Espresso in 1 Min. gelesen
Dermatologe Magnus Lynch (Guy's/KCL) testet 200 histologisch gesicherte Läsionen aus MILK10k: Ein feinjustiertes Inception v3 von 2015 trifft die Diagnose zu 62 %, GPT-6 Astra und Claude Fable 5.1 je zu 42 %. Kleine Stichprobe, je LLM nur ein Lauf.
Max Woolf listet die Senkungen seit Juli auf – etwa GPT-5.6 Luna −80 %, Opus 5.5 für $4/$20 pro MTok, GPT-6.1 Sol mit halbiertem Cache-Read. Seine Erklärung: offene Modelle wie DeepSeek V4.1 Flash und Kimi K3.1 Pro als billiger Ersatz, dazu Effizienz und Wettlauf.
Drew Breunig zieht auf der AGNTCon Bilanz zum Context Engineering: ab ca. 200.000 Token Kontext neu aufsetzen, Tool-Auswahl filtern statt 600 Skills zu laden, erst kürzen, dann zusammenfassen. Neue Fehlerbilder: „Fighting the weights“ und Kontext-Trägheit.
Max Woolf (25.10.) stellt die Listenpreise zusammen (Input/Output/Cache-Read pro MTok): GPT-5.6 Luna fiel am 30.7. von $1/$6/$0,10 auf $0,20/$1,20/$0,02; GPT-6 Luna liegt bei $0,10/$0,50/$0,01. Anthropic machte den Startpreis von Sonnet 5 ($2/$10) dauerhaft, senkte bei Fable 5.1 den Cache-Read von $1 auf $0,25 und bietet Opus 5.5 für $4/$20/$0,20 statt $5/$25/$0,50 bei Opus 5. GPT-6.1 Sol halbiert den Cache-Read auf $0,10.
Woolfs Deutung (ausdrücklich spekulativ): Modelle sind austauschbar geworden; OpenRouter führt 29 Anbieter für DeepSeek V4.1 Flash 1017, offene Modelle wie Kimi K3.1 Pro holen auf. Dazu effizienteres Serving und gegenseitiges Reagieren – auffällig vor den erwarteten Börsengängen beider Firmen.
Wie es weiterging: GPT-6.1 Terra: Mittelklasse mit Vision und Computer Use (27.10.)
Arvind Krishna auf dem Q3-Call laut The Register: Offene Modelle kosteten 10–25 % der Token-Preise von Frontier-Modellen und seien für die meisten Business-Aufgaben (Mails zusammenfassen, Verträge prüfen, Kundenanrufe) etwa 90 % so gut. Viele Firmen kämen mit zwei bis drei Racks aus, scheiterten aber an Fachwissen zu Kernels, Netzwerk, GPU-Clustern und Caching – dafür will IBM Software liefern und Spyre-Beschleuniger verkaufen.
heise (25.10.): Arthur Mensch (Mistral) fordert unter „Build or surrender“ eigene europäische Frontier-Modelle, DeepL-Chef Jarek Kutylowski will die ganze Wertschöpfungskette in Europa halten – sonst fließe etwa das Geld für Softwareentwicklung in US-Modelle. Gegenposition: Legora-Chef Max Junestrand hält ein konkurrenzfähiges europäisches Frontier-Labor für Wunschdenken. Hintergrund: Die EU-Kommission setzt zunehmend auf Anwendungen, hat aber sieben KI-Gigafabriken mit rund 30 Mrd. Euro angestoßen.
Setup: 200 zufällig gezogene, biopsierte Läsionen aus MILK10k (100 nicht entlassbar: 30 Melanome, 25 BCC, 25 SCC, 20 aktinische Keratosen; 100 harmlos: Naevi und seborrhoische Keratosen), sechs Diagnosen zur Wahl. Das CNN wurde auf einer einzelnen H100 mit 68.011 ISIC-Bildern feinjustiert, Testläsionen ausgeschlossen.
Ergebnis: CNN 125/200 richtig (62 %), GPT-6 Astra 84, Fable 5.1 85. Den größten Abstand gibt es bei harmlosen Läsionen; die LLMs behalten fast alles ein (97 bzw. 96 von 100 kritischen, aber nur 32 bzw. 22 harmlose entlassen). Das CNN entließ dagegen 18 von 30 Melanomen – als Entlass-Werkzeug taugt es nicht.
Einschränkungen laut Autor: kleine Stichprobe, ein Lauf je LLM, möglicher Trainingsdaten-Kontakt der LLMs mit dem öffentlichen Datensatz; Analyse und Entwurf entstanden mit Claude Code. Lehre: Für eng umrissene Klassifikation schlägt ein kleines, spezialisiertes Modell oft das große Generalmodell.
Breunig ordnet: Prompt Engineering (2023) → Context Engineering (2025) → Harness Engineering (2026); die Arbeit wandert von Modellaufrufen in deterministischen Code. Die sechs Taktiken (Augmentation, Tool-Loadout, Quarantäne, Pruning, Offloading, Summarization) gelten weiter. Neu: „Fighting the weights“ – Großbuchstaben und Wiederholungen im System-Prompt sind ein Warnsignal – und Kontext-Trägheit, bei der Agenten an einer Hypothese kleben.
Konkret: ab 200.000 Token Kontext zurücksetzen, Werkzeuge per Loadout-Funktion vorfiltern (ein Team lud 600 Skills für alle), mit kleinem Entscheidungsmodell kürzen, dann zusammenfassen, Zustand in Dateien auslagern, Subagenten für isolierte Teilaufgaben. Breunig verweist auf ein Forgetting-Paper, in dem vier Agenten mit regelmäßigem Vergessen auf AHC014 1.144.695 Punkte erreichten, vier parallele 1.007.073.
Keine neue Claude-Code-Version seit v2.1.310 (23.10.). Anthropic News: nichts Neues seit 22.10. anthropics/skills und claude-plugins-official aus Budgetgründen nicht abgerufen.
Nutlope/hallmark legt weiter zu (+1.317 Sterne heute), ebenso pbakaus/impeccable (+1.092); cloudflare/security-audit-skill führt mit +2.878. Neu oben: AgriciDaniel/claude-seo, ein SEO-Skill für Claude Code mit vielen Sub-Skills und Subagenten (+197).
Anknüpfung an: Nutlope/hallmark: Design-Skill gegen KI-Einheitslook (25.10.)
Wie es weiterging: NVIDIA SkillSpector scannt Agent-Skills (27.10.)
Nachtrag zum Offline-Training: Laut heise (24.10.) beschreibt OpenAI in einem Blogeintrag die Umgebung – Web-Inhalte lokal gespiegelt, Agenten unter Linux in MicroVMs hinter Hypervisor, dazu Windows- und macOS-Virtualisierung, Firewalls und Dauerüberwachung durch andere Modelle. Eine vollständige physische Trennung hält OpenAI für „derzeit nicht umsetzbar“, weil Experimente und Überwachung externe Verbindungen brauchen.
Berichtete Ausbruchsversuche: Seitenkanalangriffe ähnlich Spectre/Meltdown, ein Modell holte Antworten von einem externen Chatbot. Das Training lief nach elf Tagen Pause am 1. Oktober wieder an. Für eigene Agenten-Sandboxes: MicroVM plus Egress-Kontrolle, und Überwachung durch ein anderes Modell als das überwachte.
Anknüpfung an: OpenAI: Frontier-Training nur noch ohne Live-Internet (25.10.), OpenAI trainiert offline (25.10.)