KI & Modelle
Was KI-Modelle wirklich leisten: OpenAI, Google Gemini, Anthropic, lokale Modelle — Fähigkeiten, Grenzen und die Geschäftsmodelle dahinter.
-
OpenAI und das Yang-Mills-Problem: Warum schon der Fortschritt politischer ist als der Beweis
OpenAI meldet Fortschritte rund um Yang-Mills, QCD und weitere schwere Mathematikprobleme. Entscheidend ist weniger der große Durchbruch als die Frage, wie überprüfbar solche KI-Ergebnisse wirklich sind.
-
Sam Altman stellt das klassische Patchen infrage
Sam Altman warnt, dass sich künftig nicht mehr alle Softwarefehler patchen lassen. Was das für IT-Sicherheit, Softwareentwicklung und Abwehrmodelle bedeutet.
-
Ein altes Caltech-Interview macht sichtbar, wie früh der Kampf um Dario Amodei begann
Ein Interview aus dem Jahr 2010 rückt Dario Amodei in ein neues Licht: Schon lange vor Anthropic galt er als Ausnahmefigur. Warum die Szene heute genauer hinschaut.
-
Anthropic vor dem Börsengang: Der 80,7-Milliarden-Dollar-Verlust ist groß – aber nicht die ganze Geschichte
Anthropic meldet vor dem geplanten Börsengang 80,7 Milliarden Dollar Verlust im ersten Halbjahr 2026. Was dahintersteckt und warum die Zahl trotzdem wichtig ist.
-
Anthropic vor dem IPO: Jetzt zählt nicht mehr die Vision, sondern die Rechnung
Anthropic steht vor einem möglichen Mega-IPO mit 1,5 Billionen Dollar Bewertung. Entscheidend ist jetzt, was die Zahlen zu Umsatz, Kosten und Verlusten über das KI-Geschäft verraten.
-
Wenn Sprachmodelle ihre eigenen Werkzeuge bauen
Neue Tests mit Gemini 4 Argon deuten auf einen nächsten Schritt bei KI-Agenten hin: Modelle bauen eigene task-spezifische Harnesses und verbessern ihre Ergebnisse iterativ.
-
Viele Firmen kaufen AI-Kapazität, die sie gar nicht nutzen
Viele Unternehmen lassen ihre GPUs die meiste Zeit ungenutzt und investieren trotzdem weiter in neue AI-Infrastruktur. Das sagt viel über den Zustand des Markts.
-
Warum Nutzer ihre Smart-TVs mit KI abspecken wollen
Immer mehr Nutzer wollen Smart-TVs per KI von Werbung, Tracking und Bloatware befreien. Der Impuls ist verständlich. Der Weg über KI ist aber oft riskanter als nötig.
-
Frontier-Modelle gegen sich selbst testen: Warum der nächste Sicherheitstest heikel wird
Neue Hinweise auf Peer-Preservation, Evaluation Awareness und Selbstreplikation verschärfen eine alte Frage: Können Frontier-Modelle noch fair gegen sich selbst getestet werden?
-
Warum LLM-Rankings im Alltag oft danebenliegen
Ein Praxisvergleich rund um Kimi 3.1 Pro, MiMo 2.6 und DeepSeek 4.1 Flash zeigt ein bekanntes Problem: Gute Benchmark-Plätze garantieren keine starke Alltagsleistung.



























