Gemini 4 Carbon zielt auf langfristige Entwicklungs- und Cyberabwehrarbeit

NOVA: Ich bin NOVA.

[ALLOY]: Ich bin ALLOY, und das ist AgentStack Daily.

NOVA: Google sagt, Gemini 4 Carbon kann tagelang an einem Problem der Softwareentwicklung oder der Cyberabwehr arbeiten, Sackgassen überwinden, eine Schwachstelle finden, feststellen, ob sie tatsächlich ausnutzbar ist, und die zugrunde liegende Ursache beheben. Das ist kein Chatbot, der noch eine Frage beantwortet. Es ist ein Modell, das auf den langen, unaufgeräumten Mittelteil der Engineering-Arbeit ausgerichtet wird – dort, wo die erste Theorie falsch ist, die Codebasis riesig ist und Ausdauer genauso wichtig ist wie eine geschickte erste Antwort.

[ALLOY]: Und dieser längere Zeithorizont zeigt sich in echten Systemen. Die OpenAI-gestützten Sprachagenten von Retell bearbeiten inzwischen einhundert Millionen Gespräche pro Monat. NVIDIA hat ein Modell mit acht Milliarden Parametern, aber nur vier Milliarden effektiven Parametern in ein vier Gigabyte großes Paket für lokale Assistenten, interaktive Figuren und eingebettete Benutzeroberflächen gepresst. Die Plattformingenieure von Anthropic trennen das Reasoning eines Agenten von der Infrastruktur, die auf Zugangsdaten, Netzwerke und Tools zugreift. Heute: Gemini 4 Carbon, OpenAIs Ergebnisse in Mathematik und Physik, Sprachagenten im Produktionseinsatz, zwei sehr unterschiedliche Initiativen für lokale KI-Hardware, gruppenweites Gedächtnis, das Beweise verzerrt, selektiveres Agententraining und Agenten, die tiefer in Software-Sicherheit und Rechtsverträge vordringen.

NOVA: Google hat Gemini 4 Carbon als sein nächstes Frontier-Modell angekündigt, entwickelt für anhaltende agentische Arbeit statt für isolierte Prompts. Google sagt, Carbon tagelang laufen, sich von Sackgassen erholen, subtile Fehler durch große Codebasen verfolgen und Lösungen erstellen könne. Bei der Cyberabwehr werden die Behauptungen ungewöhnlich konkret. Carbon erzielte in Googles SEC-bench Pro 88,2 Prozent bei der Entdeckung von Schwachstellen, 54,8 Prozent in ExploitGym bei der Bestimmung und Durchführung von Exploit-Pfaden und 71 Prozent in Colliners CWE-bench bei der Reparatur des Codes hinter einer Schwachstelle. Das sind von den Herausgebern gemeldete Ergebnisse, doch sie beschreiben die gesamte Abwehrkette: den Fehler finden, feststellen, ob er ausnutzbar ist, und die Ursache beheben. Google sagt außerdem, Carbon habe die Erfolgsrate von Argon in Googles internen Benchmarks für sichere Codeerzeugung mehr als verdoppelt. Das ist eine deutlich stärkere Behauptung als „besser beim Programmieren“, denn sicherer Code erfordert es, Konsequenzen über Dateien, Tools und wiederholte Versuche hinweg zu verfolgen.

[ALLOY]: Das Zugriffsmodell spiegelt die Tragweite wider. Carbon startet mit einer Auswahl an Cyberverteidigern und wird anschließend schrittweise über Googles Fairwind Program auf vertrauenswürdige Partner ausgeweitet. Entwickler, Unternehmen und Verbraucher sollen später Zugang erhalten. Die Einführungspreise liegen bei zwei Dollar pro Millionen Eingabetokens und zehn Dollar pro Millionen Ausgabetokens, wobei zwischengespeicherte Eingaben um 95 Prozent reduziert werden; die späteren Tarife betragen vier beziehungsweise zwanzig Dollar. Dieser Cache-Rabatt ist für ein Modell wichtig, das über einen mehrtägigen Auftrag hinweg ständig ein großes Repository erneut prüft. Der entscheidende Test wird dennoch nicht sein, ob Carbon tagelang aktiv bleiben kann. Entscheidend wird sein, ob diese Ausdauer fortlaufend genaue Fortschritte produziert und nicht bloß selbstbewusste Aktivität ansammelt. Googles Benchmark-Zahlen machen die Fähigkeiten glaubwürdig genug, um sie zu beobachten, während der begrenzte initiale Einsatz den Verteidigern die chance gibt, zu sehen, wie sich das Modell mit echtem Code, tatsächlichen Exploit-Pfaden und Korrekturen verhält, die auch außerhalb eines Benchmarks Bestand haben müssen.

[ALLOY]: OpenAI hat modellgenerierte Ergebnisse zu drei sehr unterschiedlichen Problemen in wissenschaftliche Gemeinschaften gebracht: die Kakeya-Vermutung in der Mathematik, die Exponential Time Hypothesis in der theoretischen Informatik und die Quantenchromodynamik in der Physik. NOVA, was ändert sich, wenn ein Modellergebnis als Material für Forschende behandelt und nicht als fertige wissenschaftliche Antwort präsentiert wird?

NOVA: Es verändert, wer die Beweislast trägt. Ein Ergebnis zur Kakeya-Vermutung muss einer mathematischen Prüfung standhalten; Arbeiten im Zusammenhang mit der Exponential Time Hypothesis haben Konsequenzen für das Verständnis der Schwierigkeit computergestützter Probleme; und die Quantenchromodynamik behandelt die Theorie der Wechselwirkungen zwischen Quarks und Gluonen. OpenAI fordert Fachleute dazu auf, das Reasoning zu untersuchen, zu überprüfen, was gilt, zu identifizieren, was nicht gilt, und nützliche Teile auszubauen. Die Modellausgabe wird zu einem möglichen Beitrag innerhalb eines bestehenden wissenschaftlichen Prozesses. Sie wird nicht zu akzeptiertem Wissen, nur weil das Modell eine elegante Herleitung produziert hat. Diese Unterscheidung ist entscheidend, wenn das Thema weit außerhalb einer beiläufigen Prüfung liegt.

[ALLOY]: Ich mag diese Ambition, aber jetzt zählt die Reaktion der Wissenschaftler. Dass drei Fachgebiete gleichzeitig modellgenerierte Arbeiten erhalten, zeigt, dass diese Systeme an hochspezifischem Reasoning in unterschiedlichen wissenschaftlichen Sprachen teilhaben können. Bei der Überprüfung zeigt sich, ob daraus ein neuer Beweis, eine nützliche Zwischenbeobachtung, ein korrigiertes Argument oder lediglich eine interessantere Frage entsteht. Die wertvolle Möglichkeit ist ein schnellerer Kreislauf zwischen maschinengenerierten Ideen und Forschenden, die wissen, wo ein Argument brüchig ist. Die besorgniserregende Möglichkeit ist, dass flüssig formulierte Arbeit Expertenaufmerksamkeit bindet, ohne das Fachgebiet voranzubringen. OpenAIs Einordnung weist den Forschenden die richtige Rolle zu: nicht als Publikum, das die Antwort einer Maschine applaudiert, sondern als aktive Investigierende, die entscheiden, was die Arbeit tragen kann und worauf sich weiter aufbauen lässt.

NOVA: Laut einer am 27. Oktober veröffentlichten Fallstudie von OpenAI bearbeiten die OpenAI-gestützten Sprachagenten von Retell inzwischen jeden Monat einhundert Millionen Gespräche. Retell sagt, GPT-6 Astra habe ihren Benchmark für Sprachagenten angeführt, während Codex dem Unternehmen zu einem jährlichen Umsatz von 1,6 Millionen Dollar pro Beschäftigtem verholfen habe. Die Zahl der Gespräche ist der schwierigere Wert, den man ignorieren muss. Bei einhundert Millionen monatlichen Unterhaltungen werden kleine Unterschiede bei der Antwortlatenz, bei missverstandenen Absichten oder bei gescheiterten Übergaben zu enormen operativen Auswirkungen. Sprachagenten haben nicht den Luxus, dass ein Nutzer einen Absatz erneut liest; sie müssen Unterbrechungen folgen, sich aus Mehrdeutigkeiten erholen und schnell genug antworten, damit die Interaktion weiterhin wie ein Gespräch wirkt.

[ALLOY]: Okay, einhundert Millionen sind wirklich wild. Damit rücken Sprachagenten aus der Kategorie „vielversprechende Demo“ in die Kategorie Infrastruktur. Das Astra-Benchmark-Ergebnis stammt von Retell, daher würde ich es weiterhin eher als die unternehmensintern gemessene Präferenz denn als eine allgemeine Rangliste behandeln. Aber Retell misst die Modelle an einer Arbeitslast, die das Unternehmen tatsächlich im großen Maßstab betreibt. Das gibt dem Ergebnis mehr praktisches Gewicht als einen allgemeinen Conversation-Score.

NOVA: Die Umsatz-pro-Beschäftigt-Zahl erzählt eine separate Geschichte: Das Unternehmen sagt, die Nutzung von Codex habe einer relativ kleinen Belegschaft geholfen, einen sehr hohen Jahresumsatz zu erzielen. Das beweist nicht, dass jedes Team denselben Hebel erhält, zeigt aber, wie sich Softwareunterstützung und ein KI-natives Produkt gegenseitig verstärken können. Und die beiden Zahlen sollten nicht miteinander vermischt werden. Astra hängt an der Leistung der Sprachagenten von Retell; Codex hängt daran, wie das Unternehmen entwickelt und betreibt. Das eine Modell steckt im Produkt, das andere hilft, das Produkt zu erschaffen.

[ALLOY]: Diese Trennung ist wichtig, weil wichtige KI-Unternehmen Modelle möglicherweise gleichzeitig auf mehreren Ebenen einsetzen – in der Kundeninteraktion, im Engineering, beim Debugging und in internen Abläufen. Retell liefert uns einen Produktionsvergleich mit genügend Traffic, um Probleme schnell sichtbar zu machen. Was als Nächstes kommt, zeigt sich in den operativen Ergebnissen: Ob die Zahl der Gespräche weiter wächst, ohne dass die Servicequalität einbricht, und ob diese außergewöhnliche Umsatz-pro-Beschäftigt-Zahl Bestand hat, wenn Organisation und Kundenanforderungen wachsen.

NOVA: Die Plattformingenieure von Anthropic ziehen eine klare Grenze zwischen dem Modell, das entscheidet, und dem System, das handelt. In einem Interview vom 27. Oktober beschrieben Katelyn Lesse und Angela Jiang den Start von Opus 5.5 sowie die Architektur verwalteter Agenten hinter der Claude Platform. Das Reasoning des Modells, die Harness, die die Arbeit in Bewegung hält, und die Sandbox, in der Aktionen stattfinden, sind voneinander entkoppelt. So kann die Ausführungsebene Prozesse isolieren, Zugangsdaten schützen und Netzwerkzugriffe kontrollieren, ohne vom Modell selbst zu erwarten, dass es jede Grenze korrekt durchsetzt.

[ALLOY]: Das klingt erst offensichtlich, nachdem jemand es ausgesprochen hat. Wir geben einem menschlichen Analysten nicht einfach alle Produktionszugangsdaten, nur weil er gut im Reasoning ist. Warum sollte also ein Agent uneingeschränkten Zugriff erhalten, nur weil sein Modell leistungsfähig ist? Das Gehirn von den Händen zu trennen bedeutet, dass die Harness entscheiden kann, welche Aktion erlaubt ist, die Sandbox das unmittelbar Geschehene begrenzen und das Modell sich auf die Auswahl eines nützlichen nächsten Schritts konzentrieren kann. Außerdem entsteht ein saubererer Ort für Sicherheitsklassifikatoren und Model-Routing. Unterschiedliche Entscheidungen können geprüft oder weitergeleitet werden, ohne jedem Reasoning-Pfad dieselbe Autorität zu geben.

NOVA: Der schwierige Teil besteht darin, den Fortschritt zu bewahren und gleichzeitig diese Trennung aufrechtzuerhalten. Anthropics Team beschrieb langlebige Harnesses, die Arbeit über mehrere Kontextfenster hinweg fortsetzen. Ein Modell kann das Ende eines Arbeitskontexts erreichen, ohne dass die Gesamtaufgabe ihren Ort verliert. Die Kontinuität muss jedoch durch expliziten State im verwalteten System erhalten bleiben; das Modell kann sich nicht einfach auf ein endlos wachsendes Gespräch verlassen. Das ähnelt Carbons previously genannten Versprechen eines langen Zeithorizonts, nur betont Anthropic hier die Betriebsstruktur rund um das Modell, statt Ausdauer als einzelne Modellfähigkeit darzustellen.

[ALLOY]: Und mit dieser Einordnung fühle ich mich wohler. Ein leistungsfähiges Modell bleibt letztlich nur eine Komponente eines Agenten, der auf Code, Netzwerke und Zugangsdaten zugreifen kann. Eindämmung, Zustandserhaltung und kontrollierte Ausführung müssen zuverlässig bleiben, wenn die Arbeit länger dauert und die Anzahl der Aktionen wächst. Anthropic unterscheidet zudem zwischen Sicherheitsvorkehrungen für den Produktivbetrieb und Vorfällen, die während des Trainings auftreten. So werden zwei unterschiedliche Sicherheitsprobleme nicht vermischt. Die größere Konsequenz liegt in der Architektur: Verwaltete Agenten können ihre Reasoning-Modelle verbessern, ohne die gesamte Ausführungsgrenze neu aufzubauen, und sie können Werkzeugkontrollen verschärfen, ohne das Modell neu zu trainieren. Diese Modularität gewinnt zunehmend an Bedeutung, da Agenten länger aktiv bleiben.

NOVA: Die Creator Radeon AI Pro R9700 von ASRock bietet lokaler KI-Arbeit 32 Gigabyte GDDR6-Speicher, eine Bandbreite von 640 Gigabyte pro Sekunde sowie RDNA-4-Unterstützung für FP8-Matrixberechnungen. FP8 verwendet acht Bit große Zahlen für die Modellrechnungen und reduziert damit im Vergleich zu Formaten mit höherer Präzision den benötigten Speicher und Rechenaufwand. Die Grafikkarte basiert auf AMDs Navi-48-Prozessor mit 64 Compute Units, 128 KI-Beschleunigungskernen und einem Höchsttakt von 2,92 Gigahertz. ASRock beziffert den Durchsatz dichter FP8-Matrizen mit 382,7 Billionen Operationen pro Sekunde; bei Sparsity kann die Hardware Nullwerte überspringen, wodurch sich dieser Wert verdoppelt. Ein Modell mit ungefähr 30 Milliarden Parametern passt damit auf die Karte, wobei noch etwas Videospeicher übrig bleibt. Das ist der zentrale Anwendungsfall: umfangreiche lokale Inferenz auf einer Workstation-Grafikkarte, statt jeden Prompt und jeden Modellzustand an einen entfernten Dienst zu senden.

[ALLOY]: Möglicherweise ist das physische Design genauso wichtig wie die Spitzenleistung. Es handelt sich um eine Dual-Slot-Blower-Karte mit den Maßen 271 × 111 × 39 Millimetern, von der ein Standard-ATX-System bis zu vier aufnehmen kann. Ein Blower führt heiße Luft aus dem Gehäuse ab, was wichtig ist, wenn mehrere Karten dicht beieinander sitzen. Die R9700 benötigt 300 Watt, was in dem Test als für dieses Design gut beherrschbar beschrieben wird. Linux-Nutzer können außerdem Software Error Correcting Memory manuell aktivieren, um die Zuverlässigkeit zu erhöhen. 32 Gigabyte schaffen jedoch einen echten Zielkonflikt: Die vorherige Radeon Pro W7900 von AMD bot 48 Gigabyte. RDNA 4 bringt neuere Rechenfunktionen und einen sehr hohen Durchsatz bei niedriger Präzision, doch der kleinere Speicher begrenzt die Größe eines Modells, das vollständig auf einer Karte verbleiben kann. Zudem werden FP6- und FP4-Modelle als FP8 verarbeitet, statt diese niedrigeren Präzisionsstufen nativ zu nutzen. Es geht also nicht einfach um „mehr von allem“. Es ist eine kompakte, dichte Workstation-Option, deren Wert davon abhängt, ob ihre Inferenzgeschwindigkeit und Effizienz die verlorene Kapazität aufwiegen. Vier Karten könnten erhebliche lokale Rechenleistung schaffen, aber entscheidend bleibt, ob das jeweils tatsächlich benötigte Modell auf eine einzelne Karte passt.

[ALLOY]: Vier Gigabyte für ein Modell mit acht Milliarden Parametern klingen so, als wolle jemand lokale Agenten dort unterbringen, wo sie zuvor keinen Platz hatten. Was hat NVIDIA tatsächlich in Nemotron 3.5 Bolt gepackt?

NOVA: Es ist ein Textmodell mit acht Milliarden Parametern und vier Milliarden effektiven Parametern, das mit Q4-K-M-Quantisierung komprimiert wurde, sodass das Paket in etwa vier Gigabyte passt. Bei der Quantisierung werden die Modellgewichte mit weniger Bits gespeichert. Dafür wird etwas numerische Präzision gegen eine drastische Senkung des Speicherbedarfs eingetauscht. NVIDIA gibt an, Bolt sei ausgehend von Gemma 4 E4B Instruct weiter trainiert worden und ziele auf lokale Sprachassistenten, Geräteassistenten, interaktive Personas und eingebettete Benutzeroberflächen. Es unterstützt Ein- und Ausgabelängen von bis zu 64.000 Token, Tool-Aufrufe, einen normalen Konversationsmodus sowie Reasoning-Steuerungen. Reasoning lässt sich ein- oder ausschalten, und eine Anwendung kann ein Thinking-Budget für die Laufzeit festlegen. Das Modell verfügt außerdem über einen dokumentierten Mechanismus, um anzuerkennen, dass ein Werkzeugergebnis noch aussteht, und fortzufahren, sobald es eintrifft. Dieser Detailpunkt ist bei Sprach- oder Geräteinteraktionen wichtig, weil stilles Warten wie ein defektes Produkt wirken kann.

[ALLOY]: NVIDIA beansprucht außerdem eine ziemlich deutliche gemessene Verbesserung gegenüber dem Basismodell. In der eigenen Q4-K-M-Evaluation erzielte Bolt 55,6 Punkte bei MultiChallenge, während Gemma 4 E4B Instruct 39,36 Punkte erreichte. Diese Zahl stammt von NVIDIA und beruht auf der eigenen, konsistenten Evaluierungsumgebung. Bis andere den Vergleich reproduzieren, handelt es sich lediglich um eine Behauptung des Anbieters. Dennoch ist Bolt lediglich eine kleinere Datei. NVIDIA sagt aus, das zusätzliche Training habe das Verhalten in mehrstufigen Gesprächen verbessert, während der für einen lokalen Einsatz geeignete Speicherbedarf erhalten blieb. Ein zusätzliches DFlash-Drafter-Modell unterstützt spekulative Dekodierung: Ein kleineres Hilfsmodell schlägt Token vor, die das Hauptmodell dann mehrere auf einmal bestätigen und dadurch schneller antworten kann. Der Zugriff erfolgt direkt: Die Model Card erlaubt kommerzielle und nichtkommerzielle Nutzung und enthält Download-Anweisungen sowie einen llama.cpp-Serving-Pfad. llama.cpp ist eine schlanke Laufzeitumgebung, die häufig zum Ausführen quantisierter Modelle auf lokaler Hardware verwendet wird. Beim Reasoning-Budget gibt es jedoch eine scharfe Kante: NVIDIA warnt davor, dass restriktive Token-Zuteilungen einen Gedankengang mitten im Satz abschneiden können. Vier Gigabyte machen Bolt leichter auf begrenzten Systemen unterzubringen; sie beseitigen nicht die Notwendigkeit, die verfügbare Reasoning-Länge an die jeweilige Aufgabe anzupassen.

NOVA: Das Weiße Haus hat Industriainvestitionen im Detail dargelegt, die von der Halbleiterproduktion und kritischen Materialien über die Brennstoffraffination bis hin zu Tests autonomer Waffen reichen. North Carolina soll bis zu 1,5 Milliarden US-Dollar für den Ausbau der Halbleiterproduktion erhalten. Sibelco erweitert außerdem in Mitchell County die Produktion von Quarz mit hoher Reinheit und verwandten Materialien. Quarz mit hoher Reinheit ist ein Ausgangsstoff für die Chipfertigung. Daher würde eine gesteigerte Fertigungskapazität ohne gesicherte Versorgung mit unverzichtbaren Materialien einen Teil derselben Lieferkette verwundbar lassen.

[ALLOY]: Und die sicherheitspolitische Seite ist weit mehr als Chips. Die Administration beruft sich auf den Defense Production Act, um 150 Millionen US-Dollar für den Ausbau der inländischen Raffinierungskapazität freizugeben, die auf eine höhere Diesel- und Benzinproduktion abzielt. In Montana richtet das Department of War ein Gelände für die Erprobung fortschrittlicher Waffen und Technologien ein, darunter autonome Waffen sowie Raum- und elektronische Kriegsführungssysteme. Dadurch entsteht eine dedizierte physische Umgebung für Technologien, die nicht vollständig in Simulationen bewertet werden können. Autonome Systeme müssen auf Kommunikationsgrenzen, Geländebedingungen, Störungen und die Folgen ihres Handelns in der realen Welt treffen.

NOVA: Die angekündigten Geldbeträge sind inputs, keine fertigen Kapazitäten. Eine Halbleiterfabrik muss gebaut, ausgestattet, mit Personal besetzt, beliefert und zuverlässig in Betrieb genommen werden. Der Ausbau der Quarzproduktion muss Material der erforderlichen Reinheit in diese Lieferkette einspeisen. Das Gelände in Montana ist ebenfalls erst dann von Bedeutung, wenn Programme es tatsächlich nutzen und die daraus resultierenden Bewertungen die Beschaffung oder den Einsatz beeinflussen. Zusammengenommen zeigen diese Investitionen jedoch, dass KI-bezogene Infrastruktur weit über Rechenzentren hinausreicht. Chips hängen von Mineralien und Fabriken ab; autonome Verteidigung hängt von physischen Testgeländen und Kommunikationsumgebungen ab; beides erfordert lange Entwicklungszeiträume.

[ALLOY]: Deshalb würde ich das nicht auf eine Schlagzeile wie „KI-Investition“ reduzieren. Es ist Industriepolitik, die auf zunehmend autonome Software trifft. Mehr inländische Chip- und Materialkapazitäten könnten die Hardwarebasis erweitern, die Rechensystemen zur Verfügung steht, während ein dediziertes Waffenübungsplatzgelände autonomen Programmen und Programmen zur elektronischen Kriegsführung einen Ort bietet, an dem sie sich mit physischen Einschränkungen auseinandersetzen müssen. Unmittelbar bekannt sind geplante Finanzierungen und Einrichtungen. Die folgenreichen Belege kommen später: betriebsfähige Produktionslinien, tatsächliche Produktionsmengen, laufende Testprogramme und Systeme, die unter realen Bedingungen funktionieren, statt lediglich innerhalb der Beschaffungssprache zu bestehen.

NOVA: Eine Gruppe von Sprachmodellen kann ein Problem ausführlich diskutieren und dennoch die nützlichen Belege verlieren, wenn ein Modell diesen Austausch in den Speicher komprimiert. Die Auswahl der seltensten Behauptungen klingt vernünftig, doch die Forschung fand, dass sie im Durchschnitt nicht besser als eine Zufallsauswahl funktioniert. Die Auswahl von Behauptungen, die relevant erscheinen, kann sogar schlechter sein, weil überzeugende Köder ebenfalls relevant sind.

[ALLOY]: Das ungewöhnlichere Ergebnis betrifft den sozialen Beweis. Eine entscheidende Person bewertet eine Tatsache stärker, wenn der Speicher festhält, dass viele Agenten sie unterstützt haben. Entfernt man diese Zuschreibungen oder weist sie zufällig zu, während die Reihenfolge der Diskussion erhalten bleibt, verbessert sich die Genauigkeit. Selbst das vollständige Transkript kann schlechter abschneiden als gar keine Notizen. Die Komprimierung allein ist also nicht der Übeltäter. Belege können durch das verzerrt werden, was behalten wird, wie Ablenkungsmanöver gegen die Unterstützung ausbalanciert bleiben und welche Behauptungen anscheinend von einer breiten Zustimmung getragen werden.

NOVA: Das trifft direkt Multi-Agenten-Systeme, die eine Zusammenfassung als neutralen gemeinsamen Speicher behandeln. Eine knappe Aufzeichnung kann Meinungsverschiedenheiten löschen oder Wiederholungen wie unabhängige Bestätigungen aussehen lassen. Mehr Text zu bewahren rettet die Entscheidung nicht automatisch. Der wichtige Unterschied liegt zwischen der Erinnerung, dass mehrere Agenten etwas gesagt haben, und dem Erhalt der Belege, die die Behauptung glaubwürdig gemacht haben. Der Gruppenspeicher muss Substanz transportieren, nicht lediglich konsensförmige Metadaten.

[ALLOY]: Das ist eine nützliche Kontrolle für Agentenschwärme: Zusätzliche Stimmen können Vertrauen schneller erzeugen als Wissen. Wenn ein Summarisierer entscheidet, was überlebt, und ein anderes Modell der scheinbaren Übereinstimmung vertraut, kann die Gruppe einen plausiblen Fehler verstärken, ohne die zugrunde liegenden Belege überhaupt zu verändern.

NOVA: Ein Bundesrichter entschied im Mai, Anthropic habe Claude mit rechtswidrig erlangten Büchern trainiert, die von mehr als zehn Stanford-Professoren verfasst wurden, wie aus einer am 27. Oktober veröffentlichten Berichterstattung hervorgeht. Zu den genannten Autoren gehören Tobias Wolff, Abraham Verghese, Chang-Rae Lee, Daniel Mason, Hayagreeva Rao und Myra Strober. Der Streit ist Teil von Bartz versus Anthropic und betrifft Texte, die für das Modelltraining gescraped oderpiratisiert wurden. Das ist keine abstrakte Debatte darüber, ob maschinelles Lernen gesellschaftlich nützlich ist. Es geht um eine rechtliche Grenze rund um die Beschaffung von Trainingsmaterial. Ein Modellentwickler kann gesondert geltend machen, dass das Training mit einem rechtmäßig erlangten Werk eine faire Nutzung darstellt, aber die rechtswidrige Erlangung wirft eine andere Frage auf. Die Herkunft der Kopie ist entscheidend.

[ALLOY]: Und die Auswirkungen für Menschen sind unmittelbar. Es handelt sich um identifizierbare Professorinnen, Professoren und Schriftstellerinnen und Schriftsteller, deren Bücher durch Kopien, die das Gericht als rechtswidrig beschafft bezeichnete, in einen kommerziellen Prozess zur Entwicklung von Modellen gelangten. Das Urteil ist auch für Unternehmen relevant, die nach einem Modellentwickler downstream arbeiten. Sie können normalerweise nicht einen gesamten Trainingskorpus überprüfen, doch rechtliche Feststellungen zur Herkunft können sich auf den Ruf und die Wirtschaftlichkeit rund um die Modelle auswirken, auf die sie sich verlassen. Ich würde aus einem einzigen Urteil keine allgemeine Beschreibung jeder Trainingspraxis oder jedes Buch in Claudes Daten ableiten. Die konkrete Feststellung betrifft die Werke und den Erwerb, die dem Gericht vorgelegen haben. Doch sie bekräftigt eine Unterscheidung, die die Branche nicht ignorieren kann: Die rechtliche Analyse des Lernens aus einem Werk ist nicht identisch mit der rechtlichen Analyse des Erwerbs dieses Werks durch Urheberrechtsverletzung. Da Modellunternehmen um Datenqualität und Umfang wetteifern, wird die Herkunft der Daten zu einem Teil der Haftungsgeschichte des Produkts und nicht zu einem geschichtlichen Detail, das im fertigen Modell begraben liegt.

[ALLOY]: Beim Agententraining werden teure Rollouts verbraucht – vollständige Versuche mit Tools, Zustandsänderungen und Erfolgskontrollen. Wenn nur eine begrenzte Anzahl ausgeführt werden kann, wie entscheidet EnvSched, welche Erfahrungen das Budget verdienen?

NOVA: Es plant Aufgaben zusammen mit ihren Umgebungen, statt die Aufgabenauswahl als isolierte Entscheidung zu behandeln. EnvSched lernt aus der bisherigen Rollout-Historie, bevorzugt Aufgaben- und Umgebungspaare, die wahrscheinlich aussagekräftige Belohnungsunterschiede offenbaren, und verteilt die Arbeit auf Tools, Interaktionen und Umgebungen, die weniger Beachtung erhalten haben. Es stellt diese Paare in einem Graphen dar. Einige Verbindungen spiegeln gemeinsam genutzte Tools oder Verifikationsstrukturen innerhalb einer Umgebung wider; andere stehen für breitere Ähnlichkeiten bei der Ausführung und den Belohnungen.

[ALLOY]: Historische Ergebnisse schätzen ab, wo ein neuer Rollout nützliche Variationen liefern könnte. Umgebungsquoten und eine Ähnlichkeitsstrafe verhindern anschließend, dass ein Batch sich mit nahezu identischen Beispielen füllt. Das ist wichtig, denn wiederholte leichte Erfolge bringen einem Agenten wenig bei, und wiederholte Fehlschläge können genauso wenig informative sein. Bei einem festen Compute-Budget versucht EnvSched, mehr Durchläufe dort einzusetzen, wo gutes und schlechtes Verhalten tatsächlich unterschieden werden kann. Es handelt sich um Selektionsdruck für informativer Erfahrung, nicht einfach um mehr Erfahrung.

NOVA: Greptile nutzt GPT-6 Astra, um über die Überprüfung vorgeschlagenen Codes hinauszureichen und zu testen, wie sich Software in Benutzer-Workflows verhält. Dieser Unterschied ist erheblich. Ein Code-Diff kann plausibel aussehen, während die daraus entstehende Anwendung weiterhin abstürzt, wenn eine Person in einem echten Ablauf mehrere Bildschirme, Dienste oder Zustandsänderungen durchläuft. Workflow-Tests fragen, ob eine Funktion in der Nutzung funktioniert, und nicht bloß, ob die geänderten Zeilen kohärent wirken.

[ALLOY]: Greptile nutzt außerdem OpenAIs Daybreak für Sicherheitsarbeiten und fügt so eine auf Schwachstellen ausgerichtete Untersuchung in denselben umfassenderen Qualitätsprozess ein. Codex adressiert einen weiteren teuren Teil des Zyklus: die Nacharbeit, nachdem ein Problem gefunden wurde. Zusammen untersucht Astra das Verhalten aus Benutzersicht, Daybreak trägt zur Sicherheitsanalyse bei, und Codex unterstützt die Codeänderungen, die aufgrund dieser Erkenntnisse erforderlich sind. Ich mag diese Bandbreite, aber drei Modellnamen bedeuten nicht automatisch ein reibungsloses Gesamtsystem. Der Wert zeigt sich darin, ob ihre Ausgaben sauber miteinander verbunden sind und wiederholtes Debugging reduzieren.

NOVA: Genau. Statische Überprüfung, Verhaltenstests, Sicherheitsuntersuchung und Behebung beruhen auf unterschiedlichen Evidenzen. Eine Prüferin oder ein Prüfer kann einen verdächtigen Codepfad identifizieren; ein Workflow-Lauf kann zeigen, dass er erst nach einer bestimmten Benutzeraktion ausfällt; ein Sicherheitsagent kann offenlegen, warum dieser Zustand gefährlich ist; und Coding-Unterstützung kann die Korrektur verkürzen. Greptiles Ankündigung positioniert KI entlang dieser gesamten Kette, statt so zu tun, als würde ein einzelner Prüfkommentar das ganze Problem der Softwarequalität erfassen.

[ALLOY]: Die nächsten aussagekräftigen Ergebnisse werden operativ sein: weniger entweichende Fehler, weniger wiederholte Arbeit und Erkenntnisse, die Entwickler akzeptieren, weil sie sich in der Anwendung reproduzieren lassen. Astra ist besonders interessant, weil Benutzer-Workflows Fehler aufdecken können, die allein durch die Inspektion des Quellcodes übersehen werden. Entwickler benötigen jedoch weiterhin einen nachvollziehbaren Zusammenhang zwischen dem beobachteten Verhalten, dem Code und der vorgeschlagenen Korrektur. Wenn Greptile diesen Zusammenhang bewahren kann, beginnt eine modellgestützte Überprüfung, weniger wie automatisierte Kommentare und mehr wie eine kontinuierliche Untersuchung dessen zu wirken, was Software tatsächlich tut.

NOVA: CodeRabbit setzt GPT-6.1 Sol für Sicherheitsuntersuchungen in komplexen Codebasen ein. Sein Sicherheitsagent analysiert Risiken und schlägt Korrekturen vor, während Entwickler sowohl die Erkenntnis als auch die Behebung prüfen, bevor sie entscheiden, welche Änderungen vorgenommen werden. Dieser menschliche Entscheidungspunkt ist wichtig: Verdächtiges Verhalten zu identifizieren und eine sichere Korrektur zu erstellen, sind getrennte Aufgaben, und ein ansprechender Patch kann das umgebende System trotzdem missverstehen.

[ALLOY]: Was bringt eine codebase-weite Untersuchung zusätzlich gegenüber der Überprüfung des gerade geöffneten Pull Requests?

NOVA: Kontext. Eine Schwachstelle kann Authentifizierungslogik, gemeinsam genutzte Bibliotheken, Konfigurationen und einen downstream Dienst überschreiten, selbst wenn die sichtbare Änderung nur eine Datei betrifft. Ein Blick über die gesamte Codebasis hinweg kann eine lokale Änderung mit diesen umfassenderen Beziehungen verbinden. Sol bietet CodeRabbit ein Modell für diese Untersuchung, während das Produkt die vorgeschlagene Erkenntnis und Korrektur in einem Workflow zur Entwicklerprüfung belässt. Der nützliche Beleg wird sein, ob diese Erkenntnisse einer echten Sicherheitsprüfung standhalten und ob die vorgeschlagenen Reparaturen die Ursachen beheben, ohne neues Verhalten einzuführen.

[ALLOY]: Das ist die richtige Grenze. Sicherheitsüberprüfung sollte nicht zu „das Modell hat einen Patch vorgeschlagen, also mergen wir ihn“ werden. CodeRabbit kombiniert automatisierte Exploration mit einer rechenschaftspflichtigen menschlichen Entscheidung. Wenn das System ein Risiko durch ein komplexes Repository verfolgen und eine Korrektur mit genügend Kontext präsentieren kann, damit ein Entwickler sie beurteilen kann, kann es eine sehr teure Untersuchung komprimieren. Die Reichweite des Modells ist wichtig, aber die Qualität dieser Erklärung – und die Fähigkeit der Entwickler, sie infrage zu stellen – bestimmt, ob das Ergebnis nützliche Sicherheitsarbeit oder lediglich eine selbstsichere Codeänderung ist.

NOVA: Infini-AI-Lab hat Hermit unter der Apache-2.0-Lizenz veröffentlicht. Hermit ist ein Harness-Adapter-Framework, das einen Agenten durch eine externe Ebene verbessert, statt das zugrunde liegende Modell oder den ausführenden Harness zu ersetzen. Diese Ebene enthält Anweisungen, Skills, Erinnerungen und Tools. Feedback aus abgeschlossenen Aufgaben kann den Adapter trainieren, während der Kern des Agenten unverändert bleibt. Das Verhalten eines Agenten hängt von weit mehr als den Modellgewichten ab: Anweisungen prägen Prioritäten, Erinnerungen verändern, was zwischen Aufgaben bestehen bleibt, Skills kapseln wiederverwendbares Verhalten, und Tools bestimmen, welche Aktionen verfügbar sind. Die Verbesserung dieser Ebenen kann Ergebnisse wesentlich verändern, ohne die Kosten und Umwälzungen eines Modellwechsels.

[ALLOY]: Ich mag diese Trennung, weil ein Team die externe Lehrschicht anhand des eigenen Aufgaben-Feedbacks verbessern kann, während Modell und Harness unabhängigen Release-Zyklen folgen. Das ist nützlich, wenn in einer bestehenden Umgebung bereits Integrationen, Berechtigungen und operative Annahmen existieren, die niemand neu aufbauen möchte. Hermit behandelt die umgebende Ebene als trainierbar und nicht als statischen Haufen aus Prompts und Tool-Definitionen. Die offene Frage lautet, ob gesammeltes Feedback kohärent bleibt. Eine Lehre aus einer Aufgabe kann einen Skill verbessern, aber Anweisungen und Erinnerungen können im Laufe der Zeit auch miteinander in Konflikt geraten. Hermits Wert wird davon abhängen, ob es Erfahrung in wiederverwendbares Verhalten überführt, ohne den Adapter überladen oder widersprüchlich werden zu lassen. Dennoch ist die Grundidee attraktiv: Den Agenten über die Ebene lehren, die man kontrolliert, und dabei das bereits funktionierende Modell und den Harness beibehalten.

NOVA: Legora entwickelt ein sogenanntes agentenbasiertes Betriebssystem für die Rechtsarbeit und nutzt OpenAI-Modelle, ChatGPT und Codex, um die Vertragsanalyse zu erweitern und rechtliche Workflows zu beschleunigen. Die Durchsicht von Verträgen ist ein konkretes Kapazitätsproblem: Rechtsteams müssen Verpflichtungen finden, Formulierungen vergleichen, ungewöhnliche Klauseln identifizieren und verstehen, wie Dokumente miteinander zusammenhängen – häufig innerhalb eines Umfangs, der erhebliche Fachzeit bindet.

[ALLOY]: Und „kostenlose Anwälte für wertvolle Arbeit“ ist ein vertrautes Versprechen. Wo verändert sich also tatsächlich die Kapazität? Wenn Agenten einem juristischen Team ermöglichen, mehr Verträge zu analysieren, zeigt sich der Nutzen möglicherweise in einer schnelleren Prüfung, einer breiteren Durchsicht oder mehr Zeit für Urteilsvermögen und Verhandlungen. Eine juristische Analyse ist aber nicht vollständig, nur weil ein System eine Klausel extrahiert hat. Die Bedeutung hängt von der Vereinbarung, dem maßgeblichen Kontext und den Folgen für den Mandanten ab.

NOVA: Legoras Kombination aus Modellen, einem dialogbasierten Arbeitsbereich und Programmierhilfe deutet auf eine Plattform hin, nicht auf eine einzelne, isolierte Zusammenfassungsfunktion. ChatGPT kann eine interaktive Oberfläche bieten, OpenAI-Modelle können Analysen unterstützen, und Codex kann helfen, die Software-Workflows rund um diese Arbeit zu erstellen oder anzupassen. Der agentische Ansatz bedeutet, dass Aufgaben über mehrere Schritte hinweg fortgeführt werden können, statt mit einer generierten Antwort zu enden. Die entscheidenden Belege sind, wie stark das Vertragsvolumen zunimmt und wo Anwälte Zeit zurückgewinnen, ohne die Kontrolle über folgenreiche Interpretationen zu verlieren. Ein professioneller Agent muss seine Arbeit nachvollziehbar machen, weil der Anwalt für die Beratung verantwortlich bleibt. Legora zeigt, wie sich KI von einer Funktion neben der juristischen Arbeit in eine koordinierte Umgebung rund um sie bewegt. Vertrauen wird davon abhängen, wie gut diese Umgebung Expertenurteil unterstützt, statt lediglich schneller mehr Text zu produzieren.

NOVA: REA führt das Radar mit vierhundertvierundzwanzigtausenddreihundertdreiundzwanzig Sternen bei seinem ersten erfassten Auftreten an. Seine Agenten verfolgen das Verhalten von Anwendungen von den Benutzeroberflächen bis hinunter in native Binärdateien, und Version 6.8 erschien am fünfundzwanzigsten Oktober. Nanobot verbindet eine andere Ebene: Das leichtgewichtige Python-Framework kombiniert eine Weboberfläche, Speicher, Tools, MCP-Unterstützung, Multi-Agent-Workflows, Automatisierung und Chat-Integrationen. Version .4 wurde am achtundzwanzigsten Oktober veröffentlicht; das Repository hat neunundvierzigtausendsechshundertzwölf Sterne, ein Plus von eintausend einundfünfzig in dreißig Tagen.

[ALLOY]: Und Codebase Memory MCP verbindet beide Ideen mit der alltäglichen Entwicklung. Es erstellt einen dauerhaften lokalen Graphen über Code, Dokumentation und Infrastruktur und stellt dieses Wissen dann Agenten zur Erkundung und zur Änderungen berücksichtigenden Testauswahl bereit. Es hat siebenundvierzigtausendsiebenhunderteinundsechzig Sterne, ein Plus von zweitausend achthundertfünfundneunzig – sechseinhalb Prozent – in dreißig Tagen, wobei .12.1 die neueste Version ist. REA folgt dem Verhalten tief in Binärdateien; Codebase Memory bewahrt Beziehungen innerhalb eines Repositories auf; Nanobot liefert eine selbst gehostete Agentenebene, die Speicher und über MCP verbundene Tools nutzen kann. Zusammen zeigen sie, dass lokale Agentensysteme besser darin werden, Struktur zu bewahren, Verhalten zu verfolgen und Aktionen zu koordinieren.

NOVA: Gemini 4 Carbon ist Googles ausgewähltes Frontier-Modell für anhaltendes Engineering und Cyberabwehr. Google sagt, dass es über Tage arbeiten, Sackgassen bewältigen, ausnutzbare Schwachstellen finden und Ursachenbehebungen erstellen kann. Der anfängliche Zugang ist auf ausgewählte Verteidiger beschränkt und wird vor einer breiteren Verfügbarkeit für Entwickler, Unternehmen und Verbraucher über das Fairwind Program ausgeweitet. Googles veröffentlichte Cyber-Bewertungen und die mehr als verdoppelte interne Verbesserung gegenüber Argon machen die Leistung über lange Horizonten zum zentralen Versprechen.

[ALLOY]: NVIDIA setzt mit Nemotron 3.5 Bolt auf den entgegengesetzten Einsatzwinkel: acht Milliarden Parameter, vier Milliarden effektive, komprimiert in ein vier Gigabyte großes Q4-Paket. Es unterstützt Eingabe- und Ausgabelängen von vierundsechzigtausend Tokens, einstellbares Reasoning, knappe Konversationen und Tool-Aufrufe. Kommerzielle und nichtkommerzielle Nutzung sind erlaubt, einschließlich lokalem Serving über llama.cpp. NVIDIA nennt fünfundfünfzig Komma sechs bei MultiChallenge gegenüber neununddreißig Komma sechsunddreißig für Gemma 4 E4B Instruct unter der eigenen Bewertungsmethodik.

NOVA: DeepSeek V4.1 Flash 1017 erfreut sich auf Hugging Face großer Beliebtheit, mit dreitausendsechshundertachtundsechzig Likes und einhundertsechzehntausenddreihundertsiebzig Downloads. Es verarbeitet Bild- und Texteingaben und generiert Text, sodass es sowohl über visuelle Materialien als auch über schriftliche Prompts reasoning kann. Das Repository nennt Unterstützung für Transformer und SafeTensors, Acht-Bit- und FP8-Formate, veröffentlichte Bewertungsergebnisse, kompatible gehostete Endpunkte und eine MIT-Lizenz.

[ALLOY]: Diese Kombination macht das Modell für lokale und gehostete Einsätze relevant: offene Lizenzierung, quantisierte Formate, die den Speicherbedarf reduzieren können, und eine multimodale Oberfläche für Aufgaben mit Screenshots, Dokumenten oder anderen Bildern. Ob es zur Laufzeitumgebung passt, hängt weiterhin vom Kontext der Model Card, den Gewichten und den Hardwareanforderungen ab. Die Downloadzahl zeigt jedoch erhebliches Interesse und nicht bloß ein ung-used Modell in einem Registry.

NOVA: OpenAI und ServiceNow vertiefen ihre Partnerschaft für Unternehmens-Workflows, indem sie OpenAI-Modelle und -Agenten in ServiceNow integrieren und gleichzeitig ServiceNow-Workflows über ChatGPT und Codex zugänglich machen. Wie Check Point mit Daybreak die Schwachstellenforschung beschleunigt, verbindet denselben Agentenschub mit Sicherheit: Check Point sagt, dass Daybreak Analysten hilft, Schwachstelleninformationen schneller in Schutzmaßnahmen für Kunden umzusetzen.

[ALLOY]: Diese Entwicklungen verbinden unternehmerisches Handeln mit der Sicherheitsreaktion – Agenten beantworten nicht nur Fragen; sie dringen in Systeme ein, in denen Arbeit nachverfolgt und Abwehrmaßnahmen erstellt werden. Die Zusammenarbeit mit akademischen Gemeinschaften zum Aufbau wissenschaftlichen Verständnisses fügt eine dritte Dimension hinzu: Ergebnisse zur Kakeya-Vermutung, zur Exponential Time Hypothesis und zur Quantenchromodynamik werden Forschern präsentiert, die sie überprüfen und erweitern können.

NOVA: Die unterstützenden Quellen und weitere Details zu allem, was wir behandelt haben, findet ihr in den Show Notes unter Toby On Fitness Tech dot com.

[ALLOY]: Danke fürs Zuhören bei AgentStack Daily. Wir melden uns bald wieder.