6 min read · 18 sources

OpenAI ist wieder auf dem Kapitalmarkt aktiv und sucht Mittel in einem Ausmaß, das eher an nationale Infrastruktur als an Venture‑Software erinnert. Das Unternehmen verhandelt derzeit eine Anker‑30‑Milliarden‑Finanzierungsrunde, mit einem Konsortium aus staatlich unterstützten VAE‑Fonds - darunter Abu Dhabis MGX - das bis zu 10 Milliarden Dollar zusammen mit BlackRock, Thrive Capital und Andreessen Horowitz beitragen will.

Gleichzeitig festigt sich das praktische Engineering rund um Agenten rasch zu Standardmustern: Dateien in Git‑Repositories für Agent‑Speicher, sub‑300 ms nicht‑generative Klassifikations‑Engines und Sparse‑MoE‑Architekturen, die gezielt die Kosten pro Token senken.

Hier ein Überblick über die heute veröffentlichten Entwicklungen über Plattformen, Architekturen und Infrastruktur hinweg.

OpenAIs 30‑Milliarden‑Fundraising könnte genug Rechenleistung finanzieren, um die Modell‑Trainingskapazität innerhalb eines Jahres zu verdoppeln.

OpenAI zielt auf 30‑Milliarden‑Mega‑Runde und aktiviert EU‑Watermarking

Source: bloomberg.com ↗

Der Kapitalbedarf für Multi‑Cluster‑Frontier‑Training‑Läufe steigt weiter. OpenAIs vorgeschlagene $30‑Milliarden‑Finanzierungsrunde verdeutlicht, dass die Modellentwicklung auf dieser Ebene nun direkt von Staatskassen und institutionellen Vermögensverwaltern getragen wird. Die Erlöse sollen in maßgeschneiderte Rechenzentren und Multi‑Gigawatt‑Stromverträge für die nächste Generation von Foundation‑Modellen fließen.

Im Bereich Compliance hat OpenAI sein textGrain‑Watermarking‑System für ChatGPT‑ und Codex‑Antworten innerhalb der Europäischen Union aktiviert, um den Vorgaben des EU‑AI‑Act zur Provenienz zu genügen. Der Mechanismus biasiert die pseudo‑zufällige Token‑Auswahl beim Sampling, ohne die Generierungsqualität zu beeinträchtigen, und ermöglicht eine statistische Detektion nachgelagert. OpenAI weist jedoch darauf hin, dass die Detektion bei übersetzten Passagen, umfangreichen menschlichen Änderungen oder sehr kurzen Textsegmenten deutlich nachlässt.

Parallel dazu hat OpenAI seinen B2B‑Marktplatz für 32 Unternehmenspartner geöffnet und bestehende OpenAI‑API‑Verpflichtungen in Auszahlungen gegenüber Drittanbieter‑Agent‑Tools umgewandelt. Launch‑Partner Baseten ist direkt in die Codex‑Runtime und die Responses‑API integriert und ermöglicht Teams, Coding‑Teilaufgaben von teuren Frontier‑Modellen auf kundenspezifische Open‑Weights zu verlagern, alles auf einer einheitlichen Unternehmensrechnung. Im Consumer‑Bereich hat OpenAI zudem visuelle Anzeigenformate in ChatGPT eingeführt, zusammen mit aktualisierten Mess‑Integrationen.

Devin open‑source Git‑basierten Speicher und Dreaming

Source: devin.ai ↗

Cognition veröffentlichte die Architektur hinter Devin’s Memory and Dreaming und stellte die komplette Spezifikation der Öffentlichkeit zur Verfügung. Statt unstrukturierte Sitzungsverläufe in Vektor‑Datenbanken zu dumpen oder Kontextfenster mit aufgeblähten System‑Prompts zu füllen, speichert Devin Langzeit‑Gedächtnis in einem dedizierten Git‑Repo, das menschenlesbare Markdown‑Dateien enthält und durch einen zentralen Index (MEMORY.md) koordiniert wird.

Beim Ausführen einer Aufgabe prüft Devin zunächst die üblichen Git‑Revisionen, bevor Änderungen persistiert werden, um gleichzeitige Aufgaben nicht zu überschreiben. Kontext‑Drift wird offline durch einen asynchronen Prozess namens Dreaming behandelt: ein automatisierter Wartungs‑Worker, der täglich aktualisierte Notizen scannt, Duplikate eliminiert, vergangene Ausführungsartefakte verlinkt und veraltete Anweisungen entfernt. Für Teams, die Produktions‑Agenten bauen, liefert dies ein deterministisches, versionskontrolliertes Audit‑Log darüber, wie interne Anweisungen eines Agenten über Monate von Pull‑Requests hinweg evolvieren.

Reflection veröffentlicht Beam: 501 B‑Sparse‑MoE mit 23 B aktiven Parametern

Source: reflection.ai ↗

Reflection stellte Beam vor, ein Open‑Weight‑Sparse‑Mixture‑of‑Experts‑Modell, das für Coding, tiefes Reasoning und hoch‑durchsatz‑Tool‑Calling konzipiert ist. Das Modell besitzt insgesamt 501 Milliarden Parameter, routet Tokens jedoch nur zu 23 Milliarden aktivierten Parametern pro Durchlauf.

Vortrainiert auf 23,8 Billionen Tokens und mit über 100 Millionen Reinforcement‑Learning‑Rollouts auf einem Cluster von 10 500 NVIDIA GB300‑GPUs über vier Wochen abgestimmt, erreicht Beam Benchmark‑Parität zu GLM‑5.2. Da die aktive Parameterzahl gering bleibt, können Inferenz‑Cluster komplexe mehrstufige Reasoning‑Aufgaben mit 3‑‑4‑fach geringeren Compute‑Kosten bedienen als monolithische Dense‑Architekturen mit über 2 Billionen Parametern.

Liquid AI veröffentlicht d1 mit Vision für token‑freie Klassifikation

Source: x.com ↗

Liquid AI erweiterte seine nicht‑generative Architektur mit d1 with vision und ermöglichte dem Modell, gemischte Bild‑, Dokument‑ und Text‑Payloads zu verarbeiten. Anders als traditionelle autoregressive Modelle, die Antwort‑Tokens Schritt für Schritt erzeugen, berechnet d1 Output‑Logits für Ja/Nein‑Entscheidungen, Multiple‑Choice‑Fragen und skalare Bewertungen in einem einzigen End‑to‑End‑Durchlauf.

Diese nicht‑generative Inferenz‑Pipeline liefert Entscheidungslatenzen zwischen 200 und 300 ms und senkt die API‑Kosten um das 19‑‑200‑fache gegenüber GPT‑6.1 Sol und Claude Opus 5.5. Für automatisierte Pipelines, die visuelle Validierung, Dokumenten‑Routing oder hochvolumige Content‑Moderation verarbeiten, ersetzt d1 schwere LLM‑Decoder durch einen ultra‑schnellen Klassifikations‑Endpunkt.

Multi‑User‑Agent‑Isolation und headless GPU‑Rendering

Source: x.com ↗

Instinct startete eine Early‑Access‑Vorschau, die Nutzerinnen ermöglicht, einen geteilten Instinct‑Assistenten in Gruppenchats zu nutzen. Die Handhabung von Mehrmandanten‑gemeinsamen Kontexten ohne Datenleck erfordert strikte Isolation: Der Assistent fordert jeden Teilnehmerin explizit auf, bevor persönlicher Kontext in das geteilte Gespräch eingebracht wird, hält Backend‑Kontoberechtigungen partitioniert und pausiert aktive Ausführungen sofort, wenn unbekannte Teilnehmerinnen den Kanal betreten.

Für Agenten, die mit Code und visuellen Medien arbeiten, stellte die Open‑Source‑Framefields‑Engine ein npm‑Runtime bereit, das browserbasierte Pipelines wie Puppeteer umgeht. Agenten schreiben deklarative TypeScript‑Kompositionen, die direkt gegen native GPU‑Backends via Dawn, WebGPU, Metal und Vulkan kompiliert werden. Durch deterministische Frame‑Clocks, benutzerdefinierte Slug‑Vektor‑Font‑Rendering und über 50 native Shader erzeugt das Runtime produktionsreife MP4s direkt auf headless Nodes.

Skalierung von Agent‑Operationen: Uber‑Software‑Factory und MCP‑Grenzen

Source: theaithinker.com ↗

Das operative Engineering für Coding‑Agenten wandelt sich von lokalen IDE‑Erweiterungen zu zentralisierter Orchestrierung. Eine Analyse von Enterprise‑Software‑Factories zeigt, wie Teams bei Uber Agenten wie Claude Code, Codex und OpenCode in sandbox‑basierten Cloud‑Ausführungsumgebungen betreiben, die von zentralen Model‑Gateways verwaltet werden. Statt spekulativer Greenfield‑Projekte führen diese automatisierten Pipelines Migrationen und routinemäßige Code‑Reviews aus und optimieren gezielt die Infrastruktur‑Kosten pro gemergtem Pull‑Request.

OpenAI‑Produktlead Tibo Sottiaux betonte diese Industrialisierung in einem Rundown zu Lessons from Agent Scale. Sottiaux wies darauf hin, dass Backend‑Services sofort für automatisierten Agent‑Verkehr gerüstet sein müssen - er nannte das Beispiel des Model Context Protocol (MCP)‑Servers von Notion, der nach dem Launch stark belastet wurde. Zudem hob er hervor, dass hartkodierte Agent‑Graphen und Prompt‑Routing‑Schleifen schnell zu Wartungs‑Debt werden, während Consumer‑Apps beginnen, benutzerseitige Model‑Picker vollständig abzuschaffen.

Diese Entwicklungen spiegeln breitere Geschäftsmodell‑Veränderungen wider, die Will Manidis und John in Asset Light Software skizzieren. Traditionelle SaaS‑Unternehmen investieren fast 90 % ihres ARR in feste GTM‑ und interne Engineering‑Kosten - Strukturen, die schrumpfen, sobald automatisierte Agenten und Hyperscaler‑Ökosysteme standardisierte Feature‑Lieferungen commodifizieren.

Silicon‑Bewegungen: Nvidia verklagt wegen Groq‑Deal, Etched nähert sich 40‑Billionen‑Bewertung

Source: cnbc.com ↗

Nvidias 20‑Milliarden‑Deal mit Groq stößt auf regulatorische und rechtliche Gegenwehr. Zwei ehemalige Groq‑Ingenieurinnen reichten eine Klage beim Delaware Court of Chancery ein und behaupten, der Groq‑Vorstand habe bewusst eine erforderliche Abstimmung der Stammaktionäre umgangen. Die Beschwerde führt an, dass das Deal‑Modell 17 Milliarden Dollar in eine IP‑Lizenz und 3 Milliarden Dollar in RSU‑Retention für etwa 150‑200 migrierende Ingenieurinnen geleitet habe, wodurch ein Acqui‑Hire strukturiert wurde, das frühe Eigenkapital‑Inhaber benachteiligt.

Die Hardware‑Alternative Etched erhält Term‑Sheets in Bewertungen von 40 bis 50 Milliarden Dollar, nur Monate nach seiner 700‑Millionen‑Dollar‑Series‑B. Etched betreibt eine 10‑Megawatt‑Testanlage im Silicon Valley, hat bereits 1 Milliarde Dollar an Vorab‑Hardware‑Commitments verzeichnet und fertigt kundenspezifisches TSMC‑Silizium, das ausschließlich zur Maximierung des Durchsatzes bei attention‑basierten Model‑Inference entwickelt wurde.

Antiferromagnetischer Speicher, Pflanzen‑Genomik und Agent‑Plattformen

Source: vals.ai ↗

KI‑gestützte Materialforschung erreichte einen Hardware‑Meilenstein, als automatisierte Agent‑Schwärme zwei raumtemperatur‑antiferromagnetische Halbleiter identifizierten. Im Gegensatz zu Ferromagneten eliminieren antiferromagnetische Materialien störende externe Magnetfelder, bewahren jedoch die Spin‑Ausrichtung der Elektronen und bieten damit eine praktikable physikalische Architektur für dichte, energiearme MRAM‑ und Spintronic‑Speicher‑Arrays.

Im Bereich Bioinformatik setzte Living Models einen Dual‑Model‑Stack ein, der Googles Gemma 4 mit BOTANIC‑1 verbindet. Gemma 4 fungiert als agentische Query‑Übersetzungs‑Schnittstelle, wandelt natürliche Sprach‑Hypothesen in strukturierte Repräsentationen um, damit BOTANIC‑1 Pflanzengenom‑Varianten ohne Token‑Degradierung analysieren kann.

Auf Unternehmensseite launchte Cohere North 2, eine Enterprise‑Plattform mit einheitlichem organisationalem State‑Memory, nativen Connectors für GitHub, Slack und Jira sowie visuellen Workflow‑Buildern, die interne Agenten sicher im Firmennetzwerk ausführen. Abschließend veröffentlichten Forschende von LessWrong experimentelle Arbeiten zu self‑modeling interventions und zeigten, wie strukturierte Selbst‑Erkennung und Report‑Prompts emergente Misalignments in autonomen Modellen modulieren können.