t01.li
AI Picks der 33. KW
Kein einziges Stück Hardware diese Woche, dafür ein Modell-Stau, wie ich ihn seit dem Frühjahr nicht gesehen habe. Meta, Alibaba, Nvidia, SpaceXAI, Z.ai, DeepSeek, Microsoft und Google haben zwischen Montag und Freitag abgeladen, dazu kommen Preisbewegungen in beide Richtungen.
Was mir beim Sortieren aufgefallen ist: Fast jeder dieser Releases argumentiert nicht mehr darüber, wie schlau das Modell ist, sondern wie viele Tokens es für eine Aufgabe verbrennt. Grok kommt mit einem Viertel des Inputs von Opus 5 aus, GLM schlägt Opus 4.8 mit 50.000 statt 120.000 Output-Tokens, Nvidia baut einen Router, damit das teure Modell die Fließbandarbeit gar nicht erst sieht, und IBM zieht dem Agenten-Gedächtnis die Rechnung ab. Bei DeepSeek läuft es genau andersherum – dort versechsfacht sich ausgerechnet der Cache-Preis.
Auf geht's in die doch sehr LLM-lastige 33. Kalenderwoche des Jahres 2026, wohl bekomm's.
## Muse Glimmer
Bei Meta fällt mit Muse Glimmer der kleine Bruder von Spark hinten raus. Open Weights unter Apache 2.0, 30 Milliarden Parameter, gebaut für lokale Agenten-Workflows mit Text- und Bildeingabe, Tool-Calling, mehrschrittigem Reasoning und automatischer Fehlerbehebung. Die Gewichte liegen auf Hugging Face.
Die Verwandtschaft zu _Spark_ ist wörtlicher gemeint, als „kleiner Bruder“ vermuten lässt: Meta hat Glimmer per Logit-Distillation auf den Outputs von Muse Spark vortrainiert, mit ähnlichem Datenmix wie beim Lehrermodell. Unquantisiert bräuchte das Ding über 55 GB, mit 4-Bit-Kompression bleiben unter 20 GB übrig – genug Luft für KV-Cache, Perception-Encoder und den Speculative-Decoding-Drafter innerhalb von 24 oder 32 GB. Optimierte Integrationen für llama.cpp, MLX und ExecuTorch sollen in den nächsten Tagen folgen, die Entwicklerdokumentation steht bereits.
Interessant für alle, die hier mitlesen und selbst basteln: Meta nennt _OpenClaw_ explizit als kompatibles Scaffold. Und im Intelligence Index von Artificial Analysis liegt Glimmer bei 35 Punkten, was es in seiner Größenklasse an die Spitze setzt. Dazu gleich mehr bei Nvidia.
## Qwen3.8-27B Open Weights verfügbar
Sobald man X.com auch nur öffnet, hagelt es einem Beiträge zu Qwen3.8-27B um die Ohren. Auf Hacker News landete der Release mit 893 Punkten auf Platz eins, und das Ding wird gerade durch die Community gereicht wie geschnitten Brot.
Der Kontrast, der das erklärt, steckt in der Familie selbst. _Qwen3.8-Max_ ist ein Brocken mit 2,4 Billionen Gesamtparametern und rund 95 Milliarden aktiven, für dessen Betrieb im Maßstab man ein GB300-NVL72-Rack braucht – die Gewichte dazu kamen am 13. August unter Custom License. Das 27B ist einen Tag später gefolgt, dicht statt MoE, unter Apache 2.0 auf Hugging Face, und läuft 4-Bit-quantisiert mit rund 17 GB auf einer einzelnen RTX 4090 oder einem 24-GB-Mac. Nicht das Flaggschiff ist die Nachricht, sondern das Modell, das Leute tatsächlich selbst hosten.
Technisch ist es ein natives Vision-Language-Modell mit eigenem Vision-Encoder, das Text, Bild und Video frisst, bei 262.144 Token Kontext nativ und bis zu einer Million per YaRN. Die Architektur verschachtelt schnelle lineare Layer mit vollen Self-Attention-Blöcken.
Ich teste damit gerade ein wenig interdisziplinäres Zeug (Chats, CLI, Agent Pipeline, etc.) und der Lüfter vom MacBook dreht weniger fröhlich frei, als ich zuerst annahm. Aktuell läuft das Teil mit 19,4 Tok/Sek. bei aktiviertem Reasoning, damit kann man doch arbeiten.
## Nemotron 3.5 Lightning
Auch bei Nvidia fällt mal wieder Software hinten raus. Nemotron 3.5 Lightning ist ein offenes Mixture-of-Experts-Modell mit 31,6 Milliarden Gesamt- und 3,6 Milliarden aktiven Parametern, hybride Mamba-2-Architektur, ein Kontextfenster von einer Million Token, ausgeliefert als BF16 und in nativer NVFP4-Quantisierung unter OpenMDW-1.1-Lizenz. Flankiert wird das Release von NeMo Switchyard, einer quelloffenen Routing-Bibliothek auf Proxy-Ebene, die Anfragen dynamisch zwischen teuren Frontier-Modellen und schlankeren Kandidaten wie Lightning verteilt.
Artificial Analysis hat nachgemessen und kommt im Intelligence Index auf 24 Punkte, gleichauf mit gpt-oss-120b. Das ist hinter _Qwen3.6 35B A3B_ (32) und Muse Glimmer (35), knapp hinter Nvidias eigenem Nemotron 3 Super, das mit 120 Milliarden Parametern fast das Vierfache auf die Waage bringt. Nvidia bestreitet das nicht einmal. Die Rechnung soll über die Geschwindigkeit aufgehen: Eine Aufgabe im Benchmark erledigt Lightning in rund einer halben Minute, wo _Qwen3.6 35B A3B_ etwa dreieinhalb braucht. Bei den Agenten-Tests sieht es besser aus als bei der Rohintelligenz, GDPval-AA v2 springt um 334 Elo-Punkte gegenüber dem Nano-Vorgänger.
Und jetzt die Stelle, an der man genauer hinschauen sollte. Nvidia bewirbt bis zu vierfache Token-Geschwindigkeit gegenüber vergleichbar großen Modellen, bei 10.000 PinchBench-Tasks kommt davon aber nur ein Tempoplus von 30 Prozent an. Der Flaschenhals sitzt in der Orchestrierung, nicht im Modell. Diviel zitiertete Zahl, wonach Switchyard die Kosten einer Aufgabe auf ein Drittel gegenüber _Opus 4.8_ drückt, stammt nach Nvidias eigener Formulierung aus internen Benchmarks – unabhängig nachgemessen hat das bisher noch niemand (zumindest habe ich nichts gefunden).
Hot Take: Als Baustein in mehrstufigen Agenten-Pipelines ergibt das Sinn. Als Modell, das man einfach so nimmt, eher nicht.
## Grok 4.6
Irgendwie ist mir das immer noch keinen eigenen Artikel wert, auch wenn das Ding aus Elmos Bude mit jeder Version besser im Wettbewerbsvergleich dasteht. Asche über mein Haupt.
SpaceXAI schiebt mit Grok 4.6 ein Update nach, das laut den Messungen von Artificial Analysis vor allem bei agentischen Workflows und in Sachen Token-Effizienz punkten will. Im Intelligence Index landet das Modell bei 61 Punkten und zieht damit mit _GPT-5.6 Sol_ gleich, knapp hinter _Claude Fable 5_ (62) und _Claude Opus 5_ (63). Spannender als die Indexmathematik ist die Ausführung: Auf AA-Briefcase, dem Langzeit-Benchmark für Wissensarbeit, braucht Grok 4.6 im Schnitt etwa 53 Turns und 0,5 Milliarden Input-Tokens, während Claude Opus 5 im Max-Modus rund 103 Turns und das Vierfache an Tokens akkumuliert. Bei Aufgaben, die über Stunden laufen, ist das ein Kostenvorteil weit jenseits des Token-Preises.
Die Preisgestaltung bleibt mit 2 $ pro Million Input- und 6 $ pro Million Output-Tokens auf dem Niveau des Vormodells. Zwei Fußnoten hat das aber. Ab 200.000 Prompt-Tokens verdoppeln sich die Sätze auf 4 $ und 12 $, und zwar für die gesamte Anfrage – bei einem 500K-Kontextfenster und agentischen Workloads ist das keine theoretische Grenze. Die Cache-Hits sind zudem von 0,30 $ bei Grok 4.5 auf 0,50 $ gestiegen, und einen Batch-Rabatt gibt es anders als bei _Grok 4.20_ nicht mehr.
Verfügbar ist das Modell über die SpaceXAI-API, Cursor, Grok Build sowie Gateways wie OpenRouter, Vercel oder Cloudflare.
* Kontextfenster: 500.000 Tokens (Input: Text/Bild, Output: Text)
* Preise (API): 2,00 $ / 1M Input-Tokens, 6,00 $ / 1M Output-Tokens, Cache-Hits 0,50 $
* Knowledge Cutoff: 1. Februar 2026
* Reasoning-Stufen: low, medium, high (Default), xhigh
* Benchmarks: 61 Index-Score, GDPval-AA v2 Elo 1753, Terminal-Bench v2.1 88,4 % (AA-Messung, Opus 5 liegt bei 89 %)
Kleiner Dämpfer zu den Benchmarks: SpaceXAI selbst führt in der Release-Tabelle Terminal-Bench v3.0 mit 26 Prozent, wo GPT-5.6 Sol auf 34,6 kommt. Die 88,4 Prozent stammen aus AAs Messung auf der älteren v2.1. Beide Zahlen stimmen, sie messen nur nicht dasselbe – wer sie nebeneinander stellt, ohne die Version zu nennen, erzählt die Story, die die Daten nicht hergeben.
## GLM-5.3
Z.ai schiebt mit GLM-5.3 ein reines Post-Training-Update nach. Das Basismodell bleibt identisch zu Version 5.2, sämtliche Zuwächse stammen aus skaliertem Reinforcement Learning über synthetisierte Umgebungen und das hauseigene Framework slime, dessen Durchsatz bei Long-Horizon-Coding-RL um mehr als das 2,3-Fache gestiegen ist. Bei den Zahlen für Coding-Agenten sieht das nach mehr aus als nach Feinschliff: Terminal Bench 3.0 klettert von 4,6 auf 28,3, DeepSWE v1.1 von 46,2 auf 66,9. Zum Vergleich nennt Z.ai für _GPT-5.6 Sol_ 34,6 beziehungsweise 72,7 – der Abstand zur geschlossenen Spitze bleibt also, er wird nur kleiner.
Für Entwickler praktisch relevant: In der API lässt sich das Thinking nicht mehr abschalten. `disabled` fliegt raus, `reasoning_effort` kennt nur noch `low`, `high` und `max`, Default ist `max`. Wer bisher mit abgeschaltetem Thinking gefahren ist und einfach die Model-ID tauscht, bekommt einen Fehler zurück.
Der eigentliche Hammer steckt aber nicht in den Coding-Zahlen. Z.ai schreibt, die Cyber-Fähigkeiten hätten sich beim Hochskalieren des Post-Trainings schneller entwickelt als erwartet – das Modell begann, über mehrere Stufen einer Exploit-Kette hinweg zu planen, statt nur isolierte Schwachstellen zu finden. In Zusammenarbeit mit Sicherheitsteams in China hat es an realen Codebasen 2.436 Schwachstellen über 269 Projekte identifiziert, davon 1.097 mit mittlerem bis hohem Schweregrad, quer durch System-Kernel, Browser-Engines und Netzwerkprotokolle. Die älteste stammt von 1981, im Schnitt lebte eine Lücke 26,6 Jahre unentdeckt. Auf CyberGym landet GLM-5.3 bei 84,5 Prozent und damit vor Claude Mythos 5 (83,8) und GPT-5.6 Sol (83,6).
In Relation zur Größenordnung: Anthropic meldete für Project Glasswing über 10.000 gefundene Schwachstellen mit hohem oder kritischem Schweregrad – allerdings über rund 50 Partnerorganisationen hinweg und mit Mythos Preview.
Deshalb kommen die Open Weights nicht sofort, sondern erst rund zwei Wochen nach dem Launch, nach Abschluss von Sicherheitsprüfung und Hardening. Weiter oben in der Exploit-Kette bleibt der Abstand nach wie vor messbar: ExploitBench springt zwar von 24,4 auf 54,4 Prozent, Mythos 5 liegt dort bei 78,0.
Dass ein Anbieter Gewichte aus Sicherheitsgründen zurückhält, kenne ich bisher vor allem als westliche Geste mit Presseanhang. Hier steht eine konkrete Zahl dahinter und ein öffentliches Disclosure-Ledger. Zwei Wochen sind keine Ewigkeit, aber es ist ein anderes Signal als das übliche „wir nehmen Sicherheit ernst“. Nebenbei bemerkt evaluiert Z.ai fast alle diese Benchmarks im Harness von Claude Code 2.1.207. Man nimmt halt, was funktioniert.
## DeepSeek V4-Pro-0813, neue Preise und eine eigene Harness
DeepSeek entlässt sein Flaggschiff mit dem Build V4-Pro-0813 aus der Testphase und schiebt mit DeepSeek Harness direkt ein modulares Agenten-Framework unter MIT-Lizenz hinterher, das per npx über eine lokale Weboberfläche läuft. Modellname, Parameterzahl und das Kontextfenster von einer Million Token bleiben unverändert, bestehende Integrationen laufen ohne Anpassung weiter. Neu sind native Unterstützung der OpenAI-Responses-API mit Codex-Anbindung und dreistufiges Reasoning, für das DeepSeek im Agenten-Alltag die mittlere Stufe empfiehlt.
Bei den Benchmarks zeigt sich die gewohnte Schere zwischen Hersteller und Messstelle. In DeepSeeks eigener Vergleichstabelle steigt Terminal Bench 2.1 von 72,1 auf 87,9 und DeepSWE von 12,8 auf 62,7. Artificial Analysis misst auf demselben Benchmark 79 Prozent – und exakt dieselben 79 Prozent für das kleinere V4-Flash-0731. Im Intelligence Index klettert V4-Pro von 45 auf 53 Punkte, zieht damit mit _GLM-5.2_ gleich und läuft hinter _Muse Spark_ 1.2 (57), _Qwen3.8 Max_ (58), _Kimi K3_ (60) und _Claude Opus 5_ (63) her.
Womit wir bei der Zahl wären, die AA selbst hervorhebt:
> DeepSeek V4 Pro 0813 is only 1 point ahead of DeepSeek V4 Flash 0731 on the Artificial Analysis Intelligence Index, and has ~3.8x the active parameters. The two models tie on Terminal-Bench 2.1 at 79%.
Ein Punkt Vorsprung bei 49 statt 13 Milliarden aktiven Parametern. Wer sein Modell nach Kosten pro erledigter Aufgabe aussucht statt nach Position im Ranking, sollte sich das durchrechnen.
Parallel dreht DeepSeek wie angekündigt ab dem 16. August, 16 Uhr UTC, an der Preisschraube und führt zeitabhängige Tarife ein. Außerhalb der chinesischen Arbeitszeiten kostet die Million Input-Token künftig 0,66 statt 0,435 $, der Output steigt auf 1,98 statt 0,87 $, in den Stoßzeiten zwischen 1 und 4 sowie 6 und 10 Uhr UTC verdoppeln sich diese Werte exakt. Richtig teuer wird es im Unterbau: Die Preise für Cache-Treffer versechsfachen sich im günstigsten Fall von 0,003625 auf 0,022 $, zur Spitzenzeit auf 0,044 $. Der Cache-Rabatt schrumpft damit von etwa einem Hundertzwanzigstel auf ein Dreißigstel des regulären Input-Preises.
Für iterative Agenten-Workflows, die permanent dieselben Code- und Kontext-Dateien einlesen, kassiert DeepSeek damit das bisherige Sparpreis-Narrativ ein. Aus europäischer Sicht ist immerhin ein Trost dabei, dass fast der gesamte Nachmittag in den günstigen Tarif fällt.
Ein Detail noch, das in der Aufregung untergeht: Die Gewichte des neuen Builds hat DeepSeek bislang nicht veröffentlicht. Auf Hugging Face liegt weiterhin der Preview-Stand vom April.
## MAI-Thinking-1
Microsoft hat sein hauseigenes Reasoning-Modell MAI-Thinking-1 in die Public Preview auf Microsoft Foundry gehoben. Vorgestellt wurde es bereits Anfang Juni auf der Build 2026, seither lief es in der Private Preview – neu ist also nicht das Modell, sondern der Zugang.
Technisch setzt Redmond auf eine Sparse-Mixture-of-Experts-Architektur mit rund einer Billion Gesamtparametern, von denen pro Token 35 Milliarden aktiv sind. Das Kontextfenster liegt bei 256.000 Tokens, Function Calling wird unterstützt, die Chat-Completions-API ebenfalls. Microsoft betont vor allem die Unabhängigkeit vom bisherigen Partner-Ökosystem: Das Modell wurde ohne Destillation aus Drittanbieter-Modellen trainiert und soll auf kommerziell lizenzierte, nachverfolgbare Datensätze setzen. Für Käufer in regulierten Branchen, die zunehmend nach der Herkunft von Trainingsdaten gefragt werden, ist das sicherlich das Hauptverkaufsargument.
Bei den herstellereigenen Benchmarks meldet Microsoft 97,0 Prozent bei AIME 2025 sowie 94,5 Prozent bei AIME 2026 und sieht das Modell mit rund 53 Prozent bei SWE-Bench Pro auf Augenhöhe mit Claude Opus 4.6. In internen Blind-Side-by-Side-Evaluierungen über 1.276 Tasks, durchgeführt vom Rating-Partner Surge, soll MAI-Thinking-1 gegenüber _Claude Sonnet 4.6_ bevorzugt worden sein – das übliche Blabla, bei Microsoft immer noch eine Spur selbstverliebter.
Bevor man das jetzt als Frontier-Ansage liest, ein Blick auf den Kalender. _Opus 4.6_ war das Vergleichsziel im Juni. Inzwischen ist Opus 5 seit dem 24. Juli draußen, und zwischen den beiden liegt noch 4.8. Wer im August mit Juni-Zahlen gegen ein zwei Generationen altes Modell antritt, hat einen Vergleich gewonnen, den niemand mehr führt.
## Gemini 3.7 Flash
Google lässt nur drei Wochen nach Version 3.6 bereits Gemini 3.7 Flash raus und positioniert das Modell primär als Werkzeug für Agenten-Workflows, Coding und Dokumentenanalyse. Bei den Benchmarks legt Google die üblichen Steigerungen vor: DeepSWE v1.1 klettert von 49,0 auf 65,3 Prozent, FrontierCode 1.1 Main von 34,4 auf 43,6, das WebDev-Arena-Ranking von 1.538 auf 1.588 Elo. Auffälliger finde ich die Sprünge, wenn das Modell komplexe Dokumente verarbeitet. GDP.pdf geht von 22,0 auf 34,0 Prozent, AutomationBench von 17,0 auf 30,4. Das zielt weniger auf schlauere Antworten als auf weniger Retries und präzisere Tool-Calls.
Bemerkenswert ist der Preiskampf über die API. Google halbiert die regulären Preise des Vorgängers bis zum 31. Dezember 2026 auf 0,75 $ pro Million Input-Token und 3,75 $ für die Ausgabe. Ab dem 1. Januar 2027 gelten wieder 1,50 beziehungsweise 7,50 $. Wer jetzt eine Pipeline auf diesen Konditionen kalkuliert, sollte die Januar-Zahlen daneben legen, nicht die aktuellen.
Wichtiges Einordnungs-Sternchen zum Intelligence Index: Der Wert von 56 Punkten, den Google in der Ankündigung nennt, ist ein von Google zitierter AA-Score. Unabhängig bestätigt sind bislang die Geschwindigkeitsmessungen mit rund 253 bis 340 Token pro Sekunde, nicht die Einordnung im Feld.
Übrigens keine Spur am Horizont von einem neuen Gemini-Pro-Modell. Google hat für Gemini 3.5 Pro auch mit dieser Ankündigung kein Datum genannt, obwohl das Modell zuvor als im Partner-Testing befindlich beschrieben wurde.
Und ich habe das Ding (also 3.7 Flash) für diversen Kleinkram getestet: Zusammenfassungen, Generieren von Markdown, Transkribieren und Interpretieren von Audio und Video, bisher aber kein Coding. Die reine Ausgabe im Chat war eher unauffällig, was bei dem von Google avisierten Ziel zu erwarten war. Es gibt ein paar Änderungen bei der Textformatierung im Chat, aber die betreffen genauso 3.6 Flash, was ich nach meinem Anfangsverdacht über einen kurzen Test bestätigt bekommen habe. Auffällig fand ich die Verarbeitung von Video, in Form von Inhaltsanalyse und Transkription von Audio über einen n8n-Workflow. In diesem Fall war 3.7 auch fühlbar schneller als seine unmittelbaren Vorgänger. Antigravity nehme ich mir die Tage mal vor.
## Claude Sonnet 5 Einführungspreis bleibt
Auf X bestätigt Anthropic, dass der Ende Juni eingeführte Preis von 2 $ pro Million Eingabe- und 10 $ pro Million Ausgabe-Tokens für _Sonnet 5_ bestehen bleibt. Ursprünglich war das ein Einführungspreis bis zum 31. August, danach hätte es 3 beziehungsweise 15 $ gekostet. Die Erhöhung ist gestrichen, der Preis gilt dauerhaft. Anthropic bekommt wohl aufgrund des zunehmenden Wettbewerbs Preisdruck.
Wer jetzt aber die Ersparnis gegenüber _Sonnet 4.6_ ausrechnet, sollte zwei Dinge dazunehmen. Sonnet 5 bringt einen überarbeiteten Tokenizer mit, der denselben Text je nach Inhalt auf das 1,0- bis 1,35-Fache an Tokens abbildet. Dazu kommt der höhere Verbrauch durch das agentischere Arbeitsverhalten, bei maximaler Konfiguration rund 40 Prozent mehr Output-Tokens pro Aufgabe als beim Vorgänger. Artificial Analysis kommt deshalb auf 2,29 $ für eine durchschnittliche Index-Aufgabe mit Sonnet 5, während dieselbe Aufgabe mit _Opus 4.8_ bei rund 1,97 $ landet (_Opus 5_ fehlt in der Rechnung aktuell noch).
Fazit dazu: Der eingefrorene Listenpreis ist eine gute Nachricht für die Budgetplanung und eine schlechte Grundlage für den Modellvergleich. Wie schon im Juni gilt: Die Rechnung schreibt der Tokenizer, nicht die Preisliste. Rechnet auf eurer eigenen Last.
## Hetzner experimental open-weight LLM inference API
Habe ich erst die Tage mitbekommen, aber Hetzner betreibt seit Juli einen experimentellen Inference-API-Endpunkt mit OpenAI-kompatibler REST-API, gehostet in Deutschland und Finnland. Gestartet ist das mit genau einem Modell, inzwischen sind es vier:
DeepSeek-V4-Flash-0731| MoE, 304B total / 13B active| 512.000 tokens| Text
---|---|---|---
GLM-5.2-NVFP4| MoE, 744B total / 40B active| 512.000 tokens| Text
Kimi-K2.7-Code| MoE, 1T total, 32B active| 262.144 tokens| Text, Image
Qwen/Qwen3.6-35B-A3B-FP8| MoE, 35B total / 3B active| 262.144 tokens| Text, Image
Das reißt geschwindigkeitsmäßig keine Bäume aus, läuft bei mir aber prima für eine OpenClaw-Instanz, die darüber _Qwen3.6 35B_ bezieht. Dass sie das „experimental“ nennen, kommt nicht von irgendwoher, denn gelegentlich läuft das bei mir in einen Timeout. Wer sich fragt, warum: Hetzners öffentliches GPU-Lineup besteht aus RTX 4000 Ada und RTX PRO 6000 Blackwell, also Workstation-Karten. Damit serviert man keine Frontier-Modelle bei Volllast.
Bleibt der Punkt, der für alle interessant ist, die hier gerade an europäische Datensouveränität denken. Ein Auftragsverarbeitungsvertrag existiert für den Dienst nicht. Hetzner schreibt selbst, dass es keine Backups gibt, keine Zusage zu Leistung und Verfügbarkeit, und dass man das Ding nicht für Produktivumgebungen nutzen soll. Für Prototypen, interne Tools und Coding-Agenten ist das eine feine Sache. Für Kundendaten ist es keine.
Also, wenn ihr das nutzt, erwartet keine Wunder, bleibt fair und hängt einen Fallback dahinter.
## Mistral und europäische KI-Souveränität
Mistral baut ein wenig an und aus. Drei Kernmaßnahmen für regionale Datenresidenz und europäische KI-Infrastruktur sind angekündigt.
* Mistral Regional Endpoints (Inferenz wahlweise in Europa oder den USA) sind allgemein verfügbar, ergänzt durch ein neues Mistral Priority Tier in der Public Preview, das SLA-gesicherte Betriebszeiten und individuelle Rate-Limits für produktionskritische Workloads bietet.
* Künftig werden auch externe Open-Weights-Modelle direkt in die eigene Plattform und Infrastruktur eingebunden, beginnend mit _GLM-5.2_ von Z.ai.
* Mit Partnern wie ASML, Capgemini, Amadeus, CMA CGM und der Caisse des Dépôts bündelt Mistral über mehrjährige Verpflichtungen die Nachfrage nach Rechenkapazität in sogenannten European Compute Units (ECUs), um bis 2030 bis zu 1 Gigawatt europäische Rechenzentrumskapazität für souveräne Inferenz- und Trainings-Workloads aufzubauen.
Man mag das vielleicht als Zeichen von Resignation deuten, dass Mistral fremde Modelle über eigene Infrastruktur anbietet. Ich sehe das eher als breitere strategische Aufstellung. Schließlich kann ich über Google Cloud Platform auch Claude-Modelle beziehen, wenn ich das denn möchte.
Ein Detail für alle, die den Begriff Datenresidenz ernst nehmen müssen: Mistral schreibt selbst, dass begrenzte und abgesicherte Übermittlungen an Sub-Prozessoren außerhalb der gewählten Region stattfinden können. „In-Region“ heißt hier also nicht ausnahmslos in der Region, und wer das seinem Datenschutzbeauftragten erklären muss, sollte das Trust Center gelesen haben, bevor er den Vertrag unterschreibt.
## ALTK-Evolve: Agenten-Gedächtnis ohne Token-Verbrennung
IBM Research nimmt sich mit ALTK-Evolve des typischen Memory-Problems bei ReAct-Code-Agenten an. Statt an fehlendem Domänenwissen scheitern die Dinger bei komplexen Multi-Step-Workflows meist an banalen Ausführungsfehlern, an falsch paginierten APIs oder unpassenden Rückgabewerten. Frameworks wie ACE lassen den Agenten zwar aus bisherigen Durchläufen lernen, stopfen die gesammelten Erkenntnisse dann aber oft unreflektiert und teuer ins Context Window. IBMs Ansatz wählt denselben Grundgedanken, Erkenntnisse zu zählen und zu gewichten statt sie plump zusammenzufassen, optimiert jedoch die Retrieval- und Delivery-Pipeline, um den Token-Ballast zu drücken.
Im hauseigenen Testlauf auf dem AppWorld-Benchmark mit 168 Tasks gegen Basismodelle wie _DeepSeek-V3.2_ und gpt-oss-120b will IBM die gleiche Aufgaben- und Szenario-Erfolgsquote wie ACE erzielen, nur eben mit spürbar reduzierter Token-Rechnung. Wie üblich stammen die Vergleichszahlen aus internen Re-Runs. Spannend bleibt der Ansatz für alle, die agentische Workflows bauen und keine Lust haben, ihr API-Budget für redundanten Context zu verbrennen. Die Pipeline aus Extraktion, Konsolidierung und gezieltem Abruf steht als Library und Technical Report auf Hugging Face bereit.
Der Titel des Blogposts fasst die Woche übrigens hervorragend zusammen:
> „Thinking of ACE? We Can Do It with Fewer Tokens."
## Message your other Claude Code sessions
Ab Claude Code v2.1.224 unterstützt Claude Code sitzungsübergreifendes Messaging, vorerst nur unter macOS und Linux. Über die Tools `ListAgents` und `SendMessage` findet Claude andere Sitzungen und schickt ihnen Nachrichten, auf derselben Maschine ebenso wie auf anderen Rechnern oder im Web.
Übertragen wird dabei ausschließlich Text, nie Conversation History und nie Dateien. Wer einen ganzen Kontext verschieben will, muss weiterhin die Session fortsetzen. Interessanter finde ich, dass Claude von sich aus senden darf, etwa nachdem eine Änderung in Sitzung kaputt macht, woran Sitzung B gerade baut.
## Maximizing the value of your Claude Code sessions
Anthropic erklärt in einer Anleitung von Lydia Hallie, was eine Claude-Code-Session eigentlich kostet – und das ist mehr Substanz, als der Titel vermuten lässt.
Die Mechanik dahinter: Output-Tokens kosten etwa das Fünffache von Input-Tokens, weil das Modell sie einzeln nacheinander erzeugt. Cache-Reads liegen bei einem Zehntel des Input-Preises, Cache-Writes bei bis zum Doppelten. Jeder Turn schickt die komplette bisherige Konversation erneut mit, nur das Neue wird zum vollen Preis vorverarbeitet. Was einmal im Kontext liegt, bleibt dort und wird bei jedem weiteren Turn mitgeschleppt.
Daraus folgen ein paar Handgriffe, die man gern vergisst:
* `/clear` zwischen einzelnen Aufgaben, damit alter Kontext nicht mitreist
* Modell und Effort-Level vor dem Start festlegen, denn ein Wechsel mitten im Gespräch wirft den Prompt-Cache weg
* Dateien mit `@` erwähnen statt den Pfad zu tippen – die Datei hängt dann direkt an der Nachricht, der Read-Call entfällt
* Laute Befehle mit Quiet-Flags versehen oder in einen Subagenten auslagern, weil Kommando-Ausgaben genau wie Dateien im Kontext liegen bleiben
* `/context` einmal in einer frischen Session laufen lassen, um zu sehen, was überhaupt geladen ist
* `/compact` vor der Pause, nicht danach – der Cache läuft nach einer Stunde ab, und das Zusammenfassen ist deutlich günstiger, solange er noch steht
Der Kniff, den ich mir merke: Wenn die letzten Turns in die falsche Richtung gelaufen sind, ist `/rewind` billiger als `/compact`. Rewind schneidet nur hinten ab, alles davor bleibt im Cache. Compact schreibt die ganze Konversation neu und kostet deshalb immer etwas.
## ChatGPT – Import from another agent
_ChatGPT-App_ und _Codex CLI_ haben eine Importfunktion bekommen. Wer von einem anderen Agenten kommt, muss seine Konfiguration nicht neu aufbauen.
Wichtig ist der Unterschied zwischen den beiden Wegen: Die Desktop-App importiert aus Claude Code, Claude Cowork und Cursor, das _Codex CLI_ per `/import` dagegen nur aus Claude Code oder Cursor. Das CLI zieht zudem maximal 50 Chats aus den letzten 30 Tagen, und der Befehl funktioniert weder während einer laufenden Task noch in einer Remote-Session.
Übernommen wird mehr, als ich erwartet hätte: Instruction-Dateien landen in `AGENTS.md`, die `settings.json` wird zur `config.toml`, dazu kommen Skills, Plugins, Projektordner, MCP-Server-Konfiguration, Hooks, Subagenten und die Projekt-Memories aus Claude Code. Slash Commands werden zu Skills umgebaut. Der bestehende Aufbau im Quell-Agenten bleibt unangetastet, und die Desktop-App kann Importiertes auf Wunsch synchron halten.
Bei einem Anbieterwechsel oder allein auch nur, um eine Konfiguration in _Codex_ zu bekommen, etwa für eine zweite Meinung, spart das viel Zeit.
Ein Punkt, den OpenAI selbst hervorhebt und den man ernst nehmen sollte: Nach dem Import gehören Tool-Berechtigungen in Skills und Agenten geprüft, ebenso MCP-Server mit eigener Authentifizierung, Headern oder Umgebungsvariablen. Hooks können sich nach der Übernahme anders verhalten. Man importiert eben nicht nur Komfort, sondern auch Rechte.
## ChatGPT desktop app for Linux
Die ChatGPT-Desktop-App für Linux ist im Preview-Status und läuft auf den Desktop-Varianten von Ubuntu 24.04 LTS und 26.04 LTS, Debian 13 sowie Fedora 43 und 44. Für jede dieser Distributionen gibt es Pakete für x64 und ARM64, `.deb` für Ubuntu und Debian, `.rpm` für Fedora.
Neben dem Chat bringt das wie bei den anderen Versionen auch _Work_ und _Codex_ mit.
## Make it readable
Ben Tossell teilt einen hübschen kleinen Prompting-Kniff zur Reduzierung von LLM-Textballast. Um prägnante, gut lesbare Antworten ohne ausschweifende Analogien zu erhalten, empfiehlt er die Kombination der Custom Instructions „Always talk in ASD-STE100 Simplified Technical English“, einem internationalen Standard für technische Dokumentationen, und „Always talk to me like I have ADHD“, was kurze Bulletpoints und klare Header erzwingt.
Für STE gibt es kein standardisiertes deutschsprachiges Äquivalent. Alternativ könnte man den Prompt noch anweisen, das Ergebnis auf Deutsch auszugeben, und dann den Part mit ADHS dahinter hängen.
## Zonen, BIND-Files und DNSSEC: Bunny DNS wandert ins Terminal
Nur so halb themenrelevant, aber es ist eine europäische Bude und das Thema Datensouveränität bewegt uns ja auch. Der Beitrag ist auch schon ein paar Wochen alt, ich bin erst jetzt drauf gestoßen, nachdem ich den Newsletter gelesen hatte: Bunny.net hat im Juli DNS in seine CLI geholt, nach Database und Edge Scripting der dritte Plattformteil, der im Terminal landet.
Der Funktionsumfang geht über die üblichen CRUD-Operationen hinaus. Zonen und Records lassen sich anlegen, `records export` und `import` schreiben und lesen Standard-BIND-Zonefiles für Migration und Backup, und DNSSEC schaltet ein einzelner Befehl frei, der direkt den DS-Record für den Registrar ausgibt. Interessanter ist Scriptable DNS: Damit beantwortet eigener Code die Anfrage zur Query-Zeit, für Geo-Routing, gewichtete Antworten oder Failover. Dafür gibt es einen eigenen `SCRIPT`-Record-Typ und ambiente TypeScript-Typen.
Was mich beim Lesen aufhorchen ließ, ist die Begründung. Bunny schreibt sinngemäß, ein dünner API-Wrapper reiche heute nicht mehr, weil im Terminal längst auch Agenten handeln. Entsprechend liefern sie Skill-Files mit, jeder Befehl kennt `--output json`, Prompts erkennen, ob eine TTY dranhängt, und destruktive Operationen verweigern in Pipelines den Dienst, solange kein `--force` gesetzt ist.
Genau so sollte CLI-Design 2026 aussehen. Nicht der Mensch bekommt ein hübsches Interface und der Agent muss die Ausgabe parsen, sondern beide bekommen dasselbe Werkzeug mit zwei Modi. Dass DNS-Hosting bei bis zu 500 Domains ohne Query-Limit kostenlos ist, macht das Ausprobieren zusätzlich schmerzfrei.
Nächste Woche dann vielleicht wieder mehr Pipeline und mehr Blech, schauen wir mal.
