KI-Entwicklertools · Was kam heute

Google hat EmbeddingGemma 2 veröffentlicht, ein multimodales On-Device-Embedding-Modell mit 740 Millionen Parametern, das Text, Bilder, Audio und Video in einem einheitlichen Embedding-Space kombiniert. Das Modell erreicht Top-Werte bei MTEB- und MAEB-Benchmarks für seine Größenkategorie (sub-1B), mit besonders starker Code-Performance (9,92 Punkte Verbesserung auf 78,68 im MTEB Code Benchmark). Es bietet modulare Architektur, Matryoshka Representation Learning für bis zu 6x Speicherreduktion, einen 8K-Token-Kontext und läuft auf Geräten wie dem Google Pixel 11 Pro mit nur 191MB RAM für Text-only oder 567MB für das vollständige multimodale Modell. Das unter Apache 2.0 lizenzierte Modell ist auf Hugging Face und Kaggle verfügbar und wird von Entwickler-Tools wie LiteRT, MediaPipe, transformers.js und WebGPU unterstützt.

Reflection AI hat am 5. Oktober 2026 sein erstes offenes Modell Beam veröffentlicht: ein Mixture-of-Experts-Modell mit 501 Milliarden Gesamtparametern und 23 Milliarden aktiven Parametern, trainiert in vier Wochen auf 24 Billionen Token. Das Modell ist spezialisiert auf Coding-, Reasoning- und Agenten-Aufgaben, unterstützt ein Kontextfenster von 1 Million Token und zeigt auf etablierten Benchmarks wie SWE-bench Verified (80,9 Punkte) und Terminal-Bench v2.1 (80,1 Punkte) konkurrenzfähige Ergebnisse gegenüber anderen offenen Modellen wie Inkling und chinesischen Modellen wie GLM-5.2. Vollständige Modellgewichte sollen unter Apache-2.0-Lizenz im Oktober 2026 verfügbar gemacht werden; bislang bietet Reflection AI nur Early-Access über Warteliste an. Die Effizienz-Architektur von Beam, bei der nur ein Bruchteil der Parameter pro Anfrage aktiv wird, soll Rechenkosten für Inferenz deutlich senken. Allerdings betont TechCrunch, dass die Leistungs- und Effizienzbehauptungen von Reflection AI bislang nicht unabhängig verifiziert wurden. Das Unternehmen wurde 2024 von ehemaligen Google-DeepMind-Forschern gegründet und wird mit einer Bewertung von 25 Milliarden Dollar beziffert, mit Nvidia unter den Investoren.

ALoDLM, ein neues Diffusionssprachmodell von der University of Illinois Chicago, Amazon AGI und Korea University, nutzt tokenadaptive latente Rekurrenz und tokenweise Berechnungspläne, um Rechenressourcen je nach Token-Schwierigkeit zu verteilen. Das Modell wurde in 1,7B und 8B Parametervarianten trainiert und übertrifft alle evaluierten Diffusionsmodelle sowie entsprechende autoregressive Baselines (Qwen3) über elf Benchmarks hinweg. ALoDLM verbindet überlegene Generierungsqualität mit schneller paralleler Dekodierung und erreicht etwa 2,7× höheren Durchsatz als vLLM-basierte Qwen3-8B bei vergleichbarer Genauigkeit, ohne umfangreiche Weitervortrainierung zu erfordern.

Google hat Pyrefly, einen von Meta entwickelten Open-Source-Type-Checker, als seinen Python-Type-Checker übernommen und ersetzt damit das über ein Jahrzehnt lang verwendete interne Tool Pytype. Pyrefly wurde in Rust geschrieben und erreicht in Googles internen Benchmarks eine etwa 97%ige Konformität mit der offiziellen Typing-Conformance-Test-Suite. Die Migration brachte messbare Verbesserungen: Inkrementelle Rebuilds sind bis zu 98% schneller, bei großen Machine-Learning-Targets sank die Type-Checking-Zeit von Minuten auf Sekunden, und Google sparte über 80% der täglichen Peak-Compute-Auslastung für Python-Type-Checking ein.