Espresso in 1 Min. gelesen
Laut Financial Times (via The Decoder) will Anthropic noch vor Thanksgiving an die Börse und 80 bis 100 Mrd. Dollar einsammeln, bei 1,25 bis 1,75 Billionen Bewertung. Hochgerechneter Jahresumsatz laut Insidern: rund 81 Mrd. Dollar – trotz Tech-Ausverkauf mit −6,4 % im Nasdaq 100.
Anknüpfung an: Anthropic: 17 Mrd. im Quartal (03.11.)
Wie es weiterging: Anthropic-Börsengang: Preisspanne steht (11.11.)
llama-modchip (Apache 2.0) patcht llama.cpp und quantisiert DeepSeek V4 Flash auf 1,71 Bit: 60,7 GB statt 82,5 GB, passt samt 256K-Kontext in 64 GB RAM. Herstellerwerte auf 16-Kern-Zen-5: 44 Token/s Prefill, 9–15 Token/s Ausgabe. HN: 400 Punkte.
Co-Design Bench (Qwen-Team und Unis) prüft 273 echte Änderungswünsche aus 26.314 Coding-Sitzungen. Das beste von zehn Modellen, GPT-6 Astra, erfüllt im Schnitt 69,9 % der Kriterien, löst aber nur 26,4 % der Aufgaben vollständig.
Anknüpfung an: MaxxBench: ändert man die Aufgabe, zerfällt der Gleichstand (08.11.)
Ausgangspunkt ist Unsloths UD-IQ1_S-Build von DeepSeek V4 Flash (284,33 Mrd. Parameter, 13,17 Mrd. aktiv), der mit 82,5 GB nicht in 64 GB RAM passt. Das Projekt behält Embeddings, Shared Experts und Teile der MLA-Attention in Q4_K/Q5_K, packt Attention-Ausgänge und die 256 gerouteten Experten in ein eigenes Format Fractal-64 (Tensortyp 40) und kommt so auf 60,7 GB; Spitzenbedarf 57,6 GiB bei 256K Kontext. Alle sechs Experten je Schicht laufen weiter mit.
Dazu kommen AVX-512-Kernel für den Prefill (+77 % laut Projekt), ein n-Gramm-Drafter für spekulatives Decoding und KV-Snapshots unter /dev/shm, die einen 40-Tool-Claude-Code-Prompt in 13–33 ms wiederherstellen. Kleinere Variante: Nemotron 3.5 30B-A3B mit 15,4 GB für 16–32 GB RAM. Für Apple Silicon gibt es Metal-Shader und Community-Messungen auf M4 Max/Pro. Achtung: Ollama, LM Studio und normales llama.cpp lehnen die Dateien ab (unknown tensor type 40). Alle Zahlen sind Projektangaben.
Oben in den Daily Papers vom 09.11. (noch wenige Stimmen): EvoWorld, das Videomodelle Szenen außerhalb des Bildausschnitts weiterentwickeln lässt (13), und ein Positionspapier, was in der Debatte um sich selbst verbessernde Agenten übersehen wird (13). Dazu Video-Coder (agentisches Coding für Videogenerierung) und eine Untersuchung zu Fähigkeiten und Grenzen von Weight-Space Programming.
Anknüpfung an: Weight-Space Programming: Honnibal trennt, was wirklich gezeigt wurde (04.11.), Weight-Space Programming: LLM liest und schreibt Netzgewichte (03.11.)
Die Aufgaben stammen aus echten Sitzungen, bevorzugt solchen, in denen Nutzer ihren Wunsch mehrfach umformulieren oder zurücknehmen mussten; teils mit Bildern, Audio, Video oder Dokumenten. Ein KI-Prüfer testet die App im Browser, ein zweiter sucht in jedem positiven Urteil nach Attrappen und fest eingetragenen Ergebnissen.
Laut The Decoder löst GPT-6 Astra 41 % der multimodalen, aber nur knapp 18 % der Repository-Aufgaben vollständig; dahinter Claude Opus 5 und Qwen3.8-Max, Grok 4.6 ist Letzter. GLM-5.2 braucht bei kleinen Änderungen fast sechsmal so viele Tokens wie GPT-6 Astra und schneidet schlechter ab. Die Leistung fällt, sobald Layout, Design, Bedienung und Inhalt zugleich geändert werden. Die Autoren raten, Modell und Harness immer gemeinsam anzugeben. Grenze: Rückfragen während der Arbeit misst der Test nicht.
Ein langjähriger Claude-Code-Nutzer erklärt, warum er auf das offene, minimalistische Harness Pi umgestiegen ist: zu späte AGENTS.md-Unterstützung, Fehler in der VS-Code-Integration und ständig wechselnde Systemprompts. Claude Code hatte 2026 bisher 244 Releases, über drei Viertel davon änderten Systemprompt oder Tool-Beschreibungen; allein die Beschreibung des Bash-Tools hat fast 3.000 Tokens.
Die Diskussion auf HN (723 Punkte) dreht sich um Overhead und Stabilität eigener Konfigurationen. Der Beitrag ist vom 21.09., wurde am 07.11. aktualisiert.
Andrej Karpathy hat 43 Mio. Hacker-News-Kommentare aus 20 Jahren auf 6.454 oft empfohlene Videos gefiltert und daraus die Seite HackerTube gemacht – ohne Login, Zustand nur lokal im Browser. Laut The Decoder erledigte Claude Code mit Opus 5.5 fast alles von der Datenanalyse bis zur Server-Einrichtung; Karpathy besorgte API-Key, Server und Domain. Ein zweiter Ableger mit 47.000 Videos entstand in drei Minuten.
Claude Code: keine Version nach v2.1.319 (Changelog). anthropics/skills und claude-plugins-official nicht geprüft: github.com lieferte HTTP 504.
Laut GitTrend (Stand 08.11.) vorn: morluto/rea für Reverse Engineering mit Agenten (+2,8k), Metas Design-System meta/astryx (+2,4k) und google/elephant-goldfish-model, ein Plugin zum Entwerfen und Prüfen von Software mit Agenten (+1,2k). vercel-labs/agent-browser (+798) bekommt mit vercel-labs/agent-desktop (+777) ein Computer-Use-Gegenstück, stablyai/orca steuert Flotten aus Claude Code und Codex (+737).
Anknüpfung an: Trending: Skills bleiben oben, Agenten-Browser neu dabei (08.11.)
Wie es weiterging: Trending: Anthropic-Skills zurück vorn, Home Assistant per MCP (10.11.)
Die Schnellstart-Anleitung von llama-modchip lädt neben den GGUF-Dateien ein fertiges llama-server-Binary aus dem Hugging-Face-Repo und macht es per chmod +x ausführbar; unter Windows startet eine .bat, die weitere Binaries holt. Hinweise auf Schadcode gibt es nicht, aber ein Binary aus einem Modell-Repo läuft mit den Rechten des Nutzers.
Gegenmaßnahme: aus dem Quellcode bauen (./modchip bzw. CMake) und in einem eigenen Nutzerkonto oder Container laufen lassen.