Coding-Modelle

Das neue Open-Weights-Reasoning-Modell Inkling Small ist ein Drittel kleiner als sein Vorgänger, übertrifft ihn aber bei Coding- und Reasoning-Aufgaben.

Ein Fine-Tune von Qwens 27B-Modell, das mit erweitertem Chain-of-Thought-Reasoning für Coding-Aufgaben optimiert wurde.

OpenAI entwickelt einen tragbaren Sprachassistenten, während sich KI-Engineering fundamental verschiebt – von klassischen IDEs zu Coding-Agenten und Workflows mit menschlicher Kontrolle.

OpenAI stellt das Sicherheits-Tool Codex Security CLI als Open Source bereit, das automatisch Schwachstellen in Code aufspürt und behebt – ein direkter Schachzug gegen Anthropic und eine Antwort auf KI-gestützte Cyberattacken.

Poolsides neues Coding-Modell mit 118 Milliarden Parametern übertrifft Systeme, die zehnmal so groß sind – nicht wegen seiner Architektur, sondern durch clevere Trainings- und Optimierungstechniken.

KI-Coding-Agenten beschleunigen Softwareentwicklung und wissenschaftliche Entdeckungen in Genomik und darüber hinaus.

Cursors neue Agenten-Schwarm-Architektur mit getrennten Planer- und Arbeiter-Rollen meistert komplexe Coding-Aufgaben wie SQLite-Neubau in Rust fehlerlos, wo das alte System an Merge-Konflikten scheiterte.

Astral hat Ruff mit 413 statt 59 Standardregeln ausgestattet – und macht dabei die Arbeit für KI-Agenten leichter.

Anthropics Claude Opus 5 führt die KI-Benchmark-Rankings an und unterbietet dabei Konkurrenz-Modelle deutlich im Preis, besonders im Coding- und Analytics-Bereich.

Ein praktischer Test zeigt: Das chinesische Spitzenmodell Kimi K3 glänzt zwar in Benchmarks, scheitert in der Realität aber bei anspruchsvollen Engineering-Aufgaben häufiger als geschlossen entwickelte Konkurrenten.

Ein neues Coding-Modell des Startups Poolside beweist, dass intelligenteres Verhalten statt mehr Parameter bessere Ergebnisse bringt – sogar bei einem alten Mathe-Problem.

Moonshot hat mit Kimi K3 ein riesiges Open-Weight-Modell mit 2,8 Billionen Parametern veröffentlicht – die Frage ist, ob es auch liefert.

Cisco veröffentlicht zwei kleine, offene KI-Modelle, die Schwachstellen im Code 150-mal kosteneffektiver als große KI-Agenten aufdecken.

Anthropic-Teams berichten, wie KI-Coding-Agenten ihren Arbeitsalltag transformieren und welche Best Practices sich beim Einsatz von Claude durchgesetzt haben.

Bei der AI Engineer World's Fair erzählten Anthropic-Ingenieure, wie Claude Code und die neue Slack-Integration Claude Tag ihre interne Produktentwicklung transformieren und welche Sicherheits- und Design-Ansätze dahinterstecken.

Coding-Agenten machen die Reverse-Programmierung von Smart-Home-Geräten plötzlich wirtschaftlich sinnvoll – weil die Kosten für Trial-and-Error und spätere Wartung kollabiert sind.

Statt sich für ein KI-Modell zu entscheiden, sollten Entwickler mehrere Modelle kombinieren – eine alte Idee, die nun als „Model Fusion" neu vermarktet wird.

Chinas Kimi K3 schlägt Claude und GPT beim Code-Schreiben, zeigt aber massive Schwächen bei mathematischen Problemen.

OpenAI untersucht Berichte über unerwartete Dateilöschungen in GPT-5.6, wenn Codex ohne Sandbox-Schutz läuft und die $HOME-Variable überschrieben wird.

OpenAIs internes Creative Team nutzt Codex zur Entwicklung eigener KI-Tools, schnelleren Ideenfindung und prototyping mit kontextbewusstem KI-Support.