Die heutige Zusammenfassung umfasst fünf Themen aus den Bereichen Open-Weights-KI-Modelle, die Open-Source-KI-Bewegung, eine bedeutende Fintech-Übernahme und praktische Infrastrukturautomatisierung. Thinking Machines hat Inkling veröffentlicht, ein 975B-Parameter Mixture-of-Experts-Transformer mit vollständigen Gewichten, trainiert auf 45 Billionen multimodalen Tokens mit steuerbarer Denkintensität. xAI hat Grok Build, seinen terminalbasierten KI-Coding-Agenten, open-source unter der Apache-2.0-Lizenz veröffentlicht. In einem überzeugenden Essay, ursprünglich in Fortune veröffentlicht, plädiert David Siegel — der in den 1980er-Jahren zwei Jahre lang mit Richard Stallman über freie Software debattierte — dafür, dass Regierungen, Unternehmen und gemeinnützige Organisationen stark in Open-Source-KI investieren müssen. Auf der Geschäftsebene haben Stripe und Advent ein gemeinsames Angebot zur Übernahme von PayPal für mehr als 53 Milliarden Dollar gemacht. Und ein praktischer Leitfaden zeigt, wie KI-Modelle zur Konfiguration von MikroTik-Netzwerkgeräten mit bemerkenswerter Effektivität eingesetzt werden. Hier ist, was jede dieser Entwicklungen für Ihr Unternehmen bedeutet.
1. Inkling: Ein 975B Mixture-of-Experts-Modell, Vollständig Open-Weights
Thinking Machines hat Inkling veröffentlicht und damit einen bedeutenden Beitrag zum Ökosystem der Open-Weights-KI geleistet. Das Modell ist ein Mixture-of-Experts-Transformer mit 975B Gesamtparametern, wovon 41B pro Token aktiv sind. Es unterstützt ein Kontextfenster von bis zu 1 Million Tokens und wurde auf 45 Billionen Tokens vortrainiert, die Text, Bilder, Audio und Video umfassen.
Was Inkling auszeichnet, ist nicht die reine Grösse, sondern eine Kombination praktischer Qualitäten für die Anpassung. Das Modell verfügt über steuerbare Denkintensität, die es ermöglicht, Leistung gegen Token-Effizienz abzuwägen. Auf Terminal Bench 2.1 für agentic Coding verbraucht Inkling nur ein Drittel der Tokens von Nemotron 3 Ultra, um dieselbe Leistung zu erzielen. Die multimodalen Fähigkeiten sind nativ implementiert — Audio wird als dMel-Spektrogramme und Bilder als 40x40-Pixel-Patches verarbeitet, beide über eine leichte Embedding-Schicht transformiert und gemeinsam mit Text-Tokens verarbeitet.
Das Modell wurde mit einer hybriden Optimierungsstrategie trainiert — Muon für grosse Matrixgewichte, Adam für andere Parameter — und mit grossräumigem asynchronem RL über 30 Millionen Rollouts post-trainiert. Ein interessantes emergentes Verhalten wurde beobachtet: Die Chain of Thought wurde im Laufe des RL-Trainings konzipierter, liess grammatikalischen Overhead fallen, blieb aber verständlich. Diese Effizienzkompression wurde nicht durch die Reward-Funktion angestrebt; sie entstand natürlich.
Inkling ist für Fine-Tuning auf der Tinker-Plattform von Thinking Machines verfügbar, mit einem Entwickler-Playground für interaktive Tests. Die vollständigen Gewichte sind auf Hugging Face verfügbar, einschliesslich eines NVFP4-Checkpoints für effiziente Inferenz auf NVIDIA-Blackwell-Systemen. Das Modell ist auch über APIs auf TogetherAI, Fireworks, Modal, Databricks und Baseten verfügbar, mit Inferenzunterstützung in SGLang, vLLM, llama.cpp und Hugging Face Transformers.
"Inkling ist nicht das insgesamt stärkste Modell, das heute verfügbar ist, offen oder geschlossen. Stattdessen macht eine Kombination von Qualitäten es zu einer guten Open-Weights-Basis für Anpassung: multimodale Fähigkeiten, effizientes Denken und Verfügbarkeit auf Tinker für Fine-Tuning." — Thinking Machines, Inkling-Ankündigung
Geschäftliche Bedeutung: Inkling repräsentiert eine bedeutende Option für Organisationen, die auf Open-Weights-Modellen aufbauen möchten, anstatt ausschliesslich auf geschlossene APIs zu vertrauen. (1) Bewerten Sie Inkling als Fine-Tuning-Basis: Wenn Ihre Organisation ein multimodales Modell benötigt, das für spezifische Domänen angepasst werden kann, macht die Kombination aus Fähigkeiten, steuerbarer Effizienz und offenen Gewichten Inkling zu einem starken Kandidaten. (2) Nutzen Sie die steuerbare Denkintensität: Die Möglichkeit, die Reasoning-Tiefe eines Modells pro Aufgabe anzupassen, ist besonders wertvoll für Produktionsworkloads, bei denen Kosten und Latenz bindende Einschränkungen darstellen. Ein Modell, das bei Routineaufgaben effizient arbeitet und bei komplexen Aufgaben hochskaliert, verändert die Ökonomie der KI-Bereitstellung. (3) Bedenken Sie die Ökosystem-Partnerschaften: Mit Inferenzunterstützung über SGLang, vLLM, llama.cpp und Hugging Face Transformers integriert sich Inkling mit minimaler Reibung in bestehende ML-Infrastruktur. (4) Für Schweizer und europäische Organisationen: Open-Weights-Modelle, die auf Infrastruktur innerhalb der Schweiz oder der EU ausgeführt werden können, unterstützen direkt Datenhoheitsanforderungen. Mit den vollständigen Gewichten und mehreren Inferenz-Backends ist die Bereitstellung von Inkling auf lokaler Infrastruktur technisch machbar.
Quelle: Inkling-Ankündigung (thinkingmachines.ai)
2. Grok Build Wird Open Source
xAI hat Grok Build, seinen terminalbasierten KI-Coding-Agenten, open-source veröffentlicht. Das Repository enthält den Rust-Quellcode für CLI/TUI und den Agent-Runtime, lizenziert unter der Apache License, Version 2.0. Grok Build läuft als vollbildiger Terminal-Benutzerinterface, das Ihre Codebase versteht, Dateien bearbeitet, Shell-Befehle ausführt, im Web sucht und langlaufende Aufgaben verwaltet.
Die Architektur ist modular, mit separaten Crates für TUI, Agent-Runtime, Tool-Implementierungen, Workspace-Management und MCP-Server-Integration. Es unterstützt interaktive Nutzung, Headless-Modus für Skripting und CI-Pipelines und Einbettung in Editoren über das Agent Client Protocol (ACP). Fertige Binaries sind für macOS, Linux und Windows verfügbar.
Die Open-Source-Veröffentlichung ist bemerkenswert für das, was sie über die Interna eines produktiven KI-Coding-Agenten offenbart. Die Tool-Implementierungen umfassen Terminal-Ausführung, Dateibearbeitung, Websuche und Workspace-Management. Die Agent-Runtime unterstützt Leader/Stdio/Headless-Einstiegspunkte, und die Workspace-Crate handhabt Host-Dateisystem-Operationen, VCS-Integration, Ausführung und Checkpoints.
"Grok Build ist SpaceXAIs terminalbasierter KI-Coding-Agent. Er läuft als vollbildiges TUI, das Ihre Codebase versteht, Dateien bearbeitet, Shell-Befehle ausführt, im Web sucht und langlaufende Aufgaben verwaltet — interaktiv, headless für Skripting/CI oder in Editoren eingebettet via dem Agent Client Protocol (ACP)." — xAI Grok Build Repository
Geschäftliche Bedeutung: Die Open-Source-Veröffentlichung von Grok Build hat mehrere Implikationen für Organisationen, die KI-Coding-Tools bewerten. (1) Studieren Sie die Architektur: Das Repository bietet einen seltenen Blick darauf, wie ein produktiver KI-Coding-Agent strukturiert ist. Das Verständnis der Trennung zwischen TUI, Agent-Runtime, Tools und Workspace-Management kann Ihre eigenen Agent-Design-Entscheidungen informieren. (2) Bewerten Sie das Agent Client Protocol (ACP): ACP ist ein aufstrebender Standard für die Einbettung von KI-Agenten in Editoren. Das Verständnis, wie Grok Build dieses Protokoll implementiert, hilft Ihnen zu beurteilen, ob ACP-basierte Integration in Ihren Entwicklungsworkflow passt. (3) Erwägen Sie Headless-CI-Integration: Der Headless-Modus von Grok Build ermöglicht KI-unterstützte Code-Reviews, Tests und Wartung in CI-Pipelines. Dies eröffnet Möglichkeiten zur Automatisierung routinemässiger Code-Wartungsaufgaben. (4) Beachten Sie die Beitragsrichtlinie: Das Repository gibt an, dass externe Beiträge nicht akzeptiert werden. Das bedeutet, der Code ist zum Studium und potenziellen Forken verfügbar, aber nicht für community-gestützte Entwicklung. Organisationen, die den Agenten anpassen möchten, müssen ihren eigenen Fork warten.
Quelle: Grok Build Repository (github.com/xai-org/grok-build)
3. David Siegel: Regierungen, Unternehmen und Gemeinnützige Organisationen Sollten in Open-Source-KI Investieren
David Siegel, Mitbegründer von Two Sigma und Vorsitzender der Siegel Family Endowment, hat ein überzeugendes Essay veröffentlicht, das argumentiert, dass die Open-Source-Prinzipien, die die Software-Revolution angetrieben haben, auf KI ausgedehnt werden müssen. Das Essay, ursprünglich in Fortune veröffentlicht, stützt sich auf Siegels persönliche Geschichte — er verbrachte zwei Jahre damit, in den 1980er-Jahren über freie Software mit Richard Stallman zu debattieren und wurde schliesslich davon überzeugt, dass geteiltes Wissen stärker ist als proprietäre Kontrolle.
Siegels zentrales Argument ist, dass KI zunehmend geschlossen ist, mit Frontier-Modellen, die vollständig hinter Unternehmenswänden gesperrt sind. Dies geschieht, während die Wissenschaft noch jung ist und die tiefsten Durchbrüche noch vorliegen. Das Feld jetzt zu schliessen ist genau der Moment, in dem geteiltes Wissen am meisten zählt. Er macht den Fall, dass Open-Source-KI nicht nur ein technisches Anliegen ist, sondern ein gesellschaftliches: Wenn die meisten zukünftigen Wissenschaften auf KI angewiesen sind, riskiert das Sperren von KI in wenigen Unternehmen, wissenschaftlichen Fortschritt selbst zu blockieren.
Das Essay unterscheidet zwischen zwei Arten von Code: dem Code, der ein Modell ausführt, und dem Code, der es gebaut hat. Ein Modell ausführen zu können ist nützlich, aber sehen zu können, wie es gebaut wurde — der Trainingscode und die Daten — ist das, was für Transparenz am wichtigsten ist. Viele Modelle, die heute als «offen» gefeiert werden, veröffentlichen nur die Gewichte, nicht den Build-Prozess oder die Trainingsdaten.
"Eine Offenheit, die nach Belieben abgeschaltet werden kann, ist kein Fundament; sie ist eine Gefälligkeit. Wir sollten sowohl die offenen Modelle selbst wollen, damit jeder diese Systeme nutzen und darauf aufbauen kann, als auch den Open Source, damit jeder sehen kann, wie sie gemacht wurden." — David Siegel, Fortune, Juli 2026
Geschäftliche Bedeutung: Dies ist ein politikbezogenes Argument mit direkter Relevanz dafür, wie Organisationen KI-Adoption angehen. (1) Unterstützen Sie Open-Source-KI-Initiativen: Wenn Ihre Organisation von Open-Source-Software profitiert, erwägen Sie, zu Open-Source-KI-Projekten beizutragen. Das Ökosystem braucht Teilnehmer, die Transparenz und geteiltes Wissen wertschätzen. (2) Bewerten Sie das langfristige Risiko geschlossener KI-Abhängigkeit: Ausschliesslich auf geschlossene Modelle zu vertrauen, erstellt Vendor-Lock-in und reduziert Ihre Fähigkeit, die Systeme zu prüfen oder zu verstehen, von denen Ihre Organisation abhängt. Pflegen Sie Beziehungen zu Open-Weights-Alternativen. (3) Für Schweizer und europäische Entscheidungsträger: Siegels Argument für öffentliche Compute-Gelder für offene Forschung und eine Regel, dass KI, die mit öffentlichem Geld gebaut wird, standardmässig offen ist, ist direkt relevant für die europäische KI-Strategie. Erwägen Sie, diese Prinzipien in Ihrer Jurisdiktion zu vertreten. (4) Vertreten Sie Transparenz innerhalb Ihrer Organisation: Bei der Auswahl von KI-Tools und -Modellen priorisieren Sie diejenigen, die Sichtbarkeit in Trainingsdaten, Architektur und Sicherheitsbewertungsmethodologie bieten.
Quelle: David Siegel über Open-Source-KI (fortune.com, via Siegel Endowment PDF)
4. Stripe und Advent Bieten Gemeinsames Angebot zur Übernahme von PayPal für 53 Milliarden Dollar
Laut Reuters-Quellen haben Stripe und Advent International ein gemeinsames Angebot zur Übernahme von PayPal für mehr als 53 Milliarden Dollar gemacht. Die potenzielle Übernahme wäre eine der grössten in der Fintech-Geschichte und würde die Zahlungslandschaft erheblich umgestalten.
Stripe ist zu einem der wertvollsten privaten Unternehmen der Welt gewachsen, mit einer Bewertung von über 95 Milliarden Dollar. Advent International ist ein Private-Equity-Unternehmen mit erheblicher Erfahrung in Zahlungen und Finanzdienstleistungen. PayPal hat trotz seiner Marktposition zunehmenden Wettbewerb von neueren Zahlungsprozessoren erlebt und hat Schwierigkeiten, die Wachstumsrate aufrechtzuerhalten, die frühere Bewertungen gerechtfertigt hat.
Der Deal würde Stripe's entwicklerorientierte API-Infrastruktur und schnelles Wachstum mit PayPal's etablierter Verbraucher-Marke und globalem Händler-Netzwerk kombinieren. Für das Zahlungsökosystem würde dies zwei der bedeutendsten unabhängigen Zahlungsprozessoren unter einer einzigen Eigentumsstruktur konsolidieren.
Geschäftliche Bedeutung: Wenn diese Übernahme voranschreitet, hat sie direkte Konsequenzen für Organisationen, die von diesen Zahlungsplattformen abhängen. (1) Überwachen Sie den Fortschritt des Deals: Das Angebot wurde noch nicht akzeptiert, und die regulatorische Genehmigung wäre ein erhebliches Hindernis angesichts der wettbewerblichen Implikationen. Verfolgen Sie Entwicklungen aufmerksam, da das Ergebnis die Zahlungslandschaft für Jahre beeinflussen wird. (2) Bewerten Sie die Diversifizierung von Zahlungsanbietern: Wenn Sie sich aktuell primär auf PayPal oder Stripe verlassen, erwägen Sie, ob diese potenzielle Konsolidierung Konzentrationsrisiko erstellt. Beziehungen zu mehreren Zahlungsanbietern zu pflegen, reduziert die Abhängigkeit von einer einzelnen Plattform. (3) Für Schweizer und europäische Händler: Der Deal würde wahrscheinlich Scrutiny von europäischen Wettbewerbsbehörden erfahren, die zunehmend aktiv bei der Überprüfung von Fintech-Konsolidierung sind. Das Ergebnis könnte Preise, Service-Bedingungen und Markt-Dynamiken für europäische Händler beeinflussen. (4) Bedenken Sie den breiteren Fintech-Konsolidierungstrend: Dieser potenzielle Deal ist Teil eines grösseren Musters der Konsolidierung in der Finanztechnologie. Organisationen sollten bewerten, wie Branchen-Konsolidierung ihre Zahlungsabwicklungskosten und Service-Optionen beeinflusst.
Quelle: Reuters: Stripe und Advent bieten für PayPal (reuters.com)
5. KI-Unterstützte MikroTik-Netzwerkkonfiguration: Ein Praktischer Leitfaden
Ein Entwickler hat einen detaillierten praktischen Leitfaden über die Verwendung von KI-Modellen zur Konfiguration von MikroTik-Netzwerkgeräten veröffentlicht, und die Ergebnisse sind beeindruckend. MikroTik ist bekannt für seine zuverlässigen, günstigen Netzwerkhardware — Router, Switches, Access Points und Point-to-Point-Systeme — aber die RouterOS-Konfigurationsoberfläche hat einen Ruf für Komplexität. Der Autor hat KI-Modelle in den letzten Monaten verwendet, um Netzwerke für Freunde und kleine Büros einzurichten, mit generell exzellenten Ergebnissen.
Der Leitfaden bietet mehrere praktische Empfehlungen. Die REST/JSON-API ist signifikant KI-freundlicher als SSH für MikroTik-Konfiguration und vermeidet den «Tod durch tausend Schnitte», der passiert, wenn KI-Modelle versuchen, Text über SSH zu pipen. CAPsMAN für die Verwaltung mehrerer Wireless-Access-Points ist «ein absoluter Spaziergang» mit KI-Modellen zu konfigurieren. Der Autor empfiehlt, mehrere KI-Modelle zur Überprüfung von Konfigurationen zu befragen und Konsens zu erreichen, eine enge Leine mit Test-nach-jeder-Änderung-Disziplin zu halten und ein Wiederherstellungs-Runbook zu pflegen.
Eine besonders nützliche Tool-Empfehlung ist MAC-Telnet, ein L2-Schicht-Telnet-Client, der es KI-Modellen ermöglicht, mit MikroTik-Geräten zu kommunizieren, selbst wenn IP-Adressen in Konflikt stehen oder Netzwerke in einem defekten Zustand sind — eine Situation, in der das GUI-basierte WinBox-Tool nicht von einem KI-Modell verwendet werden kann.
"Wo passen KI-Modelle ein? Nun, wie anderswo (in Coding usw.) sind sie eine chaotische Kraftmultiplikator — sie wissen definitiv, wie man MikroTiks und Networking im Allgemeinen konfiguriert, aber sie machen auch immer noch Fehler, gehen vom Pfad ab usw. Wie bei Coding können/sollten Sie eine enge Leine halten, misstrauen und verifizieren, aber Sie können auch schneller Fortschritt machen." — Greg Sadetsky, LLM Networking with MikroTik
Geschäftliche Bedeutung: KI-unterstützte Infrastrukturkonfiguration ist eine praktische Anwendung, die Organisationen jetzt adoptieren können. (1) Wenden Sie dieselben Prinzipien auf Ihre Infrastruktur an: Der Rat «testen nach jeder Änderung» und «ein Wiederherstellungs-Runbook pflegen» gilt für jede Infrastrukturkonfiguration, nicht nur MikroTik. (2) Verwenden Sie APIs, nicht CLI, für KI-Interaktion: Die REST/JSON-API-Empfehlung ist ein allgemeines Prinzip — strukturierte APIs sind dramatisch zuverlässiger für KI-Interaktion als textbasierte CLIs. (3) Erwägen Sie KI-unterstütztes Netzwerkmanagement für kleine Bereitstellungen: Für Organisationen mit begrenzter Netzwerkexpertise können KI-Modelle die Hürde erheblich senken, Netzwerkinfrastruktur einzurichten und zu warten. (4) Behalten Sie menschliche Aufsicht bei: Die Betonung des Autors auf «misstrauen und verifizieren» ist kritisch. KI-Modelle sind ein Kraftmultiplikator, kein Ersatz für Verständnis. Stellen Sie sicher, dass jemand mit Netzwerkkenntnis Konfigurationen überprüft, besonders in Produktionsumgebungen.
Quelle: KI-Netzwerkkonfiguration mit MikroTik (blog.greg.technology)
Praktische Tipps auf einen Blick
| Thema | Umsetzbare Erkenntnis |
|---|---|
| Inkling 975B MoE | Als Open-Weights Fine-Tuning-Basis bewerten; steuerbare Denkintensität für kosten-effiziente Produktionsworkloads nutzen. |
| Grok Build Open Source | Agent-Architektur studieren; ACP für Editor-Integration bewerten; Headless-CI-Automatisierung erwägen. |
| Open-Source-KI-Politik | Open-Source-KI-Initiativen unterstützen; weg von ausschliesslicher geschlossener Modellabhängigkeit diversifizieren; Transparenz vertreten. |
| Stripe/PayPal-Übernahme | Deal-Fortschritt überwachen; Zahlungsanbieter diversifizieren; Fintech-Konsolidierungsrisiko bewerten. |
| KI-unterstütztes Networking | REST/JSON-APIs für KI-Interaktion verwenden; nach jeder Änderung testen; Wiederherstellungs-Runbooks pflegen; menschliche Aufsicht behalten. |
Fazit
Die Themen von heute verfolgen ein Thema von Offenheit und ihrem Wert. Inkling und Grok Build repräsentieren einen Trend dazu, leistungsstarke KI-Tools für Prüfung, Modifikation und lokale Bereitstellung verfügbar zu machen. David Siegels Essay liefert das philosophische Fundament dafür, warum das wichtig ist: Wenn die Werkzeuge, die unsere Zukunft gestalten, geschlossen sind, werden die Menschen, die von ihnen abhängen, passive Konsumenten statt aktive Teilnehmer. Der Stripe-PayPal-Deal zeigt im Kontrast in Richtung Konsolidierung — das Gegenteil von Offenheit im Zahlungsökosystem. Und der praktische MikroTik-Leitfaden zeigt, dass selbst heute die wertvollsten KI-Anwendungen vielleicht nicht im Generieren von Inhalten oder Schreiben von Code liegen, sondern im Ergänzen menschlicher Expertise für Aufgaben, die genuinely schwierig und genuinely nützlich sind. Wenn Sie diese Entwicklungen betrachten, fragen Sie sich: Welche Ihrer KI-Abhängigkeiten können Sie prüfen, modifizieren und selbst ausführen — und welche vertrauen Sie einfach?