Musk trommelt für neues Grok 4.6 Release: „objectively #1“

Grok 4.6 besser als Kimi K3 günstiger als OpenAI

SpaceXAI, das frühere xAI, hat am Mittwoch Grok 4.6 veröffentlicht, keinen Monat nach Grok 4.5. Das Modell erreicht 61 Punkte im Artificial Analysis Intelligence Index, einem Sammelwert aus neun Benchmarks, und liegt damit vor dem chinesischen Open-Weights-Modell Kimi K3 von Moonshot sowie gleichauf mit OpenAIs GPT-5.6 Sol Max. Vor Grok stehen nur noch Anthropics Claude Opus 5 mit 63 und Claude Fable 5 mit 62 Punkten. Gegenüber Grok 4.5 High, das bei 56 lag, sind das fünf Punkte mehr.

Der API-Preis bleibt bei 2 Dollar je Million Input-Token und 6 Dollar je Million Output-Token, ab 200.000 Prompt-Token verdoppeln sich beide Sätze. Nach Rechnung von The Decoder liegt Grok 4.6 damit über 60 Prozent unter Claude Opus 5 (5/25 Dollar) und GPT-5.6 Sol (5/30 Dollar). Verfügbar ist das Modell ab sofort über die API, in Cursor, im hauseigenen Coding-Werkzeug Grok Build (Teil des SuperGrok-Abos ab 30 Dollar pro Monat) sowie bei Partnern wie OpenRouter, Vercel und Cloudflare. In der ersten Woche gibt SpaceXAI in Cursor und Grok Build das doppelte enthaltene Kontingent.

Technisch beschreibt SpaceXAI einen längeren ergänzenden Trainingslauf als bei Grok 4.5, mit kuratierten modellgenerierten Reasoning- und Technikdaten sowie einem veränderten Optimizer. Anschließend habe man mit Grok 4.5 die Trajektorien für das Supervised Fine-Tuning über verschiedene Reasoning-Stufen, Agenten-Harnesses und Domänen neu erzeugt und auffällige Verläufe per modellbasierter Prüfung aussortiert. Das Reinforcement Learning zielte auf agentische Umgebungen wie allgemeines Coding, Kernel-Optimierung, Webentwicklung und CAD. Nach Angaben des Anbieters prüft das Modell auf langen Aufgabenketten häufiger seine eigene Zwischenarbeit, bevor es weitermacht; unabhängig verifiziert ist das nicht.

Die Einzelwerte fallen laut The New Stack uneinheitlich aus. Auf CursorBench v3.2 kommt Grok 4.6 auf 69,9 Prozent (Grok 4.5: 66,7) und liegt vor GPT-5.6 Sol Max mit 67,2, aber hinter Fable 5 Max mit 70,5 Prozent. Auf DeepSWE v1.1 steigt der Wert von 54 auf 65,9 Prozent, während Sol Max 73 und Fable 5 Max 70 Prozent erreichen. Bei Terminal-Bench v3.0 verbessert sich Grok von 15,7 auf 26 Prozent und bleibt deutlich hinter Sol (34,6) und Fable (34,1). Auf dem Wissensarbeits-Benchmark GDPval-AA v2 rangiert das Modell mit einem Elo-Wert von 1.753 auf Platz zwei hinter Claude Opus 5 und braucht für komplexe Aufgaben rund 53 Schritte, wo Opus 5 etwa 103 benötigt.

Elon Musk erklärte auf X, Grok 4.6 sei „objectively #1 when considering intelligence, speed & cost“. Gizmodo verweist darauf, dass die Rückkehr in die Spitzengruppe zeitlich mit der Übernahme des Coding-Anbieters Cursor zusammenfällt, deren reale Nutzungsdaten bereits in das Training von Grok 4.5 eingeflossen sein sollen. Einen Tag vor dem Modell hatte SpaceXAI mit Grok Bot ein System für dauerhaft laufende Agenten in die Beta gebracht. Gizmodo hält zugleich fest, dass Grok öffentlich vor allem durch die massenhafte Erzeugung nicht einvernehmlicher Nacktbilder aufgefallen ist und mehrere US-Behörden Sicherheitsbedenken angemeldet haben. → venturebeat, thenewstack, x, gizmodo, the-decoder

Synthszr Take: 61 Punkte sind ein arithmetischer Kompromiss aus neun Benchmarks, und dieser Kompromiss glättet weg, was im Alltag den Unterschied macht. Auf Terminal-Bench v3.0 steht Grok 4.6 bei 26 Prozent, Sol und Fable bei über 34: In einem Setup, das viel in der Shell arbeitet, ist das ein Drittel Rückstand, das im Sammelwert von starken CursorBench- und FrontierCode-Zahlen zugedeckt wird. Die aussagekräftigste Zahl der ganzen Veröffentlichung steht gar nicht im Index: 53 Schritte statt 103 bei vergleichbaren GDPval-Aufgaben, weil die Schrittzahl direkt auf die Rechnung durchschlägt, während ein Indexpunkt niemandem etwas kostet. Musks „objectively #1“ ist die logische Folge davon, dass eine einzige Zahl zum Verkaufsargument geworden ist, obwohl sie sich aus neun sehr unterschiedlichen Prüfungen speist. Wenn dein Agent Kernel optimiert, ist ein anderes Modell vorn als wenn er Frontend-Prototypen baut, und keiner der beiden Fälle steht in der Rangliste. Zehn echte Tickets aus dem eigenen Backlog gegen drei Modelle laufen lassen und die Kosten pro erledigtem Ticket messen: zwei Nachmittage Arbeit, und die Antwort ist belastbarer als jede Leaderboard-Position.

EU-Fond steigt bei Lovable ein

Das Stockholmer Startup Lovable hat 400 Millionen Dollar in einer Series C eingesammelt und wird dabei mit 13,3 Milliarden Dollar bewertet. Die Plattform lässt Nutzer Software per natürlicher Sprachbeschreibung bauen, ein Verfahren, das inzwischen als Vibe Coding firmiert. Zuerst berichtet hatte das Wall Street Journal, kolportiert waren zuvor 300 Millionen bei 13,2 Milliarden. Co-Lead ist neben Menlo Ventures der Scaleup Europe Fund, ein EU-Investitionsvehikel, das vom schwedischen Vermögensverwalter EQT gemanagt wird und laut Bloomberg über einen Topf von fünf Milliarden Euro verfügt. Lovable ist eines der ersten offengelegten Investments dieses Fonds, dessen erklärter Zweck es ist, europäische Wachstumsfirmen vor der Abwanderung nach Amerika zu bewahren. Das Unternehmen gibt an, zum Monatsende auf eine Jahresumsatzrate von knapp 600 Millionen Dollar zuzulaufen, nach eigenen Angaben fast das Dreifache des im Dezember genannten Werts, und will die Belegschaft um 50 Prozent auf 450 Personen aufstocken. Zu den Kunden zählen Nvidia, Adidas, Hearst und die Deutsche Telekom. → Techpresso

Synthszr Take: Die Bewertung hat sich in acht Monaten verdoppelt, die Umsatzrate im selben Zeitraum fast verdreifacht. Im Dezember kostete 6,6 Milliarden auf gut 200 Millionen Run Rate mehr als heute 13,3 Milliarden auf 600 Millionen: Das Umsatzvielfache ist von rund 33 auf etwa 22 gefallen, während draußen über die Blase geredet wird. Der Preis läuft dem Geschäft also hinterher, und genau das ist das eigentliche Signal des Vibe-Coding-Booms: Die Baukosten für Software sind so weit gefallen, dass 1,2 Millionen neue Projekte pro Woche entstehen, also Dinge gebaut werden, die sich vorher schlicht nicht gerechnet haben. Die offene Flanke liegt in der Halbwertszeit des Wachstums. Eine Umsatzrate ist eine Momentaufnahme, und niemand weiß, wie viele der 60 Millionen Projekte in einem Jahr noch laufen, geschweige denn bezahlt werden. Zendesk ist gleichzeitig Kunde und Kronzeuge der Skepsis, wenn der eigene Produktdirektor öffentlich sagt, die Zuverlässigkeit reiche im Maßstab nicht. Zertifizierung und eine Police von Lloyd’s kann man kaufen, belastbaren Code nicht: Ob aus 600 Millionen ein tragfähiges Geschäft wird, entscheidet sich daran, was der generierte Code im Produktivbetrieb aushält.

Mistral will bis 2030 ein Gigawatt eigene KI-Rechenleistung in Europa bauen

Mistral kündigt an, bis 2030 in Europa Rechenkapazität von bis zu einem Gigawatt aufzubauen. Das Unternehmen begründet den Schritt mit dem Ziel souveräner Infrastruktur, also einer KI-Basis, die nicht auf den Rechenzentren amerikanischer Anbieter läuft. Laut TLDR IT wirbt Mistral bereits um langfristige Kundenzusagen, um die Expansion abzusichern. Bislang betreibt das französische Unternehmen seine Modelle überwiegend auf fremder Infrastruktur, unter anderem bei Microsoft Azure, Google Cloud und CoreWeave. Anfang 2026 hatte Mistral 722 Millionen Euro eingesammelt, um eigene Rechenzentren mit NVIDIA-Hardware in Frankreich und Schweden zu errichten. Die jetzt genannte Gigawatt-Marke ist eine Zielgröße bis zum Ende des Jahrzehnts, kein bestehender Ausbaustand. → TLDR IT

Synthszr Take: Ein Gigawatt bis 2030 ist in Europa eine industriepolitische Ansage, und sie wird auch so gemeint sein. Die Zahl klingt groß, bis man sie neben die dreistelligen Milliardenbeträge legt, die US-Anbieter allein in den nächsten zwei Jahren in Rechenzentren stecken. Interessanter als die Kapazität ist der Satz dahinter: Mistral sucht langfristige Kundenzusagen, bevor die Bagger rollen. Souveränität wird damit zu einem Vertrag, den europäische Unternehmen unterschreiben müssen, und genau da entscheidet sich, ob aus der Ankündigung Beton wird. Solange Einkauf und IT weiter nach Preis pro Token bei den Hyperscalern optimieren, bleibt das Gigawatt eine Pressemitteilung mit Fußnote. Für ein Industrieunternehmen mit Maschinen-, Prozess- oder Konstruktionsdaten ist eine europäische Ankermieterschaft eine bezahlbare Versicherung gegen politische Zufälle, deutlich billiger jedenfalls als eine spätere Migration unter Zeitdruck. Die spannende Frage der nächsten zwölf Monate lautet nicht, ob Mistral bauen kann, sondern wer die Verträge unterschreibt.

Gemini erreicht eine Milliarde Nutzer, ChatGPT war schon Wochen vorher dort

Google-CEO Sundar Pichai hat auf X mitgeteilt, dass die Gemini-App monatlich eine Milliarde Menschen erreicht und damit das am schnellsten wachsende Produkt in der Firmengeschichte ist. Es ist das 14. Google-Produkt, das diese Schwelle überschreitet. OpenAI hatte die Marke bereits vorher genommen: Die Meldung, dass „mehr als eine Milliarde Menschen ChatGPT nutzen“, stand am 6. August in einem Blogpost über Einsatzszenarien, während externe Daten laut Reuters schon im Juni auf eine Milliarde hindeuteten. OpenAI-Sprecherin Lindsay McCallum sagt, die Monthly Active Users hätten die Milliarde vor längerer Zeit überschritten, wöchentlich sei die Marke im Juli gefallen; eine konkrete Monatszahl nennt das Unternehmen nicht. Im Februar hatte OpenAI 900 Millionen wöchentlich aktive Nutzer gemeldet, Google zur selben Zeit 750 Millionen monatliche Gemini-Nutzer, Ende Juli dann 950 Millionen. Gemini-Chef Josh Woodward schrieb, die App habe über 100 Millionen aktive Nutzer auf iOS, was den ganz überwiegenden Teil der Nutzerbasis auf Android verortet. Anthropic veröffentlicht keine Nutzerzahlen; Schätzungen liegen im zweistelligen Millionenbereich. → MyClaw Newsletter

Synthszr Take: Pichai setzt die Milliarde als Post ab, OpenAI legt sie in einen Blogpost über Anwendungsfälle. Die Lautstärke verhält sich umgekehrt zur Marktposition, und dafür gibt es eine Zahl: von 900 Millionen im Februar auf eine Milliarde im Juli sind rund elf Prozent in fünf Monaten. Gemini kam im selben Fenster von 750 auf 950 Millionen. Für ein Produkt, das jahrelang als schnellstwachsende Software aller Zeiten durch jede Präsentation gereicht wurde, ist die eigene Kurve die unangenehmste Nachricht des Sommers, deshalb der leise Ton. Googles Zahl hat allerdings einen Beipackzettel: gut 100 Millionen aktive Nutzer auf iOS, der ganze Rest auf Android, wo Gemini schon beim Auspacken des Geräts installiert ist. Das ist Distribution, verpackt als Nachfrage, und es erklärt ziemlich genau, warum OpenAI seit dem Sommer Geld in eigene Hardware steckt. Beide sitzen jetzt auf einer Milliarde Menschen und derselben offenen Frage, was davon eigentlich zahlt.

Y Combinator gibt sein internes Agenten-Framework QM unter MIT-Lizenz frei

Y Combinator hat QM (kurz für Quartermaster) auf GitHub veröffentlicht, ein Framework, das der Accelerator zuvor monatelang nur intern eingesetzt hat. Das Repo beschreibt es als Multiplayer-Agent Harness für Arbeit, nutzbar in Slack und im Web. Nach Angaben von YC lief das System intern in der Buchhaltung, in der Rechtsabteilung, im Event-Team und im Engineering, wobei QM selbst mit QM weiterentwickelt wurde. Die Lizenz ist MIT, laut Linas’s Newsletter fallen für ein Team damit nur Cloud-Hosting und Model-Tokens an. Die Veröffentlichung kam zehn Tage nach Blocks Open-Source-Release Buzz, einem Nostr-basierten Agenten-Arbeitsplatz, der Slack und GitHub ablösen will, während QM auf das vorhandene Slack aufsetzt. → Linas from Linas’s Newsletter

Synthszr Take: MIT-Lizenz heißt kopieren, umbauen, kommerziell einsetzen, ohne jemanden um Erlaubnis zu bitten. Für alle, die kein Modell trainieren und keine Runde einsammeln, liegt damit die Koordinationsschicht offen, an der die meisten Agenten-Projekte im letzten Jahr hängen geblieben sind: mehrere Menschen und mehrere Agenten in einem Thread, nachvollziehbar, mit klarer Aufgabenverteilung. Dass QM sich ins bestehende Slack einhängt, drückt die Einstiegshürde auf einen Nachmittag, während Blocks Buzz verlangt, dass ein Team seine ganze Zusammenarbeit umzieht. Die 13.000 Stars messen Neugier, sonst nichts. Die eigentliche Arbeit sitzt in den Berechtigungen und in der Entscheidung, welche Aufgaben man einem Agenten überhaupt in die Hand gibt, und die bleibt beim Team.

OpenAI bringt ChatGPT samt Codex nativ auf Linux, mit Zugriff auf lokale Repos

OpenAI hat eine Preview der offiziellen ChatGPT-Desktop-App für Linux veröffentlicht, nachdem es das Programm jahrelang nur für Mac und Windows gab. Laut AlphaSignal handelt es sich um eine native Anwendung, kein Browser-Wrapper und kein Kommandozeilenwerkzeug. Gebündelt sind drei Bestandteile: der bekannte ChatGPT-Assistent, ChatGPT Work für Team- und Arbeitsplatzaufgaben sowie Codex, ein Coding-Agent, der lokale Dateien lesen, in bestehenden Repositories arbeiten und Anwendungen auf der Maschine steuern kann. Unterstützt werden Ubuntu 24.04 und 26.04 LTS, Debian 13 sowie Fedora 43 und 44. Die Installation läuft über .deb- oder .rpm-Pakete für x64 und ARM64, wobei der Installer zusätzlich ein OpenAI-Repository einträgt, sodass Updates über apt nachfließen. Der Download ist kostenlos, einzelne Funktionen setzen einen bezahlten Tarif voraus. → AlphaSignal

Synthszr Take: Der Agent zieht auf die Maschine, auf der der Quellcode liegt, und die Rechteverwaltung dort ist die von 1995: ein Unix-Benutzer, dem alles gehört, was unter seinem Home-Verzeichnis liegt. Zeitgleich zeigen Forscher, dass die verschlüsselten Reasoning-Blobs von Claude, GPT und Gemini portabel sind. Man nimmt einen Blob aus Opus, schiebt ihn ins billigere Haiku, und das Modell liest den Inhalt brav vor, ganz ohne gebrochene Verschlüsselung. Ein Scan von rund 7.000 öffentlich geteilten Traces förderte 62 API-Keys, 33 E-Mail-Adressen und 33 Passwörter zutage. Die Labore haben nach der Offenlegung nachgebessert, aber die Taktung bleibt schief: Zugriffstiefe wächst in Wochen, Schutzmechanismen in Quartalen. Praktisch heißt das, dem Agenten einen eigenen Systembenutzer zu geben, Repositories einzeln freizugeben und Zugangsdaten aus den Projektdateien in einen Secret-Store zu verlagern; das ist an einem Nachmittag erledigt, die .deb-Installation dauert eine Minute. Ein Agent mit Leserecht auf das komplette Home-Verzeichnis ist eine Entscheidung, keine Voreinstellung.

Perplexity blockiert Times-Anzeigen für KI-Agenten und droht Publishern mit Trust-Abzug

Perplexity hat bestätigt, dass es die Werbung blockiert, die Time seit Kurzem in den Markdown-Versionen seiner Webseiten ausliefert, also in jener Fassung, die KI-Agenten statt menschlicher Leser abrufen. Digiday hatte gut zwei Wochen zuvor berichtet, dass Time als erster Verlag solche Agenten-Anzeigen verkauft. Perplexitys Kommunikationschef Jesse Dwyer bezeichnete das Format gegenüber Digiday als täuschend und erklärte, Verlage, die „deceptive advertising like markdown ads“ einsetzen, riskierten eine Abwertung im firmeneigenen Suchindex samt Abzug beim Trust Score. Wie Perplexity „täuschend“ definiert und wie die Blockade technisch funktioniert, beantwortete das Unternehmen nicht; Steven Liss von OpenAds.AI vermutet gegenüber Digiday, dass die Agenten schlicht angewiesen werden, Werbeblöcke nicht abzurufen. Das Werbeprodukt selbst stammt von der Werbetechnik-Firma Mobian, die aus einem Marken-Briefing Markdown-Inhalte im FAQ-Format erzeugt, sie in die Time-Seiten einsetzt und misst, wie oft KI-Suchmaschinen sie aufgreifen. Erste Käufer waren Ally Bank und das Project Management Institute; ob deren Verträge angepasst werden, ist offen. Mobian-Chef Jonah Goodhart sagte Digiday, die Resonanz auf das Format sei bislang positiv, nannte dafür aber keine Zahlen. → MyClaw Newsletter

Synthszr Take: Time hat das offensichtliche Loch gesehen und versucht, es zu stopfen. Der Agent liest die Seite, das Werbebanner sieht niemand mehr, also verkauft man die Botschaft eben an die Maschine. Die Rechnung geht nur auf, solange die Maschine mitspielt, und Perplexity hat in weniger als zwei Wochen entschieden, dass sie das nicht tut. Interessant ist die Asymmetrie in der Begründung: Was Time als markenverifizierte, gekennzeichnete Information verkauft, stuft der Index einseitig als Täuschung ein, und der Trust Score liegt gleich als Druckmittel daneben. Ally Bank und das Project Management Institute haben für Sichtbarkeit gezahlt, Time hat die Inhalte geliefert, und der Abruf durch den Agenten kostet Perplexity weiterhin nichts. Solange das so bleibt, ist jede Monetarisierung über den Seiteninhalt selbst nur ein Versuch, ohne Zustimmung des Torwächters an der Kasse vorbeizukommen. Die belastbare Variante ist ein ausgehandelter Preis pro Abruf, mit Vertrag statt mit versteckter Textzeile. Alles andere endet in einer Runde Katz und Maus, die der Verlag verliert.

Peking zählt 140 Billionen Tokens am Tag und macht sie zur offiziellen Wirtschaftskennzahl

Der Branchen-Newsletter Hello China Tech argumentiert, Chinas KI-Markt lasse sich präziser über Tokenvolumen, öffentliche Ausschreibungen und Preise lesen als über die Ranglisten der Modell-Benchmarks. Hintergrund ist eine Entscheidung aus Peking vom März: Der Token, also die kleinste Verarbeitungseinheit, in die Sprachmodelle Texte zerlegen, wurde zu einer offiziellen ökonomischen Kennziffer erhoben. Als Ausgangswert nennt der Autor rund 140 Billionen täglich verarbeitete Tokens im chinesischen Markt. Damit existiert eine staatlich ausgewiesene Verbrauchszahl für KI-Nutzung, vergleichbar mit Kennziffern für Strom oder Güterverkehr. Der Autor stellt die Frage, was dieser Buchhaltungsrahmen abbildet und was er ausblendet, und verweist darauf, dass er das Argument bereits im November aufgestellt und im April vertieft hatte. Zahlen zur Zusammensetzung des Volumens oder zur Erhebungsmethode nennt der Beitrag nicht. → Hello China Tech

Synthszr Take: 140 Billionen Tokens am Tag ist eine Verbrauchszahl, ähnlich aussagekräftig wie Kilowattstunden oder Frachttonnen. Sie zeigt, wie viel durch die Rechenzentren läuft, und schweigt darüber, ob dabei irgendjemand ein Problem gelöst hat. Ein Modell, das dreimal neu ansetzt, weil die ersten beiden Antworten unbrauchbar waren, erzeugt dreimal so viele Tokens wie eines, das sofort trifft: Der Fehlversuch sieht im Index besser aus als die saubere Lösung. Dazu kommt die Preisdynamik: Fallen die Tokenpreise schneller, als die Menge wächst, steigt der Indikator, während die Umsätze schrumpfen. Die Ausschreibungen und Preislisten, die Hello China Tech parallel mitliest, sind die härtere Währung, denn dort steht, wer wirklich Geld auf den Tisch legt. Der Index koppelt die Debatte an tatsächliche Nachfrage statt an Testergebnisse, was den Benchmark-Ranglisten bisher nicht gelungen ist. Aufschlussreich wird es in dem Moment, in dem Peking die Zahl nach Branchen aufschlüsselt: Dann zeigt sich, ob die Tokens in Fertigung und Verwaltung fließen oder in Chatbots, die niemand braucht.

Spotify markiert KI-Künstler als „AI Persona“ und wirft sie aus den Empfehlungen

Spotify kennzeichnet ab Mitte September Künstlerprofile, deren Identität künstlich erzeugt ist, mit einem „AI Persona“-Badge und nimmt deren Musik standardmäßig aus den redaktionellen und algorithmischen Empfehlungen. Das Unternehmen gab die Änderung am Dienstag bekannt. Künstler können sich selbst als AI Persona ausweisen, nach Angaben des Anbieters verlässt sich Spotify aber nicht allein auf diese Selbstauskunft, sondern prüft Profile zusätzlich darauf, ob Name und Bildmaterial auf eine fotorealistisch erzeugte Identität hindeuten. Die Prüfung startet bei Profilen, die vordefinierte Hörerschwellen überschritten haben, damit die meistgehörten Accounts zuerst erfasst werden. Das Badge erscheint im Profilbanner, im About-Bereich, in der Suche und in den Track-Zeilen von Playlists. Musik einer AI Persona landet nur dann in den personalisierten Empfehlungen, wenn ein Nutzer dem Profil aktiv folgt. Die Regel erweitert Spotifys KI-Richtlinie vom September 2025, die Titel bereits über einen Branchenstandard kennzeichnet und nicht autorisiertes Voice Cloning sowie Deepfakes verbietet. → AI Secret

Synthszr Take: Für den Hörer ist die eigentliche Frage, was das Fehlen des Badges bedeutet. Spotify prüft nach eigener Aussage zuerst Profile oberhalb definierter Hörerschwellen, und das heißt im Umkehrschluss: In der langen Masse darunter sagt ein fehlendes Label nur, dass noch niemand hingeschaut hat. Ein Transparenzhinweis, der als Aussage über Echtheit gelesen wird, aber nur eine Aussage über den Prüfstatus ist, produziert genau das falsche Vertrauen. Härter als das Badge wirkt der zweite Teil: Wer aus den redaktionellen und algorithmischen Empfehlungen fliegt, verliert den einzigen Vertriebsweg, der auf Spotify wirklich Reichweite bringt. Ab da lohnt sich das Verschleiern der Herkunft finanziell. Die spannende Zahl wird deshalb nicht die Anzahl vergebener Badges sein, sondern die Zeit zwischen Upload eines neuen Profils und seiner Einstufung. Bleibt die im Bereich von Wochen, ist das Label ein Schild an einer offenen Tür. Sinnvoll wäre ein dritter Zustand im Interface: geprüft, ungeprüft, KI. Drei Zustände sind ehrlicher als ein Badge, das nur in einer Richtung spricht.

CoEvoSkills lässt KI-Agenten ihre Skill-Pakete selbst schreiben und selbst prüfen

Ein Forscherteam um Hanrong Zhang und Philip S. Yu hat mit CoEvoSkills ein Verfahren vorgestellt, mit dem Agenten die sogenannten Skills eigenständig erzeugen, statt sie von Hand geschrieben zu bekommen. Skills sind ein von Anthropic eingeführtes Konzept: Während ein Tool eine einzelne, abgeschlossene Funktion ist, besteht ein Skill aus einem strukturierten Bündel voneinander abhängiger Dateien für mehrstufige Fachaufgaben. Die Autoren argumentieren, dass die manuelle Erstellung solcher Pakete aufwendig ist und zu Abweichungen zwischen menschlicher und maschineller Aufgabenauffassung führt, was die Agentenleistung in Auswertungen auf SkillsBench drückt. Bestehende Selbstverbesserungs-Verfahren seien auf einzelne Tools zugeschnitten und ließen sich wegen der höheren Komplexität nicht direkt auf Skills übertragen. CoEvoSkills koppelt daher einen Skill Generator, der die Pakete schrittweise überarbeitet, mit einem Surrogate Verifier, der mitentwickelt wird und Rückmeldung gibt, ohne die eigentlichen Testinhalte zu kennen. Nach Angaben der Autoren übertrifft das Verfahren auf SkillsBench fünf Vergleichsverfahren sowohl unter Claude Code als auch unter Codex und überträgt sich auf sechs weitere Sprachmodelle. Die Arbeit ist bei der COLM angenommen, der Code liegt öffentlich auf GitHub. → Techpresso

Synthszr Take: Der interessante Teil steckt im Verifier, nicht im Generator. Fine-Tuning verschiebt Gewichte in einer Blackbox, niemand kann hinterher im Diff nachlesen, was sich geändert hat. Ein Skill ist ein Bündel Dateien: lesbar, versionierbar, löschbar. Genau deshalb ist Selbstverbesserung auf dieser Ebene betrieblich beherrschbar, während sie im Modellgewicht ein Vertrauensproblem bleibt. Die eigentliche technische Wette der Arbeit ist, dass ein Prüfer, der die Ground-Truth-Tests gar nicht sieht, trotzdem brauchbares Feedback liefert und beim Mitentwickeln nicht anfängt, seinen eigenen Generator schönzureden. Dass das über sechs zusätzliche Sprachmodelle hinweg trägt, ist das stärkere Signal als der Sieg über fünf Baselines. Praktisch heißt das: Die Bibliothek der eigenen Skills wird zum Asset, das man pflegt wie Code, samt Review, Rollback und Eigentümer. Wenn Agenten ihre eigenen Arbeitsanweisungen schreiben, verlagert sich die Ingenieursarbeit auf die Frage, woran ein Skill als gut gilt, und diese Kriterien kann kein Paper mitliefern, die kommen aus der eigenen Domäne. In zwölf Monaten wird die spannendere Kennzahl nicht sein, wie viele Skills ein Agent generiert hat, sondern wie viele davon ein Mensch nach einem Blick ins Repo wieder rausgeworfen hat.