6 min read · 18 sources

Grok 4.7 ist da, und zum ersten Mal stimmt die Linie „schlauer, schneller, gleicher Preis" tatsächlich. Das neueste Modell von xAI überzeugt mit besserer Code- und Wissensarbeitsleistung gegenüber 4.6, und es kostet Sie nicht mehr oder läuft nicht langsamer. Wenn Sie mit dem Upgrade Ihres Inferenz-Stacks gewartet haben, ist das der Anstoß, neu zu benchmarken, denn die Lücke zwischen den Spitzenklassen hat sich gerade wieder verschoben.

Aber die eigentliche Geschichte des Tages ist, wer das Rennen um die Verbraucher gewinnt. Metas Muse-KI-App hat gerade alle großen Konkurrenten überholt, und das in weniger als zwei Wochen. Das, plus die Entscheidung von Xiaomi, seine besten Modelle kostenlos herauszugeben, macht heute zu einem seltenen Tag, an dem sich sowohl die Open-Source- als auch die Closed-Source-Welt bewegt haben. Hier ist, was sich tatsächlich geändert hat.

Metas Muse erreichte in 13 Tagen 730.000 Downloads, übertraf Claude und Grok zusammen und trieb die Meta-Aktie um über 11 % nach oben.

Grok 4.7 erscheint mit besserer Code-Erstellung, gleichem Preisschild

Source: x.ai ↗

xAI hat heute Grok 4.7 veröffentlicht, und die Schlagzeile ist, dass es sich gegenüber 4.6 verbessert, ohne Ihre API-Rechnung oder Latenz zu berühren. Die Versionshinweise weisen auf Fortschritte bei der Code- und Wissensarbeit hin, also dort, wo die meisten Produktionslasten tatsächlich liegen. Für Teams, die Agenten oder Codegenerierung in großem Maßstab betreiben, bedeutet das, dass Sie das Modell upgraden und Ihr bestehendes Kostenmodell intakt halten können.

Die praktische Implikation ist klar: Wenn Sie auf einen Grund gewartet haben, zu wechseln, ist dies der Moment. Der Upgrade-Pfad ist für die meisten Anwendungsfälle ein Drop-in-Tausch, und die Leistungsdifferenz bei Benchmarks bedeutet, dass sich Ihre Evals wahrscheinlich verschieben. Führen Sie Ihre Regressionssuite aus, bevor Sie den Schalter umlegen, aber erwarten Sie keine Überraschungen auf der Rechnung.

Xiaomi veröffentlicht MiMo-V2.6 Pro und Flash als Open Source

Source: testingcatalog.com ↗

Xiaomi hat MiMo-V2.6 Pro und Flash als vollständig Open-Source-Modelle veröffentlicht, und sie werfen nicht nur Gewichte weg. Die API-Preise bleiben auf V2.5-Niveau: Flash bei $0,14/$0,28 pro Million Eingabe-/Ausgabe-Tokens, Pro bei $0,435/$0,87. Das platziert sie genau in der Zone „billig genug zum Experimentieren, gut genug für den Produktiveinsatz".

Was dies bemerkenswert macht, ist der Reproduzierbarkeitsaspekt. Xiaomi hat den technischen Bericht, die Trainingsumgebungen und den RL-Code veröffentlicht, sodass Sie tatsächlich sehen können, wie diese trainiert wurden. Die Modelle können Agenten koordinieren, um interaktive 3D-Szenen aus Prompts zu erstellen, und sie verarbeiten Blender-Assets und Roboterarmsteuerung. Wenn Sie Open-Source-Performer für die Produktion evaluieren, verdienen diese eine ernsthafte Betrachtung, denn Sie fliegen nicht blind in Bezug auf die Trainingspipeline.

Meta Muse führt Charts mit 730.000 Downloads an

Source: cnbc.com ↗

Metas Muse persönlicher KI-Agent erreichte in den ersten 13 Tagen 730.000 Downloads und steht damit an der Spitze des US-iOS-App-Stores. Zum Vergleich: Das ist fast das Doppelte von Claudes 400.000 und mehr als das Dreifache von Groks 200.000 im gleichen Zeitraum nach dem Start. Der Markt reagierte entsprechend: Die Meta-Aktie sprang am Montag um über 11 %.

Die Erkenntnis für Entwickler betrifft nicht nur die Verbraucherakzeptanz. Muses Erfolg signalisiert, dass Meta das Verteilungs-Spiel für KI-Agenten gemeistert hat, und das hat nachgelagerte Auswirkungen darauf, welche Plattformen die Integrations-Deals bekommen. Wenn Sie auf Metas Ökosystem aufbauen, ist dies der Moment, um den Agent-APIs Aufmerksamkeit zu schenken.

Die Lücke zwischen Open und Closed schließt sich schnell

Source: interconnects.ai ↗

Eine neue Analyse argumentiert, dass die Lücke zwischen offenen und geschlossenen Modellen seit drei Jahren schrumpft und Open-Weight-Modelle nun einen Wendepunkt überschritten haben. Der Beitrag unterscheidet zwischen Open-Weight und wirklich Open Source und macht einen scharfen Punkt zur Stückökonomie: Sie können mit einem Agenten und zehnmal so vielen Tokens eine vergleichbare Leistung wie ein Frontier-Modell erzielen, aber Schwärme kleinerer offener Modelle können dieselbe Aufgabe oft in weniger Wanduhrzeit erledigen, weil sie parallel laufen.

Die strategische Lesart ist, dass Frontier-Labore wie OpenAI und Anthropic nur ein oder zwei Modelle vor der Open-Source-Welle liegen und diese Modelle ihr Burggraben sind. Aber die Kostenkurve ist brutal für sie: Während offene Modelle die Lücke schließen, müssen die Labore in neue Sektoren expandieren, um Gewinne aufrechtzuerhalten. Für Sie bedeutet das, dass der Standard „Einfach die API nutzen" vierteljährlich billigere Alternativen bekommt.

KI greift die If-Anweisung an

Source: tomtunguz.com ↗

Tom Tunguz argumentiert, dass der eigentliche Durchbruch der generativen KI nicht das Modell selbst war, sondern das Bündeln vieler schmaler Systeme zu einem intelligenten Ganzen. Jetzt, wo Agenten Hunderte von Entscheidungen pro Aufgabe treffen, sind Inferenzkosten der Schlüsselfaktor. Hier kommen Jev2 und SemIf3 ins Spiel, neue Modelle, die konditionale Logikfragen in Hunderten von Millisekunden bei einer Kostensenkung von 99 % beantworten und die Genauigkeit in Tests von 47 % auf über 80 % heben.

Die technische Erkenntnis ist, Ihre Primitive zu spezialisieren. Statt ein riesiges Modell zu bitten, alles zu tun, lagern Sie If-then-Logik auf billigere, zweckgebundene Systeme aus. Der Artikel behauptet, dass Sie durch die Optimierung dieses einen Primitivs fast zwei Größenordnungen an Kostensenkung bei höherer Genauigkeit erreichen können. In der Produktion ist das der Unterschied zwischen einer Demo und einer Marge.

AWS Strands Harness bringt sein eigenes Alles mit

Source: thelettertwo.com ↗

AWS hat Strands Harness gestartet, einen Agenten, der sein eigenes Alles außer dem Modell mitbringt. Er läuft auf Reasoning-Modellen von Bedrock, Anthropic, OpenAI und Google, was bedeutet, dass Sie Anbieter wechseln können, ohne Ihre Agentenlogik neu zu schreiben. Das ist eine direkte Antwort auf den „Lock-in"-Einwand und zielt genau auf Unternehmen, die Portabilität wollen.

Für Teams mit Multi-Cloud- oder Hybrid-Setups ist das einen Blick wert. Der Agent verwaltet seine eigene Tooling- und Infrastruktur, sodass Sie nicht an das Ökosystem eines einzelnen Anbieters gebunden sind. Es ist früh, aber die Architektur deutet darauf hin, dass AWS darauf wettet, dass die Agentenschicht, nicht das Modell, der Ort ist, an dem sich Wert ansammelt.

Qwens RecreationWorld trainiert Agenten auf laufenden Apps

Source: github.com ↗

Qwen hat RecreationWorld als Open Source veröffentlicht, das Agenten trainiert, Apps mithilfe einer laufenden Referenz als ausführbares Orakel neu aufzubauen. RecreationBench bietet 250 zurückgehaltene Aufgaben, und der Trainingscode ist zur Reproduktion verfügbar. Die Idee ist, dass Agenten durch das Beobachten einer funktionierenden App lernen, nicht nur durch statische Beispiele, was sich besser auf reale Refactoring-Aufgaben übertragen lassen sollte.

StepFuns Step 5 Preview nähert sich der realen Welt an

Source: threadreaderapp.com ↗

StepFuns Step 5 Preview Update bringt den Index mit anspruchsvolleren Aufgaben und privaten Testsets näher an die Produktion. Das Team arbeitet bereits an v5, also erwarten Sie, dass dies eine kurzlebige Vorschau ist. Wenn Sie Reasoning-Benchmarks evaluieren, ist dies ein Datenpunkt dafür, dass sich die Spitze weiter bewegt.

Alibaba setzt mit 53 Mrd. $ voll auf KI-Chips

Source: finance.yahoo.com ↗

Alibaba hat einen großen KI-Chip-Vorstoß angekündigt und plant, über drei Jahre über 53 Mrd. $ in KI-Infrastruktur zu investieren. Das Unternehmen hat 10,2 Mrd. $ aus einem Aktienangebot in Hongkong aufgenommen, um dies zu finanzieren. Das ist eine Wette darauf, dass Chinas KI-Lieferkette eigene Siliziumlösungen braucht, und ein Signal, dass das Compute-Wettrüsten noch lange nicht vorbei ist.

Aikido Altar bringt Open-Weight-Sicherheitsmodelle

Source: aikido.dev ↗

Aikido hat Altar vorgestellt, sein erstes Open-Weight-Sicherheitsmodell, das auf GLM-5.3 basiert. Es verwendet eine Mixture-of-Experts-Architektur, bei der nur eine kleine Anzahl von Experten pro Token aktiv ist, was die Serving-Kosten niedrig hält. Das Versprechen ist souveräne Sicherheit: Verteidigungsfähigkeit auf Frontier-Niveau auf benutzerkontrollierter Infrastruktur, ohne Daten an externe APIs zu senden.

Kev bietet eine lokale, kostengünstige Entscheidungs-API

Source: github.com ↗

Kev ist ein GitHub-Repository, das eine API bereitstellt, die Typsichers System One entspricht und Ja/Nein-, Multiple-Choice- und Bewertungsfragen in derselben Anfrage unterstützt. Die API erlaubt es Fragen, Eingabetext zu teilen, aber nicht, sich gegenseitig zu lesen, was sie für strukturierte Entscheidungsfindung mit lokaler, kostengünstiger Inferenz nützlich macht. Wenn Sie eine leichte Alternative benötigen, um für jede Bedingung ein großes Modell aufzurufen, ist dies ein sauberer Drop-in.