Coding-Modelle

Ein Devlog zeigt, wie Agents ihre eigenen Kontext-Fenster automatisch kompakten können – und damit eines der größten Probleme bei autonomen Systemen lösen.

Claude Code erkennt nun AGENTS.md-Dateien als Konfigurationsformat für Coding-Agents und basiert auf dem neuen Mods-System zur Anpassung des Code-Harness.

Ein Hands-on-Test prüft, ob das ternäre Bonsai-2-Modell wirklich 98% der Leistung von Qwen 3.8 erreicht – mit Fokus auf Inferenzgeschwindigkeit und agentengestützte Code-Generierung auf lokaler Hardware.

Claude Code erhält eine Überarbeitung, bei der autonome Agenten parallel an Code-Projekten arbeiten, eigenständig Pull-Requests öffnen und Tests durchführen.

Ein Entwickler zeigt, wie Claude-Agenten den Desktop direkt steuern – einfach, zuverlässig und ohne externe Tools.

Ein etablierter Programmierer bilanziert: KI schreibt guten Code, aber ermöglicht auch, Jobs schlecht zu machen – deshalb scheitern viele AI-Projekte.

Ein Entwickler zeigt, wie man mit dem neuen Flaggschiff-Modell GPT-6 Astra automatisierte Software-Fabriken aufbaut, die rund um die Uhr eigenständig Code entwickeln und deployen.

GPT Live, Swe-2, Cursor-Updates: Ein Überblick über die wichtigsten Launches und warum Voice-Steuerung und optimierte Modell-Stacks die neuen Trends setzen.

Bei Anthropic müssen von Claude geschriebene Produktionscodes höhere Qualitätsstandards erfüllen als menschlich geschriebener – durch automatisierte Guardrails wie Tests, Fuzzer und Code-Reviews.

Ein Entwickler reflektiert über die existenzielle Angst vor automatisierten Coding-Agenten – und wie man sie durch neue Perspektiven überwindet.

GPT-6 Astra unterstützt Devin bei der automatisierten Testung von Software – damit Entwickler weniger Code manuell reviewen müssen.

Ein praktischer Workflow zeigt, wie man mit Blender-Blocking und AI-Agenten die Kameraführung in Video-Generierungsmodellen wie Sora oder Seedance exakt kontrolliert – und dabei Geld spart.

Datasette behebt mit Frontier-Modellen wie Claude und GPT-6 gefundene Sicherheitslücken – ein Beispiel für KI-assistente Software-Audits in der Praxis.

Shopify verlässt React Native und setzt wieder auf separate Swift- und Kotlin-Codebases – weil KI-Agenten nun die Kosten für Mehrfachentwicklung deutlich gesenkt haben.

DeepSeek bringt mit V4.1-Flash ein multimodales Modell mit radikalen Speicher-Einsparungen und top Coding-Performance zum Bruchteil der Kosten von GPT-5 und Claude Opus.

KI-gestützte Code-Generatoren wie Claude schreiben zwar funktionierenden Code, produzieren aber regelmäßig Sicherheitslücken – ein praxisorientierter Ansatz nutzt Open-Source-Tools wie Archon und SonarQube als erzwungene Gating-Mechanismen statt nachträglicher Reviews.

Ein praktisches Werkzeug zum Betrachten von Blender-3D-Dateien direkt im Browser, entstanden aus einem spielerischen Experiment mit GPT-6 Astra für die Generierung von 3D-Modellen.

Ein Video-Vergleich zweier KI-Modelle beim Programmieren desselben Spiels zeigt praktische Unterschiede in Qualität und Nutzerfreundlichkeit.

Ein MIT-Forscher nutzt GPT-5.6 Sol, um Quantencomputing-Experimente eigenständig durchzuführen, Ergebnisse zu analysieren und Qubits zu kalibrieren.

Bei 1Password nutzen Ingenieure Codex, um neue Features und interne Tools schneller zu bauen und dabei strikte Sicherheitsrichtlinien einzuhalten.