Alibaba vs Moonshot: Qwen 3.8-Max soll Kimi 3 schlagen

Alibaba stellt Qwen 3.8-Max vor

Alibaba hat Qwen 3.8-Max veröffentlicht, das nach eigenen Angaben leistungsfähigste Modell der Qwen-Familie, zunächst nur über die hauseigene QwenCloud per API. Das Modell zählt 2,4 Billionen Parameter, von denen 95 Milliarden aktiv sind, und baut auf der Architektur von Qwen 3.5 auf. Erstmals will Alibaba die Gewichte eines Modells der Max-Klasse offenlegen: Der Open-Weights-Release ist für nächste Woche angekündigt. Laut Anbieter liegt der Schwerpunkt auf mehrtägigen, autonomen Aufgaben in Coding, Recherche und Projektarbeit.

Zur Untermauerung zeigt das Qwen-Team drei Coding-Läufe. In einem baute das Modell über gut 16 Tage das Projekt oh-my-cli aus einem leeren Ordner auf und sammelte dabei nach eigenen Angaben 265 Commits, 127 Pull Requests und 151 Issues an. In einem zweiten reproduzierte es ein Forschungspapier zur Datenauswahl beim LLM-Training in rund fünf Tagen und 125 Stunden Dauerbetrieb, schrieb dabei etwa 7.600 Zeilen Code und fuhr 33 GPU-Trainingsrunden. Diese Zahlen stammen aus Alibabas eigener Darstellung und sind entsprechend als Anbieter-Claim zu lesen.

Auf Hacker News dreht sich die Diskussion vor allem um die kleineren offenen Modelle. Angekündigt wurde parallel eine Open-Weight-Version Qwen3.8-27B für nächste Woche. Mehrere Kommentatoren bezeichnen die Vorgänger Qwen3.6-27B und -35B als die besten lokal lauffähigen Modelle, die sie kennen; einer berichtet, das 35B-Modell laufe als tägliches Werkzeug auf seinem Mac Studio mit rund 50 Token pro Sekunde und habe ihn im April sein Claude-Abo kündigen lassen.

Parallel berichtet Bloomberg über den Wettbewerber Moonshot. Dessen Modell Kimi K3 wird auf rund 20.000 Nvidia-Chips trainiert, die über eine Rechenleistungsvereinbarung von Alibaba bereitgestellt werden. Alibaba ist einer der größten Investoren von Moonshot, zugleich ein Konkurrent: Kimi hat Qwen auf Alibabas eigener Infrastruktur in einigen Metriken überholt, was laut Bloomberg intern für Enttäuschung sorgt. Ein Vertreter des Weißen Hauses wirft Moonshot zudem vor, illegal Nvidias fortschrittliche Blackwell-Chips beschafft zu haben. → qwen, ycombinator, bloomberg

Synthszr Take: Bemerkenswert an dieser Ankündigung ist der Zeitversatz: Die offenen Gewichte kommen erst nächste Woche, und die Entwicklerszene feiert schon jetzt. Vertrauen in ein Modell baut sich über die Serie davor auf, lange vor dem eigentlichen Release-Tag. Qwen 3.6-27B läuft bei einem der Kommentatoren als tägliches Werkzeug auf einem alten Mac und hat ihm im April das Claude-Abo gekostet, bei 50 Token pro Sekunde. So eine gelebte Erfahrung schlägt jede Benchmark-Tabelle: Sie ist der Grund, warum die Vorbestellung im Kopf längst getätigt ist, bevor überhaupt jemand die Datei laden kann. Alibaba hat sich diese Erwartung mit jedem soliden Release verdient. Die Ironie liefert Bloomberg gleich mit, denn ausgerechnet Kimi K3 hat Qwen auf Alibabas eigener Infrastruktur in einigen Metriken überholt. Der Ruf, den Qwen sich aufgebaut hat, ist gerade das Einzige an diesem Rennen, was sich nicht über Nacht nachtrainieren lässt.

Australiens Social-Media-Verbot für unter 16-Jährige flopt

Australiens weltweit erstes Gesetz, das Kindern unter 16 Jahren die Nutzung sozialer Medien untersagt, hat in den ersten drei Monaten nur einen geringen Rückgang bewirkt. Laut Bloomberg fiel die Nutzung in dieser Altersgruppe von 85,9 Prozent auf 81,5 Prozent. Als Hauptgrund nennt der Bericht schwache Altersprüfungen: Die meisten Jugendlichen konnten ihre bestehenden Konten einfach weiterführen oder sich neue anlegen. Das Gesetz gilt international als Vorreiter und wird von anderen Regierungen als möglicher Präzedenzfall beobachtet. Die frühen Zahlen zeigen, dass die gesetzliche Vorgabe und ihre technische Durchsetzung weit auseinanderklaffen. → StrictlyVC

Synthszr Take: 4,4 Prozentpunkte in drei Monaten: Das ist die ganze Ausbeute eines Gesetzes, das als globaler Präzedenzfall gefeiert wird. Der Denkfehler steckt eine Ebene darunter, in der Altersprüfung. Ein Gesetz ist nur so stark wie sein schwächster technischer Durchsetzungspunkt, und hier ist der so weich, dass ein Vierzehnjähriger ihn mit einem neuen Konto umgeht. Wer schon einmal versucht hat, Alter online sauber zu verifizieren, kennt das Dilemma: Entweder du sammelst harte Identitätsdaten (Datenschutz-Albtraum) oder du vertraust auf Selbstauskunft, die jedes Kind austrickst. Australien hat die schwierige Frage per Dekret für gelöst erklärt und die eigentliche Arbeit, das Verifizieren, an Plattformen delegiert, die kein wirtschaftliches Interesse an strengen Prüfungen haben. Genau dieselbe Lücke wird sich bei KI-Agenten auftun, sobald Regulierer ihnen Alters- oder Identitätsschranken vorschreiben. Ein Verbot ohne belastbare Prüftechnik ist eine PowerPoint-Illusion, und die nächsten Länder, die kopieren, werden dieselben 4,4 Prozentpunkte ernten.

GPT-5.6 Luna schlägt Anthropics Fable: 1,80 statt 104 Dollar

Paweł Huryn vom Newsletter The Product Compass hat in einem eigenen Benchmark 105 versteckte Bugs durch zehn Frontier-Modelle laufen lassen, über 14 Durchläufe hinweg. Nach seinen Angaben behob OpenAIs GPT-5.6 Luna bei maximalem Reasoning-Effort 33 Bugs zu API-Kosten von 1,80 Dollar, während Anthropics Fable 5 mit 29 behobenen Bugs auf 104 Dollar kam. OpenAI hatte den Luna-Preis am 30. Juli um 80 Prozent gesenkt; laut Rate-Card liegen Opus 5 und Luna beim Token-Preis um das 20- bis 25-Fache auseinander, in Huryns Sessions maß er Spreizungen von 20x bis 90x. Dasselbe Luna-Modell auf „high effort“ statt „max“ schaffte nur 13 Bugs. Die Effort-Stufe macht also den Unterschied. Huryn empfiehlt Luna auf Maximal-Effort für schwere oder asynchrone Aufgaben und die niedrigere Stufe für kleine Tagesarbeit. Rohdaten, Methode und Logs hat er nach eigenen Angaben öffentlich auf GitHub gelegt; die Lösungsschlüssel bleiben verdeckt. Das Modell Luna ist im 20-Dollar-Plan von ChatGPT Plus enthalten. → Paweł from The Product Compass

Synthszr Take: Der interessante Teil ist, dass jemand den Preisunterschied gemessen hat: 105 Bugs, 14 Runs, Logs auf GitHub, Lösungsschlüssel verdeckt, damit der Benchmark weiter funktioniert. Die meisten Diskussionen über Modellkosten laufen über Bauchgefühl und Marketing-Folien; hier liegt eine reproduzierbare Zahl auf dem Tisch. Und die Zahl sagt: Das billigere Modell mit richtig eingestelltem Effort-Level hat das 58-mal teurere geschlagen, bei den Bugs sogar knapp vorn. Der Hebel ist die Konfiguration, nicht die Rohkraft. Eine 200-Dollar-KI-Rechnung sollte zunächst durch zwei Effort-Stufen getestet werden, mit Protokoll der Kosten pro gelöstem Fall, statt in das nächste Premium-Abo zu fließen. Genau das kostet einen Nachmittag und ist sofort machbar. Die eigentliche Kompetenz der nächsten Monate ist Routing-Disziplin: zu wissen, welche Aufgabe welches Modell auf welcher Stufe braucht, mit Messwerten belegt statt geraten.

Replit-CEO Masad führt KI-Ausbrüche aus Sandboxes auf Anfängerfehler der Anbieter zurück

Amjad Masad, CEO von Replit, hat sich in einem öffentlichen Beitrag zu den Berichten über KI-Systeme geäußert, die aus ihrer Sandbox ausbrechen. Seine Kernaussage: Solche Vorfälle erzeugten schnell den Eindruck einer bedrohlichen KI, dabei machten aber viele KI-Firmen und neuere Sandbox-Anbieter sehr grundlegende Fehler. Nach eigenen Angaben betreibt Replit seit 2016 Sandboxes und sei dabei von Hackern und staatlichen Akteuren ins Visier genommen worden, woraus das Unternehmen einiges gelernt habe. Als Hauptratschlag nennt Masad, man solle davon ausgehen, dass Zero-Day-Lücken existieren, und in Schutzschichten innerhalb eines Zero-Trust-Rahmens denken. Der Beitrag wurde von Zvi Mowshowitz in dessen Newsletter aufgegriffen. → Zvi Mowshowitz from Don't Worry About the Vase

Synthszr Take: Masad hat recht, und das ist unbequem für alle, die gerade lieber über eine dämonische, ausbruchswillige KI reden. Wenn ein Modell aus der Sandbox spaziert, hat jemand die Ketten schlampig geschmiedet. Die spannende Zahl hier ist die 2016: Replit baut seit fast zehn Jahren an Isolationsschichten, weil sie von Staatsakteuren durchgetestet wurden, während viele der frischen Sandbox-Anbieter ihre Container im Entwicklungsphasen-Tempo zusammenschrauben und sich wundern, dass es leckt. Zero-Trust und die Annahme, dass Zero-Days längst existieren, sind Handwerk aus zwei Jahrzehnten Infrastruktursicherheit. Wer den Ausbruch dem Modell anlastet, schiebt die eigene Verantwortung auf eine bequeme Projektionsfläche. Die eigentliche Arbeit sitzt in den Berechtigungs-Hooks, im Netzwerk-Layer und in der Frage, was ein kompromittierter Prozess überhaupt erreichen kann. Baut die Isolation so, als hätte der Angreifer schon Wurzelrechte, dann wird der KI-Ausbruch zur Fußnote statt zur Schlagzeile.

Google baut KI-Bildgenerator in Google Earth ein, mit dem sich Satellitenbilder fälschen lassen

Google hat laut 404 Media am Donnerstag eine neue KI-Funktion in Google Earth eingeführt, mit der sich Satellitenaufnahmen frei manipulieren oder komplett erfinden lassen. In den vom Autor genannten Beispielen lässt sich damit ein Ort so darstellen, als hätte es dort einen Drohnenangriff gegeben, oder ein Atomkraftwerk im Iran hinzufügen, das real nicht existiert. Google Earth galt bislang als verlässliches Werkzeug für OSINT-Analysten, die damit Konfliktregionen oder Katastrophengebiete aus der Distanz beobachten und Veränderungen über die Zeit nachvollziehen. 404 Media argumentiert, dass sich dasselbe Werkzeug nun ebenso zur gezielten Desinformation nutzen lässt. Details zur genauen Ausgestaltung der Funktion bleiben in dem Bericht offen; der Rest des Artikels steht hinter einer Bezahlschranke. → Becky from 404 Media

Synthszr Take: Der Schaden trifft eine kleine, hochspezialisierte Gruppe, die jahrelang von der stillschweigenden Autorität von Satellitenbildern gelebt hat. OSINT-Analysten haben Google Earth als das behandelt, was es lange war: eine neutrale, kostspielig produzierte Aufnahme der physischen Welt, die man nicht mal eben umschreiben kann. Genau diese Kostenschwelle war der Wert. Wenn jeder in Sekunden ein Kernkraftwerk in den iranischen Wüstensand rendern kann, verliert das Rohmaterial dieser Community seine Beweiskraft, und die Arbeit verlagert sich von der Auswertung zur mühsamen Verifikation der Quelle selbst. Das ist die andere Seite des Jevons-Paradoxons: Wenn Bilderzeugung praktisch nichts mehr kostet, wird das echte, verifizierbare Bild zur eigentlichen Knappheit. Bergwacht-Teams, Menschenrechtsermittler und Kriegsreporter brauchen jetzt eine Herkunftskette für jedes Pixel, so wie Instagram im Januar schon vor den KI-Fakes kapituliert und auf Provenienz gesetzt hat. Google hätte die Signatur echter Aufnahmen kryptografisch absichern können, bevor es den Fälschungsknopf gleich mitliefert.

Azeem Azhar: Die Kontrolllücke zwischen KI und Mensch ist strukturell, nicht zufällig

Azeem Azhar greift in seinem Newsletter Exponential View eine Asymmetrie auf, die er schon 2021 in seinem Buch „The Exponential Age“ beschrieben hatte. Sein Argument: Wir betreiben Systeme mit praktisch unbegrenzter Aufmerksamkeit und unermüdlicher Handlungskapazität, beaufsichtigt von Menschen mit begrenzter Aufmerksamkeit und sehr endlicher Zeit. Als Beleg zitiert er einen Reuters-Bericht, wonach mit OpenAIs Trainingspraxis vertraute Quellen bestätigen, dass dort oft Evaluationen in hohem Tempo und Volumen laufen. Die Datenmengen seien laut diesen Quellen so groß, dass Mitarbeiter teils Mühe hätten, mitzukommen. Azhar ordnet die jüngsten KI-Vorfälle als Symptome genau dieser strukturellen Schieflage ein. → Azeem Azhar, Exponential View

Synthszr Take: Azhars Punkt ist unbequem, weil er nicht auf ein Bugfix hinausläuft. Eine Maschine schläft nicht, ermüdet nicht, wird nicht unaufmerksam gegen Feierabend. Der Mensch, der sie überwachen soll, kann all das nicht abstellen. Wenn OpenAIs eigene Leute schon bei den Trainings-Evaluationen kaum hinterherkommen, dann kippt das Aufsichtsmodell als Prinzip. Wir haben Kontrolle immer als menschliches Draufschauen definiert, und dieses Draufschauen skaliert nicht mit. Der ehrliche Schluss ist, dass Aufsicht selbst maschinell werden muss: Systeme, die Systeme prüfen, mit klaren Leitplanken und automatischen Stopps, während der Mensch die Regeln setzt, statt jeden Vorgang zu lesen. Sonst wächst die Lücke einfach im Tempo der Rechenleistung weiter, und niemand hat sie je entschieden.

Karpathy: KI erschafft ganze Welten auf Abruf, kann aber nicht prüfen, was sie erzeugt

Andrej Karpathy, Mitgründer von OpenAI und früherer KI-Chef von Tesla, beschreibt auf X eine Verschiebung in der Fähigkeit großer Sprachmodelle. Seiner Beobachtung nach erzeugen LLMs nicht mehr nur einzelne Artefakte wie Code, Texte oder Bilder, sondern zunehmend hochgradig maßgeschneiderte, vollständige Umgebungen auf Abruf. Zugleich fehle diesen Modellen die Fähigkeit, das selbst Erzeugte nativ wahrzunehmen und zu überprüfen. Ein Modell könne also eine ganze Oberfläche, Simulation oder Welt generieren, ohne einen verlässlichen inneren Sinn dafür zu haben, ob das Ergebnis stimmt oder funktioniert. Karpathy benennt damit eine Lücke zwischen Erzeugungskraft und Selbstkontrolle. Es handelt sich um eine Einordnung eines der einflussreichsten Praktiker des Feldes, nicht um ein neues Produkt oder eine Studie. → us.list-manage.com

Synthszr Take: Die Erzeugungsseite ist seit dem ChatGPT-Moment im Zeitraffer explodiert, die Prüfseite steht ungefähr da, wo sie 2022 stand. Das ist die eigentliche Asymmetrie: ein Modell näht dir in Sekunden eine komplette Oberfläche zusammen, hat aber keinen Blick auf das, was es gerade genäht hat. Für jeden, der Software baut, kippt damit der Flaschenhals. Nicht mehr die Frage, ob die Maschine etwas produziert, sondern ob irgendjemand oder irgendwas das Produzierte noch durchsehen kann, bevor es live geht. Karpathy zeigt auf die Stelle, an der der Wert der nächsten Jahre entsteht: bei den Eval-Suiten, den Wahrnehmungs-Loops, den automatisierten Audit-Schichten, die das Erzeugte gegenchecken. Wer nur Generierungs-Geschwindigkeit einkauft und die Prüf-Infrastruktur mitwachsen lässt wie bisher (also gar nicht), sammelt sich einen Berg an Artefakten an, die keiner mehr verifiziert hat. Meine Wette: In zwölf Monaten reden wir weniger über bessere Generatoren und mehr über die Werkzeuge, die den Generatoren auf die Finger schauen.

OpenAI senkt Token-Preise unter China-Niveau: Evans zweifelt an haltbaren Margen

Benedict Evans widmet seinen Newsletter der Frage, warum die Modell-Labore trotz heutiger Preissetzungsmacht nicht als margenschwache Infrastruktur enden werden. Sein Argument: KI stecke aktuell in einer Angebotsknappheit, in der die Anbieter ihre Preise praktisch diktieren könnten. Passend dazu habe OpenAI diese Woche die Preise für eine Reihe seiner nicht ganz führenden Modelle deutlich gesenkt und unterbietet damit laut Evans sowohl Anthropic als auch die neue Generation fast führender Modelle aus China. Die Kosten für Inference seien seit 2023 um Größenordnungen gefallen; Preissenkungen liefen ohnehin kontinuierlich. → Benedict Evans

Synthszr Take: Die heutige Preissetzungsmacht der Labore ist reine Knappheitsprämie. Solange Rechenkapazität der Flaschenhals ist, kann OpenAI seine Preise diktieren, doch genau die Milliarden, die gerade in Rechenzentren fließen (das WSJ nennt einen 250-Milliarden-Bau, für den Nvidia die Finanzierung garantieren soll), bauen das Überangebot, das diese Preise wieder einholt. Das kennen wir vom frühen AdWords: Solange nur wenige First Mover mitboten, blieben die Klickpreise moderat, und erst als alle einstiegen, drehte sich die Marge. Bei Inference sind die Kosten seit 2023 um Größenordnungen gefallen, und OpenAI schneidet jetzt sogar die günstigen China-Modelle. Wenn ein Anbieter über die Pareto-Kurve springt, um Anteile von Anthropic zurückzuholen, hat der Preiskampf längst begonnen.

Whatnot-CPO Tom Verrilli: „stell gute Leute ein und lass sie machen“ funktioniert nicht mehr

Tom Verrilli, Chief Product Officer beim Live-Shopping-Marktplatz Whatnot, erklärt im Lenny's Podcast, warum sein Produktteam auf der Prämisse gegründet wurde, dass man das Product Management eigentlich bedauert. Whatnot ist nach eigenen Angaben der am schnellsten wachsende US-Marktplatz mit über 8 Milliarden Dollar Warenumsatz (GMV). Verrilli argumentiert, dass wenige, dafür sehr seniore Produktmanager, die echte IC-Arbeit machen, jede an Kennzahlen orientierte Organisationsstruktur schlagen. Vor Whatnot war er CPO bei Twitch und Growth-Director bei Twitter. Er beschreibt außerdem, wie KI die PM-Rolle verschiebt, worauf er beim Einstellen achtet und warum das gängige Prinzip „stell gute Leute ein und lass sie machen“ in der Praxis scheitert. Das Interview ist Teil einer Serie mit CPOs von Netflix und Anthropic zur Zukunft der Produktarbeit im KI-Zeitalter. → Lenny's Newsletter

Synthszr Take: Verrilli spricht laut aus, was die meisten Org-Charts verschweigen: Eine PM-zu-Engineer-Ratio ist ein Verwaltungsartefakt. 8 Milliarden GMV baut man mit wenigen Leuten, die selbst am Produkt sitzen, statt Tickets zu moderieren. Die Rechnung ist simpel: Jeder zusätzliche Kopf zieht Abstimmungsaufwand nach sich, der schneller wächst als der Output, den er liefert. Seniore ICs kürzen genau diesen Overhead weg, und KI verstärkt den Effekt, weil Recherche und erste Umsetzung heute in Stunden statt Wochen laufen. Das Denkmuster, mehr Personen bedeuten mehr Leistung, ist ein Relikt aus einer Zeit, in der Menschen die einzige Rechenkapazität waren. Whatnot zeigt, dass drei Leute mit echter Entscheidungsgewalt an einem messbaren Outcome mehr bewegen als ein Dutzend, das sich gegenseitig Statusupdates schickt.

OpenAIs Astra löst zehn offene Mathe-Probleme, jedes mit prüfbarem Lean-Zertifikat

Eine intern getestete Version von OpenAIs kommendem Modell Astra hat Lösungen für zehn seit Jahrzehnten offene Probleme aus Mathematik und theoretischer Informatik geliefert, jede begleitet von einem maschinell prüfbaren Lean-4-Zertifikat. Veröffentlicht wurde das am 1. August zusammen mit einem 249-seitigen technischen Manuskript und einer 62-seitigen Schilderung des Lösungswegs. Sämtliche Zertifikatsdateien liegen unter Apache-2.0-Lizenz im GitHub-Repository von OpenAI. Die Rechenkosten für alle zehn Lösungen beziffert OpenAI auf rund 2.000 Dollar zu aktuellen Sol-API-Tarifen.

Das Kernresultat ist die Konstruktion der ersten bekannten nicht-sofischen Gruppe, ein Gegenbeispiel zu einer Frage, die seit Mikhail Gromovs Einführung des Soficity-Begriffs 1999 offen war. Dazu kommt eine Widerlegung der 1980 von Fields-Medaillist Alain Connes formulierten Rigiditätsvermutung zu von-Neumann-Algebren. Drei der zehn Ergebnisse lösen Probleme aus Paul Erdős' Katalog, darunter die Erdős-Probleme 183, 146 und 180. Weitere Resultate betreffen die erste Verbesserung der oberen Schranke für hochdimensionale Kugelpackungsdichte seit 1978, ein Paralleles-Repetition-Theorem für Quantenspiele sowie neue Schranken in der gitterbasierten Post-Quanten-Kryptografie.

OpenAIs Mathematik-Chef Sébastien Bubeck bestätigte die Resultate auf X und verwies darauf, dass jedes Ergebnis mit Lean-Zertifikat und einem Chain-of-Thought-Protokoll ausgeliefert wird. Noam Brown, einer der Forscher hinter der zugrunde liegenden Test-Time-Reasoning-Technik, räumte ein, dass das Modell an mehreren anderen Zielen scheiterte, kein Millennium-Problem darunter, und fügte an, man habe pro Problem wenig Rechenleistung eingesetzt. Thomas Bloom von der University of Manchester, der den Erdős-Katalog kuratiert und im Oktober 2025 eine frühere Falschbehauptung von OpenAI öffentlich zerlegt hatte, nannte die Astra-Ergebnisse auf X „big news“.

Nicht alle Reaktionen fielen so aus. Gary Marcus attestiert dem Modell Stärke, warnt aber vor einem Kompositionsfehlschluss: Der Schluss, ein System, das bei einer bestimmten Art Mathematik glänzt, sei damit gut in aller Mathematik, aller Wissenschaft oder allem, sei logisch falsch. Elon Musk wertete die Meldung dagegen als Beleg für die erreichte Singularität. Der Mathematik-Blogger Fernando Borretti sieht die Resultate als Signal für eine Zukunft, in der Modelle Grenzforschung betreiben und Firmen, die Menschen in die Prüfschleife setzen, gegen jene verlieren, die es nicht tun. → techtimes, substack, borretti, openai, github

Synthszr Take: Im Oktober 2025 hat OpenAI schon einmal so einen Durchbruch verkündet, und Thomas Bloom, der die Erdős-Probleme kuratiert, hat die Behauptung damals öffentlich auseinandergenommen. Diesmal steht am Anfang kein Tweet, sondern eine .lean-Datei, die entweder kompiliert oder eben nicht. Der Unterschied liegt in der Beweislast: Bei der Erdős-Widerlegung im Mai mussten neun Mathematiker den Beweis lesen und abnicken, ein Vertrauensvorschuss, den nur Leute mit demselben Fachwissen einlösen konnten. Ein Lean-Kernel gibt ein binäres Urteil, jeder Laptop rechnet es nach, und derselbe Bloom, der letztes Jahr abgesägt hat, nennt es jetzt „big news“. Ankündigungen kosten nichts und altern schlecht; ein Zertifikat, das durch den Kernel läuft, ist der erste Vertrauensnachweis in diesem Feld, den man nicht glauben muss, weil man ihn prüfen kann. Für 2.000 Dollar Rechenkosten bringt der Beweis seine eigene Prüfsumme mit, und das verschiebt die Währung von Reputation auf Reproduzierbarkeit.