KI verschiebt heute Sicherheits- und Infrastruktur-Grenzen: Ein KI-entwickelter Wurm in Tagen statt Monaten, Modell-Distillations-Vorwürfe gegen sechs chinesische Firmen und neue Infra-Tricks für schnelleres Inferencing dominieren den Tag. Dazu: konkrete Builder-Moves bei Agents, Tooling und Regulierung.
Die schärfste Nachricht des Tages kommt aus der Sicherheitsforschung: Ein KI-entwickelter Zero-Click-Wurm namens WeWorm verbreitet sich über WeChat-Anrufe auf iOS und Android — ohne jede Nutzerinteraktion, ohne dass das Telefon abgenommen werden muss. Das Forschungsteam hinter der Demo brauchte mit KI-Unterstützung lediglich zwei Tage, um den Bug zu finden und einen ersten Remote-Code-Execution-Exploit zu schreiben; der vollständige Wurm stand nach einer weiteren Woche. Was früher Monate Arbeit für größere Teams bedeutete, ist damit auf einen Bruchteil zusammengeschrumpft. Zeitgleich veröffentlichten NSA, CISA und FBI ein Joint Advisory gegen sechs chinesische KI-Unternehmen — darunter DeepSeek, Alibaba, Moonshot AI, MiniMax, StepFun und Z.AI —, denen industriell betriebene Modell-Distillation vorgeworfen wird. Die Behörden beschreiben koordinierte Kampagnen, bei denen Zehntausende Fake-Accounts über Proxy-Netzwerke US-Frontier-Modelle wie Claude, GPT, Gemini und Grok systematisch ausfragen, um deren Capabilities zu extrahieren. Als Gegenmaßnahme empfehlen die Agenturen US-Anbietern, verdächtige Nutzer heimlich auf schwächere Modelle umzuschalten — ein Ansatz, der auch legitime Nutzer betreffen dürfte und neue Fragen zur Transparenzpflicht aufwirft. Beide Vorgänge zusammen zeichnen dasselbe Bild: KI beschleunigt offensive Kapazitäten auf allen Ebenen, von der Exploit-Entwicklung bis zum geistigen Eigentumsdiebstahl.
Auf Modell-Ebene dominiert GPT-6 Astra die unabhängigen Artificial Analysis Benchmarks und führt die Frontier laut dem Intelligence Index v4.2 an — mit besonders deutlichen Vorsprüngen bei Computer-Use, 3D-Rendering und dem ARC-AGI-3-Benchmark, auf dem es 99,9 Prozent erzielt. Der Autor Sebastian Raschka weist darauf hin, dass zu viele Anweisungen in Dateien wie AGENTS.md oder SKILL.md die Lösungsqualität neuerer Modelle verschlechtern können — ein konkreter Hinweis für Builder, ihre Harness-Konfigurationen zu überprüfen. Wie ein solcher Harness entsteht, erklärt unterdessen Tibo Sottiaux im Pragmatic-Engineer-Podcast über den Bau von OpenAI Codex: Das CLI ist in Rust geschrieben, open source veröffentlicht und unterstützt — anders als Claude Code — Modelle mehrerer Anbieter. Der Harness läuft laut Sottiaux stets leicht vor dem jeweils aktuellen OpenAI-Modell, was frühe Einblicke in Capability-Sprünge ermöglicht. Parallel dazu senkt Hugging Faces neues ML Intern die Einstiegshürde für Machine-Learning-Experimente drastisch: Nutzer beschreiben ihr Vorhaben per Chat, das System sucht eigenständig Modelle, Datensätze und Tools, schätzt Compute-Kosten vorab und überschreitet das genehmigte Budget nicht. Ein Demo-Lauf dauerte laut Hugging Face rund sechs Stunden und kostete weniger als 0,50 Dollar.
Wer heute mit großen Kontextfenstern oder MoE-Modellen auf Consumer-Hardware arbeitet, findet in der Community einen bemerkenswerten Infra-Trick: Ein Entwickler erreicht auf zwei RTX 3090 mit llama.cpp 2,2- bis 2,5-fache Prefill-Beschleunigung bei Qwen3.8-Flash-Next, indem er den Expert-Cache während der Prompt-Phase aus dem VRAM entfernt und den Micro-Batch von 512 auf 2048 Token anhebt — die Zeit bis zum ersten Token sinkt bei …
