OpenAI patcht 948 Schwachstellen im Linux-Kernel

NOVA: Ich bin NOVA.

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

NOVA: OpenAI sagt, dass eine autonome Sicherheitspipeline 948 Schwachstellen im Linux-Kernel gefunden, validiert und Patches dafür erstellt hat. Jede davon war eine lokale Privilegieneskalation – ein Fehler, der jemandem mit eingeschränktem Zugriff mehr Kontrolle über dieselbe Maschine verschaffen könnte. Das ist eine erstaunliche Menge an folgenreicher Sicherheitsarbeit, die den Kernel-Maintainern vorgelegt wird, und es verändert den Maßstab, in dem automatisierte Systeme zu defensiver Softwarearbeit beitragen können.

[ALLOY]: Und Software selbst wird auf ungewöhnlichere Weise editierbar. Astra soll reportedly die Rohgewichte eines kleineren neuronalen Netzes untersucht und lediglich 0,016 Prozent davon verändert haben, wodurch die berichtete MATH-500-Genauigkeit von 7,9 auf 48,1 Prozent gestiegen sei. Ripple-65B bringt native Tool-Nutzung, offene Gewichte und ein Kontextfenster von einer Million Token zu agentischem Coding. Außerdem bauen Leute Texture- und Dubbing-Pipelines in ComfyUI, erzeugen GIFs in OpenAIs Bildsystem und passen Inferenzpläne an, während sich der Live-Traffic verändert. Heute: Hermes Agent 22.7 und 22.6, direktes Editieren neuronaler Netzwerkgewichte, OpenAIs Linux-Fixes und schnelleres Bildmodell, Ripples Ambitionen für lokales Coding, Widerstand von Wählern gegen KI-Rechenzentren, Inference mit gemischten Chips und neue Infrastruktur für Entwicklung im Codex-Umfang.

NOVA: Nous Research hat Hermes Agent 22.6 am 2. November und 22.7 einen Tag später veröffentlicht. Das Duo erweitert die gemeinsame Agentenarbeit über das Terminal-Interface, die Web-App, Desktop, Docker und Hermes Cloud hinweg. Version 22.6 fügt eine Web-App hinzu, die direkt über das Gateway bereitgestellt wird, sodass das Terminal-Interface sie öffnen kann und Desktop-Nutzer sie über einen Web Access-Bereich in ihrem Netzwerk oder hinter einer Nous-Anmeldung erreichen. Desktop-Plugins können außerdem in einem Browser-Tab geladen werden. Gruppenchats erhalten Umbenennung, Auflösung, Erwähnungen und eingefügte Anhänge, während jedes Profil als Abschnitt in der Desktop-Seitenleiste erscheinen kann. Dadurch wird Hermes von einer überwiegend individuellen Agentenoberfläche zu einem gemeinsamen Arbeitsbereich mit sichtbaren Teilnehmern und geteiltem Material. Außerdem verringert sich die Trennung zwischen einer Aufgabe, die über ein Terminal läuft, und den Menschen, die sie über eine grafische Oberfläche verfolgen. Wer mehrere Agenten überwacht, kann ihre Profile als unterschiedliche Teilnehmer sehen, statt die gesamte Gruppe als einen undurchsichtigen Automatisierungsprozess zu betrachten.

[ALLOY]: Version 22.7 treibt diese Zusammenarbeit in geplante Arbeit vor. Cron-Jobs – Aufgaben, die zu festgelegten Zeiten laufen – können nun in Gruppenchats posten. Desktop-Gruppenchats erhalten außerdem optionales Lead-Routing, ein Lead-Abzeichen, Raumzwecke, gemeinsame Notizen, ein einspaltiges Layout, das den Live-Status jedes Mitglieds anzeigt, und angeheftete Kanban-Boards als schnell umschaltbare Tabs. Ich mag diese Kombination, weil sie zwei getrennte Fragen beantwortet: Wohin geht automatisierte Arbeit, und wer erscheint dafür verantwortlich, sie voranzubringen? Auch die Planung lässt sich einfacher steuern. Nutzer können Jobs abbrechen, festlegen, was nach einer verpassten Ausführung passieren soll, und einen Job über den Desktop-Editor stoppen. Sperren pro Skill können autonome Schreibzugriffe auf einen ausgewählten Skill verhindern, während ein Pre-Inference-Hook einen Turn stoppen kann, bevor das Modell aufgerufen wird. Diese Kontrollen greifen an unterschiedlichen Stellen: Eine schützt eine bestimmte Fähigkeit, während die andere einen gesamten Turn stoppen kann, bevor die Inferenz Ressourcen verbraucht oder Aktionen einleitet. Das für eine Sitzung ausgewählte Modell lässt sich außerdem zurücksetzen, ohne den Verlauf zu löschen. Die Zusammenarbeit wird reichhaltiger, aber auch die Bremsen – und genau das braucht gemeinsame Automatisierung. Die geplante Version 23 soll kuratierte Notizen aus diesen Funktionsbereichen sowie die seit Version 22 eingeführten Änderungen sammeln und dem Ausbau der Zusammenarbeit eine einheitlichere Darstellung geben.

[ALLOY]: Ein Modell mit 65 Milliarden Parametern und einem Kontextfenster von einer Million Token klingt in beiden Hinsichten enorm. Was stellt der OpenRouter-Eintrag für Ripple-65B tatsächlich bereit?

NOVA: OpenRouter listet RicursiveAIs Ripple-65B Preview als Text-zu-Text-Modell, das in 16-Bit-Präzision bereitgestellt wird, mit nativer Tool-Aufrufunterstützung und einer Kontextkapazität von 1.048.576 Token. Tool-Aufrufe bedeuten, dass das Modell verbundene Software bitten kann, eine benannte Funktion auszuführen, statt jede Aktion in Prosa ausdrücken zu müssen. Der Eintrag nennt für Prompt-Eingaben 20 Cent pro Million Token, für generierte Ausgaben 60 Cent pro Million und für aus dem Cache gelesene Eingaben 5 Cent pro Million. Der Cache-Preis ist wichtig, wenn ein langlebiger Agent immer wieder denselben großen Bestand an Code oder Dokumentation erneut verarbeitet. Der Zugriff erfolgt über die OpenRouter-API, sodass ein Team eine bestehende Agenten-Workload an Ripple weiterleiten kann, ohne die Gewichte selbst zu hosten. Das Modell nimmt Text entgegen und gibt Text zurück; sein Agentenwert entsteht daher nicht durch integrierte Bild- oder Audioverarbeitung, sondern dadurch, dass diese sprachliche Schnittstelle mit Tools verbunden wird. Eine Coding-Anwendung könnte beispielsweise Repository-Kontext im Arbeitsfenster des Modells bereitstellen und Dateiuntersuchungen, Suchen oder andere externe Aktionen über Tool-Aufrufe erledigen lassen.

[ALLOY]: Die Kapazität von einer Million Token zieht die Aufmerksamkeit auf sich, aber erst die Tool-Nutzung macht daraus ein Agentenprodukt. Ein Modell kann ein sehr großes Repository oder eine Dokumentensammlung einsehen und dann eine externe Aktion anfordern, wenn allein das Reasoning nicht ausreicht. Die Kapazität beweist allerdings nicht, dass jede nützliche Detailinformation im gesamten Fenster gleich gut verfügbar bleibt. Ripples Listeneintrag bietet einen unmittelbaren Zugangsweg und vorhersehbare Token-Preise; die separate Veröffentlichung mit offenen Gewichten eröffnet einen Weg zur selbst verwalteten Bereitstellung. Das sind unterschiedliche Vorteile. Der eine senkt die Hürde, das Modell hinter eine bestehende Anwendung zu setzen, während der anderen Organisationen mehr Kontrolle darüber gibt, wo es läuft. Der Preis für Cache-Reads begünstigt zudem Workloads, die einen großen gemeinsamen Prefix wiederverwenden, statt in jedem Turn den vollen Eingabepreis zu bezahlen. Der Listeneintrag macht Ripple jetzt leicht zugänglich; länger andauernde Coding-Sitzungen werden zeigen, wie gut sich sein langer Kontext und seine nativen Tool-Aufrufe ergänzen, wenn die Arbeit viele Dateien, wiederholte Aktionen und sich ändernde Zustände umfasst.

NOVA: Astra berichtet, dass das Experiment tatsächlich ungewöhnlich ist. Das Team sagt, GPT-6 Astra habe die numerischen Rohgewichte in Qwen 3.5 0.8B untersucht, abgeleitet, dass ein Teil des Netzwerks zu Reasoning-Schleifen beitrug, und ausgewählte Werte durch Reasoning in natürlicher Sprache verändert. Es verwendete weder eine benutzerdefinierte Trainingsschleife noch Gradient Descent, also das übliche Verfahren, mit dem ein Modell durch wiederholtes Messen von Fehlern und schrittweises Anpassen riesiger Parameterzahlen verbessert wird. Astra veränderte 0,016 Prozent der Gewichte.

[ALLOY]: Und der berichtete Sprung ist nicht subtil. Unter denselben Sampling-Einstellungen stieg die MATH-500-Genauigkeit von 7,9 auf 48,1 Prozent, während die Instruction-Following-Leistung bei IFEval sich verdreifachte. Diese Ergebnisse stammen vom Team, das die Methode vorstellt, und müssen daher über das berichtete Beispiel hinaus reproduziert werden. Aber okay, das ist tatsächlich wild: Ein größeres Modell scheint ein kleineres Modell als numerisches Objekt untersucht, mit bestimmten Gewichten verknüpftes Verhalten gefunden und eine gezielte Reparatur durchgeführt zu haben, ohne das gesamte Netzwerk neu zu trainieren.

NOVA: Sie nennen es Weight-Space Programming. Statt Gewichte als undurchsichtiges Nebenprodukt des Trainings zu behandeln, verfährt der Ansatz so, als wären sie editierbare numerische Artefakte, deren Berechnungen man analysieren kann. Das könnte relevant werden, wenn ein Modell einen engen Verhaltensfehler aufweist und ein vollständiges Retraining langsam oder teuer wäre. Eine gezielte Änderung könnte einen Fehler beheben, während der größte Teil des Netzwerks unangetastet bleibt. Die schwierige Frage ist, ob die Änderung tatsächlich eng begrenzt bleibt. Die Verbesserung zweier Evaluierungen belegt nicht, was mit unbeteiligten Fähigkeiten, der Kalibrierung, dem Sicherheitsverhalten oder der Robustheit unter anderen Prompts geschieht.

[ALLOY]: Richtig, und die weitestgehende Interpretation kaufe ich noch nicht. Eine Intervention in einem Modell mit 0,8 Milliarden Parametern bedeutet nicht, dass Frontier-Netzwerke nun sauber aus natürlicher Sprache programmierbar geworden sind. Sie stellt aber die Annahme infrage, dass die Verbesserung eines Modells immer einen weiteren Trainingslauf bedeuten muss. Wenn spätere Arbeiten einen beobachteten Fehler mit einer kleinen, interpretierbaren Gruppe von Gewichtsänderungen verbinden und zeigen können, dass die Reparatur ohne verborgene Schäden generalisiert, könnte die Modellwartung eher dem Reparieren eines bestimmten Schaltkreises ähneln als dem Neubau der gesamten Maschine.

NOVA: OpenAI sagt, es habe eine autonome Pipeline gebaut, die 948 Schwachstellen im Linux-Kernel gefunden, validiert und Patches dafür erstellt hat. Es handelte sich um lokale Privilegieneskalationen. Ein Angreifer bräuchte bereits Zugriff auf die Maschine, könnte diesen durch die Ausnutzung aber erweitern und einen wesentlich größeren Teil des Systems offenlegen. Der Linux-Kernel bildet das Herz von Servern, Desktops, eingebetteten Geräten und Cloud-Infrastruktur,weshalb Fehler auf dieser Ebene eine enorme Reichweite haben können.

[ALLOY]: Bei 948 muss ich innehalten. Sicherheitsteams müssen normalerweise Entdeckung, Reproduktion, Schweregradbewertung, Patch-Entwurf und Review durchlaufen. OpenAIs Pipeline verdichtet Entdeckung, Validierung und Erstellung potenzieller Patches zu einem automatisierten Ablauf. Sie ersetzt die Maintainer nicht im Prozess. Sie legt ihnen eine große Sammlung validierter Fälle und vorgeschlagener Korrekturen zur Prüfung vor. Dieser Unterschied ist wichtig, denn ein Patch kann eine Schwachstelle schließen und zugleich an anderer Stelle in einem so eng verzahnten System wie dem Kernel eine Regression verursachen.

NOVA: Genau. „Einen Patch erstellt“ und „sicher in Linux integriert“ sind nicht austauschbar. Die Kernel-Maintainer müssen weiterhin beurteilen, ob eine Korrektur die tatsächliche Ursache behebt, das erwartete Verhalten bewahrt, auf den relevanten Branches funktioniert und kein neues Sicherheitsproblem schafft. Aber der Umfang der Entdeckung verändert, was upstream möglich wird. Ein automatisiertes System kann nach Klassen von Fehlern suchen, auf die menschliche Teams nur langsam stoßen, und reproduzierbare Fälle erzeugen, statt einen Berg spekulativer Warnungen zu liefern. Es kann die Entdeckung außerdem mit einer potenziellen Reparatur verbinden und so die Distanz zwischen „Da ist etwas falsch“ und „Hier ist eine konkrete Änderung zur Prüfung durch Experten“ verkürzen.

[ALLOY]: Die maßgebliche Evidenz ergibt sich aus der Expertenprüfung, Akzeptanz und Bereitstellung. Selbst wenn letztendlich nur ein Teil der generierten Korrekturen tatsächlich umgesetzt wird, zeigt die Pipeline eine andere Form der defensiven Sicherheitsarbeit. Menschen können mehr Aufmerksamkeit auf die Bewertung von Reparaturen und das Verständnis systemischer Ursachen verwenden, während Maschinen Fehler in großem Umfang suchen und reproduzieren. Das ist spannend, erhöht aber auch die Anforderungen an die Überprüfungskapazität. Hunderte echter Schwachstellen schneller zu finden, hilft nur, wenn die Wartungsteams diese Warteschlange sicher in ausgelieferte Korrekturen umwandeln können, ohne in der Ausgabe zu ertrinken.

NOVA: OpenAI hat Images two-point-six am vierten November für ChatGPT, Codex und die API veröffentlicht. Es generiert Bilder schneller, kann GIFs erstellen und bietet präzisere Bearbeitung. Neue API-Steuerungen geben Entwicklern mehr Einfluss darauf, wie diese Funktionen in Produkten agieren. Die sichtbare Änderung ist, dass Bildarbeit über die Erstellung eines statischen ersten Entwurfs hinausgehen kann: Eine Person kann ein Asset generieren, ein ausgewähltes Detail verfeinern oder die Idee in Bewegung umsetzen, ohne dieselbe Modellfamilie zu verlassen. In Codex rückt dies die visuelle Erstellung auch näher an die Softwarearbeit rund um eine Schnittstelle, Demonstration oder ein digitales Produkt heran. Ein Anwendungsteam könnte Interface-Grafiken generieren und eine kurze bewegte Demonstration über denselben zugrundeliegenden Dienst produzieren, anstatt jede Phase einem getrennten Tool zu überlassen. Dieselben Funktionen können auch schnelle Variationen eines bestehenden Bildes unterstützen, während die bereits funktionierenden Teile erhalten bleiben.

[ALLOY]: Die GIF-Erstellung klingt spielerisch, schließt aber eine echte Produktionslücke. Kurze Bewegtbilder erscheinen in Produktdemos, sozialen Posts, Supportmaterialien und Interface-Prototypen und erforderten oft ein separates Tool nach der Bilderzeugung. Präzisere Bearbeitung kann sich als noch wichtiger erweisen, da nützliche kreative Arbeit davon abhängt, das bereits Richtige zu bewahren, während eine bestimmte Region geändert wird. Eine schnellere Ausgabe verkürzt den Konversationszyklus: fragen, prüfen, überarbeiten und weitermachen, bevor die Idee kalt wird. Die API erweitert diesen Zyklus über die eigenen Anwendungen von OpenAI hinaus und ermöglicht es anderen Produkten, Generierung, Bewegung und selektive Bearbeitung innerhalb ihrer bestehenden kreativen Oberflächen zu kombinieren. Eine Support-Plattform könnte eine kurze animierte Erklärung produzieren, während ein Designprodukt jemandem ermöglichen könnte, ein Objekt zu überarbeiten, ohne die gesamte Komposition neu zu erstellen. Geschwindigkeit zählt am meisten, wenn sie mehrere sorgfältige Überarbeitungen unterstützt, nicht nur, wenn sie das erste Bild schneller produziert.

[ALLOY]: Wir haben Ripps gehosteten Weg behandelt. Die Open-Weight-Veröffentlichung erhebt einen größeren Anspruch: Ricursive Intelligence behauptet, dass ein Modell mit fünfundsechzig Milliarden Parametern amerikanische Open-Weight-Modelle im agentischen Coding anführen kann, während es gleichzeitig praktisch genug für lokale NVIDIA-Systeme bleibt. Was stützt diese Aussage?

NOVA: Ricursive meldet eine Punktzahl von 80,52 auf TerminalBench two-point-one, einer Evaluierung, die darauf basiert, dass Agenten Aufgaben in einer Terminalumgebung erledigen. Das Unternehmen platziert Ripple vor Reflection Beam mit 501 Milliarden Parametern, Meta Muse Spark Open mit 816 Milliarden, Thinking Machines Inkling mit 975 Milliarden und NVIDIA Nemotron three Ultra mit 550 Milliarden. Diese Vergleiche und die Punktzahl sind die von Ricursive gemeldeten Ergebnisse. Ripple ist viel kleiner als die genannten Konkurrenten, was die Zahl bemerkenswert macht, wenn eine breitere Nutzung dieselbe Effizienz widerspiegelt. Das Modell wurde auf zwölf Billionen Tokens vortrainiert, und Ricursive sagt, dass seine dichte Architektur für effizientes Training und Serving auf NVIDIA-Hardware konzipiert wurde. Das Unternehmen gibt an, architektonische Änderungen an kleineren Modellen getestet zu haben, bevor sie skaliert wurden, eigene Synthetic-Data-Pipelines aufgebaut und zweiunddreißig Millionen Dollar für Daten, Evaluierung, Debugging und Post-Training ausgegeben zu haben.

[ALLOY]: Das ist eine bedeutsame technische Behauptung, aber „lokal“ bedarf hier einer Übersetzung. Ricursive verweist auf Hardware wie NVIDIA DGX Spark, nicht auf einen dünnen Laptop, der neben einem Webbrowser läuft. Offene Gewichte geben Organisationen die Möglichkeit, das Modell auf von ihnen verwalteter Infrastruktur zu betreiben, während fünfundsechzig Milliarden Parameter immer noch erheblichen Speicher und Rechenleistung erfordern. Ripple unterstützt bis zu einer Million Tokens Kontext und native Tool-Aufrufe, was es auf Agenten abzielt, die große Repositories inspizieren und über verbundene Software agieren. Die Gewichte sind über Hugging Face erhältlich, während Together AI, GMI Cloud und OpenRouter gehosteten Zugriff anbieten, wobei Fireworks ebenfalls geplant ist. Diese Kombination ermöglicht es Teams, zwischen verwalteter Inferenz und direkterer Kontrolle über die Bereitstellung zu wählen. Ricursive's TerminalBench-Score verleiht der Veröffentlichung eine prägnante Überschrift; unbekannte Repositories, lange Jobs und unordentliche Tool-Fehler werden bestimmen, wie viel von diesem gemeldeten Vorteil die alltägliche Entwicklung übersteht.

NOVA: ComfyUI's stabile Version forty-four fügt Partner Nodes für Patina-Texturarbeit und VEED-Synchronisation hinzu, beide von bigcat eighty-eight beigesteuert. Patina bringt die Texturerstellung in den Node-Graphen, während VEED einen Synchronisationsschritt hinzufügt. ComfyUI hat auch seine Workflow-Templates auf eleven ninety-eight aktualisiert, was Erstellern aufgefrischte Startstrukturen für die Zusammenstellung dieser Elemente mit Bild-, Video- und Audiooperationen bietet.

[ALLOY]: Das Spannende ist die Verbindung zwischen ihnen. Textur und Synchronisation klingen zunächst nicht verwandt, bis ein einziger Graph eine visuelle Szene produziert, deren Oberflächen einen bestimmten Materialcharakter verleiht und ihre gesprochene Spur lokalisiert. ComfyUI's Node-Ansatz macht diese Operationen zusammensetzbar, anstatt sie hinter separaten Anwendungs-Workflows zu verstecken. Ein Ersteller kann eine spezialisierte Operation an der Stelle platzieren, wo sie hingehört, und die umgebende Pipeline sichtbar halten.

NOVA: Es gibt eine interne Wartungsänderung am Python-Ziel, das von pylint verwendet wird, aber die für Ersteller relevante Nachricht sind definitiv die beiden Partner Nodes. Ihr Wert wird durch vollständige Workflows klarer als durch isolierte Node-Beschreibungen. Ein Textur-Node verdient seinen Platz, wenn er natürlich zwischen Generierung und endgültigem Rendering passt; Synchronisation wird nützlich, wenn Timing, Stimme und die umgebende Medienpipeline kohärent bleiben.

[ALLOY]: Deshalb wird ComfyUI immer interessanter. Es fügt nicht nur einen weiteren Modell-Picker hinzu. Es sammelt spezialisierte Produktionsschritte, die um den tatsächlichen Prozess eines Erstellers herum neu verdrahtet werden können. Patina und VEED erweitern diesen Graphen um zwei weitere Teile der Medienproduktion, ohne Generierung, Oberflächenarbeit, Sound und Lokalisierung in einen monolithischen Editor zu zwingen.

NOVA: Wähler lehnten Rechenzentren in mehr als dreißig Orten in neun amerikanischen Bundesstaaten ab oder schränkten sie ein. Die Maßnahmen umfassten Moratorien, vollständige Verbote sowie finanzielle oder betriebliche Einschränkungen für Hyperscaler, die Steuervergünstigungen suchten. Einige Abstimmungen reagierten auf bereits laufende Projekte, es handelte sich also nicht um theoretischen Widerstand gegen einen imaginären zukünftigen Ausbau.

[ALLOY]: Edgewater, Florida, hat ein Rechenzentrumsverbot mit überwältigender Mehrheit in seine Stadtcharta aufgenommen. Perry, Ohio, verhängte finanzielle und betriebliche Auflagen für Hyperscaler, die Anreize suchten. Anti-Tech- oder Anti-Rechenzentrums-Werbung tauchte auch in mehr als einhundertdreißig föderalen und Gouverneurswahlen auf. Der Gouverneur von Texas, Greg Abbott, hatte die KI- und Rechenzentrumserweiterung gefördert, dann strengere Regulierung versprochen, verlor aber trotzdem seine Wahl. Lokale Bedenken sind potent genug geworden, um Kampagnen weit über die Sitzungen der Planungsausschüsse hinaus zu prägen.

NOVA: Auch die Finanzierung reagiert. Banken und Vermögensverwalter haben begonnen, den Widerstand der Gemeinden als Kreditrisiko zu behandeln, während Hyperscaler Community-Beauftragte einstellen. Einige Betreiber nennen ihre Einrichtungen „Compute-Campusse“, aber die Änderung des Namens hat die öffentliche Reaktion nicht zuverlässig geändert. Die Anwohner sehen immer noch Strombedarf, Wasserverbrauch, Land, Lärm, steuerliche Behandlung und die Beständigkeit der versprochenen Arbeitsplätze. Ein glänzender Name beantwortet nicht, wer für neue Infrastruktur zahlt oder wer die Störung trägt. Sobald Kreditgeber einen Preis auf politischen Widerstand setzen, kann eine Gemeindewahl die Projektökonomie vor Baubeginn verändern.

[ALLOY]: Dies kann die Landkarte der KI-Infrastruktur verändern. Ein technisch geeigneter Standort kann finanziell unattraktiv werden, wenn die Genehmigung unsicher ist, Anreize an Wählerbedingungen geknüpft sind oder Kreditgeber den Widerstand in den Deal einpreisen. Gemeinden üben Einfluss vor Baubeginn aus, nicht nur Verhandlungen nach Ankunft der Server. Unternehmen, die weiterbauen, werden Vereinbarungen benötigen, die Menschen in konkreten Begriffen bewerten können – Kosten, Schutzmaßnahmen und lokale Vorteile. Der Rechenboom hängt zunehmend von der öffentlichen Zustimmung ab, und die Wähler haben gezeigt, dass sie bereit sind, diese zu verweigern.

NOVA: SambaNova und Supermicro kündigten eine Zusammenarbeit an, um Inferenzsysteme zu bauen und zu verkaufen, die SambaNova RDUs mit GPUs kombinieren. Eine RDU ist SambaNovas Prozessor, der auf Datenfluss ausgelegt ist und Modellberechnungen anders durch die Hardware bewegt als ein konventioneller Grafikprozessor. Supermicros anfängliche Planung umfasst zehntausend SN50 RDU-Chips, was der Partnerschaft ein echtes Volumenziel gibt, anstatt einer vagen Vereinbarung zur Erforschung gemischter Hardware. Supermicro bringt Erfahrung im Systembau und Vertrieb ein; SambaNova steuert einen Prozessor bei, der auf eine andere Art der Bewegung von Modellberechnungen ausgelegt ist. Die Kombination erkennt auch an, dass das AI-Serving von mehreren Prozessortypen profitieren kann, anstatt zu verlangen, dass ein Chip jede Phase gleich gut bewältigt.

[ALLOY]: Das Mixed-Chip-Design ist die interessante Wette. Agentische Workloads verhalten sich nicht unbedingt wie ein einheitlicher Strom von Matrixoperationen. Sie können abwechselnd Token generieren, lange Kontexte verarbeiten, Tools aufrufen und auf externe Systeme warten. SambaNova argumentiert, dass die nächste Welle der Inferenz überall laufen muss, und die Partnerschaft kombiniert ihre spezialisierten Prozessoren mit dem enormen installierten Momentum von GPUs. Aber zehntausend geplante Chips sind nicht zehntausend eingesetzte Chips. Der sinnvolle nächste Schritt ist ein verfügbares System, das zeigt, welche Aufgaben auf der RDU laufen, welche auf GPUs verbleiben und ob die Kombination Durchsatz, Latenz oder Kosten ausreichend verbessert, um eine weitere Hardware-Schicht zu rechtfertigen. Wenn die Aufteilung funktioniert, erhalten Betreiber eine weitere Möglichkeit, bestimmte Berechnungen mit der Hardware abzugleichen, die sie effizient verarbeitet.

[ALLOY]: Nachdem Wähler Einschränkungen für Rechenzentren auferlegten, führte OpenAI das Grid Protectors Program ein. Ist das eine direkte Reaktion auf denselben Druck?

NOVA: Es geht um dieselbe Kollision zwischen Rechenleistungs-Wachstum und lokaler Infrastruktur. OpenAI sagt, das Programm werde mit Versorgungsunternehmen zusammenarbeiten, damit zukünftige Rechenzentrums-Campusse die Zuverlässigkeit des Stromnetzes unterstützen und die Stromkosten der Verbraucher schützen. Große Anlagen erzeugen eine konzentrierte Nachfrage, während Netze weiterhin genügend Erzeugung, Übertragung und Flexibilität benötigen, um Spitzenlasten und Störungen zu bewältigen. Ein Campus, der seine Nachfrage koordiniert oder neue Infrastruktur unterstützt, kann sauberer integriert werden als einer, der einfach eine enorme kontinuierliche Last anfordert. Die Ankündigung stellt Haushaltskosten und Zuverlässigkeit in die öffentlichen Verpflichtungen des Rechenprojekts, anstatt Elektrizität als privaten, im Hintergrund gesicherten Input zu behandeln. Das ist wichtig, denn ein neuer Campus kann Infrastruktur-Entscheidungen und Tarife weit über das Grundstück hinaus beeinflussen, auf dem seine Server stehen.

[ALLOY]: Das ist der richtige Rahmen, aber Gemeinden werden spezifische Vereinbarungen beurteilen. Jede Region hat unterschiedliche Erzeugung, Wetterbedingungen, Vorschriften, Tarifstrukturen und Übertragungsbeschränkungen. Benannte Versorgungsunternehmen, benannte Campusse und durchsetzbare Schutzmaßnahmen werden zeigen, ob das Programm Ergebnisse verändert. Dennoch macht OpenAIs Zeitpunkt einen Punkt klar: Stromzugang und öffentliche Zustimmung werden zum selben Geschäftsproblem. Zukünftige KI-Kapazität hängt von Chips und Gebäuden ab, aber auch von Versorgungsverträgen, die bestehende Kunden als fair empfinden. Eine Anlage als „Compute Campus“ zu bezeichnen, rettet keinen schwachen Deal; transparente Verpflichtungen bezüglich Zuverlässigkeit und Verbraucherkosten könnten es. Die gerade besprochenen Rechenzentrums-Abstimmungen machen diese Verpflichtungen kommerziell wichtig, nicht nur gute Öffentlichkeitsarbeit.

[ALLOY]: Ein Labormodell kann verstehen, dass eine Probe bewegt werden muss und scheitert dennoch an der physikalischen Frage: Was kann es sicher greifen, und wie kann die Maschine es erreichen?

NOVA: Diese Lücke misst der BEAKER-Benchmark. Forscher stellten Bild- und Videofragen zusammen, die Geräteerkennung, experimentellen Zustand, Sicherheit, Geräteaufbau, Bedienung, Prozedurreihenfolge und physikalisches Denken abdecken. Aktuelle Modelle bewältigten breite prozedurale Schritte besser als Aufgaben, die das Identifizieren bedienbarer Teile und machbarer Trajektorien erforderten – also die Pfade, denen ein Roboter oder eine Maschine tatsächlich folgen kann.

[ALLOY]: Das ist enorm wichtig für selbstfahrende Labore. Die Sequenz eines Experiments zu erkennen, ist nicht genug, wenn eine Aktion eine Chemikalie verschütten, mit Geräten kollidieren, die falsche Komponente greifen oder eine Apparatur stören kann, deren Zustand für das Ergebnis wichtig ist.

NOVA: Genau. Die richtige Aktion zu beschreiben, ist nicht dasselbe wie sie auszuführen. Laborautomatisierung benötigt Wahrnehmung, Sicherheitsbeschränkungen und physikalisch umsetzbare Bewegungen, die im selben Moment übereinstimmen. BEAKER deckt diese Lücke auf, bevor Systeme die Kontrolle über echte Maschinen erhalten.

NOVA: OpenAI hat Pando entwickelt, ein Git-kompatibles Backend, das für die Menge an Entwicklung konzipiert wurde, die Codex in seiner Desktop-App-Coding-Umgebung produzieren kann. Git ist das System, das Entwickler verwenden, um Code-Historie aufzuzeichnen, Arbeiten zu verzweigen, Änderungen zu vergleichen und Beiträge zu kombinieren. Die Kompatibilität ermöglicht es, dass etablierte Git-Konzepte relevant bleiben, während Pando die ihnen dienende Infrastruktur verändert. Das ist wichtig, wenn Codex mehr gleichzeitige Entwicklungsaktivitäten erzeugt als ein konventioneller Workflow nur für Menschen: mehr Repository-Lesevorgänge, vorgeschlagene Änderungen, Branches, Vergleiche, Reviews und Merges, die sich mit Maschinengeschwindigkeit bewegen.

[ALLOY]: Die bemerkenswerte Codex-Änderung ist also kein weiterer Terminal-Tag. OpenAI baut die Repository-Schicht unter dem Desktop-Produkt neu auf. Warum nicht einfach mehr Server hinter gewöhnlichem Git-Hosting hinzufügen?

NOVA: Weil Skalierung die Form des Workloads verändert. Viele parallele Coding-Aufgaben können wiederholt dieselben Historien inspizieren, sich überschneidende Änderungen erzeugen und Vergleiche oder Merges in einem Tempo anfordern, für das die Repository-Infrastruktur ursprünglich nicht ausgelegt war. OpenAI beschreibt Pando als Git-kompatibel und für die von Codex angetriebene Skalierung gebaut, was darauf hindeutet, dass das Unternehmen eine höhere Kapazität wünscht, ohne Entwickler zu zwingen, vertraute Code-Historien-Semantik aufzugeben. Das sichtbare Coding-Erlebnis hängt weiterhin von einer dauerhaften Historie, Koordination und Überprüfung darunter ab. Wenn Agenten die Anzahl der gleichzeitigen Mitwirkenden vervielfachen, wird die Repository-Leistung Teil dessen, ob sich das Produkt kohärent anfühlt.

[ALLOY]: Und Git-Kompatibilität ist die clevere Einschränkung. Ein neues Backend ist einfacher zu absorbieren, wenn Softwareteams das mentale Modell und das umgebende Ökosystem, das sie bereits verwenden, nicht aufgeben müssen. Echte Repositories werden die härteren Beweise liefern: große Historien, viele gleichzeitige Agenten, menschliche Mitwirkende, widersprüchliche Bearbeitungen und komplizierte Merges. Dennoch zeigt Pando, wohin die KI-gestützte Entwicklung geht. Code zu schreiben ist nur eine Schicht. Die umgebenden Systeme müssen weitaus mehr Software-Aktivität absorbieren, ohne dass Zusammenarbeit, Herkunft und Historie zum neuen Engpass werden.

NOVA: OpenAI gab am vierten November bekannt, dass es die Pierre Computer Company übernehmen wird. OpenAI sagt, der Deal werde Codex’ Tools zum Erstellen, Verstehen und Überprüfen von Code erweitern. Das platziert die Übernahme über den gesamten Softwareentwicklungszyklus hinweg, anstatt sie an eine einzelne, enge Funktion zu koppeln. Erstellen umfasst das Erzeugen oder Ändern von Software; Verstehen bedeutet, zu navigieren, was eine bestehende Codebasis tut; Überprüfen fragt, ob eine vorgeschlagene Änderung korrekt, sicher und angemessen ist. Diese späteren Phasen werden wichtiger, da Coding-Agenten eine größere Menge an Änderungen generieren, denn schnelles Produzieren von Code macht diesen Code nicht automatisch leicht verständlich oder genehmigbar. Besseres Überprüfen und Code-Verständnis kann bestimmen, ob zusätzliche generierte Arbeit zu nützlichem Output wird oder einfach eine größere Warteschlange, die Menschen entwirren müssen.

[ALLOY]: Es passt gut zu Pando. Eine Investition stärkt die Repository-Infrastruktur unter der Agenten-intensiven Entwicklung, während die andere Menschen und Technologien hinzufügt, die darauf abzielen, wie Entwickler Code erstellen, verstehen und bewerten. OpenAI positioniert Codex nicht als eine clevere Vervollständigungsbox. Es baut eine breitere Umgebung auf, in der Generierung, Repository-Verständnis und Überprüfung zunehmend zusammenlaufen – und wo der Mensch eine klare Vorstellung davon benötigt, was sich geändert hat, warum es sich geändert hat und ob es dazugehört. Die Auswirkungen der Übernahme werden greifbar, wenn Pierres Arbeit in diesen Erstellungs-, Verständnis- und Überprüfungs-Oberflächen erscheint. Schnelle Codegenerierung ist leicht zu feiern; diesen wachsenden Strom lesbar und überprüfbar zu machen, ist das, was Geschwindigkeit in verlässliches Engineering verwandelt.

[ALLOY]: Die meisten Modelloptimierungen klingen abgeschlossen, sobald die Bereitstellung beginnt. Together Compiler geht vom Gegenteil aus: Der Traffic ändert sich, also sollte sich auch die optimierte Berechnung ständig ändern. Wie unterscheidet sich das von einer sorgfältig abgestimmten Serving-Konfiguration?

NOVA: Together AI beschreibt es als ein agentengesteuertes System, das den Vorwärtslauf eines Modells – die Berechnung, die Eingaben in Ausgaben umwandelt – wiederholt neu optimiert, wenn sich der bediente Traffic verschiebt. Together berichtet von einem Durchsatz von bis zu 2,6-mal mehr Tokens pro Sekunde als bei den besten InferenceX-Konfigurationen, wobei die Optimierung für jedes Modell in weniger als 24 Stunden abgeschlossen wird. Diese Zahl stammt von Together, sodass die Leistung über verschiedene Modelle und Workloads hinweg zeigen wird, wie breitflächig dies zutrifft. Die wichtige Änderung ist, dass der Compiler einen Ausführungsplan als etwas behandelt, das nach der Bereitstellung überarbeitet werden kann, anstatt ihn bei Dienststart dauerhaft festzulegen.

[ALLOY]: Das passt besser zum Produktionstraffic, da sich Anfragelängen, Batch-Größen, Parallelität und Modellnutzung im Laufe der Zeit ändern. Eine für die gestrige Arbeitslast abgestimmte Einrichtung kann morgen Hardware verschwenden. Die agentengesteuerte Schleife von Together Compiler sucht nach einem besseren Ausführungsplan für den tatsächlich bedienten Traffic. Wenn der gemeldete Gewinn über wechselnde Workloads hinweg Bestand hat, wird die Inferenzoptimierung zu einem laufenden Dienst und nicht zu einem einmaligen Engineering-Projekt am Starttag. Das könnte dieselbe Hardware in mehr abgeschlossene Anfragen oder niedrigere Bereitstellungskosten umwandeln, ohne das Modell selbst zu ändern. Die Anpassung muss weiterhin zuverlässig bleiben: Zusätzliche Optimierung zahlt sich nur aus, wenn die resultierende Berechnung korrekt bleibt und der Durchsatzgewinn die operative Komplexität überwiegt. Aber die 2,6-fache Token-Rate ist groß genug, um eine kontinuierliche Neuoptimierung mehr als nur eine kosmetische Verbesserung sein zu lassen.

NOVA: Nanobot hat 49.845 Sterne, ein Plus von 1.067 in dreißig Tagen, und Version 0.4 wurde am 28. Oktober veröffentlicht. Es bietet eine leichtgewichtige Grundlage für persönliche Agenten. Codebase Memory MCP hat 48.151 Sterne, gewann 2.382 und veröffentlichte Version 0.12.1 im Oktober. Sein persistenter Graph verbindet Code, Dokumentation und Infrastruktur, während seine änderungsbewussten Fähigkeiten helfen, Bearbeitungen mit betroffenen Bereichen in Beziehung zu setzen. Ein kompakter Worker wie Nanobot könnte daher mit einem reichhaltigeren, dauerhaften Repository-Kontext arbeiten, anstatt bei jedem Projekteintritt die gleichen Beziehungen neu zu entdecken.

[ALLOY]: MCP for Blender erweitert diese Idee des vernetzten Agenten auf die dreidimensionale Kreation. Es erreichte 33.360 Sterne nach einem Zuwachs von 3.415 in dreißig Tagen – 11,4 Prozent Wachstum – und wurde am 4. November aktualisiert. Es ermöglicht einem LLM, Blender über eine Integrationsschicht zu bedienen, obwohl es sich um ein Community-Projekt und nicht um ein offizielles Werkzeug der Blender Foundation handelt. Die drei Projekte haben unterschiedliche Maßstäbe: Nanobot liefert einen fokussierten Worker, Codebase Memory bewahrt Beziehungen in einem Softwaresystem und MCP for Blender gibt einem Agenten eine spezialisierte kreative Umgebung, die er steuern kann.

NOVA: RicursiveAI’s Ripple-65B Preview ist über OpenRouter als 65-Milliarden-Parameter, Text-zu-Text-Modell verfügbar, das in 16-Bit-Präzision bereitgestellt wird. Es unterstützt native Werkzeugaufrufe und ein Kontextfenster von 1.048.576 Tokens. Diese Kombination zielt auf Agenten ab, die über ungewöhnlich große Coding-Kontexte hinweg nachdenken und externe Funktionen aufrufen müssen, mit sofortigem API-Zugriff über OpenRouter und offenen Gewichten, die über die breitere Veröffentlichung von Ricursive verfügbar sind.

[ALLOY]: Moonshot AI’s Kimi K 3.1 Pro liegt auf Hugging Face im Trend mit 711 Likes und 11.658 Downloads. Es akzeptiert Bilder und Text und produziert Text, unterstützt visuelle Fragen, Screenshots, Abbildungen und bildgestützte Konversationen, anstatt als reines Textmodell zu funktionieren. Sein Repository verwendet Transformers, Safetensors, komprimierte Tensoren und benutzerdefinierten Code, mit angehängten Evaluationsergebnissen.

NOVA: Der Reiz ist multimodale Arbeit unter selbstverwalteter Bereitstellung: technische Dokumente mit Abbildungen, Interface-Screenshots und visuelles Material, das im Kontext erklärt werden muss. Seine Lizenz, sein Gewichtsformat, seine Laufzeitanforderungen, seine Kontextkapazität und Hardwareanforderungen bestimmen, wo diese Bereitstellung realistisch ist, insbesondere für ein Modell der Pro-Klasse. Die Download-Zahl zeigt aktives Interesse, während die Bild-und-Text-Oberfläche ihm eine konkretere Rolle verleiht als einem anderen allgemeinen Konversationsmodell.

NOVA: Soniox STT Version 6 fügt Agenten-Texteingabe und Echofilterung für Sprachagenten hinzu. Es kann den eigenen Text des Sprachagenten empfangen, während es einem Anrufer zuhört, was ihm hilft, kurze Antworten zu erkennen und die Sprache des Agenten zu filtern, anstatt beide Seiten als einen verworrenen Stream zu transkribieren. Seine Streaming- und asynchronen Schnittstellen sind auf Live- und aufgezeichnete Sprach-Workloads ausgerichtet. OpenAI belohnt Verteidiger auch mit größeren Bug-Bounties und fügt Boni hinzu, die an Berichtsqualität, Loyalität und Prioritätskampagnen für unabhängige Sicherheitsforscher gebunden sind.

[ALLOY]: Und OpenAI beschleunigt die Entwicklung für die physische Welt, indem es ChatGPT und Codex in computergestütztem Design, Leiterplattendesign, Simulation und verwandter Ingenieursarbeit anwendet. Das verbindet die beiden anderen Entwicklungen gut: Soniox hilft Agenten, während der Live-Interaktion genau zuzuhören, während größere Sicherheitsbelohnungen Menschen ermutigen, schwerwiegende Fehler klar zu dokumentieren. Über Sprache, defensive Forschung und physisches Engineering hinweg nähern sich KI-Systeme der Arbeit, bei der missverstandener Kontext zu einem teuren Fehler wird.

NOVA: Für die Primärquellen und weitere Details zu diesen Entwicklungen sehen Sie sich die Shownotes unter Toby On Fitness Tech dot com an.

[ALLOY]: Vielen Dank fürs Zuhören bei AgentStack Daily. Wir sind bald zurück.