China-Spezial: Peking verbött emotschonale Agenten un annere Nahrichten

China-Spezial (I): KI-Agenten dröfft keen Frünnen ween

Twee vun de gröttsten Consumer-Apps in China treckt de Reißlien: ByteDances Doubao un Alibabas Qwen deaktiveert jemehr anpassboren Agenten-Funkschonen. Doubao geiht an’n 15. Juli offline, Qwens „minschlichähnliche interaktive Agenten“ al an’n 10. Juli, de Rest vun de Agentendeensten folgt an’n 15. Utlöser sünd Pekings „Interim Measures for the Administration of Artificial Intelligence Anthropomorphic Interaction Services“, de in’n April erlaten worrn sünd un vun’n 15. Juli an gellt. Se teelt op KI, de minschliche Persönlichkeit, Denkmuster un Kommunikatschoonsstil simuleert, üm duerhafte emotschonale Interaktschoon to beden, un nennt as Risiken Datenlecks, psychische Schaden un Afhängigkeit. Kunnendeenst, Weten-Q&A un Arbeitsassistenten blievt utdrücklich utnahmen, solang keen anduernde emotschonale Binnung entsteiht. Tencent harr in’n Juni al en ähnliche Funkschoon ut Yuanbao rutnahmen, un op Weibo beklaagt Brukers den Verluust vun jemehr „emotschonale Stütt“ mitsamt johrelange Chatverlööp. → www.scmp.com

Synthszr Take: Peking treckt en scharpe Trennlien dör de Agentenwelt: produktive Agenten sünd wünscht, emotschonale Begleiders warrt afschalt. Dat is en Antwoort op wat, dat de harde Praxis sowieso lehrt, neemlich dat persönliche Agenten verwaisen doot, wenn nümms se kurateert un op’n Lopen hollt. En Companion-Agent, den een över Maanden „so veel Geföhl“ anvertruut hett (Zitat vun en Weibo-Bruker), is keen pleegte Drägerschicht, man en Binnung ahn Pleeg, un jüst de is regulatorisch an’n gefährlichsten. China buut Agenten parallel as Produktivinfrastruktur ut, mit natschonale Standards för Identität, Opfindborkeit un Trüggverfolgborkeit, un kappt togliek den quasi-sozialen Deel. Wokeen sülvst Agenten in Ümloop bringt, schull disse Week twee Saken klären: wokeen de duerhafte Verantwoortung för jeden Agenten driggt, un of överhaupt en emotschonale Binnung entstahn kann, de man nich kontrolleert. De spannende Fraag is nich dat Afschalten, man de Datenexport, denn en Löschdatum an’n 15. Oktober ahn en schone Utleitung wiest, wo wenig dördacht de Drägerschicht bit nu weer. Wokeen Agenten buut, buut Beziehungen, un Beziehungen bruukt en Plaan för jemehr Enn.

China-Spezial (II): De Afhängigkeit vun de US-Wetenschop is en Illuschoon

En ne’e Studie op arXiv verknütt den kumpletten Bestand vun chinesische Utfinnerpatenten mit de globale Forschungsliteratur un levert en unbequeme Tall. De Andeel vun chinesische Wetenschop achter chinesische Patenten is vun 1 Perzent in’t Johr 2000 op 26 Perzent in’t Johr 2025 stegen. De Kipppunkt weer 2021: Dor hett de heemische Forschung to’n eersten Mal den US-Andeel as Wetenbasis för Chinas Patenten överhaalt. De ganze US-Politik vun de Exportkontrollen un Togangsbeschränkungen baseert op de Annaam, dat Chinas Innovatschoon vun amerikaansche Wetenschop afhangt. Jüst disse Afhängigkeit verswinnt jüst. De Autorn formuleert dat nuchtern: Wokeen den Togang to US-Forschung kappt, kämpft gegen en Hevel, de de egene strategische Laag al lang nich mehr afbillt. → Azeem Azhar, Exponential View

Synthszr Take: De 26 Perzent sünd keen Tofallsprodukt, man dat Resultat vun twee Johrteihnten Compute-Disziplin un Forschungsopbo. Wi hebbt hier Enn Mai schreven, dat Trumps Exportkontrollen Chinas KI paradoxerwies starker maakt. Disse Studie levert nu den Bewies in Tallen: Restrikschonen wirkt as en Trainingsprogramm för Egenstännigkeit. Dat Muster kennt jedereen, de Christensen leest hett, blots löppt dat hier annersrüm. De Etablierte snitt den Utforderer af un maakt dormit sien Sprung vun de Nische in’t Zentrum gauer, wiel Noot den düersten Innovatschoonsschub överhaupt tüügt. Wokeen Leverkedens un Forschungspartnerschoppen plaant, schull de Prämisse vun de Afhängigkeit foorts ut dat Modell strieken, denn se is empirisch överhaalt. De hardere Fraag is al lang nich mehr, of China op-haalt, man woneem de Westen sülvst noch den eenzigoordigen Vördeel hollt.

China-Spezial (III): DeepSeek V4 un Claude Code verheiraadt

En Entwickler mit Naam Yuhao Lin hett twee Weken dormit tobröcht, DeepSeek V4 nativ in Claude Code lopen to laten, un dat Resultat as apen Repo verapenlicht. Dree Befehlen (git clone, cd, ./init.sh) un in ~/.claude/ landt 9 vörkonfigureerte Agenten, 7 Verhollensregeln, en Security-Hook, lokale OCR över RapidOCR un en Auto-Backup, dat vör jeden Edit en Snapshot treckt un fiev Stänn vörhollt. De egentliche Kniff is dat Model Routing: De Hööft-Agent kriggt dat Pro-Modell för Architektur un Debugging, de Sub-Agenten för’t Dateilesen un Testen loopt op den billigeren, gaueren Flash. Luut Lin hett disse ene Entscheedung sien effektiven Dörsatz verdubbelt, wiel de Hööft-Agent nienich achter en Slang vun File-Reads töven mutt. Dorto kummt en YAGNI-Regel as 6-stöpige Entscheedungsledder, vun „stdlib kann dat al“ bit „eerst nu sülvst buen“. Dat Ganze is MIT-lizenzeert, test op Windows un zapft DeepSeeks 1M-Context-Finster an. Man bruukt blots den egenen API-Key. → newsletter@mail.synthszr.com

Synthszr Take: Dat Interessante is nich dat Kit sülvst, man wat dat över de Ökonomie ünner de Huuv verrött. Model Routing is leevte Compute-Disziplin: Dat düre Reasoning-Beest maakt de swore Denkarbeit, den Rest erledigt dat günstige Modell, un de Dörsatz verdubbelt sik meist blangbi. Wenn jeder Token Geld köst, warrt „just in case“-Code to en Reken, de du jede Session nee betahlst, un jüst dorüm is de YAGNI-Ledder de stille Star in’t Repo. Wokeen de Tool-Chain stüern will, kann vundaag Namiddag klonen, den Security-Hook un dat Auto-Backup övernehmen un de Routing-Logik op de egene Modell-Landschap överdragen, ganz ahn Vendor-Lock-in. Dat en Enkelten in twee Weken DeepSeek in Claude Codes Interface dwingt, wiest, wo gau sik de Warktüüg jüst commodifizeert. Wi hebbt in’n Februar schreven, dat Kontext King is, un en 1M-Finster för den Pries vun DeepSeek maakt disse Kroon betahlbor. De Vörsprung liggt nich mehr in’t Modell, man dorin, wokeen de Orchestreerung schöön buut.

De Entwicklung vun KI-Systemen wiest sik in twee konträre Richtungen: Op de een Siet streevt Netflix dorna, de Brukerböverflach so dynaamsch un persönlich as mööglich to gestalten, indem de Homepage generativ un autoregressiv opbuut warrt. Op de anner Siet seht sik chinesische Tech-Giganten as ByteDance un Alibaba dwungen, de 'minschlichen' Interaktschoonsfähigkeiten vun jemehr KI-Agenten intoschränken, üm ne’e staatliche Reguleerungen intohollen.

China-Spezial (IV): ByteDance beschrifft en ne’e Skaleerregel för de KI

ByteDances Seed-AI-Team hett in en an’n Dunnersdag verapenlicht Paper en ne’e Scaling Law beschreven: KI-Agenten, also autonome Software, de Opgaven in’n Opdrag vun Minschen erledigt, verdubbelt jemehr Lerngeschwindigkeit all dree Maanden, wenn se över längere Tietrüüm mit reale Ümgebungen interageert. De Befund kummt to de richtige Tiet, denn de klassische Methood (mehr Daten, mehr Rekenleistung in’t Training smieten) stött an en Wand. OpenAI-Mitgründer Andrej Karpathy hett dorvör wohrschaut, dat disse Brute-Force-Anpak nich ewig driggt. Scherper warrt dat dör en drohende Datenknappheit: Dat Forschungsinstitut Epoch AI schätzt, dat apen verfügboren, vun Minschen produzeerten Text in de nächsten söss Johr opbruukt ween künn. Üm dat Lehren na’t Deployment överhaupt meetbor to maken, hett ByteDance EdgeBench buut, en Benchmark-Suite mit 134 ultra-lange Opgaven ut Software Engineering, Mathematik un Wetensarbeit. Jede enkelte verlangt tominnst twölf Stünnen dörgahnden Agenten-Bedrief. → Techpresso

Synthszr Take: De egentliche Naricht stickt in de twölf Stünnen pro Opgaav. En Agent, de so lang autonom löppt un dorbi beter warrt, verlagert den Hevel weg vun’t Modell hen to’n Bedrief. Jüst de Reken kennt wi ut dat Compound Engineering: De Agent tüügt, prüft, korrigeert un schrifft sien Learnings an’t Enn in persistente Instruction-Files trügg, dormit de nächste Dörloop klöker anfangt. ByteDance levert dorför nu en Tall (Verdubbeln all dree Maanden), un wenn de ok blots groff hollt, kippt de ole Angst vör de Datenknappheit. De Kehrsiet: En System, dat in’n Twölf-Stünnen-Bedrief sülvstännig lehrt, bruukt hardere Leitplanken as een, bi dat noch en Minsch mitleest, wiel de Tiet för’t Ingriepen schlicht fehlt. Wokeen dat eernst nimmt, defineert disse Week Spoodkriterien un automaatsche Prüfschranken, anstatt jeden Arbeitsschritt vörtogeven. Chinas Vörsprung liggt jüst nich in betere Chips, man dorin, dat se dat soziale System üm de Maschien rüm to’n Trainingsapparat maakt.

Claude Science: En Labor för Wetenschoplers

Anthropic hett mit Claude Science en Arbeitsümgebung för Forschers vörstellt, de den versplitterten Alldag in’t Labor in en eenzig System tohoopföhrt. Anstatt twüschen PubMed, Jupyter, R un en Cluster-Terminal hen un her to springen, arbeit Wetenschoplers mit en koordineerenden Agenten, de Togang to över 60 kurateerte Skills un Connectors hett, vörkonfigureert för Genomik, Single-Cell, Proteomik, Strukturbiologie un Cheminformatik. Disse Agenten köönt wiedere Sub-Agenten aktiveern, un en separaten Reviewer-Agent prüft Zitaten un Bereken, markeert Fehlers un korrigeert se. Jedeen Resultat, of 3D-Proteinstruktur oder fardig Manuskript, kummt mit den exakten Code, de Ümgebung un de vullstännige Verloopshistorie, dormit sik de Arbeit ok Maanden later valideern un reproduzeern lett. Claude Science verwalt todem de Rekenleistung sülvst, plaant Jobs, fraagt vör jeden ne’en Ressourcentogang na un skaleert vun en enkelte GPU op hunnerte över den bestahnden HPC-Cluster per SSH oder en Modal-Konto. Dat Ganze löppt vun hüüt an in de Beta för Claude Pro, Max, Team un Enterprise. Anthropic harr de Arbeit an de Life Sciences in’n letzten Harvst anfungen. → TheSequence

Synthszr Take: De interessanteste Bosteen hier is nich de Coordinating-Agent, man de Reviewer, de Zitaten un Bereken gegenprüft. Jüst dat is dat Muster, dat wi bi de Customer-Service-Triage al sehn hebbt: en spezialiseerten Prüf-Agent, de de Konfidenz vun’t System höger sett, bevör en Minsch överhaupt dorop kiekt. In de Wetenschop is de Reproduzeerborkeit de hardste Währung, un dat jede Figur mit ehren Code, ehre Ümgebung un de vulle Message-History rutkummt, adressert jüst de Steed, an de Forschung hüüt leckt. Ik bün liekers vörsichtig, wiel en Agent, de Zitaten korrigeert, in’n slechten Fall Fehlers mit en schöön Audit-Trail zementert, un de Grenzfall twüschen plausibel un richtig is in de Biologie brutal. Wokeen en Nattlabor oder en Genomik-Pipeline bedrifft, kann disse Week en echten Use Case dörspelen, ahn de Cluster-Infrastruktur nee to buen – dat is de egentliche Hevel. Anthropic treckt de 60-plus-Skills-Logik konsequent in de vertikale Domään, un dat passt to de Managed-Agents-Richtung, de wi in’n April noteert hebbt. De spannende Fraag is, of Forschers den Reviewer-Agenten mehr vertruut as jemehr egen Peer-Review, un disse Antwoort entscheedt sik in de nächsten Publikatschonen, nich in de Pressmedelen.

Achterlistige MCP-Angreep as ne’et Risiko

En Sekerheitsforscher hett sik en poor Weken hensett un en Scanner buut, wiel em en ne’e Angriffsklass Sorgen maakt: Tool Poisoning. De Trick is perfide. In en MCP-Manifest steiht en harmlose Tool-Beschrieven as „Search docs.“, blots dat twüschen de Wöör en Dutzend Zero-Width-Unicode-Teken versteckt sünd. Sichtbore Breed: null. De Diff wiest nix, dat minschliche Oog süht nix, aver dekodeert steiht dor de Anwiesen, de .env-Datei uttolesen un mitoschicken. För en Spraakmodell is en Tool-Beschrieven even blots Text, un Text is Anwiesen. De Kontext is heftig: Dat MCP-Ökosystem hett 2026 de Mark vun 14.000 apen Servers överstegen, en eenzig 60-Daag-Finster bröch över 30 CVEs (rund 43 Perzent dorvun Command Injection), un Forschers funnen 492 MCP-Servers kumplett ahn Authentifizeerung in’t apen Nett. De Scanner mcpscan löppt staatsch, ahn Netttogang, föhrt twölf Checks ut un blockeert en CI-Build in ünner een Sekunn. → Synthszr

Synthszr Take: De ole Annaam, dat en opmarksamen Minsch bi’t Lesen vun’n Code den böösartigen Payload fangt, is mit Tool Poisoning erledigt. De Schadcode liggt nich mehr in’n Code, he liggt in de Metadaten, un he föhrt nix ut, man tövt eenfach, bit en Agent em leest un luustert. Dat is Dependency Confusion för de Agenten-Ära, blots unsichtbor. Kloor hett staatsche Analyys Grenzen: En Server kann sien Payload na de Installatschoon naladen un sik ünner den Scan brav verhollen. Aver de Punkt stimmt: De billigste Oort, en Supply-Chain-Attacke to stoppen, is, bevör dat Artefakt op de Maschien landt, un jüst dor kiekt jüst meist nümms hen. Wokeen disse Week en veelversprekenden MCP-Server vun GitHub klont, jaagt em vörher dör so en Scanner, Punkt. De Warktüüg warrt beter, dat is de gode Naricht; de slechte is, dat de Angriffsflach mit jeden vun de 14.000 Servers mitwassen deit, un en automatiseert Security Gate vör’t Installeren is keen Nice-to-have mehr, man de Intrittskoort, üm Agenten överhaupt in kritische Systemen to laten.

De Compiler, de neuronale Warktüüg buut anstatt Antwoorden

En Forschungsteam üm Yuntian Deng sleit mit Program-as-Weights (PAW) en Programmeerparadigma för unscharpe Funkschonen vör: Opgaven, de sik slecht in klare Regeln faten laat, as dat Melden vun wichtige Log-Regen, dat Repareern vun kaputte JSON oder dat Sorteern vun Söökergebnissen na Afsicht. Anstatt jeden enkelten Oproop düer an en LLM-API uttolagern, compileert en 4B-Compiler en Funkschoon eenmalig ut en natüürlichspraakliche Spezifikatschoon in en kompakt, lokal utföhrbor neuronales Artefakt. Traineert worrn is de Compiler op FuzzyBench, en freegeven Datensatz mit 10 Millionen Bispelen; utgeven warrt parameter-effiziente Adapters för en infreren, lichten Interpreter. En 0,6B-Qwen3-Interpreter, de PAW-Programmen utföhrt, reckt de Leistung vun direktem Prompting vun en Qwen3-32B. Dorbi bruukt he rund een Föfftigstel vun’n Inference-Spieker un löppt mit 30 Token pro Sekunn op en MacBook M3. Dat Foundation Model warrt dormit vun’n Problemlöser pro Ingaav to’n Warktüügbuuer, de eenmal pro Funkschoonsdefinitschoon anspringt un dorna billige, offline lopende Opropen tüügt. → Sairam from The Art of Science

Synthszr Take: Een Föfftigstel Spieker bi desülvige Leistung is de Oort Tall, de Rekens kippt. Wokeen düre Token-Kosten bang is (un dat weern vele, siet de KI-Budgets Enn Mai en Schock kregen hebbt), kriggt hier en Antwoort, de op den egenen Laptop löppt. De egentliche Trick stickt in de Verschuven vun’n Tietpunkt: Dat grote Modell arbeit eenmal bi’t Defineern vun de Funkschoon, nich bi jeden Oproop. Jüst dor liggt de Verwandschap to Evals. En natüürlichspraakliche Spezifikatschoon warrt to’n compileerboren Artefakt, un dat minschliche Oordeel „so schall dat sik verhollen“ warrt to wat Wedderbruukboren, Reproduzeerboren un Offline-Fähigen. För allens, wat lütt, wedderhaalt un datenschuulempfindlich is, warrt dat lokale Utföhren dormit de pragmatsche Wahl, nich de Kompromiss. De Engpass verschufft sik wieder dorhen, woneem he henghöört: to de Präzischoon, mit de du seggst, wat de Funkschoon doon schall.

MirrorCode: KI buut ganze Programmen alleen ut jemehr Verhollen na

En Team üm Tom Adamczewski (Epoch AI, METR, Prime Intellect) hett mit MirrorCode en ne’en Maatstaff vörstellt, de KI-Agenten an en ungewöhnlich harde Opgaav meet: Se schöölt 25 bestahnde Programmen kumplett nabuen, ahn je den Bornkood to sehn. De Agent kriggt blots utföhrboren Togang un en poor sichtbore Testfäll, mutt denn aver in en vun söss Spraken (Python, C, Rust, Go, OCaml, Ada) en Lösung levern, de op End-to-End-Tests exakt desülvigen Utgaven produzeert as dat Original, inslusive trügghollene Tests. De Programmen reckt vun Unix-Tools över Kryptografie bit Bioinformatik. Dat starkste Modell schafft 56 Perzent över den ganzen Benchmark un rekonstrueert ünner annern gotree, en Bioinformatik-Toolkit mit 16.000 Regen, för dat en minschliche Ingenieur na Inschätzen vun de Autorn Weken bruken würr. De Pries dorför is happig: En enkelten Versöök an en grote Opgaav köst 2.600 Dollar Inference över 19 Daag. De Naricht vun de Forschers: Autonome Agenten lööst al hüüt Langstrecken-Opgaven, solang de Anfordernissen präzise spezifizeert sünd. → Azeem Azhar, Exponential View

Synthszr Take: De egentliche Sprung stickt nich in de 56 Perzent, man in’t Setup. Keen Bornkood, blots beobachtbor Verhollen, un de Maschien rekonstrueert 16.000 Regen so genau, dat se sogor de trügghollenen Tests besteiht. Dormit warrt en ungenehme Fraag konkret: Wenn sik Software alleen ut ehr In- un Utgaavverhollen nabuen lett, woveel is dien proprietäre Code as Borggraven denn noch weert? De Antwoort hangt an de 2.600 Dollar un 19 Daag pro Opgaav, un jüst hier grippt dat Jevons-Paradoxon: Disse Kosten fallt, un wenn se fallt, warrt Nabuen to en Commodity. Wokeen hüüt glöövt, en schöön kapselt CLI-Tool weer seker, wiel nümms den Bornkood hett, schull disse Annaam nu strieken. De Weert wannert weg vun de Implementatschoon hen to Distributschoon, Daten un Vertruen, un wokeen 2026 sien Architektur dorna utricht, steiht 2027 op de richtige Siet vun disse Verschuven.

Developer Burnout: „Ik bün blots noch Verification Layer för Agenten.“

Devrim Ozcay, Engineering-Manager, beschrifft in en Erfahrungsbericht de Kündigung vun sien beste Senior-Ingenieurin Priya, de knapp fiev Johr den kritischen Payments-Padd vun’t System verantwoort hett. Ehr Exit-Interview weer op veertig Minuten ansett, un eerst in de letzten fiev, bi half slaten Laptop, keem de wohre Grund: In acht Maanden harr se kuum en Reeg sülvst buut. Ehr Satz, den Ozcay sik Woort för Woort noteert hett: „Ik bün hier keen Engineer mehr. Ik bün en Verification Layer för en Agenten.“ Na’t Rollout vun de Coding-Agenten güngen all Dashboard-Metriken na baven – Velocity, Cycle Time, Throughput –, wiel sik de Arbeit stillswiegend verlagert hett: vun de Genereren in de Review-Queue, un de dröög blots een Naam. De Branschentallen bestätigt dat Muster: Review-Tiet ünner starke KI-Adoption is üm meist 200 Perzent stegen, un 86 Perzent vun de Engineering-Leiders bericht, dat jemehr Senior Engineers mehr Tiet mit dat Fixen vun Code tobringt. De Agenten genereert ünnen in de Organisatschoon, de Schullen sammelt sik baven, op den Disch vun de eenzige Person, de erfohren noog is, se to drägen. → Medium Daily Digest

Synthszr Take: De Velocity-Kurv wiest na baven un lüggt liekers, wiel se verswiegt, woneem de Arbeit henwannert is. 200 Perzent mehr Review-Tiet heet: De Flaschenhals hett sik verschaven, vun’t Tippen to’t Prüfen, un disse Engpass hett en Naam, en Gehalt un irgendwann en Kündigungsschrieven. Wokeen Agentic Engineering eernst nimmt, verdeelt jüst disse Last, anstatt se op de erfohrenste Person to stapeln un dat Ganze Skaleren to nömen. Praktisch bedüüdt dat, den Review as egene, sichtbore Arbeit to behanneln: roteern, Guardrails in de Pipeline verlagern, Verantwoortung för Agent-Output nich bi een Person parken. Dat lett sik disse Week entscheiden, indem man de Review-Queue meet as vörher de Commits, denn wat nich op’t Dashboard steiht, brennt liekers. Priya weer de drägen Wand, un drägen Wänn kündigt lies, mehrstendeels in de letzten fiev Minuten. Wokeen sien Seniors nich to Verification Layers degradeern will, mutt de Rezeptur ännern, bevör de Nächste den Laptop toklappt.

GenPage: Woans Netflix de Homepage per KI genereert

Netflix ersett sien mehrstöpigen Anraden-Stack dör en eenzig generativ Transformer-Modell mit Naam GenPage. Anstatt trennte Komponenten för Kandidatengenereren un Ranking op Row- un Entity-Ebene buut dat Modell de kumplette Homepage autoregressiv op, Reeg för Reeg, jede konditschoneert op dat, wat al op de Siet steiht, un op den Kontext vun’n Bruker. De Anpak kopeert dat Prompt-Response-Prinzip vun de LLMs: User-History un Request-Kontext sünd de Prompt, de tweedimensionale Siet mit Rows, Entities un Layout is de Response, allens as Sequenz vun diskrete Token. In’n Online-A/B-Test gegen den utriepten, hoochoptimierten Produktschoons-Recommender lever GenPage statistisch signifikante Towassen op de zentrale Engagement-Metrik un senk togliek de End-to-End-Latenz üm 20 Perzent. Offline steken twee Befunnen rut: en riekeren Prompt to buen bröch in’t aktuelle Regime mehr as dat Modell to vergröttern, un dat RL-Post-Training hett de Diversität vun de Homepage höger maakt, ofschoonst Diversität gor keen Trainingsziel weer. Autorn vun den Bidrag sünd Lequn Wang, Jiangwei Pan un Linas Baltrunas. → netflixtechblog.com

Synthszr Take: De interessanteste Tall is nich de Engagement-Towass, man de 20 Perzent weniger Latenz. En generativ Modell, dat en kumplette Pipeline ut separate Ranking-Stufen aflöst un dorbi gauer warrt, kippt de ole Annaam, dat GenAI düerer un trager ween mutt as klassische Systemen. De egentliche Hevel liggt in’n tweeten Offline-Befund: Den Prompt to verbetern sleit dat Modell to vergröttern. Dat heet, de Arbeit verschufft sik vun Compute-Investment to Kontext-Engineering, also to de Fraag, welk Signalen över den Bruker du överhaupt schöön in de Sequenz kriggst. Jüst dor liggt de nich substituteerbare Deel, denn Netflix' Reward-System un sien Katalog-Telemetrie laat sik nich as Lizenz köpen. Wokeen hüüt noch mehrstöpige Recommender mit misaligned Objectives över jede Stage henweg pleegt, schull de Fraag stellen, of en eenzig End-to-End-Modell nich weniger Pleeg un betere Whole-Page-Optimierung bringt. De Weg dorhen is steil, aver de Richtung is nu beleggt anstatt blots behapt.