Open-Weight-Modelle und Agent-Infrastruktur dominieren den Tag: Von Kimi K3 bis Qwen3.8, von Java-Agenten bis LangGraph — Builder haben heute viel zu verarbeiten. Dazu: OpenAIs Enterprise-Push mit Presence und ein ernüchternder Security-Datenpunkt.
Die Woche gehört den Open-Weight-Modellen — und die Bandbreite ist beeindruckend. Interconnects dokumentiert in seiner 23. Artefakte-Ausgabe eine der dichtesten Veröffentlichungswellen seit Langem: Thinking Machines' Inkling (ein 975B-A41B multimodales MoE), Tencents Hy3 (295B-A21B, nun unter Apache 2), Poolsides Laguna S2.1 sowie ein Update von DeepSeek-V4-Flash-0731 — letzteres erschien bezeichnenderweise einen Tag nachdem OpenAI die Preise seines kleinsten Modells um 80 Prozent gesenkt hatte. Parallel dazu kündigt Alibaba mit Qwen3.8-27B und Qwen3.8-Max zwei weitere Modelle an, zu denen Parameter-Details und Benchmarks noch ausstehen. Die Konsolidierungsthese, die viele Beobachter für 2026/2027 vorhergesagt hatten, hat sich damit einmal mehr nicht bewahrheitet: Mehr Labore trainieren starke Modelle, und mehr davon werden offen veröffentlicht. Besondere Aufmerksamkeit verdient Kimi K3 mit 2,78 Billionen Parametern — und das nicht nur wegen seiner Größe: Das Modell läuft über WASTE, eine abhängigkeitsfreie C-Inferenz-Engine, die aktivierte MoE-Experten direkt vom NVMe-Speicher streamt und so lokale Inferenz jenseits der VRAM- und RAM-Grenzen ermöglicht. Kimi K3s Noncommercial-Lizenz könnte dabei laut Interconnects künftige regulatorische Eingriffspunkte für US-Behörden schaffen.
Auf der Infrastrukturseite verdichten sich die Angebote für Entwickler, die Agenten in produktive Systeme bringen wollen. Embabel 1.0 für Java und Kotlin ist das vielleicht symbolträchtigste Release des Tages: Co-Creator Rod Johnson — Gründer des Spring Framework — zieht eine direkte historische Parallele: So wie Spring MVC damals auf Servlets aufbaute und Entwicklern typisierte Methodensignaturen statt rohem HttpServletRequest ermöglichte, setzt Embabel auf Spring AI auf und erlaubt es, Agenten als typisierte Domänenobjekte mit Zielen, Aktionen und Bedingungen zu definieren. Der Planungsschritt basiert auf Goal-Oriented Action Planning (GOAP) aus der Spieleentwicklung: Ändert sich der Zustand mid-task, berechnet der Planer einen neuen Pfad, statt abzubrechen. Embabel erbt über Spring AI Support für OpenAI, Anthropic, Gemini, Bedrock, Mistral, DeepSeek sowie lokale Optionen via Ollama oder LMStudio — und erlaubt, einzelne Aktionen an unterschiedliche Modelle zu binden. Wer LangGraph bevorzugt, findet in einem praktischen Walkthrough bei Towards Data Science eine konkrete Blaupause: Ein 15-minütiger Buchungsprozess eines Reinigungsunternehmens wurde durch einen zustandsbehafteten LangGraph-Agenten ersetzt — mit Langfuse-Monitoring und der Fähigkeit, mehrstufige Geschäftsprozesse mit deterministischen Business-Rules zu kombinieren. Die Abgrenzung zwischen beiden Ansätzen ist dabei instruktiv: LangGraph definiert den Graphen im Voraus; Embabel überlässt die Pfadfindung dem Planer zur Laufzeit.
Coding Agents jenseits des Codes: Ein Essay bei Towards Data Science argumentiert, dass Tools wie Claude Code, Cursor oder Gemini CLI längst für Nicht-Programmieraufgaben einzusetzen sind — Budgetauswertungen per HTML-Report, PDF-Präsentationen, Website-Navigation, Preisrecherche. Das Argument ist nicht neu, aber die Konkretheit der beschriebenen Workflows — Transaktionsdaten hochladen, Budget generieren lassen, parallel wei…
