OpenAI liefert Images 2.6 aus, während ChatGPT 4 Milliarden Bilder pro Woche überschreitet
7 min read · 16 sources
- OpenAIs Images 2.6 erzeugt 50 % schneller und fügt GIF-Erstellung hinzu, weltweit ausgerollt über alle ChatGPT- und Codex-Abonnementstufen mit GPT-Image-2.6 Flare und Sunburst in der API.
- Pangram Image 1.0 erkennt KI-Bilder und -Videos und gibt eine Heatmap aus, die zeigt, welche Pixel synthetisch sind, mit Chrome-Erweiterung und API.
- Ripple-65B Preview erzielte 80,52 auf TerminalBench 2.1 und schlug Reflection Beam 501B, Meta Muse Spark Open 816B und Nvidia Nemotron 3 Ultra 550B, bei einem Trainingslauf für 32 Millionen Dollar.
- OpenAIs Cybersicherheitsmodell validierte und erzeugte Patches für 948 Linux-Local-Privilege-Escalation-Schwachstellen in einem einzigen autonomen Lauf.
- Axiom formalisierte das gesamte 7.500-seitige Stacks-Projekt in Lean und erzeugte 16 Millionen Zeilen maschinengeprüften Codes, die größte wiederverwendbare formalisierte Mathematikbibliothek, die je gebaut wurde.
OpenAIs Bildmodell ist jetzt schneller als die meisten Teams einen Design-Review abschließen. Images 2.6 wird weltweit auf ChatGPT und Codex für Desktop, Mobil und Web auf allen Abonnementstufen ausgerollt und erzeugt Bilder 50 % schneller als die vorherige Version. OpenAI sagt, seine Produkte erzeugen nun 4 Milliarden Bilder pro Woche.
Das Hauptfeature ist Bewegung: Nutzer können Charaktere, Maskottchen, Produktaufnahmen, Skizzen und Storyboards in kurze GIF-Loops verwandeln und dann die Wiedergabegeschwindigkeit anpassen, einzelne Frames bearbeiten und sie teilen. Das leisere Feature ist Konsistenz - die Stabilität eines Charakters, Produkts oder Markendetails über aufeinanderfolgende Bearbeitungsrunden hinweg, was der Teil ist, der tatsächlich entscheidet, ob dies ein Spielzeug oder ein Produktionstool ist.
Für Entwickler gibt es zwei neue API-Modelle. GPT-Image-2.6 Flare zielt auf Geschwindigkeit und professionelle Layouts wie Poster und Produktbilder ab und kann bei niedriger Qualität in nur sechs Sekunden ein Bild liefern. Sunburst ist das Detailmodell, das auf mittlere und hohe Qualitätseinstellungen ausgelegt ist, bei denen Bearbeitungen halten müssen.
Ricursive trainierte Ripple-65B für 32 Millionen Dollar, ein Zehntel der geschätzten Kosten des bisherigen US-Open-Weight-Stands der Technik beim agentischen Codieren.
Pangram liefert einen Detektor mit Heatmap
In derselben Woche, in der OpenAI synthetische Bilder billiger produziert, kommt Pangram Image 1.0, um sie zu finden. Es ist die Produktionsversion einer Forschungsvorschau von vor ein paar Monaten, und Pangram beansprucht den Stand der Technik sowohl bei der KI-Bild- als auch bei der KI-Videoerkennung.
Der interessante Teil ist nicht der Klassifikator-Score, sondern das Ausgabeformat. Pangram gibt eine Heatmap zurück, die genau lokalisiert, wo KI-Inhalte in einem Bild erscheinen - einschließlich des Falls eines echten Fotos mit einem hineinkomponierten synthetischen Element, was das Szenario ist, das Ganzbild-„Ist das KI?“-Prüfungen bricht. Pangram sagt, das Modell sei robust gegenüber Bearbeitungen, Kompression und niedrigen Auflösungen und liefere eine Chrome-Erweiterung sowie API-Unterstützung für Bilder und Videos. Eine Flash-1.0-Variante sitzt neben dem Flaggschiff.
Wenn Sie irgendeine Art von Upload-Pipeline betreiben - Marktplatzlisten, KYC-Dokumente, Nachrichtenredaktions-Einreichungen - ist ein Pixel-für-Pixel-Urteil mit einer API eine andere Integration als ein einzelner Konfidenz-Float.
Ripple-65B erreicht US-Open-Weight-SOTA für 32 Millionen Dollar
Ricursive Intelligence ist ein Full-Stack-Labor, das selbstverbessernde Systeme durch Co-Optimierung von Hardware, Software und Modell baut, und es trainierte ein Sprachmodell von Grund auf, um seine Chipdesign-Plattform anzutreiben. Ripple-65B Preview ist die Allzweck-Variante dieses proprietären Modells, vortrainiert auf 12 Billionen Token mit Unterstützung für bis zu 1M Kontext.
Die Zahl, die zählt: 80,52 auf TerminalBench 2.1, was Ricursive als US-Open-Weight-Stand der Technik beim agentischen Codieren bezeichnet. Es schlägt Modelle, die mehrfach so groß sind - Reflection Beam 501B, Meta Muse Spark Open 816B, Thinking Machines Inkling 975B und Nvidia Nemotron 3 Ultra 550B. Der Trainingslauf kostete 32 Millionen Dollar, was Ricursive als ein Zehntel der geschätzten Kosten des bisherigen Open-Weight-SOTA beim agentischen Codieren bezeichnet.
Gewichte sind auf Hugging Face, Together AI, GMI Cloud und OpenRouter. Ein 65B-Modell, das über 500B-plus-Rivalen bei Terminal-Agent-Aufgaben schlägt, ist die Art von Ding, das ändert, was man auf ein paar Nodes statt einem dedizierten Rack selbst hosten kann.
OpenAIs Pipeline fand und patchte 948 Linux-Privilege-Escalations
OpenAI baute eine autonome Pipeline zum Entdecken, Ausnutzen und Patchen von Schwachstellen, und in einem einzigen Lauf validierte und erzeugte sein Cybersicherheitsmodell Patches für 948 Linux-Local-Privilege-Escalation-Fehler.
LPE-Fehler sind die langweilige, hochwertige Klasse: Ein Prozess, der als unprivilegierter Benutzer läuft, findet einen Weg, root zu werden, und jeder Container, CI-Runner und Multi-Tenant-Host ist exponiert. Sie zu finden ist teuer, weil jeder einen funktionierenden Exploit braucht, um zu beweisen, dass er real ist - genau der Schritt, den die meisten automatisierten Scanner überspringen. OpenAIs Behauptung ist, dass sein Modell sowohl die Fehler validierte als auch die Patches erzeugte.
Was der Beitrag nicht sagt, ist, wie viele Patches upstream gemerged wurden oder wie viele das Maintainer-Review überlebten. Behandeln Sie 948 als die Größe des Kandidatensatzes, der die automatisierte Validierung bestand, nicht als 948 Fixes in Ihrem Kernel.
Das Stacks-Projekt ist jetzt 16 Millionen Zeilen Lean
Axiom veröffentlichte eine Lean-Formalisierung des gesamten Stacks-Projekts, der rund 7.500-seitigen Open-Source-Referenz, die die moderne algebraische Geometrie untermauert. Das Ergebnis umfasst etwa 16 Millionen Zeilen Code, und Axiom nennt es die größte integrierte, wiederverwendbare Bibliothek formalisierter Mathematik, die je gebaut wurde.
Zwei Details machen es zu mehr als einem Stunt. Permanente Stacks-Tags verlinken jede Lean-Deklaration zurück zum kanonischen Text, sodass ein Proof-Assistant-Nutzer ein maschinengeprüftes Theorem zum Absatz zurückverfolgen kann, den ein Mathematiker bereits zitiert. Und weil es eine importierbare Bibliothek ist, können Forscher und KI-Agenten ihre Definitionen und Theoreme direkt in neue formale Beweise ziehen, statt sie neu abzuleiten.
Das Stacks-Projekt begann 2005 mit Johan de Jong von der Columbia University und wuchs durch Hunderte von Mitwirkenden. Das in etwas zu verwandeln, das ein Proof-Checker akzeptiert, ist eine andere Skala von Anstrengung als die Formalisierung eines einzelnen berühmten Theorems.
Cognitions SWE-2 Flash fügt eine Mid-Training-Phase hinzu und springt 20 Punkte
Cognition stellte SWE-2 Flash vor, ein Codierungsmodell, das es als vollständig amerikanisch beschreibt, und die Rezeptänderung ist die Geschichte: Zum ersten Mal fügte das Labor eine Mid-Training-Phase vor dem Reinforcement Learning ein. Ausgehend von Thinking Machines’ Inkling-Small brachte das Terminal-Bench 4.0 von 0,9 % auf 20,0 % und FrontierCode 2.0 von 3,2 % auf 24,0 %.
Cognition sagt, es überträfe alle amerikanischen Open-Weight-Modelle bei führenden Evals, einschließlich Modellen, die dreimal größer sind. Beachten Sie die Lizenzhaltung: Dies ist keine Open-Weights-Veröffentlichung. Cognition baut ein Programm auf, um Gewichte sicher mit Industriepartnern und Forschern zu teilen, unter Berufung auf Cyberrisiko - ein Mittelweg, der das Artefakt aus dem öffentlichen Download heraushält, während es dennoch evaluiert werden kann.
Tencents Hy4 fügt Vision hinzu, Gewichte in Tagen versprochen
Tencent kündigte Hy4 an, sein neuestes Flaggschiff, und sagt, es reihe sich nun unter die weltweit führenden Open-Source-Modelle ein. Gewichte und Systemkarten sind „in den kommenden Tagen“ versprochen, also behandeln Sie die Einstufung als Behauptung, bis Sie es ausführen können.
Die neue Fähigkeit ist visuelles Verständnis - feinkörnige Bildverarbeitung, komplexe Diagrammanalyse, mathematisches visuelles Denken - neben Verbesserungen bei Instruktionsbefolgung, Long-Context-Verständnis und langfristiger agentischer Arbeit. Tencent sagt, das Modell könne sowohl Befehlszeilenschnittstellen als auch GUIs steuern, was dasselbe Terrain ist, das die Terminal-Bench-Zahlen oben messen.
AlphaEvolve wird öffentlich, Matrixmultiplikations-Schranke inklusive
DeepMind veröffentlichte ein AlphaEvolve-Repository: ein Gemini-gestützter Codierungsagent, der modellgenerierte Algorithmusdesigns mit automatisierten Evaluatoren paart, die die Antworten prüfen. Google hat es für Rechenzentrumseffizienz, Chipdesign und KI-Training eingesetzt.
Das Repository hat eine minimale Implementierung mit lokaler Evaluierung unter /src, plus ein /omega-Verzeichnis, das die neue obere Schranke für den Matrixmultiplikations-Exponenten abdeckt. Das umfasst ein Colab-Notebook für rigorose Verifikation mit rationaler Arithmetik und das evolvierte Optimierungsprogramm in JAX/Haiku, das Gradientenabstieg über 32k Schritte mit 32 Zufalls-Seeds ausführt, mit einem NumPy/SciPy-Verifier daneben. Reproduzierbare Mathematik-Ergebnisse in einem öffentlichen Repository sind eine Seltenheit, die den Clone wert ist.
Die kleineren Meldungen der Woche
Cartesias H-Nets lernen direkt aus rohen Bytes und erreichen Benchmark-Leistung mit deutlich weniger Trainings-Compute - wenn das hält, hören Tokenizer auf, eine Designentscheidung zu sein.
OpenAI übernimmt Pierre Computer Company, um die Entwicklerwerkzeuge von Codex zu stärken, einschließlich Code Storage und anderen Open-Source-Projekten. Meta übernimmt Conductor, das Startup, das Entwicklern erlaubt, mehrere KI-Codierungsagenten in parallelen Workspaces auszuführen. Und Cat Wu trat OpenAI bei, um das Produktmanagement für Core Products zu leiten, ein Beitrag, der 4,1 Millionen Aufrufe erzielte.
Together Compiler ist eine kontinuierliche Optimierungsschleife für Inferenz. Togethers Begründung ist konkret: Keines der Top-10-Open-Source-LLMs auf OpenRouter teilt eine Architektur, es bedient Billionen von Token pro Tag über Tausende von Traffic-Formen, und H100s, B200s, B300s, NVL72, Groq und Verwandte benötigen jeweils unterschiedliche Strategien - zu viele Regime zum manuellen Tunen.
Perplexitys Decisions API kann jetzt vor dem Antworten im Web suchen. Kimi-K3.1-Pro landet als multimodales Modell der 3T-Klasse mit einem Millionen-Token-Kontext, ausgerichtet auf Codierung, 3D-Erstellung und faktische Genauigkeit.
Ein Paper argumentiert, dass Sie keinen langen Kontext brauchen
Ein auf arXiv eingereichtes Paper misst, was Ihre Rechnung bereits sagt: Spätere Token kosten mehr in der Erzeugung als frühere, um bis zu 7x bei Open-Weight-Frontier-Modellen. Die Autoren zeigen, dass Modelle bei häufiger Kompaktion auf kurzen Kontexten über langfristige und lange Eingaben hinweg wenig bis keine Genauigkeit verlieren - und dass die Leistung beim langfristigen Software-Engineering nicht kollabiert, selbst wenn das Modell höchstens eine Aktion pro Kontext ausführt. Sie skizzieren „semantische Zustandsraummodelle“ aus diesem Ergebnis und hinterfragen, ob Long-Context-Modelle überhaupt nötig sind.
Lesenswert gegen den Kimi-Release oben. Die Branche liefert Millionen-Token-Fenster aus und publiziert Evidenz, dass Kompaktion Sie für einen Bruchteil der Kosten fast dorthin bringt.
Das könnte Sie auch interessieren
OpenAIs AGI-Score war ein Harness, Anthropic formalisiert Fermat und 4 Billionen Dollar an Rechenzentrumsschulden
OpenAI behauptete, GPT-6 Astra habe 99,9 % auf ARC-AGI-3 erreicht; der eigene Harness des Benchmarks bewertet dasselbe Modell mit 62,7 % - eine 37-Punkte-Lücke, …
Anthropic bereitet Claude Mythos 5.5 vor, während OpenAI die Guardrails von GPT-Rosalind-6 verschärft
Die Website von Anthropic deutet auf eine unmittelbar bevorstehende Veröffentlichung von Claude Mythos 5.5 hin, die vermutlich auf das IPO-Fenster des …
OpenAI stellt GPT‑6.1 Terra vor, Anthropic reicht S‑1 ein, und Qwen meldet sich
OpenAI hat GPT‑6.1 Terra veröffentlicht, das auf Computernutzung und visuelles Schließen abzielt, und gleichzeitig eine Lean‑verifizierte Widerlegung der …




