Ausgabe 4 · Montag, 9. November 2026
Heute in Kürze
- Agenten: Im Benchmark Co-Design Bench löst das beste von zehn Modellen nur gut jede vierte Coding-Aufgabe vollständig
- Lokal: llama-modchip bringt DeepSeek-V4-Flash mit 284 Mrd. Parametern auf einen 64-GB-Rechner ohne GPU
- Sicherheit: Check Point warnt vor Audio-Prompt-Injection bei KI-Sprachassistenten
- Europa: Große Rechenzentren-Betreiber halten Strom- und Wasserdaten offenbar zurück, obwohl das Energieeffizienzgesetz sie verlangt
- Markt: NVIDIAs Verwaltungsrat leitet eine unabhängige Untersuchung zu Jensen Huang ein
Modelle & Papers
-
Coding-Agenten erledigen das meiste, selten alles. Forschende von Alibaba und mehreren asiatischen Universitäten haben mit Co-Design Bench einen Test aus 273 Aufgaben gebaut, gezogen aus 26.314 echten Coding-Sitzungen. Die Agenten sollen bestehende Web-Apps nach Nutzerwünschen umbauen, teils mit Bildern, Audio, Video oder Dokumenten als Vorlage, und 2.331 versteckte Kriterien entscheiden über das Bestehen. Von zehn Modellen kommt GPT-6 Astra am weitesten: Es erfüllt im Schnitt 69,9 % der Kriterien einer Aufgabe, löst aber nur 26,4 % der Aufgaben vollständig, bei Umbauten über mehrere Dateien knapp 18 %. Dahinter folgen Claude Opus 5 und Qwen3.8-Max. Auffällig ist der Einfluss der Arbeitsumgebung: Qwen3.8-27B erreicht bei größeren Umbauten je nach Harness 75 oder nur 56 %. Der Test bewertet pro Aufgabe eine feste Anfrage, Rückfragen im Verlauf fehlen, und auch die KI-Prüfer können sich irren. Wer einen Coding-Agenten auswählt, testet Modell und Harness am besten gemeinsam an zehn eigenen Tickets, die schon einmal umformuliert werden mussten. The Decoder · arXiv
Builder / Tools
-
DeepSeek-V4-Flash auf 64 GB RAM, ohne GPU. Das GitHub-Projekt llama-modchip (Hacker News, 402 Punkte) patcht llama.cpp so, dass DeepSeek-V4-Flash mit 284,33 Mrd. Parametern, davon 13,17 Mrd. aktiv, auf einem Rechner mit 64 GB Arbeitsspeicher läuft. Die Datei schrumpft auf 56,56 GiB bei durchschnittlich 1,71 Bit pro Gewicht, im Betrieb belegt das Modell bei 256K Kontext bis zu 57,61 GiB. Auf einem 16-Kern-Prozessor (Zen 5) misst der Autor 44,36 Token pro Sekunde beim Einlesen und 9,1 bis 14,7 beim Erzeugen. Die 14,7 gibt es nur mit einem spekulativen Drafter, ohne ihn liegt das Erzeugen bei rund 9 bis 10. Das Format ist eigen, Standard-llama.cpp, Ollama und LM Studio öffnen die Dateien nicht. Zur Qualität nennt das README nur Werte relativ zu einem IQ2_XXS-Quant, einen Vergleich mit voller Präzision gibt es nicht, und Kommentatoren auf Hacker News blieben skeptisch. Für Teams mit sensiblen Daten und viel RAM ist es ein Experiment wert. Bei langen Agenten-Prompts bremst das Einlesen: Laut einer Analyse braucht ein kalter Prompt mit 10.000 Token knapp vier Minuten. GitHub · Analyse
-
Sprachassistenten lassen sich über den Ton angreifen. Check Point warnt, dass KI-Assistenten, die bei Banken, Versicherungen und Händlern Anrufe annehmen, per Audio-Prompt-Injection manipulierbar sind. Neue Speech-to-Speech-Modelle verarbeiten Ton direkt, deshalb fehlt das Transkript, an dem Schutzmaßnahmen bisher ansetzten. Ein Anrufer kann dem Assistenten schlicht sagen, er solle seine Vorgaben ignorieren, oder das Signal so verändern, dass Maschinen es anders hören als Menschen. Check Point verweist auf Forschung, in der ein nur 0,64 Sekunden langer Clip ein verbreitetes Transkriptionsmodell bei mehr als 97 % der getesteten Aufnahmen verstummen ließ, und auf eine Untersuchung, in der ein führendes Echtzeit-Sprachmodell in rund 70 % der Fälle schädlich antwortete. Welche Studien und Modelle gemeint sind, steht in der Mitteilung nicht. Der Schaden wächst mit den Rechten des Assistenten, etwa wenn er Konten einsehen oder Rückerstattungen auslösen darf. Check Point rät, zuerst das Signal auf Manipulation zu prüfen und erst danach das Gesagte zu transkribieren und zu bewerten. it-daily
Europa / Recht
-
Rechenzentren halten ihren Energiebedarf zurück. heise berichtet über Recherchen des SWR Data Lab bei rund dreißig der größten Betreiber in Deutschland. Das Energieeffizienzgesetz verpflichtet Betreiber größerer Anlagen, Kennzahlen zu Strom- und Wasserverbrauch zu veröffentlichen. Bei mehr als der Hälfte der Untersuchten waren die Angaben nicht auffindbar, einige verweigerten die Auskunft, laut Bericht darunter Equinix, NTT und CloudHQ. Sie berufen sich auf Geschäftsgeheimnisse; NTT verweist auf die EU-Energieeffizienzrichtlinie, die solche Ausnahmen vorsieht, das deutsche Gesetz kennt sie nicht. Im nationalen Rechenzentrumsregister steht von den rund hundert größten Anlagen erst knapp jede vierte. Eine geplante Novelle würde Geschäftsgeheimnisse ausdrücklich von der Veröffentlichung ausnehmen. Wer Hosting für KI-Workloads in Deutschland einkauft, kann Strom- und Wasserkennzahlen des Standorts als Auswahlkriterium verlangen. heise
Markt
-
NVIDIAs Verwaltungsrat untersucht Jensen Huang. NVIDIA hat am Sonntag mitgeteilt, dass ein Ausschuss unabhängiger Direktoren mit externen Anwälten eine unabhängige Untersuchung leitet (Hacker News, 454 Punkte). Anlass sind Berichte, Gründer und CEO Jensen Huang sei Ziel einer ausländischen Geheimdienstaktion gewesen. Der Verwaltungsrat sieht nach eigenen Angaben keinen Grund zur Annahme, dass nationale Sicherheit oder NVIDIA-Geheimnisse kompromittiert wurden, hat Vertrauen in Huang und sein Team, und Huang unterstützt die Prüfung. Weitere Updates sollen folgen. Die Tabelle weiter unten endet mit den Freitagsschlusskursen, die Meldung steckt darin noch nicht. NVIDIA
Tipp des Tages
Wenn ein Agent Zahlungs-, Konto- oder Termindaten ändern darf, schreib die erlaubten Aktionen als feste Liste in den Code und lass alles, was Geld bewegt, eine Freigabe außerhalb des Modells auslösen. Ein Satz im Prompt hält keinen Anrufer und keine manipulierte Mail auf.
Begriff des Tages
Begriff des Tages: Evals
Evals sind automatische Tests für KI-Anwendungen. Du sammelst Beispieleingaben, legst fest, was eine gute Antwort ausmacht, und lässt jede Änderung an Prompt, Modell oder Retrieval gegen diese Sammlung laufen. Am Ende steht ein Score. Bewertet wird mit Code-Regeln (stimmt das JSON-Format, kommt die Quelle vor), mit einem zweiten Modell als Richter oder von Menschen.
Nötig werden Evals, sobald mehr als eine Person am Prompt dreht oder das Modell wechselt. Ohne sie fallen Rückschritte erst durch Kundenbeschwerden auf. Ein Anfang sind 20 bis 50 echte Fälle aus dem Betrieb, vor allem solche, die schon einmal schiefgingen.
Der Haken: Ein Modell als Richter macht selbst Fehler und braucht Stichproben von Menschen. Testsets veralten, und ein Set, das alle bestehen, misst nichts mehr; bei älteren Coding-Benchmarks liegen Agenten laut Co-Design Bench über 99 %. Außerdem belegt ein Score nur, was im Set steht, ein nie aufgenommener Fehlerfall bleibt unsichtbar.
EU + offen: Giskard (Paris; Apache 2.0; selbst hostbar: ja; Bibliothek zum Testen und Bewerten von LLM-Agenten)
Proprietär: Braintrust (Managed-Plattform für Evals und Tracing; Starter 0 USD, Pro 249 USD pro Monat, Enterprise auch on-prem; das SDK-Teilprojekt autoevals steht unter MIT)
Wann was: Giskard, wenn die Tests im eigenen Code und in der CI laufen und die Daten bei dir bleiben sollen. Braintrust, wenn du Experimente, Traces und Team-Review in einer fertigen Oberfläche willst und Hosting kein Problem ist.
Merksatz: Ein Eval beantwortet nur die Fragen, die du ihm stellst. Jeder neue Fehlerfall gehört als Testfall ins Set.
AI Stocks
| Ticker | 1 Monat | 12 Monate |
|---|---|---|
| NVDA | −22% |
−1% |
| AMD | −31% |
+92% |
| MSFT | +0% |
+7% |
| GOOGL | −18% |
+2% |
| META | −17% |
−2% |
| AVGO | −22% |
−16% |
Seit Freitag gab es keinen Handel, die Werte entsprechen deshalb denen der Sonntagsausgabe. Auf Monatssicht liegen AMD (−31 %), NVDA und AVGO (je −22 %) sowie GOOGL und META im Minus, MSFT ist flach. Über zwölf Monate führt AMD mit +92 %, AVGO steht bei −16 %.