Google DeepMind hat mit Gemini 4 Argon ein neues Frontier-Modell vorgestellt, das gezielt für Softwareentwicklung, geschäftliche Wissensarbeit und Cybersicherheitsverteidigung ausgelegt ist. Das Kontextfenster wächst auf eine Million Token und damit auf das Doppelte des Vorgängermodells. In mehreren Benchmarks setzt Argon neue Bestmarken: 77,9 Prozent auf DeepSWE v1.1 für reale Softwareaufgaben, die Führung beim Harvey Legal Agent Benchmark für juristische Anwendungen mit 91,7 Prozent bei der Videoanalyse sowie Platz eins (geteilt) auf dem CWE-bench v1 für Cybersicherheit mit 68 Prozent. Google berechnet 2 Dollar pro Million Input-Token und 10 Dollar pro Million Output-Token, mit 95 Prozent Rabatt auf zwischengespeicherte Eingaben. Der Zugang erfolgt zunächst eingeschränkt über Googles Fairwind-Programm, das sich an vertrauenswürdige Cybersicherheitsexperten richtet. Mit den Benchmark-Ergebnissen beansprucht Google eine Führungsposition im Wettbewerb um KI-Modelle für sicherheitskritische und hochspezialisierte Anwendungen.
Tavus Griffin: KI-Modell für Videogespräche überzeugt mit Menschlichkeit
Das KI-Unternehmen Tavus hat mit Griffin sein erstes Human Interaction Model (HIM) für Echtzeit-Videokommunikation vorgestellt. Das Modell verarbeitet gleichzeitig Sprache, Mimik, Tonfall, Gesten und Gesprächspausen und kann Video nicht nur empfangen, sondern auch selbst generieren. In Nutzertests hielten 48 Prozent der Teilnehmer Griffin nach einem einminütigen Gespräch für einen Menschen – bisherige Systeme kamen laut Tavus auf höchstens 2 Prozent. In einem unabhängigen Test von Nvidia zur wahrgenommenen Menschlichkeit erreichte Griffin 3,83 von möglichen Punkten, Menschen selbst kamen auf 3,92, das bislang beste KI-Modell nur auf 2,80. Eine abgespeckte Version, Griffin-Lite, steht ausgewählten Testern zur Verfügung und soll künftig für Nachhilfe, Gesprächsübungen und technischen Kundensupport eingesetzt werden.
Cloudflare veröffentlicht Clef und Clef-flash: Open-Weight Decision Models für strukturierte Ausgaben
Cloudflare hat mit Clef und Clef-flash zwei neue offene Decision Models unter Apache-2.0-Lizenz veröffentlicht. Clef umfasst 27 Milliarden, das schlankere Clef-flash 9 Milliarden Parameter. Anders als klassische Chatbots liefern beide Modelle keine freien Textantworten, sondern strukturierte, typisierte Wahrscheinlichkeiten für drei Fragetypen: Ja/Nein-Entscheidungen mit Wahrscheinlichkeitsangabe, Auswahl aus benannten Optionen mit Konfidenzwerten sowie Bewertungen nach Rubrik mit gewichteten Scores. Beide verarbeiten Text, JSON, Bilder und Videos bei einem Kontextfenster von 65.536 Token. Clef-flash ist mit 38,8 Millisekunden Latenz deutlich schneller als Clef mit 209,3 Millisekunden. Cloudflare positioniert die Modelle für Kundenservice-Klassifizierung, Threat Intelligence und Dokumentenanalyse.
Google Fotos erhält Redact-Tool zum Schwärzen sensibler Daten
Google Fotos erhält ein neues Redact-Tool, das sensible Bildbereiche automatisch verpixelt oder unkenntlich macht. Es kann Gesichter, Nummernschilder und Bankdaten schwärzen und wird zunächst weltweit auf Android ausgerollt. Nutzer sollen damit Fotos gezielt sicherer machen können, bevor sie geteilt werden.
Allen AI stellt Olmo-core 3 vor: Trainingsinfrastruktur für 1-Billionen-Parameter-Modelle
Allen AI hat mit Olmo-core 3 ein neues Trainings-Framework für große Sprachmodelle mit Mixture-of-Experts-Architektur (MoE) veröffentlicht, das gezielt auf Skalierung im Billionen-Parameter-Bereich ausgelegt ist. Beim Hochskalieren der Expertenzahl von 8 auf 128 sinkt der Durchsatzverlust auf unter 5 Prozent, während die Gesamtkapazität von 4,6 Milliarden auf 47 Milliarden Parameter wächst. Gegenüber früheren Versionen erreicht die neue Implementierung einen rund 2,7-fach höheren Durchsatz. Allen AI hat das System erfolgreich mit über einer Billion Parametern getestet; Forscher können damit eigene MoE-Modelle trainieren und mit Routing- sowie Parallelisierungsstrategien experimentieren.
Google Gemini Live erhält Guided Vision für Echtzeit-Audiobeschreibungen
Google rollt die Funktion Guided Vision für Gemini Live auf kompatiblen Android-Geräten aus. Sie liefert in Echtzeit gesprochene Beschreibungen von allem, worauf Nutzer ihre Handykamera richten. Darüber hinaus können Nutzer die Kamera in Gemini Live freigeben, um KI-Unterstützung etwa beim Lesen kleiner Texte, bei der Produkterkennung oder bei der Beschreibung visueller Inhalte zu erhalten.
Unternehmen & Forschung
OpenAI verschiebt IPO und plant stattdessen Finanzierungsrunde über $30 Milliarden
OpenAI-Chef Sam Altman hat bestätigt, dass der geplante Börsengang des Unternehmens verschoben wird. Im Gespräch mit Fortune bezeichnete er einen Börsengang im Jahr 2026 angesichts wachsender Sicherheitsbedenken bei KI als „ill-advised“ (unangebracht); auf die Frage nach 2027 antwortete er lediglich „not 2026“. Stattdessen plant OpenAI eine private Finanzierungsrunde über mindestens 30 Milliarden Dollar bei einer Bewertung von rund 1,4 Billionen Dollar vor Einbeziehung der neuen Mittel. Als Grund nannte Altman die Notwendigkeit, Schutzvorkehrungen in neuen Sprachmodellen weiter zu verbessern und das Risiko zu senken, dass Modelle missbraucht werden oder gravierenden Schaden anrichten.
OpenAI präsentiert Drei-Stufen-Plan für KI-Marktplatz
Sam Altman hat einen Drei-Stufen-Plan zur Geschäftserweiterung von OpenAI vorgestellt. Zunächst sollen neue Modelle entwickelt werden, danach eine Entwicklerplattform folgen, bevor im dritten Schritt die Distribution im Vordergrund steht. OpenAI will sich damit zu einem eigenen KI-Marktplatz entwickeln und Entwicklern neue APIs sowie Cloud-Tools anbieten.
Google bietet $10 Millionen für Spirit Airlines-Daten
Google hat ein Angebot über zehn Millionen Dollar für die Daten der insolventen Fluggesellschaft Spirit Airlines unterbreitet. Beschäftigte und Geschäftspartner befürchten dadurch den Abfluss sensibler Informationen. Der Vorgang verdeutlicht, wie KI-Unternehmen zunehmend die Datenbestände insolventer Firmen als Trainingsquelle für eigene Modelle entdecken.
DeepSeek und Huawei kooperieren: Open-Source-Tools für alternative KI-Chips
DeepSeek und Huawei kooperieren, um Huaweis Ascend-Chips als Alternative zu Nvidia-Hardware zu positionieren. DeepSeek hat dafür neue Open-Source-Werkzeuge veröffentlicht, die die Programmierung der Ascend-Chips vereinfachen sollen. Das eigentliche Modelltraining läuft vorerst weiterhin auf Nvidia-Hardware, die neuen Tools sollen Entwicklern aber künftig den Wechsel auf Ascend-Chips ermöglichen.
Politik & Regulierung
Trump setzt auf freiwillige KI-Selbstkontrolle statt Gesetze
Im Einklang mit der Trump-Administration verpflichten sich mehrere führende KI-Unternehmen freiwillig zu internen Kontrollen, externen Prüfungen und eigenen Aufsichtsgremien. Gesetzliche Vorgaben könnten dieser Initiative zufolge erst später folgen. Der Ansatz setzt damit auf Selbstregulierung der Tech-Konzerne statt auf staatliche Vorgaben.
EU AI Act: Wichtige Meilensteine im September und Oktober 2026
Die EU-KI-Verordnung bringt im Herbst 2026 mehrere wichtige Fristen mit sich. Im September lief die CRA-Meldepflicht mit ihren 24- beziehungsweise 72-Stunden-Vorgaben an, und am 12. September griff die Designpflicht des Data Act für neu in Verkehr gebrachte vernetzte Produkte. Für Oktober wird die Mitteilung der Sanktionsregeln zur Maschinenverordnung an die EU-Kommission erwartet. Die zentralen Hochrisiko-Anforderungen des AI Acts selbst treten erst ab Dezember 2027 in Kraft, während bereits ab dem 9. Dezember 2026 eine neue Produkthaftungsrichtlinie gilt, nach der Hersteller verschuldensunabhängig für Schäden durch Software- und KI-Systeme haften.
Tools & Anwendungen
GitLab 19.4 führt autonome KI-Agenten mit /goal-Modus ein
GitLab 19.4 führt mit einem neuen /goal-Modus autonome KI-Agenten ein. Diese Agenten können vorgegebene Ziele eigenständig in einzelne Arbeitsschritte zerlegen und ihre Ergebnisse durch ein zweites KI-Modell gegenprüfen lassen. Neue MCP-Tools greifen dabei auf bestehende GitLab-Berechtigungen zurück und erlauben es den Agenten, direkt innerhalb des GitLab-Ökosystems zu arbeiten.
Graph-RAG erhält temporale Vernunft: Unterscheidung zwischen frischen und veralteten Fakten
Machine Learning Mastery beschreibt, wie sich einem Graph-RAG-System eine leichtgewichtige temporale Vernunftschicht hinzufügen lässt, die zwischen frischen und veralteten Fakten unterscheidet. Das Verfahren soll die Antwortqualität von Retrieval-Augmented-Generation-Systemen verbessern, indem sichergestellt wird, dass vorrangig aktuelle und verlässliche Fakten in generierte Antworten einfließen.
