OpenAI zeigt Jalapeño-Benchmarks, Nvidia plant Poolside-Deal

OpenAI hat am 25. August 2026 erste Benchmarks für Jalapeño veröffentlicht, einen gemeinsam mit Broadcom entwickelten Chip für KI-Inferenz.¹ Im öffentlichen InferenceX-Benchmark von SemiAnalysis leistete Jalapeño bei maximalem Durchsatz laut OpenAI 1,5- bis 1,9-mal mehr KI-Arbeit pro Watt als die verglichenen Nvidia-Systeme.¹ Die Ende-zu-Ende-Latenz war in den gemessenen Einstellungen laut OpenAI um den Faktor 1,7 bis 3,6 niedriger.¹

Die Vergleiche betreffen Nvidia GB200 und GB300 sowie ausgewählte Modelle und Betriebspunkte; sie belegen keinen allgemeinen Vorsprung gegenüber Nvidia-Hardware.¹² Für OpenAI könnte ein eigener Inferenzchip die Kosten der Modellausführung senken und Antworten in ChatGPT beschleunigen, sofern sich die Ergebnisse im Produktionsbetrieb bestätigen.²¹ Offen bleibt, wie sich Jalapeño bei anderen Lastprofilen und neueren Plattformen schlägt.²³

Z.ai hat am 26. August 2026 das zuvor anonym getestete Modell Ox Alpha als GLM-5.3-Flash vorgestellt.¹ Gleichzeitig veröffentlichte das Unternehmen die Gewichte unter der MIT-Lizenz und machte das Modell über API, Chat und seinen Coding-Tarif zugänglich.¹ Nach Angaben von Z.ai verarbeitet es Text, Bilder und Videos und ist das erste nativ multimodale Modell der GLM-5-Reihe.¹

Aus dem kostenlosen Testmodell wird damit ein offen verfügbares Modell mit veröffentlichten API-Preisen.²¹ Cloudflare bietet es ebenfalls über Workers AI an.³ Für Unternehmen erleichtern offene Gewichte und mehrere Zugangswege den Vergleich zwischen eigenem Betrieb und gehosteter Nutzung.³¹ Z.ai meldet bessere Ergebnisse als GLM-5.2 in seinem eigenen Code Bench; die vorliegenden Quellen bestätigen diese Vergleichswerte nicht unabhängig.¹

Alibaba hat am 26. August 2026 die Gewichte von Qwen3.8-Flash-Next veröffentlicht, einem multimodalen Mixture-of-Experts-Modell.¹² Die Gewichte stehen zum Download bereit; die Qwen-Dokumentation bezeichnet das Modell als Vorschau auf die Architektur von Qwen4.¹² Das Hauptmodell umfasst 125 Milliarden Parameter, von denen pro Token 6 Milliarden aktiviert werden.³ Es handelt sich damit nicht um ein dichtes Modell, das bei jedem Token sämtliche Parameter des Hauptmodells nutzt.³

Alibaba beziffert die Trainingskosten laut Reuters auf etwa ein Neuntel der Kosten des Vorgängers Qwen3.7-Plus.⁴ Das Unternehmen beansprucht zudem bessere Leistungen bei Programmier- und Büroaufgaben.⁴ Der separat angebotene API-Dienst Qwen3.8-Flash ist nicht mit den herunterladbaren Gewichten von Qwen3.8-Flash-Next gleichzusetzen. Seine Preise sollten deshalb nicht als Kosten für den Betrieb der offenen Gewichte gelesen werden.⁴²

Medienberichten vom 20. bis 22. August 2026 zufolge will Nvidia 6 Mrd. US-Dollar für eine Lizenz an Poolsides Technologie zur Modellentwicklung zahlen.¹² Daneben ist eine Investition von 1 Mrd. US-Dollar in das KI-Unternehmen geplant.¹³ Nvidia will die Technik für seine Nemotron-Modelle mit offenen Gewichten nutzen und Mitarbeitern von Poolside Stellen für das Projekt anbieten.¹³ Poolside soll unabhängig bleiben; eine Übernahme ist nicht vorgesehen.³⁴

Poolside bezeichnet seine Entwicklungsplattform als „Model Factory“ und nutzt sie für Modelle, die auf Programmieraufgaben ausgerichtet sind.³ Die Vereinbarung würde Nvidias Arbeit an Modellen mit offenen Gewichten stärken, die mit anderen Anbietern konkurrieren sollen.² Die Konditionen stammen aus Medienberichten, nicht aus einer gemeinsamen öffentlichen Mitteilung der Unternehmen.¹³ Für die daraus entstehenden Modelle sind weder Veröffentlichungstermine noch überprüfbare Leistungswerte bekannt.³²

Anthropic hat am 21. August 2026 eine öffentliche Beta der aktualisierten Schwachstellensuche in Claude Security für Kunden von Claude Enterprise angekündigt.¹² Der Scanner untersucht Code-Repositories nun mit Claude Mythos 5 im Hintergrund. Nutzer erhalten die Ergebnisse, aber keinen direkten Zugang zum Modell.³²

Claude Security liefert Hinweise auf mögliche Schwachstellen und Vorschläge zur Behebung.¹ Die Ergebnisse sind für die Prüfung durch Menschen gedacht, nicht für die automatische Übernahme von Änderungen.¹² Unternehmen können den Scanner damit für die Sicherheitsprüfung ihres Codes einsetzen, ohne ihren Teams direkten Modellzugriff zu geben.³² Die öffentliche Beta bleibt auf Enterprise-Kunden beschränkt. Die veröffentlichten Unterlagen nennen weder Vergleichswerte zur Erkennungsleistung noch technische Grenzen wie eine maximale Repository-Größe.¹²

DeepSeek hat DeepSeek-V4-Flash-Vision-Exp am 21. August 2026 über seine API bereitgestellt.¹ Das experimentelle Modell erweitert V4-Flash-0731 um die Verarbeitung von Bildern und Screenshots; Anfragen können Text und Bilder kombinieren.¹ Das Verhalten bei Textaufgaben, darunter Reasoning und Agenten-Workflows, bleibt laut DeepSeek weitgehend unverändert.¹

Damit lässt sich das Modell auch für Abläufe einsetzen, die visuelle Informationen zusammen mit Text auswerten. DeepSeek berechnet Bilder als Eingabe-Token und nennt dieselben Preise wie für V4-Flash.¹ Der Anbieter sieht die Leistung bei multimodalen Agenten-Benchmarks nahe an Opus-4.8.¹ Die veröffentlichte Vergleichstabelle zeigt jedoch je nach Aufgabe unterschiedliche Ergebnisse; eine unabhängige Bestätigung der Benchmark-Werte liegt in den vorliegenden Quellen nicht vor.²

Google hat am 27. August Gemini Omni 1.1 Flash vorgestellt. Das Videomodell verlängert bestehende Szenen in Schritten von jeweils zehn Sekunden auf eine Gesamtlänge von bis zu 40 Sekunden; es erzeugt die gesamte Sequenz nicht in einem Durchgang.¹ Für die Ausgabe nennt Google 1080p und 4K.¹ Laut einer technischen Beschreibung ist das Modell über Google AI Studio und die Gemini API zugänglich.²

Die Neuerung ermöglicht längere, schrittweise aufgebaute Sequenzen statt nur kurzer Einzelclips. Google zufolge verbessert das Modell beim Verlängern die visuelle Konsistenz und hält den erzählerischen Verlauf besser ein.¹ Die 4K-Angabe bezeichnet eine Ausgabeoption, keine Zusage für eine durchgängig native Erzeugung in dieser Auflösung.¹² Wer mehrere Schritte kombiniert, sollte Übergänge und inhaltliche Kontinuität prüfen.

NVIDIA hat am 24. August 2026 angekündigt, dass SpaceXAI einen KI-Satelliten mit einem für den Weltraum angepassten Vera Rubin NVL72-System plant.¹ Elon Musk nannte das vierte Quartal 2027 als Ziel für den ersten Start.² Die Ankündigung beschreibt ein geplantes System, keinen bereits gestarteten Satelliten oder verfügbaren Rechenzentrumsdienst.¹²

Damit würde SpaceX Rechenleistung für KI auch im Orbit erproben, statt sie ausschließlich in Rechenzentren auf der Erde zu betreiben.¹² Musk stellte für 2028 einen Betrieb in größerem Maßstab in Aussicht; ob dieser Zeitplan hält, ist offen.² Unabhängig vom Satellitenprojekt will SpaceXAI laut NVIDIA Vera-CPUs für agentische KI einsetzen.¹ Für Unternehmen ist die orbitale Infrastruktur vorerst eine angekündigte Entwicklung, keine Kapazität, die sich bereits einplanen lässt.¹²

Generalist AI stellte im August 2026 GEN-1.5 vor, ein vortrainiertes Modell für Roboter-Manipulationsaufgaben.¹² Beim „Physical Prompting“ erhält das Modell eine sensorimotorische Demonstration im Kontextfenster und kann die neue Aufgabe ohne erneutes Training versuchen.² Laut Unternehmen erreichte GEN-1.5 bei zehn Aufgaben ohne weitere Anpassung eine durchschnittliche Erfolgsquote von 59 %; nach aufgabenspezifischer Anpassung waren es 83 %.³²

Die beiden Werte beschreiben unterschiedliche Verfahren: Für den ersten Versuch genügt ein Beispiel im Kontext, während die höhere Quote zusätzliche Aufgabendaten und Gradientenupdates voraussetzt.³² Der Ansatz könnte es erleichtern, Roboter für neue Handgriffe einzurichten, ohne für jede Aufgabe große Datensammlungen anzulegen.¹² Die Erfolgsquoten sind jedoch Angaben des Unternehmens für die untersuchten Aufgaben. Ob sie sich auf andere Roboter und wechselnde Umgebungen übertragen lassen, bleibt offen.³²

NVIDIA meldete am 21. August 2026, dass sein Coding-Agent AVO alle Aufgaben des öffentlichen ARC-AGI-3-Testsatzes gelöst und damit 100 % erreicht habe.¹² Nach Angaben des Unternehmens arbeitete der Agent ohne auf die einzelnen Aufgaben zugeschnittene Anweisungen, vorgegebene Regeln oder ausdrücklich genannte Ziele.¹ NVIDIA stellte damit ein Testergebnis für seinen Agenten vor, kein neues Basismodell.¹

Der Wert gilt ausschließlich für den öffentlichen Testsatz. Er belegt keine entsprechende Leistung auf den zurückgehaltenen semi-privaten oder privaten Tests der offiziellen ARC-Prize-Auswertung.² AVO nutzt ein Basismodell innerhalb einer Agentensteuerung. Das Ergebnis deutet darauf hin, dass diese Steuerung bei interaktiven Aufgaben einen erheblichen Unterschied machen kann.³² Wie gut sich die Leistung auf unbekannte Aufgaben übertragen lässt, bleibt anhand des öffentlichen Testsatzes offen.²