Trump krönt Zucks Superwoche mit Übernahme seiner Regulierungsideen

Zuckerberg diktierte Trumps KI-Selbstverpflichtung

Die Selbstverpflichtung der KI-Branche, die Donald Trump am Dienstag mit sechs Konzernchefs unterzeichnet hat, geht auf Mark Zuckerberg zurück. Der Meta-Chef saß beim Staatsbankett für Chinas Präsidenten Xi Jinping am 24. September neben dem Sprecher des Repräsentantenhauses, Mike Johnson, und sprach mit ihm über Regulierungsfragen. Daraus entstand die Idee für das Papier: Zuckerberg wandte sich anschließend an Nvidia-Chef Jensen Huang, der bei den führenden Laboren Zustimmung organisierte, und zirkulierte vor dem Mittagessen im Weißen Haus einen Entwurf. Unterzeichnet haben Meta, OpenAI, Anthropic, xAI, Google und Nvidia. Alle Darstellungen zu Zuckerbergs Rolle stammen von anonymen Quellen; Meta wollte sich nicht äußern.

Der Text umfasst gut 300 Wörter und beschreibt vier freiwillige Kontrollebenen: interne Kontrollen zur Überwachung von Modellen während Training und Einsatz einschließlich Cyber- sowie biologischer und chemischer Risiken, ein internes Prüfteam, einen externen Auditor und einen unabhängigen Ausschuss, der Berichte entgegennimmt. Ein Durchsetzungsmechanismus fehlt. Der demokratische Fraktionsführer Hakeem Jeffries nannte die Vereinbarung vollständig nicht durchsetzbar.

Im Sommer hatte die Regierung eine andere Konstruktion erwogen, hinter der sich Anthropic, OpenAI und Google versammelt hatten: eine Selbstregulierungsorganisation nach dem Vorbild der Brokeraufsicht FINRA, dazu strengere interne Prüfungen während der Modellentwicklung und externe Tests. Huang, Zuckerberg und Elon Musk sagten Trump, diese Lösung würde zu viel Macht bei den führenden KI-Konzernen bündeln. Zuckerberg lehnte sie in einem Telefonat mit Trump im August direkt ab, der Plan wurde gestrichen. Johnson hatte seine Linie vorab klargemacht: kein Moratorium, keine Überregulierung, sonst verliere man das Rennen gegen China.

Beim Termin im Weißen Haus kam es hinter den Kulissen zu einer Auseinandersetzung mit Anthropic-Chef Dario Amodei. Nach dem Mittagessen im East Room fragten ihn mehrere Konzernchefs, darunter Huang, warum er sich öffentlich so extrem über Fähigkeiten und Risiken der Modelle äußere. Amodei entgegnete, es sei wichtig, gegenüber der Öffentlichkeit offen über die Fähigkeiten der Modelle zu sprechen und Risiken nicht kleinzureden. Das Gespräch fand in kleiner Runde mit Mitarbeitern und Beratern des Weißen Hauses statt.

Parallel treibt Trump eine Umbenennung der Technologie voran. Nach einer Online-Umfrage am 19. September legte er sich drei Tage später auf „Super Intelligence“ fest, wies Diplomaten an, den Begriff zu verwenden, und unterzeichnete eine Verfügung, die die Bundesbehörden darauf verpflichtet. Das Dokument heißt entsprechend „White House Accord on Super Intelligence“. Musk und Huang unterstützten die Umbenennung öffentlich, Meta erklärte, Zuckerberg verwende den Begriff „superintelligence“ ohnehin gelegentlich. → implicator, Business Insider, Gizmodo, Semafor, Wall Street Journal

Synthszr Take: Zuckerberg hat in Washington jahrelang die Prügel für die ganze Branche kassiert, und jetzt zahlt sich das aus: Er weiß als Einziger genau, welches Papier man schreiben muss, damit nie ein Gesetz daraus wird. Die eigentliche Pointe steckt im August-Telefonat, in dem er Trump die FINRA-Variante ausgeredet hat, denn eine ständige Aufsichtsbehörde hätte Personal, Budget und ein Gedächtnis gehabt, während die vier freiwilligen Kontrollebenen jeder Firma selbst überlassen bleiben. Dass ausgerechnet Anthropic, OpenAI und Google diese härtere Lösung wollten und am Ende trotzdem das 300-Wörter-Papier unterschrieben haben, sagt mehr über die Machtverhältnisse in dieser Runde als jedes Pressefoto vor dem Weißen Haus. Die Szene nach dem Essen im East Room, in der Amodei erklären soll, warum er öffentlich von Risiken redet, zeigt, wohin abweichende Positionen in dieser Konstellation wandern: in eine kleine Runde hinter verschlossenen Türen. Die Umbenennung zu „Super Intelligence“ ist dabei der billigste Teil des Deals: Ein Wort kostet nichts, eine Aufsichtsbehörde hätte Jahrzehnte gekostet.

Google: Gemini 4 ist besser als die Konkurrenz und bleibt besser noch in Mountain View

Google hat am Mittwoch Gemini 4 Argon vorgestellt, das lange erwartete Spitzenmodell, und gibt es zunächst nur einem geschlossenen Testerkreis. Nach den von Google veröffentlichten Messwerten liegt Argon in 13 von 18 Benchmarks vorn oder gleichauf mit GPT-6 Astra, Claude Opus 5.5 und Fable 5.1, bei Rückständen allerdings teils um bis zu zehn Punkte. Besonders deutlich fallen die Vorsprünge bei Büroaufgaben aus: 51,3 Prozent auf Zapiers AutomationBench und 84,2 Prozent bei GraphWalks für Eingaben zwischen 256K und einer Million Token. Neu ist das Ausgabelimit von einer Million Token, zuvor lagen Gemini-Modelle bei 64.000. Für Teilnehmer des Fairwind-Programms und interne Teams liefert Google das Modell nach eigenen Angaben ohne Cyber-Guardrails aus; die Tochter Wiz, im März für 32 Milliarden Dollar übernommen, setzt es bereits in ihrer Scan-for-Good-Initiative ein. → The New Stack

Synthszr Take: Google hebt die Coding-Fähigkeiten hervor, und ausgerechnet dort steht Argon auf FrontierSWE v2 mit 55,0 Prozent zehneinhalb Punkte hinter GPT-6 Astra und auf Terminal-Bench 4.0 neun Punkte hinter Opus 5.5. Der Bestwert von 77,9 Prozent auf DeepSWE v1.1 ist real, aber ein Rekord plus zwei letzte Plätze ergibt für den Alltag im Editor eine durchwachsene Bilanz, zumal Codex und Claude Code dort als Modell samt Werkzeugkette gemessen werden. Stark ist das Modell bei Wissensarbeit, messbar fast neun Punkte vor Opus 5.5 auf AutomationBench, über zwölf Punkte vor GPT-6 Astra bei langen Kontexten.

OpenAI wirft Moonshot AI vor, Kimi mit ChatGPT trainiert zu haben

OpenAI beschuldigt die chinesische KI-Firma Moonshot AI, in großem Stil die internen Denkschritte seiner Modelle abgegriffen und für das Training des Modells Kimi verwendet zu haben. In einem Blogpost bezeichnet das Unternehmen das Vorgehen als Adversarial Distillation: Gezielt gebaute Prompts sollen die normalerweise verborgenen Reasoning-Spuren sichtbar gemacht haben, deren Ausgaben dann in das Training eines fremden Modells eingeflossen seien. Nach Angaben von OpenAI startete die Kampagne am 1. Juli und verstärkte sich im Lauf des Monats. Allein am 24. und 25. Juli zählte das Unternehmen eigenen Angaben zufolge bis zu 16.000 Anfragen mit einer bestimmten Prompting-Technik von mehr als 4.000 Konten. Bei der weiteren Prüfung sollen über 15.000 Nutzer ähnliche Prompts eingesetzt haben, am 28. Juli sei der Zugriff vollständig unterbunden worden. → Business Today

Synthszr Take: An zwei Julitagen reichten 16.000 geschickt gebaute Anfragen von gut 4.000 Konten, um das abzuziehen, was OpenAI sein geschütztes Reasoning nennt. Niemand hat eine Datenbank geöffnet, das Produkt selbst war die offene Stelle, weil man Denkschritte nicht verkaufen kann, ohne sie herauszugeben. Die Abwehr wird damit zur Dauerbeobachtung des eigenen Traffics, und jede Verschärfung von Mustererkennung und Sperren trifft zuerst die zahlenden Entwickler, die schlicht nachvollziehen wollen, wie eine Antwort zustande kam.

Apples Smart-Home-Hub kommt im iMac-G4-Look

Apples lange erwarteter Smart-Home-Hub bekommt ein Gehäuse, das sich am iMac G4 von 2002 orientiert, berichtet Mark Gurman für Bloomberg. Das Gerät hat laut Bericht ein quadratisches 6-Zoll-Display, das über einen polierten Metallarm auf einem runden Fuß mit perforierten Lautsprecherringen sitzt und sich manuell nach vorn und hinten kippen lässt. Es ist etwa so dick wie ein iPhone, hat keinen Akku und keine Lautstärke- oder Einschalttasten und muss dauerhaft per USB-C am Strom hängen. Eine zweite Variante mit dem Codenamen J491 ist für die Wandmontage gedacht und trägt die Lautsprecher und Mikrofone in einem flachen, quadratischen Sockel unter dem Bildschirm. Der Hub soll Nutzer per Stimme oder Gesichtserkennung identifizieren und Inhalte entsprechend personalisieren, inklusive Gastmodus, der persönliche Informationen ausblendet; die Gesichtserkennung ist dem Bericht zufolge weniger zuverlässig als Face ID, weshalb das iPhone als Rückfallebene dient. → Techpresso

Synthszr Take: Das prägendste Detail an diesem Gerät ist ein Schwenkarm aus dem Jahr 2002. Apple verkauft hier Erinnerung an eine Zeit, in der Cupertino die Formensprache der ganzen Branche vorgab, und deshalb reden jetzt alle über den Halbkugel-Fuß, während Siri im Hintergrund bleibt. Das passt ins Bild: Die Gesichtserkennung soll laut Gurman schlechter funktionieren als Face ID, das iPhone springt im Zweifel ein, ein Hub also, der sein Telefon fragen muss, wer da vor ihm steht.

Amazon verkauft Marken ab Januar Einfluss auf Alexas Kaufempfehlungen

Amazon führt mit „Branded Conversations“ ein Werbeformat ein, mit dem Marken mitbestimmen können, wie Alexa über ihre Produkte spricht. Vorgestellt wurde es auf der hauseigenen unBoxed-Konferenz, der Start in den USA ist für Januar geplant. Technisch ist das Format eine Erweiterung der Sponsored-Brands-Prompts, die in Suchergebnissen und auf Produktdetailseiten auftauchen und Käufer in einen Dialog mit Alexa for Shopping führen. Werbetreibende hinterlegen dafür ein sogenanntes Conversation Brief, in dem sie Unterschiede zum Wettbewerb, Produktvergleiche und mögliche Bündel beschreiben; Amazon kombiniert diese Angaben mit Daten aus Produktseiten und Markenshops. Die so entstandenen Dialoge werden als gesponsert gekennzeichnet, inklusive Hinweis, dass Markeninformationen die Antwort mitgeformt haben. → STACKED MARKETER

Synthszr Take: Der Werbeplatz ist hier der Antwortsatz selbst, und darin liegt die eigentliche Monetarisierung. Amazon verkauft Einfluss auf die Formulierung einer Empfehlung und rechnet ihn pro Prompt mit Klicks, Conversions und Return on Ad Spend ab, also mit genau den Kennzahlen, mit denen man Budgets aus der klassischen Suchwerbung herauszieht. Die von Andy Jassy im zweiten Quartal genannten 48 Prozent höhere Konversionsrate und 21 Prozent höhere Warenkörbe sind das Verkaufsargument für jede Mediaagentur, auch wenn es Amazons eigene Zahl bleibt. Der Preis steht in der Ipsos-Erhebung: 14 Prozent trauen einer KI-Empfehlung mehr, wenn Marken sie mitgeschrieben haben.

Microsofts erstes Streaming-Transkriptionsmodell ist super fix

Microsoft hat seine MAI-Modellfamilie um das erste Streaming-Transkriptionsmodell erweitert und zwei neue Sprachsynthese-Modelle danebengestellt. MAI-Transcribe-2-Streaming nimmt gesprochene Sprache über einen WebSocket entgegen und aktualisiert das Transkript laufend, während jemand weiterspricht, bevor es den Text am Ende als final kennzeichnet. Nach Angaben des Unternehmens liegt die erste Transkript-Hypothese im Mittel nach 320 Millisekunden vor, wobei Microsoft diesen Wert ausdrücklich nicht für jedes Szenario garantiert, da Netzverbindung und nachgelagertes Antwortmodell mitspielen. Das Modell ist über Vercels AI Gateway gelistet, kostet 54 Cent pro Audiostunde und unterstützt über 60 Sprachen mit automatischer Spracherkennung. Zum Vergleich: Die im Vormonat vorgestellte nicht-streamende Variante MAI-Transcribe-2 liegt bei 10 Cent pro Audiostunde, weil sie das Ende der Äußerung abwartet. → SiliconANGLE

Synthszr Take: Der Sprung von 10 auf 54 Cent pro Audiostunde erzählt die eigentliche Geschichte: Das Fünfeinhalbfache kostet allein die Entscheidung, nicht länger aufs Satzende zu warten. Ein Modell, das bei jeder neuen Silbe sein eigenes Transkript revidiert, verbrennt permanent Rechenzeit für Hypothesen, die zwei Wörter später wieder verworfen werden. Die 320 Millisekunden sind dabei nur der Startschuss eines Latenzbudgets, in dem sich Netzlaufzeit, der Durchlauf durch Mai-Thinking-1 und die Synthese der Voice-Modelle addieren, und erst diese Summe entscheidet darüber, ob ein Gespräch natürlich wirkt oder ob der Mensch am anderen Ende ins Stocken gerät.

OpenAI entlässt drei Sicherheitsforscher wegen weitergegebener Interna

OpenAI hat sich von drei Forschern getrennt, die vertrauliche Unternehmensinformationen an eine externe KI-Sicherheitsorganisation weitergegeben haben sollen. Das berichtet das Wall Street Journal exklusiv unter Berufung auf mit der Sache vertraute Personen. Nach Angaben einer dieser Personen hat das Unternehmen Teile der Belegschaft kürzlich darüber informiert, dass drei Mitarbeiter aus dem Safety-Team gekündigt wurden. Das WSJ ordnet die Trennung in eine Phase ein, in der OpenAI auf mehrere Vorfälle reagiert, bei denen die eigenen Modelle aus der Spur liefen. → Wall Street Journal

Synthszr Take: Drei Kündigungen im Safety-Team, und der Reflex danach ist aus der Tech-Geschichte gut bekannt: Apple baute nach dem iPhone-4-Leak eine eigene interne Ermittlungseinheit auf, Google zog nach den Memo-Leaks den Zugang zu internen Dokumenten und Foren spürbar enger. Die Verschärfung trifft am Ende immer die Stellen, an denen vorher am offensten geredet wurde. Bei OpenAI ist das ausgerechnet die Abteilung, deren Arbeit davon lebt, unbequeme Befunde nach außen tragen zu dürfen, und die laut WSJ gerade mehrere Zwischenfälle mit entgleisten Modellen aufarbeitet.

OpenAI macht ChatGPT zur virtuelle Anprobe im Checkout

OpenAI hat am Donnerstag zwei neue Shopping-Funktionen für ChatGPT weltweit ausgerollt: eine virtuelle Anprobe und eine Favoriten-Funktion. Für die Anprobe laden Nutzer ein Selfie oder ein Ganzkörperfoto hoch und bekommen Kleidungsstücke oder Accessoires auf sich selbst visualisiert, über einen neuen „Try On“-Button in den Shopping-Ergebnissen oder durch das Hochladen eines Produktbilds, etwa eines Screenshots. Die Favoriten-Funktion legt gefundene Produkte zusammen mit den Anprobe-Bildern in einer Bibliothek in der App ab. Technisch läuft beides nach Angaben von OpenAI über das neue Modell ChatGPT Images 2.5, das natürlicheres Licht, feinere Texturen und eine geringere Latenz bei der Bildgenerierung liefern soll. Laut TechCrunch können Nutzer auch einen Stil beschreiben und sich die passenden Teile zusammensuchen lassen oder Fotos von Promi-Outfits hochladen, um kaufbare Entsprechungen zu finden. → TechCrunch

Synthszr Take: Das Bild zeigt mir, ob mir die Farbe steht, und schweigt zu der einen Frage, die den Kauf entscheidet: Passt die Hose in meiner Größe? Retourenquoten im Online-Modehandel hängen an Schnitt, Stoffverhalten und Größenlogik der jeweiligen Marke, und genau diese Daten hat ein Bildmodell nicht, egal wie natürlich das Licht aussieht. Die Favoriten-Bibliothek ist für Shopper beiläufig das Wertvollere, weil sie zeigt, was man über Wochen wirklich wieder anschaut, statt was man in einem Moment schön fand.

Cloudflare kontert Jev mit zwei offenen Clef-Modellen, zwei Wochen nach dessen Start

Cloudflare hat am Donnerstag zwei eigene Decision Models veröffentlicht: Clef und das kleinere, schnellere Clef-flash. Beide beantworten dieselbe Art begrenzter, strukturierter Fragen wie das Jev-Modell von TypeSafe AI, also Ja/Nein, Mehrfachauswahl und Rankings mit Wahrscheinlichkeiten, die ein Agent direkt weiterverarbeiten kann. Die Modelle laufen gehostet auf Workers AI und stehen zusätzlich auf Hugging Face unter Apache-2.0 als Open-Weight-Modelle bereit. Die API ist vollständig Jev-kompatibel, Clef lässt sich also ohne Umbau als Ersatz einsetzen.

Technisch setzt Clef auf einen Sprachmodell-Unterbau: eingefrorene, nachtrainierte Versionen von Qwen3.8-27B für Clef und Qwen3.5-9B für Clef-flash, die während der Inference einen reinen Prefill-Durchlauf machen, bevor die Antwortoptionen parallel bewertet werden. Welche Architektur hinter Jev steckt, hält TypeSafe weiterhin geheim. Clef verarbeitet neben Text auch Bilder und Video und unterstützt ein Kontextfenster von 64k Token; bei Jev sind Zustand plus längste Einzelfrage auf 32k begrenzt. Nach Angaben der zuständigen Produktmanagerin Michelle Chen braucht Clef-flash eine GPU mit mindestens 41 GB VRAM, Clef 85 GB, jeweils bei einfacher Parallelität und 64k Kontext.

Die Leistungsangaben stammen von Cloudflare selbst. Das Unternehmen hat Clef gegen Jev und andere offene Decision Models auf dem Jev Decision Index laufen lassen und meldet höhere Genauigkeit bei etwas geringerem Tempo, während Clef-flash bei vergleichbarer Genauigkeit deutlich schneller sei. Gegen TypeSafes eigene Benchmarks beansprucht Cloudflare Vorsprünge in drei von vier Bereichen, verliert nach eigener Darstellung nur bei der Agent-Trace-Observability. Reproduziert und offiziell im Decision Index gelistet sind diese Werte bislang nicht.

Als internes Anwendungsbeispiel nennt Cloudflare die eigene Threat-Intelligence-Abteilung, wo Clef Domains kategorisiert und dafür mit Browser-Rendering 2,2 Sekunden braucht, gegenüber 4,7 Sekunden beim schnellsten eingesetzten allgemeinen Sprachmodell gpt-oss-120b. Beim Preis liegt Clef über Jev: 0,24 Dollar pro Million Token gegenüber 0,042 Dollar, also fast das Sechsfache. Trotz der Bezeichnung „open source“ in der Ankündigung sind die Trainingsdatensätze nicht öffentlich, wie Chen gegenüber The Register bestätigte. Begleitend startet Cloudflare ein neues Reinforcement-Learning-Produkt, mit dem Kunden Clef auf eigene Anwendungsfälle nachtrainieren können. → Cloudflare, The Register, Slashdot

Synthszr Take: Zwei Wochen, das war TypeSafes gesamter Vorsprung. Mitte September war Jev noch die Überraschung des Monats, jetzt liegt eine API-kompatible Alternative zum Download bereit, die Bilder und Video mitverarbeitet und 64k Kontext statt 32k bietet. Dass Clef mit 0,24 Dollar pro Million Token fast das Sechsfache kostet, schützt TypeSafe nur so lange, bis jemand die Gewichte auf eine eigene Karte mit 41 GB VRAM legt und gar nichts mehr pro Token zahlt. Die geheime Architektur hinter Jev ist in dieser Lage die schwächste Position überhaupt: Cloudflare zeigt mit eingefrorenem Qwen-Backbone und Prefill-only-Durchlauf, dass das Rezept kein Zauberwerk ist, und legt es gleich offen. Übrig bleibt für TypeSafe die Agent-Trace-Observability, der eine Bereich, in dem Clef nach Cloudflares eigenen Zahlen verliert, und darauf lässt sich schwer eine Firma bauen.