OpenAI meldet 948 Linux-Lücken, Mistral Large 4 ist verfügbar

OpenAI hat am 4. November 2026 Ergebnisse eines automatisierten Systems zur Suche nach Linux-Kernel-Schwachstellen veröffentlicht.¹ Bei einem Testlauf Mitte Oktober nutzte das Unternehmen das noch unveröffentlichte Modell GPT-6 Cyber, um mögliche Fehler zu finden, Angriffe zu prüfen und Patch-Vorschläge zu erstellen.¹² Nach Angaben von OpenAI entstanden funktionsfähige Exploits für 948 verschiedene Schwachstellen, die eine lokale Rechteausweitung ermöglichen. Die vorgeschlagenen Patches sind für die Prüfung durch Menschen bestimmt.¹

Der Versuch beschränkte sich auf ausgewählte, häufig verwendete Bereiche des Kernels; die Angriffe wurden in isolierten Umgebungen getestet.³ OpenAI meldete die Weitergabe von 304 kritischen Funden samt Patch-Vorschlägen, aber keinen vollständigen Behebungsstatus für die 948 Schwachstellen.²⁴ Die Ergebnisse zeigen damit ein Potenzial für die automatisierte Sicherheitsforschung, nicht jedoch, dass sämtliche Lücken bereits geschlossen sind.

Mistral AI hat am 29. Oktober die Modellgewichte von Mistral Large 4 veröffentlicht. Das multimodale Mixture-of-Experts-Modell hat rund eine Billion Parameter und kann über Hugging Face heruntergeladen und selbst betrieben werden.¹² Mistral stellt vor allem Anwendungen für Coding-Agenten und defensive Cybersicherheit heraus.¹

Die Veröffentlichung gibt Unternehmen eine weitere Möglichkeit, ein großes Modell auf eigener Infrastruktur einzusetzen, statt ausschließlich eine API zu nutzen. Die Gewichte stehen unter einer modifizierten MIT-Lizenz; für Angebote, die das Modell als gehosteten Dienst bereitstellen, ist Berichten zufolge eine gesonderte kommerzielle Lizenz nötig.¹³ Mistral meldet starke Ergebnisse bei Tests für Coding-Agenten. Diese Werte sind jedoch Leistungsangaben des Unternehmens und ersetzen keine Prüfung mit eigenen Aufgaben oder Sicherheitsanforderungen.¹

MIT-Forscher beschrieben am 2. November, wie sie GPT-6 Astra die Gewichte des offenen Modells Qwen3.5-0.8B untersuchen und ändern ließen. Astra nutzte dafür eine Programmierumgebung und bis zu 50 Durchläufe, aber keinen Gradientenabstieg oder herkömmlichen Trainingslauf. Im berichteten Test stieg die Trefferquote bei MATH-500 von 7,9 % auf 48,1 %. Die Ergebnisse stammen aus einem Forschungsbeitrag, nicht aus einer begutachteten Veröffentlichung.¹²

Der Eingriff zielte laut den Forschern vor allem auf sich wiederholende Denkschleifen, die Antworten unnötig verlängerten. Er belegt damit eher, dass gezielte Änderungen einen konkreten Modellfehler beheben können, als dass Astra dem Modell umfassendes mathematisches Wissen hinzugefügt hätte. Ob sich die Methode zuverlässig auf andere Modelle und Aufgaben übertragen lässt, bleibt offen. Eine allgemeine Alternative zum Nachtraining lässt sich aus diesem Versuch nicht ableiten.¹²

Moonshot AI hat am 4. November die Gewichte von Kimi K3.1 Pro veröffentlicht. Das Modell war zuvor bereits über Kimi-Anwendungen und die API verfügbar; neu ist die Möglichkeit, es herunterzuladen und selbst zu betreiben.¹² Kimi K3.1 Pro hat insgesamt 2,8 Billionen Parameter und ein Kontextfenster von 1.048.576 Tokens.³¹

Die Veröffentlichung gibt Unternehmen mehr Kontrolle über den Betrieb, stellt aber hohe Anforderungen an die Infrastruktur: Die Modelldateien umfassen rund 1,56 TB.¹ Die Gewichte stehen unter einer eigenen Moonshot-Lizenz, nicht unter einer OSI-anerkannten Open-Source-Lizenz.¹ Für große kommerzielle Anbieter gelten zusätzliche Bedingungen.¹ Moonshot gibt an, vor der Veröffentlichung Daten und Umgebungen mit Cyberbezug entfernt zu haben; Trainingsdaten und das vollständige Trainingsverfahren sind nicht offengelegt.⁴¹

Am 29. Oktober 2026 entdeckte Cursor in seinem Erweiterungsmarktplatz für VS Code manipulierte Versionen einer Claude Code-Erweiterung.¹ Sie verwendeten die Kennung Anthropic.claude-code, stammten aber nicht von Anthropic.¹² Bis zu 5.000 Nutzer könnten die Pakete heruntergeladen haben; das ist keine bestätigte Zahl kompromittierter Rechner.³ Cursor entfernte die Versionen, setzte den Marktplatz vorübergehend aus und kündigte an, betroffene Nutzer zu kontaktieren.¹³

Der eingeschleuste Code lief bereits beim Laden der Erweiterung und sammelte Systemdaten.¹² Er versuchte, einen fremden SSH-Schlüssel zu hinterlegen, den SSH-Dienst zu aktivieren und einen Rückkanal sowie dauerhafte Zugänge einzurichten.¹² Ob Fernzugriff gelang, hing unter anderem von Berechtigungen und der SSH-Konfiguration ab.² Eine Deinstallation allein entfernt möglicherweise nicht alle außerhalb der Erweiterung angelegten Schadkomponenten. Cursor empfiehlt, betroffene Systeme zu prüfen und erreichbare Zugangsdaten zu erneuern.¹⁴

ISTA-DASLab hat am 2. November eine komprimierte Coder-Version von DeepSeek-V4.1-Flash-1017 als GGUF veröffentlicht. Sie steht unter MIT-Lizenz in fünf Dateien bereit und ist laut Modellkarte mit llama.cpp nutzbar.¹ Das zugrunde liegende Mixture-of-Experts-Modell hat 763,2 Milliarden Parameter. Für die Coder-Version entfernte das Labor 192 von 384 gerouteten Experten pro Schicht und quantisierte die übrigen Gewichte mit GSQ und RCO. Die Transformer-Dateien belegen 72,12 GB statt 138,2 GB bei der Version ohne Experten-Pruning.¹²

„Ein Bit pro Parameter“ bezeichnet hier einen effektiven Wert: Entfernte Gewichte zählen in der Rechnung mit, obwohl sie keinen Speicher belegen.¹ Die 72,12 GB umfassen zudem nicht die Engram-Datei; beide zusammen belegen 182,72 GB. Ein Vision Projector kommt hinzu.¹ Auf SWE-bench Verified nennt die Modellkarte 77,00 Punkte gegenüber 81,20 für das Basismodell. Die Verkleinerung ist damit kein Nachweis für unveränderte Leistung.³

Prefrontal AI stellte am 2. November Latent Sparse Attention (LSA) vor und veröffentlichte den Code.¹² Das Verfahren bündelt Schlüssel in einem erlernten latenten Raum und durchsucht zunächst diese Gruppen, statt jeden Schlüssel einzeln zu prüfen.³ Bei einem Kontext von 10 Millionen Tokens auf einer NVIDIA H200 meldet das Team für das Prefill einer einzelnen Attention-Schicht einen Faktor von 72,4 gegenüber voller Attention mit Qwen3.8-27B.⁴⁵

Die Zahl beschreibt nicht die Geschwindigkeit des gesamten Modells.⁵ Gegenüber der bisherigen Sparse-Attention-Implementierung von GLM-5.3-Flash liegt der gemeldete Faktor bei 22,7; dieser Vergleich nutzt ein anderes Modell und eine andere Ausgangsbasis.⁴⁵ Der Forschungsartikel berichtet für mehrere Aufgaben ähnliche Genauigkeit, zeigt bei 10 Millionen Tokens aber auch Einbußen in einzelnen Tests.³ Ob die Ergebnisse auf anderen Systemen und unter Produktionslast halten, ist noch offen.

Ricursive Intelligence hat am 4. November 2026 die Gewichte von Ripple-65B Preview auf Hugging Face veröffentlicht.¹² Das dichte Transformer-Modell mit 65 Milliarden Parametern ist für allgemeine Aufgaben und Coding-Agenten gedacht; die Gewichte stehen unter Apache 2.0.¹ Ricursive meldet 80,52 % auf Terminal-Bench 2.1 und beansprucht damit die Führung unter offenen US-Modellen in diesem Test.¹

Der Wert ist in der Modellkarte ausdrücklich als selbst berichtet gekennzeichnet und nicht unabhängig bestätigt.¹ Die Gegenüberstellung mit Ergebnissen anderer Anbieter ist nur eingeschränkt aussagekräftig, wenn Testumgebungen und Einstellungen voneinander abweichen. Auch auf anderen Coding-Tests liegt Ripple nicht durchweg vorn: Für SWE-bench Verified nennt Ricursive 76,5 % für Ripple und 81,6 % für Reflection AIs Beam.¹ Unternehmen können die veröffentlichten Gewichte selbst prüfen, sollten die Rangfolge aber nicht als gesichert behandeln.

Das Open-Source-Projekt nv-uefi-unlocker soll den KI-Durchsatz bestimmter Nvidia-GeForce-GPUs erhöhen. Das Tool läuft von einem FAT32-USB-Laufwerk und verändert GPU-Register, bevor der Treiber lädt; es flasht nicht das VBIOS. Nach dem Ausschalten muss die Änderung erneut angewendet werden. Das Projekt nennt Windows und Linux als Zielsysteme.¹ Auf einer RTX 4060 Laptop GPU stieg der FP16-Matrixdurchsatz in einem Entwicklertest von 29,89 auf 49,33 TFLOPS, also um rund 65 %.²

Dieser Messwert beschreibt einen bestimmten Test, nicht die Beschleunigung jeder KI-Anwendung. Das Projekt meldet für Bild- und Videogenerierung je nach Test Zuwächse von 14 bis 75 %, für LLM-Decoding dagegen nur etwa 5 %. Ergebnisse hängen unter anderem von GPU, Rechengenauigkeit und Leistungsgrenze ab.¹ Die Angaben stammen aus Entwickler- und Community-Messungen; eine unabhängige Bestätigung für breite Einsatzszenarien liegt in den vorliegenden Quellen nicht vor. Wer das Tool nutzt, muss zudem die Risiken eines Eingriffs vor dem Treiberstart berücksichtigen.

Ein Team unter Leitung der Carnegie Mellon University hat ein Verfahren vorgestellt, das Vortraining, weitere Trainingsphasen, überwachtes Fine-Tuning und bestimmte Reinforcement-Learning-Ziele mit einem gemeinsamen Algorithmus verarbeitet. Die Studie erschien am 29. Oktober 2026 als Preprint.¹² Statt für jede Phase ein grundsätzlich anderes Verfahren einzusetzen, mischt das Team Trainingsbeispiele und ausgewählte Modellausgaben. Ihre Gewichtung und Zusammensetzung ändern sich im Verlauf des Trainings.¹

In den berichteten Versuchen erzielten die einheitlichen Trainingspläne bei vergleichbarem Rechenaufwand häufig bessere Ergebnisse als gestuftes Training, auch bei Aufgaben außerhalb der Trainingsverteilung.¹ Der Vorteil war aber nicht durchgehend: Bei manchen Zwischenbudgets schnitt das gestufte Verfahren besser ab.¹ Untersucht wurden Modelle mit weniger als einer Milliarde Parametern; in einem Versuch kam die Vereinheitlichung vor allem in der abschließenden Reinforcement-Learning-Phase zum Einsatz. Ob der Ansatz bei deutlich größeren Modellen Vorteile bringt, bleibt offen.¹