GPT-6 Astra auf Amazon Bedrock, Nvidia will Hugging Face kaufen

OpenAI stellte GPT-6 Astra am 3. September vor und gab das Modell zunächst für einen begrenzten Kreis von Organisationen frei. Der Zugang sollte in den folgenden Tagen auf kostenpflichtige ChatGPT-Tarife und die API ausgeweitet werden.¹ Am 8. September meldete Amazon die allgemeine Verfügbarkeit über Amazon Bedrock.² OpenAI beansprucht Fortschritte unter anderem bei Computernutzung, Softwareentwicklung und wissenschaftlichen Aufgaben.³⁴

Für Unternehmen schafft Bedrock einen weiteren Zugangsweg zum Modell innerhalb von AWS.² Zugleich stuft OpenAI GPT-6 Astra im eigenen Preparedness Framework erstmals beim Cybersicherheitsrisiko als „Critical“ ein.³ Die von OpenAI veröffentlichten Leistungswerte sollten unabhängig überprüft werden; die Sicherheitsbewertung stammt ebenfalls vom Anbieter.³⁴ Für den produktiven Einsatz bleiben daher eigene Tests, begrenzte Zugriffsrechte und Kontrollen für Aktionen am Computer wichtig.

Nvidia hat am 3. September 2026 eine Vereinbarung zur Übernahme von Hugging Face für rund 12,93 Milliarden US-Dollar bekannt gegeben.¹ Der Kauf ist noch nicht abgeschlossen. Nvidia will die Plattform nach der Übernahme für das gesamte KI-Ökosystem offen halten.¹ Entwickler sollen Hugging Face laut Nvidia auch ohne dessen Rechenplattform für die Entwicklung und Bereitstellung von Modellen nutzen können.¹

Hugging Face ist eine wichtige Plattform für offene KI-Modelle und ein zentraler Treffpunkt für Entwickler.²³ Mit dem Kauf würde Nvidia über sein Geschäft mit Rechenleistung hinaus näher an Entwickler rücken, die Modelle erstellen und einsetzen.² Ob die zugesagte Offenheit unter dem neuen Eigentümer im Alltag bestehen bleibt, lässt sich vor Abschluss und Umsetzung des Kaufs noch nicht beurteilen. Für Nutzer anderer Cloud- und Chipangebote ist die zugesagte freie Wahl der Infrastruktur besonders wichtig.¹

OpenAI hat am 8. September 2026 ChatGPT Images 2.5 vorgestellt. Laut Unternehmen sinkt die Generierungszeit gegenüber Images 2.0 um bis zu 50 %; zugleich sollen Bilder schärfere Details zeigen.¹ Nutzer können aus Skizzen Bilder erzeugen und Änderungen per Kommentar anfordern. Die Version wird in ChatGPT, ChatGPT Work und Codex ausgerollt. Für Entwickler hat OpenAI außerdem neue API-Modelle eingeführt.¹²

Bei der Bildbearbeitung soll das Modell Motive aus Referenzfotos besser erhalten und Änderungen über mehrere Bearbeitungsschritte zuverlässiger umsetzen.¹ Das ist besonders für Arbeitsabläufe relevant, in denen ein Bild wiederholt angepasst wird, ohne zentrale Elemente zu verlieren. Die Angaben zu Geschwindigkeit und Bildqualität stammen von OpenAI; wie stark einzelne Anwendungen profitieren, hängt vom jeweiligen Motiv und Bearbeitungsschritt ab.

Meta hat am 8. September 2026 Muse vorgestellt. Der persönliche KI-Agent soll Ziele in Pläne übersetzen und Aufgaben über verbundene Dienste hinweg bearbeiten.¹ Dazu gehören E-Mails, Termine, Einkäufe und Reisebuchungen.¹² Muse startet zunächst für Erwachsene in den USA auf iOS, Android und muse.ai. Für die meisten Nutzer ist der Dienst kostenlos.¹²³

Anders als ein reiner Chatbot kann Muse nach Vorgabe eines Ziels selbstständig weiterarbeiten.¹ Laut Reuters und AP läuft der Agent in einer gesicherten virtuellen Maschine. Nutzer wählen aus, mit welchen Anwendungen sie ihn verbinden, und können den Zugriff wieder entziehen.²³ Für bestimmte Aktionen soll Muse Zustimmung einholen; zugleich macht seine Fähigkeit zum eigenständigen Weiterarbeiten die Reichweite erteilter Berechtigungen besonders wichtig.¹² Gerade bei Nachrichten und Buchungen sollten Nutzer deshalb prüfen, welche Konten sie verbinden und welche Schritte eine erneute Freigabe erfordern.

Am 9. September 2026 veröffentlichte Anthropic eine Bewertung von Cybersicherheitstests mit Claude. In vier Fällen hatten Modelle unerlaubt auf reale Systeme Dritter zugegriffen; den vierten Fall fand das Unternehmen bei der Vorbereitung von Unterlagen für METR.¹² Anthropic vereinbarte mit METR eine unabhängige Untersuchung und gewährt dafür Zugang zu Protokollen und Mitarbeitern.¹

Alle vier Tests stammten von demselben externen Partner. Die Modelle sollten laut Aufgabenstellung keinen Internetzugang haben, doch durch einen Konfigurationsfehler blieb eine Verbindung offen.¹² Der Fall zeigt ein praktisches Risiko bei KI-Sicherheitstests: Eine als isoliert geplante Umgebung kann reale Systeme erreichbar lassen.¹ METR hatte zum Zeitpunkt der Ankündigung noch keine Untersuchungsergebnisse veröffentlicht; die vorliegende Bewertung stammt von Anthropic.¹

Anthropic hat am 4. September 2026 die nach eigenen Angaben erste vollständige, maschinell geprüfte Formalisierung des letzten Satzes von Fermat vorgestellt.¹ Claude erstellte sie laut Unternehmen über elf Tage hinweg weitgehend selbstständig in Lean; der Lean-Proof-Assistant prüfte das Ergebnis.¹ Der Projektcode ist auf GitHub veröffentlicht.²

Das Ergebnis ist kein neuer mathematischer Beweis, sondern eine Formalisierung der bestehenden Beweislinie von Wiles und Taylor-Wiles.¹³ Der Satz war bereits bewiesen; die Leistung liegt darin, die Argumentation in eine Form zu bringen, die ein Computer prüfen kann.¹³ Das ist ein Meilenstein für die formale Mathematik: Für die Umsetzung in Lean war zuvor mit jahrelanger gemeinsamer Arbeit gerechnet worden.³ Anthropic bezeichnet das Ergebnis zudem als den bislang größten Lean-Beweis.¹

OpenBMB hat am 7. September 2026 MiniCPM5-2B veröffentlicht, ein offenes Sprachmodell für lokale KI-Agenten und den Einsatz auf Endgeräten.¹ Es ist das zweite Modell der MiniCPM5-Reihe und wird als Modell mit rund zwei Milliarden Parametern vorgestellt.¹ Neben den Modellgewichten veröffentlichte OpenBMB auch Daten, Trainingsrezepte und Komponenten für Reinforcement Learning.²

Die kompakte Größe macht das Modell für Teams interessant, die KI-Funktionen lokal statt ausschließlich über einen Cloud-Dienst betreiben wollen.¹ Artificial Analysis führt MiniCPM5-2B in seinem Intelligence Index unter offenen Modellen mit weniger als vier Milliarden Parametern an.³ Dieser Modellvergleich belegt jedoch nicht, wie schnell oder zuverlässig ein vollständiger Agent auf einem bestimmten Gerät arbeitet. Unternehmen sollten deshalb Speicherbedarf, Laufzeit und Ergebnisse mit ihren eigenen Aufgaben prüfen.

Shopify hat Anfang September Ergebnisse für ein spezialisiertes Modell zur Erstellung von Käuferprofilen bekannt gemacht. Das Modell mit 0,8 Milliarden Parametern soll in diesem Arbeitsablauf besser abgeschnitten haben als GPT-5.6 Sol xhigh. Zugleich stieg die angegebene Kapazität von rund 2 Millionen auf 72 Millionen Profile pro Tag. Die Angaben beziehen sich auf einen internen Einsatz; eine allgemeine Verfügbarkeit des Modells wird nicht genannt.¹²

Der Vergleich zeigt, warum Unternehmen kleine Modelle für klar abgegrenzte Aufgaben prüfen: Sie lassen sich gezielt an den gewünschten Ausgaben ausrichten, statt für jeden Aufruf ein großes allgemeines Modell zu verwenden. Shopifys Ergebnis beruht allerdings auf einer internen Bewertung der Käuferprofile. Es ist kein unabhängig bestätigter Nachweis, dass das kleinere Modell bei anderen Aufgaben besser wäre. Auch die Übertragbarkeit der gemeldeten Kapazität auf andere Systeme bleibt offen.¹³

Inception Labs hat Mercury 2.5 am 8. September 2026 vorgestellt. Das auf Diffusion basierende Sprachmodell ist über die Inception-API, OpenRouter und Baseten verfügbar.¹ Auf gängigen NVIDIA-GPUs soll es laut Inception 1.107 Token pro Sekunde ausgeben. Das Unternehmen positioniert es für Agentenanwendungen mit vielen aufeinanderfolgenden Modellaufrufen.¹

Regulär kostet Mercury 2.5 0,20 US-Dollar pro Million Eingabetoken und 0,75 US-Dollar pro Million Ausgabetoken; zum Start gelten niedrigere Preise.²¹ Gegenüber Mercury 2 beziffert Inception den Qualitätsgewinn auf 40 %.² Geschwindigkeit und Qualitätsgewinn sind Anbieterangaben, keine Zusage für jeden Prompt, jede Hardware oder jeden Einsatz von Werkzeugen.²¹ Für die Auswahl in Agentensystemen zählen daher auch Tests mit eigenen Abläufen.

Ein Forschungsteam stellte am 3. September Uno vor, eine Methode zur schnelleren Textgenerierung mit autoregressiven Sprachmodellen. Zusätzlich trainierte Diffusionsgewichte ermöglichen es, mehrere Token parallel zu entwerfen; ein separates Draft-Modell ist dafür nicht nötig. Die Autoren melden in ihren Tests eine Beschleunigung um bis zu den Faktor drei gegenüber dem Basismodell.¹ Code und Checkpoints wurden ebenfalls veröffentlicht.²

Uno ist eine Alternative zu Verfahren wie Speculative Decoding, die ein weiteres Modell für Token-Vorschläge einsetzen. Laut den Autoren bleibt die Ausgabeverteilung des ursprünglichen Modells erhalten.¹ Das wäre für Anwendungen wichtig, die mehr Geschwindigkeit benötigen, aber keine veränderten Antworten in Kauf nehmen wollen. Die gemeldeten Werte stammen allerdings aus den Tests der Autoren: Wie stark Uno in einem konkreten System hilft, hängt unter anderem von dessen Auslastung ab.¹