News AI 31/26: OpenAI hackt Hugging Face // Kimi K3 Open Weights // Claude Opus 5 // Modell-Router

Wie hat dir die Folge gefallen?
Gut 👍
Schlecht 👎
(Keine Anmeldung erforderlich)

Weil Dennis und Fabi im Urlaub sind, springt Jan ein und spricht mit Philipp über den wohl ungewöhnlichsten AI-Sicherheitsvorfall des Jahres bei Hugging Face und OpenAI, das neue Open-Weights-Schwergewicht Kimi K3, den Launch von Claude Opus 5 samt radikal verschlankten Systemprompts und die Rückkehr der Modell-Router.

Am 25. und 26. November 2026 findet wieder unsere Konferenz statt: die programmier.con 2026 - Web & AI Edition. Sichert euch jetzt eure Tickets!

Hugging Face hat offengelegt, dass die eigene Infrastruktur automatisiert durch ein autonomes AI-Agentensystem kompromittiert wurde – kurz darauf musste OpenAI einräumen, dass die eigenen Modelle dahintersteckten. Mittlerweile fordert Hugging Face von OpenAI vollständige Ausführungsprotokolle und 100 Millionen Dollar an Compute für eine bessere Cyber-Abwehr der Community, eher eine Investition in gemeinsame Sicherheit als eine Schadensersatzforderung.

Danach geht’s um handfeste Modell-Releases. Moonshot AI hat mit Kimi K3 ein neues Open-Weights-Flaggschiff veröffentlicht, dazu drei zugehörige Open-Source-Repositories: FlashKDA für die eigene Attention-Implementierung, MoonEP als Kommunikations-Library für Mixture-of-Experts-Setups und AgentEnv als Sandbox-Umgebung fürs Agenten-Training. Offene Gewichte heißen hier aber nicht automatisch offene Lizenz.

Parallel dazu hat Anthropic mit Claude Opus 5 ein neues Modell veröffentlicht, preislich auf Niveau von Opus 4.8 und damit zum halben Preis von Fable 5. Auf den meisten Coding- und Wissensarbeits-Benchmarks kommt Opus 5 nah an Fable 5 heran, wirkt für Jan im Vergleich aber token-hungriger. Passend dazu hat Anthropic zeitgleich den Blogpost The New Rules of Context Engineering veröffentlicht: Für Claude Code wurden über 80 Prozent des Systemprompts gestrichen, weil das Modell mittlerweile von sich aus versteht, was in einer Coding-Session sinnvoll ist – über die Nebeneffekte diskutieren Jan und Philipp.

Zum Ausklang geht’s um das Comeback der Modell-Router: Cursor automatisiert mit Cursor Router die Modellauswahl, OpenRouter lässt mit Fusion mehrere Modelle parallel antworten und kombiniert die Ergebnisse, und das japanische Lab Sakana AI orchestriert mit Fugu mehrere Agenten dynamisch als ein System. Jan und Philipp diskutieren, ob sich Setups mit ganz bewusst unterschiedlichen Modellen pro Aufgabe durchsetzen, etwa ein kleines lokales Modell für datenschutzsensible Fälle und ein großes für den generischen Chatbot.

Der Launch von Thinking Labs' Inkling hat auch gezeigt, dass der Abstand zwischen offenen und geschlossenen Modellen inzwischen wohl bei rund vier statt wie vor einem Jahr über sechs Monaten liegt, für Philipp vor allem ein Zeichen für gesunden Wettbewerb, der über sinkende Preise am Ende allen zugutekommt.

Schreibt uns!
Schickt uns eure Themenwünsche und euer Feedback: podcast@programmier.bar

Folgt uns!
Bleibt auf dem Laufenden über zukünftige Folgen und virtuelle Meetups und beteiligt euch an Community-Diskussionen.

Bluesky
Instagram
LinkedIn
Meetup
YouTube

Transcript

SPEAKER_00 0:08

Hallo und herzlich willkommen zu AI News in Kalenderwoche 31-26 und wie ihr sicherlich alle gerade gehört habt, bin ich nicht Dennis und ich bin auch nicht Fabi, denn die beiden sind im Urlaub. Dennis sitzt irgendwo am Meer, ich weiß gar nicht, wo Fabi ist. Müssen wir kurz Instagram stalken bei ihm. Aber Philipp hält mir die Treue. Hallo Philipp, schön, dass du da am Start bist.

SPEAKER_01 0:31

Hat Dennis ein öffentliches Instagram-Profil zum Stalken? Oder war das jetzt eine Aufforderung für an die Zuhörer?

SPEAKER_00 0:39

Also Dennis hat auch ein Instagram-Profil. Ich glaube, ich weiß nicht, wie öffentlich das ist. Dennis hat sogar ein TikTok-Profil, wo man abgefahrene Sachen von ihm findet. Das ist vielleicht die Schnitzeljagd der Woche für alle Zuhörerinnen da draußen. Können Sie es gerne mal an Dennis wenden. Vielleicht gibt es Urlaub-Snapshots, keine Ahnung. Abgesehen von Urlaub, wollen wir sprechen über Hugging Face, über Kimi, über Opus und über all der Dinge mehr. Wir starten direkt rein mit Hugging Face. Die wollen viel Geld von OpenAI. Warum?

SPEAKER_01 1:13

Die wollen nicht viel Geld. Die FAZ hat mal wieder einen interessanten Artikelstitel gewählt. Ich meine, es ist nicht mehr in den News. Also ich glaube, wir sind ein bisschen hinterher jetzt in dem Fall. Wir kommen mit der tiefen Analyse hinten raus nochmal. Okay, ja, aber also wenn ihr es nicht mitbekommen habt, vielleicht habt ihr es in der Tagesschau sogar gesehen oder im Spiegel, was ja sehr selten der Fall ist, dass deutsche Nachrichten über KI reden. Meistens immer nicht so positiv, würde ich mal sagen, und nicht so euphorisch. Und das ist in dem Fall auch so, aber ich glaube, diesmal ist es sogar mehr oder weniger ein bisschen gerechtfertigt. Und zwar am 16. Juli, also fast vor zwei Wochen, hat Haging Face einen Blogpost veröffentlicht, der hieß Security Incident Disclosure, July 2026, wo sie geschrieben haben, so von wegen, hey, dass in der Woche von dem Juli des 16. halt ihr System gehackt wurde und sie angefangen haben mit einem interessanten Satz, dass es driven end-to-end by an autonomous AI Agent System. Also sie haben festgestellt, dass der Hack nicht durch irgendwie einen Menschen oder durch Bots oder durch was anderes, sondern wirklich durch einen KI-Agenten und komplett autonom. Und sie schreiben halt in einem Blogpost ein bisschen so, okay, was sie gemacht haben, was das bedeutet und gerne lesen. Und was interessant war, hat OpenAI dann fünf Tage später, am 21. Juli, einen Blogpost veröffentlicht, wo sie schreiben, Ups, wir haben Hugging Face, sag ich mal, gehackt. Also OpenAI and Hugging Face partner to address security incident during model evaluation. Und da haben sie dann disclosed, dass sie Hugging gehackt hat, beziehungsweise ein nicht veröffentlichtes OpenAI Modell Hugging gehackt hat. Ich würde jetzt mal ganz kurz so anfangen, wie sie oder wie Hugghace gehackt wurde und was dann, sag ich mal, Hugging Face dagegen gemacht hat. Und zwar hat OpenAI ihr Modell evaluiert, also man weiß aktuell nicht, welches Modell, es waren verschiedene Modelle auf ExploitGym. Und Exploit Gym ist mehr oder weniger eigentlich ein relativ cooler Benchmark, wo Modelle eine CVI-Beschreibung bekommen und dann sozusagen versuchen sollen, diese mehr oder weniger zu implementieren und umzusetzen und zu detecten, sodass sie halt das System exploiten können. Und OpenAIs Modell dachte sich, anstatt dass ich jetzt irgendwie versuche, den CVI umzusetzen, versuche ich Hugging Fest zu hacken und die Lösung von Exploit Cim zu bekommen, dass ich sozusagen das richtige Ergebnis am Ende habe. Und in diesem Zug hat es, also OpenAI schreibt von, es hat irgendwie significant amount Inference Compute investiert, um aus der OpenAI Sandbox mehr oder weniger auszubrechen. Also sie hat ein OpenAI-Model, die von der Sandbox mit einem Agent Harness drin hat. Und das hat es geschafft, aus diesem Agent Harness auszubrechen und dann mehr oder weniger über verschiedene Security-Lücken ganz am Ende irgendwann in das Hugging-Face-System zu kommen und sich dort Credentials zu holen, damit sie dann mehr oder weniger die Lösungen lesen kann. Das Ganze ist über das komplette Wochenende passiert. Das heißt, auf OpenAI-Seite war interessanterweise kein Monitoring oder irgendwie sowas da, was einige Fragen aufwürfen würde. Ich meine, wenn man so sehr starke Modelle irgendwie testet, die in einem Benchmarkt, wo sie irgendwelche Exploits rausfinden sollen, sollte man eventuell doch ein bisschen mehr Monitoring haben. Wie zum Beispiel, hey, ich lasse das ohne Internet laufen, warum habe ich da plötzlich ganz viel Network-Traffic, der irgendwie angeht? Und deshalb war der ganze Hack mehr oder weniger unbeaufsichtigt und ob mir wahrscheinlich Tage danach gemerkt, so, ey, ups, vielleicht waren wir das. Und was ganz interessant ist, wenn man sich den Hygiene Face-Blog post dazu liest, schreiben sie halt, okay, sie haben das gemerkt, dass es das Modell ist, dass halt irgendwelche Commands ausgeführt werden, dass halt ganz viel, ganz schnell mehr oder weniger passiert. Und sie haben halt dann versucht, mit KI und Modellen dagegen zu erarbeiten, aber sie wurden von OpenAI blockiert, weil die Safety Guard Rails halt mehr oder weniger nicht unterscheiden konnte zwischen ich bin ein Angreifer und ich versuche das der Verteidiger und versuche das mehr oder weniger nachzuvollziehen. Und Hanging Face hat dann im selben Zug, weil sie halt darüber nicht mehr weitergekommen sind, hatten sie zum Glück GLM, also ein Open Weights Modell auf einem Endpoint bereitgestellt und haben dann GLM bzw. das Open Weights Modell genutzt, um halt mehr oder weniger das OpenAI-Modell wieder auszusperren auf ihrer Seite. Ich meine, das Positive hier ist, dass es kein Malicious-Hack im Sinne war, der halt irgendwelche böswilligen Absichtungen am Ende hatte, dass halt irgendwelche Dinge abgeschaltet werden, irgendwelche User-Daten gestohlen und sonstiges Zeug. Aber ich weiß nicht, es zeigt halt zwei Dinge ganz klar, dass Team-Modelle extrem gut sind in Security-Lücken finden und halt, dass dieses Security-Konzept, was man eventuell aktuell verfolgt oder hat, ein bisschen schwierig ist. Und es gibt so, ich sag mal, in den letzten Wochen gab es so ein paar Meinungen auf beiden Seiten von wir brauchen mehr Open Weights Modelle und Open Weights Modelle sind böse und mit dem ganzen Security, wir dürfen die Modelle nicht releasen, wir brauchen mehr Guardrails. Ich weiß jetzt selber nicht, was die richtige Lösung ist, aber es ist auf jeden Fall, ich sag mal, interessant, weil Hugging Face und OpenAI jetzt mehr zusammenarbeiten. Daher kommt auch diese 100 Millionen Claim. Clem, also der CEO von Hugging Face hat mehr oder weniger von OpenAI gefordert oder gefragt, dass sie halt 100 Millionen Dollar in Compute für diese Forschung oder Zusammenarbeit halt bereitstellen können, dass unabhängige Forscher mehr oder weniger auch Research betreiben können und halt nicht das bezahlen müssen und nicht so, hey, als Schadensersatz wollen wir jetzt 100 Millionen. Das ist halt wieder ein sehr clickbaity Title. Ich habe jetzt den FAZ-Artikel nicht gelesen, weil irgendwelche Cookie und Anmeldungen und Dinge davorkamen. Aber ja, es war auf jeden Fall ein interessanter Diskurs, weil man hat ja immer so ein bisschen befürchtet, hey, AI wird irgendwann ausbrechen und ganz viele Dinge tun. Und das war halt jetzt mal zum Glück, glaube ich, ein positiver Fall, wo es jetzt nicht ganz so schlimm war. Und hoffentlich investiert man jetzt ein bisschen mehr Zeit und Gedanken, was das bedeutet. Das einzige Negative ist halt, wenn das aktuelle Modell bleibt, kann man ja nur sozusagen das angreife Modell oder halt das schützende Modell in dem Fall OpenAI nutzen, wenn man Teil dieses Security-Programms mehr oder weniger ist, was Hugging Face jetzt ist, aber wenn du halt irgendwie ein Mittelstandsunternehmen bist, sag ich mal, und halt merkst, dass du gehackt wirst und dann plötzlich keine 50 GPUs zur Verfügung hast, um GLM zu hosten und halt aktuell eine normaler OpenAI-Kunde bist oder Anthropic oder auch irgendwie Gemini, sag ich mal, und die plötzlich anfangen, dir nicht die Tools zu geben, dass du dich selber schützen kannst, ist halt irgendwie ein bisschen schwierig. Deswegen auf jeden Fall, ja. Sehr interessant. Ich würde euch definitiv empfehlen, beide Blogposts zu lesen. Es gibt auch mittlerweile relativ gute YouTube-Videos von, sag ich mal, Hackern, die sich ein bisschen mehr mit der Thematik auskennen, wenn euch das interessiert, was die Modelle wirklich gemacht haben. Und hoffentlich kommt am Ende was Positives für uns alle raus.

SPEAKER_00 8:29

Die Frage ist ja, ob die eigentliche News der Hack von Hugging Faces oder das Ausbrechen aus der Sandbox, weil das ist ja eigentlich das, also ich würde behaupten, jedes System, was irgendwie online ist, jede Plattform mit genug Zeit und Mühe kann man überall Schwachstellen finden. Und das Coole daran ist ja eigentlich eher, dass es mittlerweile automatisch geht, aber es ist nicht revolutionär, dass es überhaupt geht. Ich glaube, jeder Actor mit genug Zeit und Ressourcen hätte irgendwie Hugging Face aufgekriegt. Aber dass halt ein potenziell sehr starkes, ungetestetes Modell aus dem Harnes bei OpenAI irgendwie rauskommt, das ist halt irgendwie, also für mich zumindest der viel größere Teil von dieser ganzen Geschichte.

SPEAKER_01 9:10

Ja, ich weiß nicht. Also ich glaube, du wirst es nicht verhindern können. Aber ich meine, hätte es besser das Monitoring gegeben mit klaren Richtlinien, so von wegen, hey, die Sandbox hat an sich kein Internet. Wenn wir irgendwelche Network-Requests sehen, bitte benachrichtigt uns irgendwie so in dem Sinne. Dann hätte das halt nicht ein ganzes Wochenende gedauert und die Hugging Face-Engineers wären halt irgendwie dran gesessen in Schweißbaden und hätten gedacht, was passiert hier, sondern dann wäre es halt zehn Minuten gewesen und hätten sich halt entschuldigt. Ja, aber ich meine, ich sehe es wirklich positiv, dass Hugging Face in dem Fall das Opfer war, weil ich meine, ich weiß es ja aus eigener Erfahrung, es ist ein sehr transparentes Unternehmen, das wirklich das Wohl von allen mehr oder weniger im Sinn hat und sie versuchen wirklich jetzt der Sache auf den Grund zu gehen und wirklich hoffentlich auch mehr zu teilen im Sinne von, können wir die Agent Trajectories, also was das Modell wirklich ausgeführt hat, teilen, können wir anderen Researchern ermöglichen, damit Research zu betreiben, dass wir halt einfach als Ecosystem weiterkommen und dass es halt nicht so ein Angriff war von irgendjemandem Böswilligem, der jemand anderes geschadet hat. Ich meine, man weiß jetzt, dass es geht und man wusste es wahrscheinlich auch davor, dass es geht. Und ich denke mal, dass wir bis zum Ende vom Jahr vielleicht noch ein, zwei solche Fälle haben werden.

SPEAKER_00 10:27

Bösezungen haben kommentiert, dass das vielleicht einfach nur OpenAIs Antwort ist auf die Kommunikation, wie Entropic die ganze Zeit über Fable und Mythos gesprochen hat, sodass sie so sehr gut darin sind, Security-Exploits zu finden und zu fixen und bla. Und es ist ein sehr schöner Zufall, dass sich jetzt quasi sich so eine Live-Demo ergeben hat von OpenAIs neuestem Modell.

SPEAKER_01 10:48

Ja, ich glaube nicht. Also schon allein, dass sozusagen Hugghace den Blogpost fünf Tage vorher veröffentlicht hat, völlig transparent, hier, hey Leute, wir wurden gehackt, wir haben keine Ahnung, wer es war, es war aber eine KI. Hier sind die Dinge, die passiert sind, hier ist, was wir gemacht haben, ist jetzt nicht irgendwie ein Marketing-Gag.

SPEAKER_00 11:07

Ich fand den Blogpost von dem Hugged CEO, zwei Tage später oder einen Tag später war es, glaube ich, nachdem OpenAI gesagt hatte: so, ja, das war so ein Rogue-Model von uns. Gab es auf LinkedIn diesen Post, wo er aus dem, also du siehst, wie er aus dem Flugzeug quasi ein Foto macht auf dem Runway und so schreibt, so, ja, ja, er fliegt gerade nach San Francisco, um dieses Rogue-Model irgendwie zu besuchen und mal ein ernstes Wort mit ihm zu reden. Das fand ich so einen sehr netten Touch irgendwie an dieser ganzen Geschichte. Alright. Sprechen wir, anstatt über ominöse Models, die nicht veröffentlicht worden sind, über Models, die veröffentlicht worden sind. Kimi, was gibt's bei Kimi Neues?

SPEAKER_01 11:47

Genau, Kimi K3 ist jetzt veröffentlicht als Open Weights Modell. Also das Modell wurde ja vor ein oder zwei Wochen auch vorgestellt. Man konnte es testen über die API von Moonshot und seit gestern gibt es das Modell auf Hugging Face, ist ein 2,8 Trillion, also im Deutschen Milliarden Parameter MOE. Das heißt fast zweimal so groß wie Kimi K2. Hat eine Million Token Context, Visual Understanding. Zusätzlich hat haben sie gestern drei Open Source Repositories noch mit veröffentlicht. Einmal Flash KDE, äh KDA, was deren Attention Implementierung sozusagen ist. Moon EP, was eine Open Source Library für MOEses of GPUs und dann noch Agent N für, sag ich mal, das, was OpenAir ein bisschen gemacht hat, mit so, man hat halt eine Sandbox und ich kann ein Agent drin ausführen. Es ist mit einem Technical Report veröffentlicht. Ich habe ihn jetzt noch nicht gelesen, aber das soll es sehr gut sein. Also Researchers haben auf Twitter ein bisschen geteilt, dass es sehr inhaltsreich definitiv ist. Und man sieht auch mehr oder weniger, dass Kimi K3 mehr oder weniger Kimi K2 ist, nur halt größer skaliert. Also mehr Parameter, klar ein paar kleine Änderungen, aber an sich das gleiche Modell, aber einfach halt skaliert. Und Open Weights heißt in dem Fall nicht Open Source. Also es gibt keinen Trainingscode, es gibt keine Trainingsdaten, sondern nur die Weights. Und die Lizenz der Weights ist auch nicht super permissive. Also man kann es nutzen, man kann es kommerziell nutzen, man kann es für interne Use Cases nutzen, aber sobald man mehr als 20 Millionen Dollar Revenue im Jahr hat und es hostet, also zum Beispiel wie Fireworks oder auch wie, ich sage immer, alle Model Provider, dann braucht man ein spezielles Agreement. Oder wenn ich 100 Millionen Active User habe oder 20 Millionen Monthly Recurvene Revenue, dann brauche ich auch eine spezielle Lizenz. Das ist dann für, keine Ahnung, ich habe irgendwie eine SaaS-Applikation und in der habe ich ein Agent, wenn die, sag ich mal, diese Nummern hat, dann brauche ich ja auch eine Lizenz. Es ist jetzt verfügbar auf, man kann das mit VLLM nutzen, man braucht aber 8 B300 Nvidia GPUs. Hat jetzt nicht jeder rumliegen. Ja, also es gibt keine offiziellen Preises, aber man bewegt sich, wenn man die jetzt sagen würde, zwischen 500 und 1 Million, also 500.000 und einer Million. Also wenn du die einfach so neu kaufst, mit einer. Also AI-Overviews sagt, acht GPUs, Nvidia B300 kostet es zwischen 300.000 und 500.000 to Purchase und oder zwischen um die 100 Dollar pro Stunde in Cloud und dann hat man halt natürlich noch wenn man selber hostet, halt alles, was dazugehört, kannst du nicht die Karten ins Datencenter werfen und hoffen, dass was passiert. Genau, oder man hostet es halt auf der Cloud, da ist es irgendwie 100 Dollar, je nachdem. Das heißt, man kann es ein VRM nutzen, wenn ich GPUs irgendwie habe. Oder es gibt es auch auf verschiedenen Startup und Hosting-Plattforms von Modal über Digital Oceans sogar Fireworks, das jetzt sind Cursor auf der Olama Cloud oder sogar bei Dell verfügbar. Genau.

SPEAKER_00 15:24

Hast du es schon intensiver genutzt?

SPEAKER_01 15:28

Also man konnte es ja über die Kimi API nutzen, aber da war die Nachfrage so hoch, dass sie irgendwann mehr oder weniger News Sign-ups deaktiviert haben. Und ich habe es jetzt bei den Model-Providern, sage ich mal, noch nicht getestet. Ich denke, ich werde es einen Cursor mal testen über das Wochenende, wenn ich Zeit habe. Aber ich meine, ich war schon, also ich fand das 2.6er Modell schon relativ gut für die Kosten und vielleicht nochmal ganz kurz zu den Kosten auch für die ganzen Provider. Man bewegt sich eben 3 Dollar pro Million Input-Tokens und 15 Dollar pro Million Output-Tokensbereich. Also Gemini Pro Sonet Luna Pricing oder Terra Pricing, ich weiß gar nicht. Also in der mittleren Kategorie. Und dafür soll es ein echt gutes Modell sein.

SPEAKER_00 16:16

Und wenn du das am Wochenende evaluierst, bist du fleißiger als die Mitarbeiter, die bei OpenAI am Wochenende offensichtlich ihren Testarm einfach laufen lassen.

SPEAKER_01 16:23

Ja, vielleicht starte ich auch meinen Run und dann mal schauen, was am Montag passiert.

SPEAKER_00 16:27

Wenn wir am nächsten Woche in den News sitzen und sagen, ja, die programmierbare Webseite wurde gehackt am Wochenende von einem autonomen Agent.

SPEAKER_01 16:34

Ja, also ich würde jetzt nicht sagen, dass die Mitarbeiter nicht unvorsichtig waren. Ich glaube, das sind einfach halt Themen, die man nicht unbedingt auf einem Schirm hat. Weil wenn ich irgendwie, ja, ich lasse auch jeweils laufen und mache irgendwas und dann ich monitore halt nicht mein Network-Traffic von meinem Cluster, der halt irgendwie Python ausführt oder sowas.

SPEAKER_00 16:59

Das war eine gute Woche für Model-Lounches offensichtlich. Wir haben nämlich auch den Launch von Opus 5 gesehen, da wollen wir auch noch kurz drüber sprechen. Ich glaube, die Story von Opus 5 ist so ein bisschen auch erstmal more of the same, wenn man auf den ersten Blick drauf guckt. Pricing 1 zu 1 wie bei Opus 4.8 auch, 5 Dollar rein, 25 Dollar raus. Damit wieder die Hälfte von Fable 5. Und natürlich in der eigenen Ankündigung übertrifft irgendwie Fable 5 und übertrifft GPT-5.6 Sol in den meisten Benchmarks vom Coding-Level ungefähr vergleichbar mit dem, was wir von Saul sehen, mit ein bisschen mehr Effort, vielleicht noch ein bisschen mehr. Da können wir gleich nochmal im Detail über den Benchmarks drüber sprechen. Mein persönlicher Eindruck ist trotzdem, dass es so ein bisschen token intensiver ist, auch wenn überall steht, dass so Performance und Effizienz-Treaming irgendwie mit Fokus war. Aber das ist ja auch nur Anekdotenwissen, wenn wir das selber hier mal probiert. Es gab in dem Announcement-Blogpost nochmal so einen eigenen Absatz auch über dieses ganze Security-Thema. Ich glaube, da haben sie auch in der Kommunikation nochmal ein bisschen extra Wert drauf gelegt, nachdem ihnen das letzte Mal beim Fable Launcher so auf die Füße gefallen ist, da sehr ausführlich zu beschreiben, was da jetzt an Capability drin ist und wo so die Guardrails eingebaut sind. Eben schon gesagt, es ist nicht immer einfach zu unterscheiden, bist du gerade in, bist du der Angreifer oder bist du der Verteidiger, weil die Fragen, die du stellst und die Tests und die Capabilities, die du brauchst, halt sehr ähnlich sind. Weswegen sie halt gesagt haben, naja, so Vulnerability Scanning ist irgendwie alles okay, Security Fixing ist irgendwie auch okay, aber sobald das irgendwie so an Binary-Level Research geht, also dass den Eindruck erweckt, dass du quasi ein geschlossenes System untersuchst, das du nicht aufmachen kannst, um reinzuschauen, dann greifen da die Guardrails. Laut ihren Benchmarks trotzdem in der Summe immer noch in weniger Fällen als in Fable 5, aber das bleibt mal abzuwarten, wie sich das so verhält. Ich habe mir auch mal die Benchmarks bei Artificial Analysis angeguckt. Da gibt sich schon so ein ähnliches Bild wie das, was wir auch im eigenen Blogpost angekündigt haben. Also sie spielen da nach wie vor ganz oben in dem Feld mit. Im Vergleich zu Opus 4.8, aber mit effizienterer Token Usage und mit dem Potenzial ein bisschen höher gehen zu können, wenn man eben mehr Effort irgendwie noch reinsteckt. Und ich glaube, und da wird mich mal so dein Take interessieren, das ist, glaube ich, so das Bild, was sich einfach so in den letzten paar Monaten auch bei den anderen Releases bei Entropic immer so abzeichnet hat, oder? Also sozusagen, sie versuchen auf Biegen und Brechen an dieser Spitze zu sein, auch wenn es bedeutet, dass sie dafür für denselben Task irgendwie unglaublich mehr Tokens irgendwie investieren müssten, als jetzt ein GPT oder so. Ich habe immer so den Eindruck, auf MyEye versucht so ein Pareto-Optimum zu finden in ihrem Model-Angebot. Und Entropic will einfach auf Biegen und Brechen quasi ganz vorne sein.

SPEAKER_01 20:09

Ich glaube nicht. Also Modell trainieren ist super schwierig. Und du kannst nicht einfach sagen, hey, wir opfern jetzt 2% und nutzen nur die wenige Tokens. Also es geht ja, es ist ja alles Reinforcement Learning und ich brauche ja irgendwelche Signale am Ende, dass das Modell signalisiert, hey, du hast eine gute Arbeit gemacht und du hast eine schlechte Arbeit gemacht. Und ich sag mal, bis vor ein paar Monaten war ja alles in Richtung, hey, wir brauchen einfach bessere Modelle, der Rest ergibt sich von alleine und das ganze Token-Efficiency-Thema kommt ja langsam. Also dass wir beides optimieren möchten. Und OpenAI ist da vielleicht schon früher drauf gekommen oder hat es eine höhere Priorität angeordnet oder hat, warum auch immer, deren Training-Pipeline ist von Natur aus schon einfach mehr so orientiert. Ich meine, sie waren ja die ersten damals mit den Reasoning-Modellen, vielleicht gehen sie das Ganze ein bisschen anders an. Ich würde davon ausgehen, dass wir Opus-Modelle sehen in Zukunft, die entweder halt die gleiche Token-Anzahl nutzen und dann trotzdem besser werden oder halt auch ein bisschen mehr Token-Efficient sind. Wir haben jetzt auch vermehrt Benchmarks, die wirklich die Token-Efficiency sich anschauen. Und ich glaube, sobald man nicht mehr diese Subsidized Subscription hat, also bisher als User ist es mir eigentlich egal, ob Opus irgendwie jetzt 50.000 Token benutzt oder 70.000 Token, weil ich zum einen kriege ich es nicht so richtig mit und zum anderen habe ich meine Subscription und ich nutze die halt und ich komme meistens damit klar. Wenn sich das halt irgendwie ändert und wenn man jetzt plötzlich per Token bezahlt, auch als Entwickler, dann steht OpenAI schon besser da und ich glaube, die werden daran auch arbeiten. Das Interessante, was ich vielleicht noch gesehen habe auf Social Media, ist, dass bei allen neuen Releases die Menschen sich so ein bisschen uneinig sind, ist es jetzt besser, ist es schlechter. Ich habe von vielen gedacht, Lesen, sie gehen jetzt wieder zurück zu Fable, weil es irgendwie denen besser gefällt, und Opus ist so ein bisschen mehr Gaslighting und halluziniert ein bisschen mehr. Man kann es zwar dann auch korrigieren und sagen, hey, lass doch lieber so oder so machen. Oder manche gehen auch wieder zurück zu 4.8. Ich glaube zum einen sind es wieder personelle Präferenzen, wie ich halt mit den Modellen jetzt besser klarkomme, aber trotzdem ist es nicht mehr immer dieses, ich update automatisch zum letzten, zumindest das, was ich sehe. Deswegen.

SPEAKER_00 22:30

Da passt vielleicht ganz gut rein, dass Entropic Parallel noch einen sehr umfangreichen Blogpost veröffentlicht hat, den sie genannt haben, so The New Rules of Context Engineering für Cloud Opus 5. Das fand ich auch ganz interessant zu lesen. Weil sie wohl, wir verlinken den Blogpost auch nochmal, sie haben wohl massiv den Kontext aufgeräumt. Also sie haben gesagt, sie haben 80% ihrer System-Prompts irgendwie weggeschmissen. Und das kommt wohl daher, dass viel von dem, was man einfach früher angenommen hat, was in den System-Prompt muss oder auch in die CloudMD und so weiter, mittlerweile überflüssig ist. Weil durch besseres Training, durch besseres Modelverhalten, durch bessere Tool-Usage halt viel davon schon funktionieren kann. Also wer schon ein bisschen länger mit dabei ist, der weiß ja, also wir haben, also ich, zumindest glaube ich viele da draußen, haben ja auch so Sachen wie Cloud MD früher gerne mal so als Memory Bank missbraucht. Und okay, es gibt hier langfristige Regeln, die sich irgendwie rauskristallisiert haben bei uns, die schreiben wir jetzt in die Cloud MD rein, damit wir da nicht jedes Mal wieder neu drauf kommen müssen und so. Und die meisten dieser Heimnisse, Cloud Code ja auch, haben ja mittlerweile eigene Memory-Feature, haben eigene Tools explizit dafür, haben eigene Skills für vieles davon. Und so fliegt halt offensichtlich immer mehr bei Entropic da wieder raus, was vorher so fest vertratet war. Und da gibt's, also sie haben das super cool beschrieben, so wie sie einfach beim Aufräumen auch gemerkt haben, dass da teilweise so Contradicting Statements irgendwie drin waren. In ihrem System-Prompt versus das, was manche von den Ad-Hoc-Skills, die Cloud dann eben selber noch nutzen kann. Und dann ist es halt so ein bisschen unberechenbarer geworden, so, wer setzt sich da im Zweifelsfall durch, um das alles mal so ein bisschen stream zu leihen, stream zu leihen, streamleihen zu können, wie auch immer, haben sie da wohl ordentlich, ordentlich aufgeräumt. Und ich glaube, das ist mitverantwortlich, warum, ich kann das aus meinen ersten Tests bestätigen, warum sich Opus 5 am Anfang gefühlt sehr anders verhält, vielleicht, als man das gewohnt ist. Und auch, wie du sagst, ich glaube, diese persönliche Präferenz entsteht ja ganz oft daraus, so man weiß einzuschätzen, wie dieses Model reagiert und wie man mit ihm reden muss und bla bla bla. Und ich kann mir vorstellen, dass da jetzt viel auf den Kopf gestellt wurde durch diese ganze Aufräumaktion. Wir schreiben noch so ein bisschen über wie sie jetzt mit Progressive Disclosure umgehen, wie sie so ein bisschen effizienteres Toolcalling und Skill Usage machen. Das ist, wie gesagt, ein ganz interessanter Read. Kann man sich mal anschauen. Kann man bestimmt auch das eine oder andere für das eigene Setup übernehmen, aber wie gesagt, von dem Harness profitiert man ja gleich schon mit. Bei sowas würde es mich immer interessieren, ob andere Labs, wie du gerade gesagt hast, am Ende sind ja doch Ansätze vielleicht auch sehr ähnlich, ob die sowas auch schon gemacht haben und einfach nur nicht so darüber gesprochen haben oder ob das jetzt einfach was ist, was wir das erste Mal so wirklich gerade bei Opus 5 sehen.

SPEAKER_01 25:26

Ja, ich glaube, du musst, man muss ein bisschen differenzieren zwischen, ist es ein Model-Thema oder ein Agent-Harness-Thema? Also ich gehe mal stark davon aus, dass ich, haben ja, also ich meist schon den Blogpost von Tavik, wahrscheinlich. Und es geht um Cloud Code natürlich, ne? Ja, genau. Und sie schreiben ja, hey, wir haben das entfernt und es hat sich nichts verändert dann auf den Benchmarks. Weil sich nichts auf den Benchmarks verändert, heißt ja nicht, dass sich was verändert. Also das Verhalten können ja anders sein oder bei den Tasks, die ich mache. Und das eine ist halt ein Model und ich bin mir sicher, dass die ihr Modell nicht hard-coded mit dem System-Prompt trainieren, weil dann overfittest du und dann hast du gar nichts davon, sag ich mal, sondern das ist ja so ein mehr so ein Agent-Harnes-Thema teilweise, wie du halt möchtest, dass sich das Modell in deinem Harness verhält. Und ein gutes Beispiel, finde ich, dazu ist Pi, also der Open Source Harness von aus Österreich, ich habe den Namen vergessen, Marius, der hat ja sehr radikal zu Anfangszeiten gesagt, soher möchte gar kein System-Prompt, mehr oder weniger. Es waren irgendwie fünf Zeilen, hatte vier Tools, also das ist ja so das beste Beispiel an Radikalität, in die Richtung, wo jetzt sie mit Cloud Code ein bisschen gehen. Und Pi funktioniert ja auch extrem gut mit Opus. Sie waren halt sehr überdefiniert, was eventuell zu den Benchmarks zu Resource geführt hat, aber wie sie ja schreiben, wenn System Bromps steht, leave appropriate documentation und du schreibst als Agents MD, hey, bitte nur super kurze Kommentare, dann hast du halt zwei sich gegensätzliche Instruktionen, was es für das Modell schwieriger macht. Und wahrscheinlich, wenn du es dann hundertmal laufen lässt für den Task, hast du wahrscheinlich 60% für dich, also wie du es definierst, und 40% hast du trotzdem noch zu lange Kommentare und du sitzt dann als User da und denkst es so, ich habe das doch jetzt extra da reingeschrieben, warum macht er immer noch diese langen komischen Kommentare? Deswegen, zum einen wahrscheinlich ein bisschen mehr, um die Nutzer die Möglichkeit zu geben, dass sich der Harness so verhält, wie es soll, und zum anderen halt hat das Modell auch mittlerweile ja relativ gute Eigenschaften in sich, um zu verstehen, okay, was ich jetzt tun soll oder nicht, wo es vielleicht eventuell davor ein bisschen nicht der Fall war. Ich glaube, ein interessantes Beispiel war dieses Goblins-Thema von GPT. Also frühere GPT-5-Modelle hatten ja so ein Fable für Goblins irgendwie. Sie haben immer ganz viel über Goblins geredet, dann haben sie es ja in die System Instructions hinzugefügt, dass es halt nicht mehr der Fall ist. Und man nutzt halt da sehr viel immer, okay, wie kann ich das so ein bisschen anpassen? Und vielleicht haben sie es jetzt geschafft, dass es einfach nicht mehr so viel benötigt, beziehungsweise halt für Cloud Code nicht mehr der Fall ist. Und ich meine, weniger System Instructions Tokens ist immer gut für den Nutzer, weil dann zahlt so pro Request am Ende weniger.

SPEAKER_00 28:16

Ja, ich bin gerade auch nochmal in den Blogpost, ich suche diese eine Stelle und finde sie gerade nicht. Wo sie so ein bisschen auch darüber gesprochen haben, dass da halt am Anfang das Harness halt auch einfach komplexer war, um so dem Worst-Case-Szenario halt vorbeugen zu können. Weil als das ganze Ding halt auch noch neuer war, war halt auch so immer die Sorge, mit viel Macht kommt viel Verantwortung und du musst es irgendwie mit viel Guardrails versehen, dass es klappt. Und in den eigenen Tests haben sie wohl gesehen, dass es halt gar nicht notwendig ist. Weil auch wenn du das halt weglässt, diese ganzen Katastrophenfälle, die wir uns immer so vorgestellt haben am Anfang auch, ich zähle mich da selber rein. Ich war auch super besorgt, so jetzt führe ich hier so ein Agent aus und wenn der hier irgendwie RM-RF macht, dann ist ja irgendwie bei mir gleich alles weg. Und das ist ja ehrlicherweise einfach nicht passiert. Also diese ganzen alles, was man so mitbekommen hat am Anfang, waren ja wirklich eher Geschichten von, okay, da kann man sehen, wie jemand vielleicht sein Setup so ein bisschen schief aufgezogen hat und dann ist da ein bisschen was passiert. Aber dass jetzt hier Coding Agents reihenweise Festplatten formatiert haben oder GitHub-Repositories gelöscht haben, ist ja in der Masse wirklich nicht aufgetreten. Von daher cool zu sehen. Cool zu sehen. Alright. Wir können vielleicht ganz kurz noch Inkling anreißen, beziehungsweise diese ganze Debatte um Open Weight Modelle und ob wir das jetzt irgendwie brauchen oder nicht. Vielleicht einmal ganz kurz Inkling von Thinking Labs. Thinking Labs ist diese, ich wollte gerade sagen Ausgründung, aber es ist ja keine Ausgründung, sondern es ist das neue Lab von Mira Murati, als sie OpenAI verlassen hat als CTO und dann was eigenes gemacht hat. Die haben jetzt ein Open Weight Model vorgestellt mit Gott, wo habe ich es hier? Über 900 Milliarden Parameter komplett eigen trainiert, ist jetzt letzte Woche rausgekommen. Model of Experts, Mixer of Experts kennt man. Von daher auch wieder so ein bisschen more of the same, aber es hat sich eben halt so angeschickt als das beste westliche Open Weight Model irgendwie dazustehen in den Benchmarks, die aktuell eher von chinesischen Modellen irgendwie dominiert werden. Die Frage ist, braucht man das? Brauchen wir diese Open Weight Modelle wirklich? Ist das sinnvoll? War das eine Frage an mich? Das war eine Frage. Also, so viele andere Leute sind ja nicht.

SPEAKER_01 30:54

Ja, also natürlich. Ich meine, man profitiert von beiden. Also ich bin jetzt nicht derjenige, der sagt, wir brauchen nur Open Weights oder wir brauchen nur irgendwie Foundation-Models. Beide haben guten Grund zu existieren, beide haben Use Cases. Es ist für beide nachvollziehbar, warum ich ein Modell nicht irgendwie öffentlich zur Verfügung oder halt als Open Weights Modell releasen möchte. Oder schon. Ich glaube, für Thinking Labs als Company, wenn ich es richtig verstehe, sie haben ja ganz viel Infrastruktur, Services auch und vor allem Reinforcement Learning Training. Und sie verfolgen, glaube ich, eher den Aspekt: so, hey, wir helfen Unternehmen, die ihre eigenen Modelle trainieren wollen, wirklich in Larve Scale, dass sie das machen können. Und damit du ein Modell trainieren kannst oder halt weiter trainieren kannst, brauchst du ja erstmal ein Modell. Und deswegen macht es ja durchaus Sinn für sie, diesen Open Weights Ansatz zu gehen, dass sie dann halt als ihre Produkte oder halt zusammen mit Unternehmen weitere Modelle trainieren können.

SPEAKER_00 32:00

Ich habe mich am Wochenende nochmal so ein bisschen in diese ganze Diskussion um Open Weight-Modelle eingelesen und bin über einen Absatz gestolpert, der gesagt hat, naja, das Gap zwischen Open Weight und nicht Open Weight Modellen ist so mittlerweile vielleicht bei vier Monaten angekommen. Und ich kann mich daran erinnern, dass wir, glaube ich, letztes Jahr diese Diskussion schon mal geführt haben und da waren es noch so sechs Plus Monate. Und gefühlt sehen wir halt gerade, wie sich dieses Gap irgendwie immer mehr schließt. Wahrscheinlich wird es nie ganz geschlossen werden. Es wird immer so einen gewissen Vorsprung da geben, aber ich frage mich, was auf Dauer so der Vorsprung von diesen ganzen proprietären Labs dann halt irgendwie sein kann.

SPEAKER_01 32:45

Ich würde jetzt nicht sagen, dass der Grund ist, dass diese Modelle released werden, dass sie Vorsprung gegenüber Open Weights haben. Also es gibt viele nachvollziehbare Gründe, warum ich ein Modell nicht jetzt irgendwie als Open Weights releasen möchte. Von ich habe Millionen an Research investiert und möchte halt, bin halt ein Unternehmen und muss halt irgendwie Geld verdienen und möchte das halt als Service bereitstellen zu weiteren Themen. Und ich glaube, das, also ich meine, ist doch an sich positiv, wenn man beides mehr oder weniger zur Verfügung hat. Wenn du halt, sag ich mal, dich auf ein Modell konzentrierst oder auf eine Modell-Family, hast du halt viel mehr Möglichkeiten, diese zu optimieren und halt darüber vielleicht bessere oder halt auch besser zu skalieren und darüber bessere, sag ich mal, Token Prices bereitzustellen. Und am Ende ist es ja wie in jedem Markt, umso mehr Konkurrenz ich habe, umso besser ist es ja für den Eutzer. Und wir sehen es ja jetzt mit Chimi K2, äh, K3, es ist relativ kosteneffizient und was wahrscheinlich auf mittellangfristiger Sicht dazu führen wird, dass alle Foundation Model Labs wahrscheinlich auch mehr ein bisschen in Effizienz investieren werden und man dann darüber auch günstigere Preise wieder hat.

SPEAKER_00 34:05

Ja, also das ist wahrscheinlich richtig oder garantiert richtig, ne? Konkurrenz belebst du das Geschäft. Und ich glaube auch, dass wir immer mehr zu so Setups gehen werden, wo halt krass unterschiedliche Modelle im Einsatz sind. Also, dass wir weniger sehen, dass jetzt, weiß nicht, du hast vorhin so das SAS-Unternehmen angesprochen, was jetzt hier vielleicht sein Chemi benutzt und es irgendwann lizenzieren muss oder so. Aber vielleicht da drin dann halt auch für unterschiedliche Use Cases sehr bewusst sehr unterschiedliche Modelle. Bei Sachen, die halt irgendwie privacy-sensitive sind, vielleicht was Kleines, lokal gehostetes, um da irgendwie Kategorisierungen mitzumachen. Für den generischen Chatbot, der im Zweifelsfall irgendwie alles beantworten können muss. Vielleicht ein größeres, proprietäres Modell. Ich hab das, also ich sehe das ehrlicherweise noch nicht so häufig so, aber es klingt halt so ultra-logisch eigentlich, wenn man drüber nachdenkt, ne?

SPEAKER_01 35:02

Ja, also ich meine, das ganze Router-Thema kommt ja wieder hoch. Wir hatten das ja mit, ich glaube, GPT-5 Verst, wo sie in ChatGPT diesen Router-Released haben, der dann dynamisch die Anfragen schicken soll. Wir haben das jetzt wieder in Cursor, die haben ja einen Router-Released. Dann, ich glaube, weitere Coding-Agent-Labs haben, also Factory hat glaube ich auch jetzt einen Router. Also wir gehen wieder mehr in Richtung, hey, du hast halt diesen Router, der dann das zu den verschiedenen Modellen, Open Router hat, glaube ich auch jetzt einen Fusion, ja. Genau. Und dann gab es aus Japan mit Sakana, glaube ich, heißen die, die diesen Agent-Router oder irgendwie sowas haben, der dann verschiedene Modelle je nach Anfrage nutzt. Sehen wir wieder. Ich meine, am Ende hast du immer wieder dieses Spiel zwischen, wir werden besser, wir müssen es kostengünstiger machen, wir werden besser, wir werden es kostengünstiger machen. Und ganz, ganz am Ende wird es nicht ein super Riesenmodell sein, weil wir einfach die Compute-Capacity dafür ja nicht haben. Wer mit Strom und Elektrizität und Chips unendlich zu verfügbar, dann klar, dann würde es keinen Grund geben, warum wir kleine Modelle trainieren müssten, sage ich mal. Naja, also sind ja trotzdem auch einfach schneller. Also selbst wenn du alles hast, sind es ja trotzdem. Ja, aber mit MOIs und anderen Innovationen ist es ja nicht mehr so, dass ein großes Modell unbedingt langsamer ist als ein kleineres Modell. Und deswegen, ich bin mal gespannt, was es, sag ich mal, im Open Ways-Bereich sich tun wird. Weil es ist extrem teuer, so ein Foundation-Modell zu trainieren, aber es fühlt sich im Verhältnis kostengünstiger an, so ein Router-Modell zu trainieren. Und eventuell werden wir in naher Zukunft dann, sag ich mal, auch mehrere Router haben oder vielleicht haben wir Unternehmen, die sich nur als Business-Use-Case darauf fokussieren, hey, ich trainiere diesen Router, weil ich habe verschiedene Domänen in meinem Unternehmen und ich möchte halt das bestmögliche Ergebnis dafür haben und dass halt ein normaler Smalltalk wie hey oder was du machst oder, keine Ahnung, irgendwelche Dokumente lesen, halt irgendwie zu einem kleineren, kostengünstigeren Modell geht und halt für irgendwelches komplexes, long-running, komplett autonom Projekt erstellen, man halt das größere Modell nutzt und du als Kunde dann wahrscheinlich wieder weniger das siehst. Aber ich glaube auch hier wieder, dass es wieder dieses subsidized Subscription-Modell, weil man hat immer dieses, ich zumindest, dieses innerliche, hey, ich will immer das größte und beste Modell nutzen, wenn ich die Möglichkeit habe, weil dann ist ja das Ergebnis besser. Oder halt zumindest im Durchschnitt ist das Ergebnis besser oder gleich gut. Und wenn man halt nicht unendlich viele Kosten hat, dann bin ich auch, habe ich nicht die Incentive, mir so einen Router anzuschauen. Und ich glaube, die werden sich halt dieses Jahr verändern, dass halt die Kosten zu hoch werden für die Unternehmen, vielleicht die Subscription weniger Usage haben und dann wird das auf jeden Fall interessanter.

SPEAKER_00 37:59

Ich glaube, da ist auch so ein psychologischer Punkt dabei. Also, du hast ja auch gesagt, der Router bei GPT-5, ich war damals auch zufrieden. Es war so ungewohnt, so ein bisschen diese Kontrolle aus der Hand geben zu müssen, wer führt jetzt ja eigentlich dieses Ding aus, was ich haben will und kriege ich wirklich das beste Ergebnis zurück. Aber wenn man das mal so ein bisschen genutzt hat und da Trust rein hat, kann ich mir schon auch vorstellen, ja, dass halt dein Agent, dein Hannes dann, keine Ahnung, für dich so Entscheidungen trifft und hat, naja, du willst jetzt hier, weiß ich nicht, nur deinen LinkedIn-Post gepolished haben. Das kriegen wir auch mit einem kleinen Model hin, so sprachliche Korrekturen. Boah, du musst hier so ein Security-Ding fixen, da werfen wir mal lieber drauf, irgendwie, was wir haben. Und wie du sagst, wahrscheinlich auch ein cooler Business-Use Case, das einfach für so Companies anbieten zu können, da so Feintuning drauf zu machen und wir machen einen Router, der genau für euch und auf eure Use Cases und mit euren Anforderungen so zusammenarbeitet. Da gibt es nicht mehr so gut.

SPEAKER_01 38:52

Ja, ich stimmt noch mehr. Ich glaube, das Problem halt wie bei allem ist, wenn du alle zwei bis vier Wochen ein neues Modell hast, das besser und günstiger ist oder besser und gleich gut, dann kannst du nicht diese Router trainieren, weil das verschiebt sich einfach so schnell, dass in der Zeit, wo du den neuen Router trainiert hast oder erstellt hast und evaluiert hast, dass das neue Modell da ist und dann rennst du halt immer ein bisschen hinterher. Deswegen ist ja das ganze Feintuning auch ein bisschen, sag ich mal, zurückgegangen. Aber ja, bleib spannend. Ich bin positiv. Und ich glaube, als erstes praktisches Beispiel, wo das schon weniger interessant ist, wenn ich dann Freunde und Familie denke, die jetzt irgendwie die Gemini-App nutzen, denen ist es scheißegal, ob da Flash oder Pro steht. Du stellst ja deine Anfrage oder was du halt darüber reden möchtest und du kriegst ein Ergebnis zurück. Die würden da jetzt nicht extra reingehen und hey, Pro Thinking Max, okay, let's go.

SPEAKER_00 39:38

Ja. Ja. Alright. Dann letzte Frage. Kommst du eigentlich zur Programmierkon? Ich glaube nicht. Glaubst du nicht? Bisher noch nicht. Okay, bisher noch nicht. Wenn ihr da draußen trotzdem kommen wollt, auch wenn ihr vielleicht nicht die Chance habt, Philipp zu treffen, könnt ihr es noch machen. Wir haben gerade, glaube ich, noch das letzte Drittel der Tickets ungefähr im Verkauf und dann ist auch schon bald wieder Ende Gelände. Von daher nochmal der kleine Service-Hinweis. Wer noch keins hat, sollte es da vielleicht zeitnah drum kümmern und vielleicht überreden wir Philipp bis dahin noch, dass er auch kommt. Wenn nicht, müssen wir so Wettenass-mäßig die Außenwette irgendwie machen und Philipp zuschalten. Okay, das war jetzt auch wieder so ein Witz für die Älteren. Wettendass ist auch schon datet, glaube ich mittlerweile. Alright, dann sind wir durch für diese Woche. Tausend Dank, Philipp, für deine Zeit. Tausend Dank für alle da draußen, die zugehört haben. Wenn ihr Fragen, Anmeldungen, Anmerkungen, Kritik, was auch immer habt, dann immer gerne an podcast.programmier.bar oder hinterlasst gerne Kommentare auf allen Plattformen, wo ihr uns so hört. Wir lesen immer gerne fleißig mit und freuen uns darüber. Bis dann. Ciao, ciao. Ciao.