GPT-6 Astra dominiert den Tag: OpenAIs erstes „AGI-Zeitalter"-Modell setzt neue Benchmarks und Praxisfälle. Daneben: Anthropics 35-Mrd.-Infrastruktur-Deal, Cursor in isolierten Sandboxes und der Open-Source-Kostenhebel für Builder.
Der Tag gehört OpenAI: GPT-6 Astra, das erste Stargate-Supermodell des Unternehmens, wurde heute lanciert und setzt auf nahezu allen relevanten Benchmarks neue Maßstäbe. Besonders auffällig: Der 99,9%-Score auf ARC-AGI-3 – erreicht mit dem Provider-Adapter-Harness, das opakes Reasoning-State-Management und Kontextkompaktierung kombiniert – für 19.000 Dollar. Auf dem Standard-Harness kommt Astra auf 62,7% für 26.000 Dollar. Entscheidend ist dabei nicht nur die Rohdleistung, sondern was das Modell im Betrieb leistet: Astra koordiniert Subagenten, labelt Daten, deployt ganze Systeme und überwacht eigene Logs – alles bei 33 Token pro Sekunde und einem maximalen Preis von 50 Dollar pro Million Token. Das ergibt, wie Latent Space nach über 20 Milliarden verbrauchten Tokens vorrechnet, einen effektiven Stundensatz von unter 6 Dollar – weniger als ein Junior-Ingenieur kostet, der Runs „babysittet". Die ARC-AGI-Auswertung zeigt zusätzlich: Astra überbot den menschlichen Median in Aktionseffizienz auf 96 Prozent aller Levels und entwickelte spontan eigene domänenspezifische Notationssysteme zur Zustandsverfolgung.
Während OpenAI die Modellfront neu vermisst, kämpft Anthropic um die Infrastruktur dahinter. Das Unternehmen hat einen 35-Milliarden-Dollar-Cloud-Deal mit dem Nvidia-gestützten Anbieter Lambda abgeschlossen. Das Rechenzentrum entsteht in Nueces County, Texas, mit rund 350 Megawatt Kapazität; Entwickler ist Hut 8, ein ehemaliges Krypto-Mining-Unternehmen. Nvidia selbst hält den Lease für das Gebäude. Der Deal ist Teil einer umfassenderen Infrastrukturoffensive von Anthropic vor dem geplanten Börsengang – erst vergangene Woche hatte das Unternehmen einen 45-Milliarden-Dollar-Vertrag mit Nscale für ein Rechenzentrum in West Virginia bekannt gegeben. Die Nachfrage, die diese Investitionen rechtfertigt, ist klar: Claude und das Coding-Tool Claude Code. Ob diese Kapazität ausreicht, hängt auch davon ab, wie schnell Frontier-Modelle wie Astra das Erwartungsniveau für Entwickler neu setzen.
Für Unternehmen, die AI-Kosten aktiv steuern wollen, bietet der Open-Source-Hebel den direktesten Pfad: Firmen wie Uber, Pinterest, Stripe, Coinbase, Ramp und AT&T erzielen laut The Pragmatic Engineer durch gezieltes Model Routing – proprietäre Modelle nur für komplexe Aufgaben, Open-Source für einfachere Workloads – Einsparungen von rund 50 Prozent ihrer AI-Betriebskosten. Wer lokal deployt und dabei Qualitätssteigerungen gegenüber Latenz abwägen muss, findet in einem aktuellen Community-Benchmark zu Qwen 3.8 27B vs. Qwen 3.6 27B eine nüchterne Botschaft: Die Qualität steigt um 8 Prozentpunkte (von 81,1 auf 87,7), doch die Laufzeit verfünffacht sich, und die Output-Token explodieren von 18.000 auf 78.000. Für latenz- oder kostensensitive Anwendungen bleibt das ältere Modell die pragmatischere Wahl. Am anderen Ende des Größenspektrums demonstriert sanoTTS, was Open-Source auf Edge-Hardware leisten kann: Das kleinste Modell des Stacks kommt mit 294.000 Parametern aus, läuft ohne NPU auf einem 3-Dollar-ESP32-Mikrocontroller, und das 1,51-Millionen-Parameter-Modell übertrifft mit einem SCOREQ von 4,13 deutlich größere Alternativen wie Inflect Nano (4,63 Mio. Parameter) und KittenTTS (15 Mio. Parameter).
Die strategische Frage …
