Google bringt Gemini 4 Argon, Meta stellt Muse Wonder vor

Google hat Gemini 4 Argon am 13. Oktober 2026 veröffentlicht. Das Modell ist weltweit über die API, Google AI Studio und Google Cloud zugänglich; in der Gemini-App und in Google Antigravity hängt der Zugang vom Abo ab.¹²³ Google positioniert es als Modell für komplexe Aufgaben, darunter Softwareentwicklung, Cybersicherheit, Finanzwesen, Recht und Wissenschaft.² Für den Einsatz in Antigravity meldet das Unternehmen über vier Wochen mehr als 35 % zusätzliche agentische Code-Einreichungen und knapp ein Drittel weniger Code-Rollbacks.²⁴

Die Zahlen beschreiben die Nutzung in einem bestimmten Google-Produkt, nicht eine allgemeine Steigerung der Entwicklerleistung oder eine nachgewiesene Verringerung fehlerhafter Commits.²⁴ Die veröffentlichten Angaben nennen weder Stichprobengröße noch eine kontrollierte Vergleichsgruppe; die Ergebnisse lassen sich deshalb nicht ohne eigene Tests auf andere Teams übertragen.²⁴ Für Unternehmen ist vor allem relevant, dass das Modell sowohl in Entwicklungswerkzeugen als auch über Cloud-Schnittstellen verfügbar ist.²³

Meta hat am 12. Oktober die Modellfamilie Muse Wonder vorgestellt. Nach Unternehmensangaben sind Muse Wonder und Muse Wonder Full die bislang leistungsfähigsten Modelle von Meta Superintelligence Labs. Sie sollen unter anderem beim Programmieren und bei Aufgaben helfen, die mehrere Anwendungen umfassen. Mit „Active Memory“ und „Active Focus“ sollen sie relevanten Kontext und das Ziel einer Aufgabe behalten. Muse Wonder ist über die Model API und Muse Code verfügbar; Muse Wonder Full bleibt Abonnenten von Muse Code vorbehalten und ist nicht per API erhältlich.¹²

Bei Artificial Analysis erreicht Muse Wonder Full 56 Punkte im Intelligence Index; Muse Wonder kommt auf 52 Punkte. In sechs von zehn Einzeltests liegt die Full-Version unter den ersten drei. Daraus ergibt sich jedoch keine Gesamtplatzierung als Zweiter.³ Für Muse Wonder gelten Preise von 4 US-Dollar pro Million Eingabetokens und 20 US-Dollar pro Million Ausgabetokens.³

Microsoft hat Copilot neu organisiert: Home bündelt Chat und Cowork mit Funktionen für Word, Excel und PowerPoint, während Code die Erstellung von Anwendungen und Arbeitsabläufen per natürlicher Sprache ermöglicht.¹² Autopilot soll als dauerhafter Agent Aufgaben verfolgen und wiederkehrende Abläufe übernehmen, auch wenn Nutzer gerade nicht mit Copilot arbeiten.¹² Microsoft veröffentlichte die Neuausrichtung Anfang Oktober; Home und Code sollten zunächst über das Frontier-Programm eingeführt werden, Autopilot war für eine private Vorschau vorgesehen.¹³

Damit entwickelt sich Copilot von einzelnen Chat-Anfragen zu einer Oberfläche für Dokumentarbeit, Softwareentwicklung und delegierte Prozesse.¹² Für Unternehmen stellt sich die praktische Frage, wie automatisch erzeugte Anwendungen und länger laufende Agenten in bestehende Freigabeprozesse passen. Autopilot soll in der Cloud laufen und organisatorischen Vorgaben für Zugriffsrechte, Protokollierung und Governance unterliegen.³ Eine allgemeine Verfügbarkeit oder konkrete Preise wurden nicht genannt.¹³

Microsoft hat am 12. Oktober Maia 300 vorgestellt, die dritte Generation seiner eigenen Azure-Plattform für KI-Inferenz. Der Produktionseinsatz soll 2027 beginnen. Maia 300 soll künftig das wichtigste Inferenzsystem für Microsofts Produkte und Dienste werden. Das Unternehmen plant außerdem, Azure Maia ab 2027 auf eine Leistung im Multi-Gigawatt-Bereich auszubauen.¹²

Laut Microsoft liefert Maia 300 pro Megawatt 40 % mehr Tokens als führende GPU-basierte Systeme. Ein vollständiges Rack soll zudem einen bis zu siebenmal höheren Token-Durchsatz erreichen als ein Rack mit dem Vorgänger Maia 200.² Damit zielt Microsoft auf mehr Kapazität für rechenintensive KI-Anwendungen in der eigenen Infrastruktur. Der Vergleich mit GPU-Systemen bleibt jedoch schwer einzuordnen: Microsoft nennt weder das Vergleichssystem noch dessen Konfiguration und veröffentlicht keinen unabhängig reproduzierbaren Benchmark.²

Anthropic hat am 13. Oktober Scion vorgestellt, ein intern entwickeltes Versionskontrollsystem für sein Monorepo. Das Unternehmen hat den gesamten Codebestand von Git migriert. Auslöser war die stark wachsende Menge zusammengeführter Codeänderungen: Im Mai 2026 waren es durchschnittlich rund 2.500 pro Tag, im September mehr als 30.000. Anthropic führt den Anstieg auf seine Entwicklungsarbeit mit vielen KI-Agenten zurück. Eine Veröffentlichung von Scion als Produkt wurde nicht angekündigt.¹

Scion setzt auf ständig erreichbare Server statt auf vollständige lokale Repository-Kopien. Clients halten einen begrenzten Cache; Server übernehmen unter anderem Commits, Merges und Verlaufsabfragen. Diese Architektur soll die Versionskontrolle entlasten, die neben Builds und kontinuierlicher Integration zu den größten Engpässen bei Anthropic zählte. Die Lösung ist auf den Bedarf eines sehr großen Monorepos und automatisierter, online arbeitender Prozesse zugeschnitten. Aus der internen Migration folgt nicht, dass Git für typische Entwicklungsumgebungen ungeeignet wäre.¹²

Liquid AI hat am 13. Oktober 2026 LFM2.5-24B-A2B vorgestellt, das größte und letzte Modell seiner LFM2.5-Reihe. Es ist für lokale Reasoning- und Agentenaufgaben auf Laptops und PCs konzipiert. Die Gewichte der Basisversion und der nachtrainierten Version stehen zum Download bereit. Auf geeigneter Hardware lässt sich das Modell damit selbst betreiben.¹² Insgesamt hat es 24 Milliarden Parameter, aktiviert durch eine Mixture-of-Experts-Architektur aber nur rund 2 Milliarden pro Token.¹

Der Ansatz soll den Rechenaufwand bei der Ausgabe begrenzen, ohne die Gesamtgröße des Modells entsprechend zu verkleinern.¹ Liquid AI nennt Leistungswerte für Apple- und Nvidia-Hardware; eine unabhängige Bestätigung dieser Werte liegt in den Quellen nicht vor.² Lokale Bereitstellung ist damit ein Einsatzszenario, aber keine Zusage, dass das Modell auf jedem Laptop mit brauchbarer Geschwindigkeit läuft. Neben dem Selbstbetrieb wird auch ein API-Zugang angeboten.²

OpenAI hat die Decisions API am 6. Oktober als öffentliche Beta für Entwickler freigegeben.¹ Über POST /v1/decisions können Anwendungen Text, Bilder oder beides einreichen.¹ Die API beantwortet drei Arten von Fragen: Sie schätzt die Wahrscheinlichkeit einer Bedingung, wählt aus vorgegebenen Optionen oder bewertet Eingaben anhand geordneter Stufen.¹ In der Beta unterstützt sie ausschließlich gpt-6-luna.¹

Damit bietet OpenAI eine Schnittstelle für Aufgaben wie Klassifizierung und Routing, bei denen Anwendungen eine strukturierte Entscheidung statt einer frei formulierten Antwort benötigen.¹ OpenAI gibt an, die API treffe Entscheidungen bis zu zehnmal schneller als GPT-6 Luna über die Responses API; unabhängig belegte Vergleichsmessungen liegen dafür nicht vor.¹ Der Preis beträgt 0,10 US-Dollar pro Million Eingabetokens.¹ Da es sich um eine Beta handelt, sollten Unternehmen Preis und Verhalten der Schnittstelle vor einem produktiven Einsatz prüfen.¹

Das Open-Source-Projekt Strata des GitHub-Entwicklers Niko1221 soll Qwen3.8-Flash-Next mit 125 Milliarden Parametern auf handelsüblichen PCs nutzbar machen.¹² Dafür verteilt die Software die Inferenz auf Grafikspeicher, Arbeitsspeicher, Prozessor und SSD.¹ Der Code steht unter der MIT-Lizenz; Modellgewichte und weitere Komponenten haben eigene Lizenzen.¹ Für Windows und Linux gibt es Installationsskripte, eine lokale Browseroberfläche und Schnittstellen im Format von OpenAI und Anthropic.³

Strata kann die Hürde für lokale Tests großer Modelle senken, benötigt aber weiterhin viel Speicher und passende Hardware.¹ Die vom Projekt genannten Geschwindigkeiten gelten für bestimmte Systeme und Quantisierungen; sie sind keine Zusage für andere PCs.² Wer sensible Daten verarbeiten will, sollte Installationsskripte, Modelllizenzen und Netzwerkverbindungen prüfen. Lokale Inferenz allein belegt nicht, dass eine Installation nie Daten nach außen überträgt.³¹