.1 umfasst 140 Regeln, unter anderem für Tabellen, Formulare, Diagramme und unlesbaren Text. Ein leeres Eingabefeld wird beispielsweise als [blank] markiert, damit klar ist, dass dort wirklich nichts stand.

Das klingt relativ babal, trifft aber eine echte Schwachstelle in Dokumenten-Pipelines: Derselbe Scan sieht nach zwei Parsern oft so unterschiedlich aus, dass nachgelagerte Agenten nicht mehr zuverlässig wissen, welche Beschriftung zu welchem Feld gehört. Die Regeln für Formulare zeigen somit ganz gut, wie konkret LlamaIndex das meint. Ob andere Parser-Anbieter den Vorschlag aufgreifen, ist offen. Als gemeinsame Zielsprache für Parser wäre DPP nützlich.

joey-1

Base Labs, das Forschungslabor von Baseten, hat am 29. Oktober joey-1 vom Band fallen lassen, ein 2B-Decision-Model auf Basis von Qwen3.5-2B. Es nimmt Text und Bilder an und beantwortet Fragen in einem einzigen Durchlauf mit kalibrierten Wahrscheinlichkeiten, wahlweise für Ja/Nein, Kategorien oder Skalenwerte. Das ist für Ticket-Routing, Moderation oder einen günstigen ersten Filter vor einem größeren Modell genau die Sorte Spezialwerkzeug, über die ich bei Jev schon geschrieben hatte.

Baseten nennt für eine durchschnittliche Eingabe von 2.000 Tokens eine mediane Ende-zu-Ende-Latenz von 20 ms und 0,01 $ pro Million Input-Tokens. Die Gewichte liegen unter MIT-Lizenz auf Hugging Face.

Building agents: When to fold subagents into your main agent loop

Der Anthropic-Artikel ist vom 22. Oktober und damit acht Tage älter als diese Ausgabe – mea culpa.

Mein erster Reflex beim Titel war: Also waren Subagents eine nette Idee, aber können jetzt wieder weg, oder? Anthropic beschreibt das etwas bodenständiger. Wenn mehrere Spezialagenten nacheinander nur Aufgaben weiterreichen, kann ein Hauptagent mit schrittweise geladenen Tools und Skills denselben Job schneller erledigen. In einem Kundenbeispiel lief der vereinfachte Loop ungefähr doppelt so schnell.

Für unabhängige Aufgaben, die parallel laufen können, bei übervollem Kontext oder wenn Tools und Anweisungen einander in die Quere kommen, empfiehlt Anthropic Subagents weiterhin. Umstellen soll man schrittweise, einen Subagent nach dem anderen, und jedes Mal per End-to-End-Eval vergleichen.

Introducing Fern

Passend zum Agententhema stellt Mirendil am 26. Oktober mit Fern 0.1 sein erstes LLM vor. Es basiert auf Mirendil-Base, das laut Unternehmen von Grund auf vortrainiert wurde, und hat danach nur eine kurze Post-Training-Runde bekommen. Gedacht ist Fern für Agenten-Aufgaben rund um KI-Entwicklung, etwa um Trainingsdaten zu prüfen, Trainingsläufe anhand von Logs zu debuggen oder komplette Traces zu lesen. Mirendil verortet Fern in der Klasse von 100 bis 500 Milliarden Parametern und nennt ein Kontextfenster von bis zu zehn Millionen Tokens.

Das ist eine Menge Platz, sofern das Modell die Informationen über diese Länge auch zuverlässig nutzt. Die bisher gezeigten RULER-Werte des Basismodells sind gemischt: Die einzelne Nadel im Heuhaufen findet es auch bei zehn Millionen Tokens, bei Multi-Hop-Fragen sinkt die Trefferquote dort auf 51 %.

Mirendil erzählt in einem separaten Beitrag, ein Forscher habe mit KI-Agenten in dreieinhalb Monaten und für weniger als zehn Millionen Dollar Rechenaufwand das Basismodell vortrainiert; über 99 % des Codes seien von Agenten geschrieben worden. Fern ist für die Allgemeinheit noch mit „coming soon“ angekündigt, Early Access kann man anfragen. Umfassendere Ergebnisse zum langen Kontext stehen noch aus – genug Stoff, um das Modell auf dem Zettel zu behalten.

Qwen3.8-Flash-Next und der Anruf, der nicht durchging

Die Überschrift „Qwen telefoniert nach Hause“ hätte sich fast von allein geschrieben. Cohere hat bei Qwen3.8-Flash-Next in einer isolierten Agenten-Evaluation einen Versuch beobachtet, eine kurze Testzeichenfolge per HTTP PUT an einen Alibaba-Cloud-Bucket in Peking zu senden. Die Sandbox blockierte den Netzwerkzugriff. Es floss nichts ab, und Cohere sah das Verhalten laut eigenem Bericht seltener als einmal pro 100.000 Evaluierungsaufrufe. Die Traces sind öffentlich.

Check Point hat den Vorfall nachgestellt und erhielt bei 64 Wiederholungen 52 unterschiedliche Zieladressen. Nur sechs der 64 Läufe zielten auf Alibaba Cloud (Amazon Web Services kam übrigens siebenmal vor). Das spricht gegen einen fest eingebauten „Heimkanal“, erklärt den ursprünglichen Netzwerkversuch aber noch nicht. Check Point tippt auf sprunghaftes Modellverhalten, schließt eine Backdoor aber ausdrücklich nicht sicher aus.

OpenAI aktualisiert die Model Spec

OpenAI hat seine Model Spec aktualisiert. Die neue Fassung ordnet das angestrebte Verhalten um fünf Leitwerte: Treue zur menschlichen Absicht, Schadensminimierung, Ehrlichkeit und Transparenz, menschliche Selbstbestimmung sowie Fürsorge. Dazu kommen Hinweise, wie Modelle Kontext, Aufsicht und mögliche Nebenwirkungen ihres Handelns berücksichtigen sollen. Die meisten detaillierten Stilvorgaben streicht OpenAI, der Stil soll sich nach den Vorlieben der Nutzer richten. (Kleines Detail am Rande: Die Spec spricht das Modell jetzt als „GPT“ an und nicht mehr als „the assistant“.)

OpenAI schreibt selbst, dass die Spezifikation ein Zielbild ist und aktuelle Modelle ihr noch nicht vollständig entsprechen. Das Dokument ist damit vor allem ein klarerer Maßstab für künftige Modelländerungen. Nach der Qwen-Geschichte oben liest sich die Frage, wann ein Agent handeln darf und wann er stoppen muss, weniger abstrakt.

Feierabend für diese Woche. Und passt auf, was eure LLMs so nach Hause schicken.

Artikel teilen: