Letzte Nacht erlebte das Silicon Valley den Kampf der KI-Götter

Autor: Max, 01 Founder

Redakteur: Max

Letzte Nacht passierten im Silicon Valley drei große Dinge.

Google veröffentlichte Gemini 3.8 Flash, Meta veröffentlichte Muse Spark 1.3, und ein Startup, über das zuvor niemand gesprochen hatte – Mostik – wurde in einem Exklusivinterview des renommierten Mediums WIRED vorgestellt.

Betrachtet man nur die ersten beiden, wirkt es wie eine weitere gewöhnliche Nacht der KI-Benchmark-Rekorde.

Google hatte Gemini gerade an die Spitze von DeepSWE gebracht, und wenige Stunden später veröffentlichte Meta ein noch höheres Ergebnis. Die Spitzenposition hielt sogar nur wenige Stunden.

Bis 2026 sind die Leute daran fast schon abgestumpft.

Modellveröffentlichung, Benchmark-Aktualisierung, ein paar Stunden Feiern auf X, und dann wartet man auf die nächste Firma, die den Rekord erneut bricht.

Doch wenn man die drei Ereignisse von letzter Nacht zusammenhängend betrachtet, liegt das wirklich Beachtenswerte meiner Meinung nach überhaupt nicht in diesen Ranglisten.

Die Ökonomie der KI erlebt einen abrupten Umbruch.

In den letzten Jahren haben wir bei der Diskussion über KI-Kosten meist auf den Preis pro Million Token geschaut.

Doch seit dem Aufkommen von Agenten wird diese Messgröße zunehmend unzureichend.

Die wirklich wichtige Frage der Zukunft ist vielleicht nicht mehr „Was kostet eine Million Token?“, sondern: Was kostet es, einen Bug zu beheben, eine Studie abzuschließen oder einen Agenten drei Stunden am Stück arbeiten zu lassen?

Und letzte Nacht sanken die Inferenzkosten gleichzeitig aus mehreren völlig unterschiedlichen Richtungen.

Google packt Fähigkeiten auf Frontier-Niveau in immer günstigere Modelle, Meta lässt Agenten dieselbe Aufgabe mit weniger Token und Tool-Aufrufen erledigen, und Mostik geht noch einen Schritt weiter und stellt die Frage:

Wenn beide Kommunikationspartner ohnehin KI sind, warum müssen Modelle dann noch in einer für Menschen entwickelten Sprache miteinander kommunizieren?

TEIL 01: Gemini schlägt zurück

Zunächst zu Google.

Google veröffentlichte sein brandneues Flaggschiff-Modell Gemini 3.8 Flash, das offiziell als das bisher leistungsstärkste Reasoning- und Code-Modell bezeichnet wird.

Es ist zugleich das dritte Update der Flash-Serie innerhalb von sechs Wochen – von 3.6 über 3.7 bis zum jetzigen 3.8.

Bisher war der Eindruck von Flash immer sehr einfach: schneller und günstiger, aber mit etwas geringeren Fähigkeiten als die stärksten Modelle.

Google verändert diese Definition nun Stück für Stück.

Die zentralen Verbesserungen des 3.8 Flash liegen diesmal im Long-Horizon-Coding und in agentischen Workflows.

Beim DeepSWE v1.1, der die Fähigkeiten von KI in langfristiger Softwareentwicklung misst, erreichte es etwa 74 %.

Der größte Unterschied zwischen DeepSWE und traditionellen Code-Benchmarks besteht darin, dass dem Modell keine Algorithmusaufgabe vorgeworfen wird, sondern der Agent tatsächlich in ein Code-Repository gesetzt wird.

Das Modell muss das Problem verstehen, Code durchsuchen, Dateien ändern, Tools aufrufen, Tests ausführen und nach Fehlschlägen weiter nach Ursachen suchen.

Eine vollständige Aufgabe kann Dutzende oder sogar Hunderte von Schritten dauern.

In solchen Tests stand Gemini 3.8 Flash zeitweise an der Weltspitze.

Claude Opus 5 liegt ebenfalls bei etwa 74 %, GPT-5.6 Sol bei etwa 73 %, und das zuvor führende Fable 5 bei etwa 70 %.

Betrachtet man nur die Fähigkeiten, gibt es zwischen diesen stärksten Modellen keine besonders großen Unterschiede mehr.

Wirklich beängstigend ist eine andere Zahl: das Geld.

Der Einführungspreis der API von Gemini 3.8 Flash bleibt bei 0,75 US-Dollar pro 1 Mio. Input-Token und 3,75 US-Dollar pro 1 Mio. Output-Token.

Die durchschnittlichen Kosten für eine vollständige Aufgabe bei DeepSWE betragen nur 2,36 US-Dollar.

Zum Vergleich: Claude Opus 5 mit ebenfalls etwa 74 % kostet durchschnittlich 11,84 US-Dollar pro Aufgabe; GPT-5.6 Sol mit etwa 73 % kostet durchschnittlich 6,46 US-Dollar.

Das heißt, bei gleichem Niveau der Softwareentwicklungsfähigkeiten können sich die Ausführungskosten bereits um ein Vielfaches unterscheiden.

Im Zeitalter der Agenten wird das sehr wichtig.

In der Chatbot-Ära spürten normale Nutzer kaum, ob eine Antwort ein paar Cent teurer oder billiger war.

Bei Agenten ist das völlig anders: Ein Coding-Agent kann 100 Schritte am Stück ausführen, ein Research-Agent kann Dutzende Webseiten durchsuchen und Hunderte Seiten lesen, und in Unternehmen könnten Agenten künftig sogar stundenlang ununterbrochen arbeiten.

Google erwähnte sogar offiziell, dass 3.8 Flash bei komplexen Aufgaben aktiv härter arbeitet und mehr Reasoning und Tool-Aufrufe durchführt.

Google hat das Modell nicht aus Kostengründen „weniger denken“ lassen, sondern weil Token bereits billig genug sind, kann es längere Loops laufen lassen.

Deshalb liegt die wahre Bedeutung von 3.8 Flash meiner Meinung nach nicht darin, erneut den ersten Platz zu belegen.

Sondern darin, dass es Fähigkeiten, die bisher nur die teuersten Frontier-Modelle boten, mit Gewalt in die Flash-Preisklasse drückt.

TEIL 02: Dreieinhalb Stunden später schlägt Meta zurück

Während die Google-Leute noch die Veröffentlichung von Gemini 3.8 Flash feierten, schlug Meta plötzlich zurück.

Meta veröffentlichte plötzlich das Modell Muse Spark 1.3.

Laut den von Meta veröffentlichten Benchmarks erreichte Muse Spark 1.3 bei DeepSWE v1.1 ein Ergebnis von 75,4 %.

Diese Zahl übertrifft Gemini 3.8 Flash, Claude Opus 5 und GPT-5.6 Sol.

Noch erstaunlicher ist, dass Muse Spark 1.2 in diesem Test nur etwa 55 % erreichte.

Von 1.2 auf 1.3 brachte ein kleines Versionsupdate eine Steigerung von rund 20 Prozentpunkten.

Doch auch bei Meta ist das wirklich Beachtenswerte meiner Meinung nach nicht die 75,4 %.

Es gibt zwei weitere Zahlen: rund 20 % weniger Tool-Aufrufe und rund 25 % weniger Token-Verbrauch.

Das wird leicht übersehen, ist aber tatsächlich sehr nah an der wichtigsten Frage, sobald Agenten wirklich kommerzialisiert werden.

Das meiste Geld verschwendet ein Agent oft nicht beim normalen Denken, sondern beim Abweichen vom Kurs.

Wenn ein Coding-Agent beispielsweise im 20. Schritt die Anforderungen falsch versteht, ändert er vielleicht weiter fünf Dateien, führt drei Testrunden aus, durchsucht viel Code und merkt erst am Ende, dass der Ansatz falsch war – und beginnt von vorn.

Dutzende Tool-Calls und Zehntausende Token sind so verschwendet.

Wenn ein Modell also früher erkennt, dass eine Aufgabe mehrdeutig ist, früher merkt, dass es nicht weiterkommt, und früher den Nutzer fragt, senkt das unmittelbar die Kosten.

Viele der diesmal verstärkten Fähigkeiten von Muse Spark 1.3 gehören in diese Kategorie: Es kann in langen Threads mehrere Workflows gleichzeitig aufrechterhalten, bei mehrdeutigen Aufgaben aktiv nachfragen, bei unlösbaren Problemen aktiv um Hilfe bitten, bei irreversiblen Operationen erst bestätigen und vergisst bei langen Aufgaben auch nach vielen Runden seltener die ursprünglichen Einschränkungen.

Meta betont sogar die Fähigkeit des Modells, die eigenen Grenzen zu erkennen: Es weiß, was es kann, und es weiß, was es nicht kann.

In der Chatbot-Ära mögen diese Fähigkeiten weniger sexy sein als 20 Punkte mehr im Benchmark, aber im Agenten-Zeitalter lassen sie sich direkt in Geld umrechnen.

Jeder vermiedene Fehler eines Agenten ist selbst eine Inference-Optimierung.

Betrachtet man Google und Meta zusammen, verändert sich die Maßeinheit des Wettbewerbs großer Modelle gerade still und leise.

Künftig dürfte man sich immer weniger für den „Preis pro Million Token“ interessieren und immer mehr für eine andere Zahl:

Was kostet es, eine reale Aufgabe von Anfang bis Ende durchzuführen?

TEIL 03: Mostik, ein disruptiver Durchbruch

Während Google und Meta noch erforschen, wie man Aufgaben mit billigeren und weniger Token erledigt, geht Mostik eine grundlegendere Frage an:

Warum müssen diese Token überhaupt existieren?

Mostik bedeutet auf Russisch „Brücke“.

CEO Sasha Malysheva ist die Hauptentwicklerin dieser Methode, und der leitende Wissenschaftler des Unternehmens ist Stanislav Smirnov, Professor an der Universität Genf und Träger der Fields-Medaille 2010.

Sie versuchen etwas, das einfach klingt, aber in Wirklichkeit extrem schwierig ist: zwei KI-Modelle nicht mehr über natürliche Sprache miteinander kommunizieren zu lassen.

Die allermeisten Multi-Agenten-Systeme funktionieren heute so:

Modell A erhält Informationen, generiert zunächst Hunderte oder Tausende Token und formuliert seine Schlussfolgerungen in natürlicher Sprache; Modell B liest all diesen Text, versteht ihn neu, baut seine eigene interne Repräsentation auf und folgert dann weiter.

Das Problem ist jedoch, dass das, womit große Modelle intern tatsächlich rechnen, ursprünglich gar kein Chinesisch oder Englisch ist, sondern:

hochdimensionale kontinuierliche mathematische Repräsentationen.

Das ist, als könnten zwei Computer direkt Daten übertragen, aber Computer A druckt die Datei erst auf Hunderte Seiten Papier aus, und Computer B scannt sie mit einer Kamera seitenweise per OCR wieder ein.

Bisher hat man vor allem daran geforscht, die Druckkosten zu senken; Mostik will den Drucker gleich ganz wegwerfen.

Sie versuchen, zwischen den internen Repräsentationen verschiedener Modelle eine Brücke zu bauen, damit Modelle direkt latente Repräsentationen austauschen, statt zuerst natürliche Sprache zu erzeugen.

Ein vom renommierten Silicon-Valley-Medium WIRED enthülltes Experiment ist sehr interessant.

Mostik verband die Vollversion von GLM-5.2 753B mit dem nur 4B großen Qwen 3.5, das auf Mobilgeräten laufen kann.

Das resultierende Hybridsystem liegt leistungsmäßig zwischen den beiden Modellen, aber die Inferenzkosten betragen nur 1/20 der vollständigen GLM-5.2.

Natürlich wäre es viel zu früh zu sagen, Mostik habe das Problem der Modellkommunikation bereits gelöst.

Latente Kommunikation ist auch nicht erst gestern zum ersten Mal aufgetaucht; in den letzten Jahren gab es bereits etliche Forschungsarbeiten, die den Austausch von Embeddings, Hidden States, KV-Caches und anderen internen Repräsentationen versuchten.

Die eigentliche Schwierigkeit besteht darin, dass Architektur, Parameter, Trainingsdaten und interne Koordinatensysteme verschiedener Modelle unterschiedlich sind – wie man zwei Modelle dazu bringt, den latenten Raum des jeweils anderen wirklich zu verstehen, ist an sich schon ein sehr schwieriges Problem.

Smirnov selbst räumt ein, dass es derzeit sogar an einer ausgereiften mathematischen Sprache fehlt, um gemeinsame Repräsentationen zwischen verschiedenen Modellen zu beschreiben.

Aber die Zahl 1/20 begeistert mich dennoch sehr.

Denn sie bringt mich dazu, ernsthaft über eine völlig andere zukünftige KI-Architektur nachzudenken.

TEIL 04: In Zukunft brauchst du nur noch ein 0,xB-Modell

In den letzten zwei Jahren haben wir bei On-Device-KI untersucht, wie man größere Modelle in Smartphones packt: 7B, 4B, 3B, 1B – immer weiter destillieren, quantisieren, komprimieren.

Wenn der Ansatz von Mostik am Ende aber wirklich funktioniert, braucht das Smartphone der Zukunft meiner Meinung nach vielleicht gar kein großes Modell, das „alles kann“.

Auf deinem Gerät muss möglicherweise nur ein kleines Modell mit 0,xB oder einigen B laufen.

Es ist billig, kann dauerhaft laufen, versteht, in welcher App du dich gerade befindest, was du gerade getan hast und in welchem Zustand das Gerät ist, und erledigt die allermeisten einfachen, häufigen Aufgaben.

Erst bei wirklich schwierigen Problemen ruft es über latente Kommunikation ein großes Modell in der Cloud auf.

Der entscheidende Unterschied ist jedoch, dass es nicht wie heute den gesamten Kontext von hunderttausend Token erneut in die Cloud übertragen muss, damit das entfernte Modell ihn von vorn liest.

Es muss möglicherweise nur einen stark komprimierten latenten Zustand übertragen.

Nachdem das große Modell in der Cloud die komplexe Inferenz abgeschlossen hat, muss es dem lokalen Modell auch nicht unbedingt Tausende Token natürlicher Sprache als Erklärung generieren, sondern kann direkt die neue interne Repräsentation zurücksenden.

Auf diese Weise übernimmt das lokale kleine Modell die häufigen, billigen, dauerhaften Aufgaben, das Cloud-Frontier-Modell nur die seltenen, aber wirklich schwierigen Inferenzen, und dazwischen kommuniziert man effizient über eine Art Brücke.

Wenn das in Zukunft wirklich gelingt, könnte der Rückgang der Inferenzkosten weit über die heutigen API-Preissenkungen von 30 % oder 50 % hinausgehen.

Es könnte die Art und Weise verändern, wie wir KI-Berechnungen überhaupt organisieren.

TEIL 05: Fazit

Rückblickend auf letzte Nacht wirken die drei Nachrichten oberflächlich völlig unterschiedlich.

Google veröffentlichte Gemini 3.8 Flash und drückte Fähigkeiten auf Frontier-Niveau in die Flash-Preisklasse;

Meta veröffentlichte Muse Spark 1.3 und ließ Agenten mit weniger Token und Tool-Calls mehr erledigen;

Mostik ging noch einen Schritt weiter und versucht, einen Teil der Token zwischen Modellen von vornherein gar nicht erst entstehen zu lassen.

Sie alle deuten auf dieselbe Veränderung hin:

Intelligenz wird mit atemberaubender Geschwindigkeit billig.

Und dieser Preisverfall ist längst nicht mehr nur ein Sinken der API-Einzelpreise.

Die Modellpreise sinken, der Rechenaufwand für Aufgaben sinkt, und jetzt wird sogar die Art und Weise, wie Modelle Informationen austauschen, neu gestaltet.

Die möglichen Auswirkungen davon sind weit größer als ein paar Prozentpunkte mehr im Benchmark.

Denn viele Technologien explodieren nicht dann, wenn sie „zum ersten Mal funktionieren“, sondern wenn sie „endlich billig genug sind, um sie beliebig zu nutzen“.

Heute einen Agenten Dutzende Dollar für eine kleine Alltagsaufgabe ausgeben zu lassen, ist vielleicht völlig unwirtschaftlich.

Wenn es künftig nur noch ein paar Cent kostet, werden plötzlich viele Anwendungen tragfähig, an die heute niemand denken würde.

Heute können wir nicht Dutzende Agenten rund um die Uhr um eine einzelne Person herum laufen lassen; sinken die Inferenzkosten um ein bis zwei Größenordnungen, könnte das zum Standard werden.

Es ist jetzt sieben Uhr morgens, und eigentlich hätte ich schon vor Stunden schlafen sollen.

Doch dann kam Gemini, ein paar Stunden später zog Meta nach, und dann sah ich das 1/20-Experiment von Mostik.

Als ich im Bett lag, gingen mir diese Dinge ständig durch den Kopf – das 0,xB-Modell im Smartphone, das große Modell in der Cloud, und dass sie vielleicht gar nicht mehr in natürlicher Sprache miteinander sprechen müssen.

Je mehr ich darüber nachdachte, desto weniger konnte ich schlafen, und schließlich stand ich wieder auf und schrieb diesen Artikel zu Ende.

Die 74 % von Gemini und die 75,4 % von Muse werden in ein paar Tagen vielleicht von neuen Zahlen überholt.

Aber ich kann diese Begeisterung im Moment wirklich kaum beruhigen.

Denn mehr als die Frage, wer wieder einmal Weltbester geworden ist, beschäftigt mich zunehmend eine andere Frage:

Wie billig kann so intelligente KI am Ende eigentlich werden?

Sobald mächtige Intelligenz wirklich so billig wird, dass man sie beliebig aufrufen kann, stehen viele KI-Produkte, die heute noch völlig verrückt wirken, vielleicht erst am Anfang.