🔥 Im Fokus
Moderna und MSD erzielen historischen Erfolg in Phase-III-Studie mit personalisiertem mRNA-Krebsimpfstoff – KI-Algorithmen zielen präzise auf Neoantigene: Der globale mRNA-Riese Moderna und MSD haben gemeinsam bekannt gegeben, dass die erste personalisierte mRNA-Krebstherapie intismeran autogene (mRNA-4157) in Kombination mit KEYTRUDA in der globalen Phase-III-Studie (INTerpath-001) bei Hochrisiko-Melanom einen historischen Durchbruch erzielt hat: Beide zentralen Endpunkte – rezidivfreies Überleben (RFS) und fernmetastasenfreies Überleben (DMFS) – wurden vollständig erreicht. Bei der Entwicklung des Therapiekandidaten bewerten tief integrierte KI-Algorithmen aus Tumorgensequenzierungsdaten bis zu 34 hochimmunogene patientenspezifische Neoantigene und fertigen innerhalb von 45 Tagen eine maßgeschneiderte mRNA für den Patienten. Die klinischen Daten zeigen eine erhebliche Reduktion des Rezidiv- oder Sterberisikos um 49 % und markieren damit, dass die Tumorimmuntherapie „KI-Zielmolekül-Screening + personalisierte mRNA” offiziell in die Phase-III-Validierung und Kommerzialisierung eintritt. (Quelle: MIT Technology Review)
Generalist veröffentlicht GEN-1.5-Modell für universelle verkörperte Intelligenz – Roboter lernen mit einer einzigen Demonstration ohne Fine-Tuning im laufenden Betrieb: Das Start-up Generalist für universelle verkörperte Intelligenz hat offiziell das physikalische Welt-Basismodell GEN-1.5 veröffentlicht. Durch groß angelegtes Pre-Training über mehr als 8 Monate mit massiven realen physikalischen Interaktionsdaten zeigt GEN-1.5 beeindruckende Fähigkeiten im physikalischen In-Context-Learning und Physical Prompting. Nutzer müssen dem Roboter lediglich ein 3 bis 12 Sekunden langes menschliches Demonstrationsvideo als Physical Prompt zur Verfügung stellen – der Roboter kann ohne jegliches Fine-Tuning direkt generalisieren und neue Aufgaben wie das Öffnen von Flaschenverschlüssen, das Ziehen von Taschentüchern und die Manipulation von Werkzeugen ausführen. Tests zeigen eine Erfolgsrate von 59 % bei einmaliger Demonstration ohne Fine-Tuning, die nach 5 Minuten Daten-Feinabstimmung auf 83 % gesteigert werden kann. Die Branche bewertet dies als „GPT-3-Moment” für verkörperte Robotik. (Quelle: Generalist AI)
Erste Rechenracks mit Nvidia-Vera-Rubin-Architektur offiziell an OpenAI geliefert – unterstützen Pre-Training der nächsten Frontier-Modelle: OpenAI und Nvidia haben gemeinsam bekannt gegeben, dass ihre Recheninfrastruktur-Kooperation einen wichtigen Meilenstein erreicht hat: Die ersten Rechenracks mit Nvidia-Vera-Rubin-Architektur sind offiziell bei OpenAI eingetroffen, wurden montiert und erfolgreich in den zugrunde liegenden Training-Stack integriert. Diese Racks werden direkt zur Erweiterung des Pre-Training-Rechenpools für die nächste Generation der OpenAI-Frontier-KI-Modelle eingesetzt – ein Zeichen dafür, dass Nvidias brandneue Beschleunigungsplattform offiziell in der Produktionsumgebung der weltweit führenden Large Language Models zum Einsatz kommt. (Quelle: Nvidia News)
Slack führt Slack Code ein und eröffnet „Multi-Personen-Chat-Programmierung” – Integration von Agenten wie Anthropic, Devin und GitHub: Slack, ein Unternehmen von Salesforce, hat offiziell Slack Code veröffentlicht und damit KI-Programmieragenten von herkömmlichen Einzelbenutzer-Terminals und IDEs in kollaborative Unternehmens-Chatgruppen gebracht. Teammitglieder können Agenten direkt in Slack-Kanälen @erwähnen, wodurch automatisch ein dedizierter Code Channel erstellt wird. Dies ermöglicht die Echtzeit-Zusammenarbeit und Code-Überprüfung zwischen menschlichen Entwicklern, Produktmanagern und KI-Agenten wie Devin, Claude Code, GitHub Copilot und ChatGPT im selben Kanal. Die Agenten übernehmen die bestehenden Sicherheitsrichtlinien und Berechtigungssysteme von Slack; bei risikoreichen Operationen ist eine zweite Prüfung durch menschliche Experten zwingend erforderlich. Dies markiert einen Paradigmenwechsel von KI-Programmierwerkzeugen hin zu Multi-Personen-Chat-Kollaborationsplattformen. (Quelle: Salesforce / Slack)
🎯 Trends
Open-Source-LLM Ornith-1.5 veröffentlicht – Fokus auf end-to-end Selbstevolution: Das Open-Source-LLM-Team Ornith hat offiziell die Ornith-1.5-Modellfamilie veröffentlicht, die drei Architekturen umfasst: 9B Dense, 35B MoE und 397B MoE, lizenziert unter der MIT-Lizenz. Die Modelle setzen auf Reinforcement Learning, bei dem sie eigenständig neue Aufgaben vorschlagen, automatisch Scaffolds konstruieren und durch Selbstspiel Lösungen generieren. Auf Benchmarks wie SWE-bench Verified (86 Punkte) und Terminal-Bench 2.1 (86,1 Punkte) erreichen sie das Spitzenniveau offener Modelle vergleichbarer Größe und sind nativ in die vLLM- und Ollama-Ökosysteme integriert. (Quelle: Ornith AI)
DeepSeek Harness veröffentlicht Vorabversion v0.1.0-rc.8 – Multimodalität und Sub-Agent-Orchestrierung umfassend erweitert: DeepSeek hat sein Open-Source-Agent-Framework DeepSeek Harness auf Version rc.8 aktualisiert. Die neue Version fügt nativen Bildanfrage-Support für die DeepSeek-Modelladapter hinzu; die Befehle /goal und /plan unterstützen jetzt gemischte Bild- und Texteingaben. Gleichzeitig wurden Claude Code und Codex weiter in das Sub-Agent-System integriert, das die Installation als Profile Bundle bei Bedarf sowie die gleichzeitige Ausführung mehrerer Instanzen unterstützt. Darüber hinaus wurden die Nutzungserfahrung von Windows-PTY-Terminals sowie paralleler web_search-Aufrufe erheblich verbessert. (Quelle: DeepSeek Release)
.jpg)
Liquid AI bringt destilliertes Draft-Modell LFM2.5-DSpark heraus – bis zu 3,2-fach schnellere Inferenz: Liquid AI hat für seine LFM2.5-1.2B-, 2.6B- und 8B-A1B-Modelle ein destilliertes Draft-Modell für spekulative Abtastung mit nur etwa 300M Parametern entwickelt. Das Modell kombiniert einen parallelen Backbone, Markov-Fortsetzungsköpfe und Konfidenz-Pruning. Bei 100 % Übereinstimmung mit der Greedy-Decoding-Ausgabe des Zielmodells beschleunigt es die lokale Inferenz auf H100 und MacBook um das 2,1- bis 3,18-fache, reduziert die Tool-Calling-Latenz erheblich und unterstützt bereits llama.cpp und SGLang. (Quelle: Liquid AI Blog)
Meta bringt eigenständige Meta-AI-Desktop-App für Mac heraus – mit systemweiter Sprachdiktierung und appübergreifender Bildschirmwahrnehmung: Meta hat eine Mac-Desktop-App für Meta AI auf Basis des Muse-Spark-Modells veröffentlicht. Sie unterstützt die appübergreifende Echtzeit-Sprachdiktierung mit hoher Genauigkeit über eine globale Fn-Tastenkombination und ermöglicht es Nutzern, das aktuelle Bildschirmfenster freizugeben, damit die KI es in Echtzeit wahrnehmen und unterstützen kann. Die App kann auch eine Verbindung zu Google Workspace sowie zu Instagram-/Facebook-Händlerkonten herstellen, um Marketing-Wirkungsanalysen durchzuführen und Dokumente automatisch zu generieren. (Quelle: TechCrunch)
OpenAI bringt Apple-Messages-Plugin für ChatGPT-Desktop heraus und kündigt „Private Safety Processing”-Mechanismus an: ChatGPT Desktop und Codex erhalten ein neues Apple-Messages-Plugin, das es Nutzern nach lokaler Autorisierung ermöglicht, vergangene SMS über natürliche Sprache zu durchsuchen, zusammenzufassen und Antwortentwürfe zu erstellen. Gleichzeitig kündigte OpenAI die Technologie „Private Safety Processing” an, die darauf abzielt, unter Beibehaltung der Zero Data Retention (ZDR) durch verschlüsselte Sicherheitssignale hochriskantes missbräuchliches Verhalten über Sitzungen hinweg zu erkennen. (Quelle: OpenAI News)
🧰 Tools
Superwhisper stellt On-Device-Textnormalisierungsmodell S1-mini als Open Source bereit – 462 MB für blitzschnelle Korrektur von Sprachtranskriptionen: Superwhisper hat ein speziell für die Nachverarbeitung von Spracherkennung entwickeltes Textnormalisierungsmodell namens S1-mini als Open Source veröffentlicht. Das auf Qwen3-0.6B basierende, feinabgestimmte Modell ist nur 462 MB groß (Q4_K_M GGUF) und läuft vollständig lokal auf der CPU von Mac/PC. Es entfernt automatisch gesprochene Füllwörter, korrigiert Versprecher, ergänzt Satzzeichen und normalisiert Zahlen, E-Mail-Adressen und Datumsformate – mit einer Token-Genauigkeit von 94,8 %. (Quelle: Superwhisper / Hugging Face)
Chroma veröffentlicht „Foundation”-Speicher-Engine – selbstevolutionäres Langzeitgedächtnis für Agents: Chroma hat offiziell die selbstevolutionäre Gedächtnislösung Foundation speziell für langfristige Agent-Sitzungen veröffentlicht. Die Engine extrahiert automatisch strukturierte Erfahrungen, Präferenzen und Kontextbeziehungen aus den historischen Trace-Aufzeichnungen von Agents und weckt sie in späteren Sitzungen dynamisch wieder auf und aktualisiert sie. Damit löst sie effektiv die Probleme des sitzungsübergreifenden Gedächtnisverlusts und der starren Musterbildung bei Agents. (Quelle: Chroma)
Tencent veröffentlicht Open-Source-AI-Red-Teaming-Plattform AI-Infra-Guard (A.I.G): Das Zhuque-Labor von Tencent hat die Open-Source-Plattform A.I.G für umfassende KI-Red-Team-Sicherheitsbewertungen veröffentlicht. Sie integriert Agent Scan, Skills Scan, MCP Server Scan sowie Schwachstellenscans für KI-Infrastruktur (mit über 2000 CVE-Regeln und 130+ Komponenten) und enthält den integrierten Agent-Fähigkeits-Sicherheitsbenchmark SkillTrustBench. Unternehmen können damit Agent-Berechtigungsüberschreitungen, Instruction Hijacking und Schwachstellen in der Lieferkette erkennen. (Quelle: Tencent / GitHub)
📚 Lernen
Terence Tao veröffentlicht ICM-2026-Beitrag: Fünfphasen-„Problem-Lösungs-Pipeline” der mathematischen Forschung im KI-Zeitalter und kognitive Krise: Der Fields-Medaillen-Träger Terence Tao hat ein neues Papier veröffentlicht, in dem er darauf hinweist, dass die massive Beteiligung von KI an der mathematischen Forschung die größte Wertkrise seit der Ära Gödels auslösen könnte. Er schlägt vor, mathematisches Problemlösen in fünf Phasen zu zerlegen – „Generierung – Verifikation – Erläuterung – gemeinschaftliche Akzeptanz – theoretische Normierung” – und betont, dass ein von KI gelieferter korrekter Beweis allein nicht bedeutet, dass die mathematische Arbeit abgeschlossen ist. Menschliche Mathematiker müssen die unersetzliche Verantwortung für die Beweis-Erläuterung und theoretische Normierung übernehmen. (Quelle: THE DECODER)
Zhipu AIs Tang Jie teilt Post-Training-Scaling-Law: Parameteranzahl ist nicht mehr der einzige Maßstab für Intelligenz: Tang Jie, Mitbegründer von Zhipu AI, hat die Überlegungen zum Post-Training-Scaling hinter GLM-5.3 ausführlich dargelegt. GLM-5.3 erzielte eine Verbesserung der Codefähigkeiten um 50 % allein durch langfristiges Reinforcement Learning in der Umgebung, ohne das 743B-Basismodell (mit 40B aktivierten Parametern) zu wechseln. Er argumentiert, dass die Modellfähigkeit gemeinsam durch Basisgröße, Datenmenge, Vorwärtsberechnung und Post-Training bestimmt wird. In der aktuellen Phase birgt das Post-Training, das die effektive Tiefe und die Länge der Reasoning-Kette erhöht, ein enormes Potenzial. (Quelle: dotey / Zhipu AI)
Google und DeepMind schlagen Recirculation-Mechanismus vor: Deep-Layer-Aktivierungsrückfluss für Transformer ohne erneutes Training: Das Papier schlägt einen rekursiven Zirkulationsmechanismus (Recirculation) vor, der in der Inferenzphase tiefe Darstellungen zurück zu flachen Schichten fließen lässt, ohne die Gradienten des vortrainierten Modells zu verändern. Durch ein kleines MLP, das den Rückflusskoeffizienten dynamisch vorhersagt, sinkt die Perplexität von Gemma3 auf 9 Sprachmodell-Datensätzen um 23,0 % – die Leistung übertrifft sogar das vollständige Fine-Tuning – und die GSM8K-Genauigkeit steigt um etwa 21 %. (Quelle: DeepMind / Jiqizhixin)
Tsinghua, Microsoft und weitere Teams stellen SPADE vor: Langfristiges Agent-Selbstevolutions-Framework durch Selbstspiel in ausführbaren Umgebungen: Das Papier stellt das SPADE-Framework vor, bei dem dasselbe LLM sowohl als Environment Designer als auch als Reasoning Agent fungiert. Der Environment Designer schreibt eigenständig ausführbare Agent-Umgebungen mit Gym-Schnittstellen sowie allmählich anspruchsvollere Aufgaben und treibt das Reinforcement Learning über Prompt-Reue-Signale an. Dies ermöglicht offenes, autonomes Training und Verbesserung ohne menschliches Eingreifen. (Quelle: HuggingFace Daily Papers)
💼 Business
Nvidia schließt 6-Milliarden-Dollar-Technologielizenzvertrag mit Poolside ab und investiert zusätzlich 1 Milliarde US-Dollar: Das auf Code-LLMs spezialisierte KI-Start-up Poolside hat mit Nvidia einen nicht-exklusiven Technologielizenzvertrag im Wert von 6 Milliarden US-Dollar abgeschlossen. Nvidia investiert zugleich 1 Milliarde US-Dollar in das Unternehmen, wodurch die Pre-Money-Bewertung von Poolside auf 12 Milliarden US-Dollar steigt. Die Vereinbarung umfasst außerdem Arbeitsangebote von Nvidia an 109 Poolside-Mitarbeiter und markiert einen weiteren milliardenschweren Deal zwischen Halbleiter- und KI-Branche. (Quelle: Techmeme / Newcomer)
Simile sammelt 300 Millionen US-Dollar ein und steigt mit 2-Milliarden-Dollar-Bewertung auf – Fokus auf synthetische Simulation der Gesamtbevölkerung: Das von Forschenden des Stanford-Projekts Smallville (Experiment mit 25 KI-Agenten in einer Kleinstadt) gegründete Unternehmen Simile hat innerhalb von weniger als sechs Monaten nach seiner Gründung mehr als 300 Millionen US-Dollar eingesammelt; die Bewertung ist auf 2 Milliarden US-Dollar gestiegen. Das Unternehmen nutzt umfangreiche Interviews mit echten Menschen, um synthetische Bevölkerungsgruppen zu erstellen, mit denen sich Marktreaktionen auf Produkte, Preise und politische Maßnahmen vor der tatsächlichen Einführung vorhersagen lassen. (Quelle: The Turing Post)
Ramp bringt KI-Modell-Routing-Dienst „Router” heraus und tritt in direkten Wettbewerb mit OpenRouter und Stripe: Der Ausgabenmanagement-Riese Ramp hat offiziell seinen eigenen KI-Modell-Routing-Dienst Router.com vorgestellt. Er bietet einen einheitlichen API-Zugang zu mehreren Modellen von OpenAI, Anthropic, DeepSeek, Moonshot, xAI und anderen Anbietern und unterstützt dynamische Routing-Strategien auf Basis von Kosten, Latenz und benutzerdefinierten Evaluierungsmetriken. Damit steigt Ramp direkt in das Management von KI-Token-Ausgaben von Unternehmen ein. (Quelle: TechCrunch / Ramp)
🌟 Community
Entwickler diskutieren über die „Abkehr von Frontier-Modellen” großer Unternehmen wie AT&T: 40 % des unternehmensweiten KI-Traffics wird auf Open-Source-Modelle umgeleitet – 56 % Kostensenkung: In der Community wird heiß diskutiert, dass große Unternehmen wie AT&T 40 % des KI-Traffics ihrer Mitarbeiter auf Open-Source-Modelle umgeleitet haben (mit der Absicht, auf 60–70 % zu steigern) und dadurch die Codierungskosten um 56 % gesenkt haben (bei täglich 45 Milliarden verarbeiteten Tokens), bei nur 2 % Qualitätsverlust. Dies bestätigt den von den führenden Labors am meisten befürchteten Trend: Unternehmen verlagern nicht zum Kerngeschäft gehörende Aufgaben in großem Umfang auf kosteneffiziente Open-Source-Modelle. (Quelle: TheZachMueller)
Grok Bot löst Hype um „15-Sekunden-Apps” aus – gilt als weiterer „Claude-Code-Moment” der KI-Ära: Investoren und Entwickler im Silicon Valley präsentieren begeistert ihre Erfahrungen mit Grok Bot und bezeichnen die Kombination aus „Null-Konfiguration-Cloud-VM + Multi-Agenten-Kollaboration” als hundertfache Produktivitätssteigerung. Nutzer können mit nur wenigen Sätzen in natürlicher Sprache innerhalb von 15 Sekunden eine voll funktionsfähige App mit eigener Domain generieren. Dies hat eine breite Diskussion über „Ein-Personen-Unternehmen” und agenten-native Arbeitsabläufe ausgelöst. (Quelle: grok)
OpenAI und Anthropic führen nacheinander ZDR-/Private-Processing-Strategien ein – Antwort auf Unternehmenssorgen um Datenschutz und Sicherheit: Angesichts der Bedenken von Unternehmen hinsichtlich Datenschutz und Compliance bei Frontier-Modellen hat OpenAI „Private Safety Processing” veröffentlicht; Anthropic kündigte außerdem an, noch in diesem Herbst Zero Data Retention (ZDR) und kundenkontrollierte Datenstrategien für seine Premium-Modelle der Mythos-Klasse einzuführen. Dies verdeutlicht den intensiven Wettbewerb der führenden Labore beim Datenschutz, während sie um Unternehmenskunden kämpfen. (Quelle: Bloomberg / OpenAI)
Politiker in mehreren US-Bundesstaaten lösen mit „Stromnetz- und Wasserkonflikten um Rechenzentren” Wählerreaktionen aus – KI-Infrastruktur steht vor lokalem politischem Widerstand: Das Nationale Republikanische Senatskomitee hat eine interne Warnung herausgegeben, dass die Wasser- und Stromressourcenkonflikte sowie steigende Strompreise durch den Bau von Rechenzentren in Ohio, Texas und anderen Bundesstaaten starke öffentliche Gegenreaktionen ausgelöst haben. Texas hat bereits bis zu 1800 Rechenzentrumsprojekte pausiert. Die Umsetzung von KI-Infrastruktur wird damit zu einem der politisch sensibelsten lokalen Themen in der Wahlsaison. (Quelle: EERandomness / MIT Technology Review)
💡 Sonstiges
Anthropic startet kostenlose Lernplattform Claude Academy: Mit Blick auf den bevorstehenden Börsengang hat Anthropic offiziell die kostenlose Lernplattform Claude Academy (academy.claude.com) für die Öffentlichkeit gestartet. Sie bietet umfassende Kurse von grundlegenden KI-Konzepten über fortgeschrittenes Prompt Engineering bis hin zur Nutzung von Claude Code und stellt nach Abschluss ein Zertifikat aus. (Quelle: Claude)
Cloudflare behebt ausnutzbare Remote-Spectre-Seitenkanal-Schwachstelle in Workers-Plattform: Das Cloudflare-Sicherheitsteam hat eine Remote-Spectre-Seitenkanal-Schwachstelle in der Edge-Computing-Plattform Cloudflare Workers offengelegt und behoben. Die Schwachstelle hätte es Angreifern ermöglichen können, über Mandantengrenzen hinweg Speicherdaten zu lesen. Bislang wurden keine tatsächlichen Ausnutzungen im Live-Betrieb festgestellt. (Quelle: Cloudflare)
Open-Source-LLM-Familie Gemma überschreitet weltweit eine Milliarde Downloads: Das Team von Google DeepMind gab bekannt, dass die Open-Source-Modellfamilie Gemma weltweit kumulativ mehr als eine Milliarde Downloads erreicht hat. Die Community hat über 100.000 feinabgestimmte Gemma-Varianten hervorgebracht, die ein breites Anwendungsspektrum abdecken – von Edge-Computing in Satelliten bis hin zu Offline-Mobilanwendungen. (Quelle: Google DeepMind / Ollama)
