**
Die drei Streitwagen der chinesischen KI
Lange Zeit folgten chinesische KI-Modelle grob drei Pfaden.
Der erste Pfad ist bewusst klein zu gehen. Beispiele hierfür sind minimax-m3, Kimi K2.5 und hy3, die die aktivierten Parameter aktiv auf etwa 20B begrenzen. Ob 20B wirklich "klein" ist, ist eine subtile Frage, aber aus technischer Sicht betrachten wir es im Allgemeinen so.
Kleinere aktivierte Parameter sind normalerweise eine harte wirtschaftliche Einschränkung. Die Maximierung der Leistung innerhalb dieser Grenzen ist eine typische "Kleinmodell"-Denkweise.
Der zweite Pfad ist DeepSeek und die Hersteller mit ähnlichem technischem Stack und ähnlicher Größe, die danach entstanden sind. Das Markenzeichen des DeepSeek-Wegs ist nicht nur die vollständige Open-Source-Natur, sondern vor allem, dass DeepSeek-V3/R1 von Anfang an groß angelegte Modelle waren, die sich an den Top-Modellen von OpenAI orientierten.
Als R1 explosionsartig an Popularität gewann, fügte DeepSeek einen umfangreichen technischen Stack mit Fokus auf Wirtschaftlichkeit hinzu. Der DeepSeek-Weg ist also gekennzeichnet durch "hohe Leistung bei gleichzeitiger Sicherstellung von Inferenzökonomie". GLM-5 ist ein systematischer Nachfolger und Anwender dieses Weges, wobei GLM-5.2 eines seiner bekanntesten Ergebnisse ist.
Der dritte Pfad ist Kimi. Kimis technischer Stack war schon immer unabhängig und ist entfernt mit DeepSeek verwandt. Während die K2.5- bis K2.7-Serie den DeepSeek-Stack erheblich übernommen hat, ist die neue K3-Serie zu ihrer eigenen Technologie zurückgekehrt.
K3 hat die Gesamtparameter auf 2,8 Billionen erhöht, mit geschätzten aktivierten Parametern von 50 Milliarden, und verwendet ausschließlich eigene Technologie. Das Skalierungsgesetz der Größe hat Wirkung gezeigt, hat aber auch dazu geführt, dass die Wirtschaftlichkeit von Kimi K3 deutlich gesunken ist und es in die Preisklasse von Claude Sonnet eingetreten ist.
Obwohl immer noch sehr günstig im Vergleich zu Claude, befinden sich Kimis Inferenzcluster innerhalb Chinas. Angesichts der Beschränkungen bei der Anzahl der GPUs hat Kimi beim Bau von K3 wahrscheinlich nicht die Wirtschaftlichkeit priorisiert.
Mit anderen Worten, K3 ist das Produkt eines unabhängigen Tech-Stacks, enormer Größe und eines kompromisslosen Strebens nach Höchstleistung.
Im Gegensatz zu Modellen auf dem DeepSeek-Pfad, die Leistung und Wirtschaftlichkeit ausbalancieren, war K3s Ziel von Anfang an nicht, ein besseres R1 zu bauen, sondern sich an den hochmodernen, extrem großen Modellen von OpenAI und Anthropic zu messen.
Warum ist K3 so groß?
Kimi als einen völlig unabhängigen technischen Weg zu beschreiben, der nie mit DeepSeek verwandt war, ist nicht ganz zutreffend.
Das Kimi K2-Papier machte es deutlich: K2 verwendete eine ultra-sparse MoE- und MLA-Architektur, ähnlich wie DeepSeek-V3. Beide haben 61 Schichten und gemeinsame Experten, wobei jedes Token 8 weitergeleitete Experten aktiviert. K2 verbesserte diese Basis, indem es die Anzahl der Experten auf 384 erhöhte, die Aufmerksamkeitsköpfe halbierte und mit selbst entwickelten MuonClip, Data Recipes, agentischem Post-Training und unabhängiger Infrastruktur seinen eigenen Fork erstellte.
Daher war K2 eher ein Kimi-Zweig auf einem DeepSeek-V3-ähnlichen Chassis, als eine völlig andere Spezies von Grund auf.
Was wirklich bemerkenswert ist, ist, dass sich die Basisgröße von K2.5 bis K2.7 nicht weiter vergrößerte: Die Gesamtparameter blieben bei etwa 1 Billion, die aktivierten Parameter bei etwa 32 Milliarden, immer noch mit 8 aus 384 ausgewählten Experten.
Mit anderen Worten, Kimi bewies, dass es mit Post-Training und Agentensystemen viele Generationen aus demselben Chassis herausholen konnte, ohne die Basis zu erweitern.
Aber K3 ist anders. K3 ist nicht nur eine routinemäßige Versionsverbesserung. Es markiert Kimis aktive Entscheidung, die Phase des "Fortsetzens des Post-Trainings auf einer bestehenden Basis" zu beenden und zur Skalierung des Pre-Trainings zurückzukehren.
K3 nutzt stark zuvor verstreute proprietäre Technologien, wie seine eigene Trainingsbasis, seinen Aufmerksamkeitsmechanismus und seine Experten-Routing-Struktur. In diesem Stadium ist die Verwandtschaft von K3 mit DeepSeek ziemlich entfernt geworden.
K3 zielt darauf ab, zwei Dinge zu beweisen: Erstens, dass Kimi sein eigenes technisches Paradigma definieren kann; zweitens, dass Kimi qualifiziert ist, mit neuer Technologie brandneue, extrem große Modelle zu trainieren, die sich mit OpenAI und Anthropic messen.
Wie sich herausstellt, war K3 erfolgreich.
Vom öffentlichen Gut zum privilegierten Monopol
Vor DeepSeek mangelte es in China nicht an brauchbaren Modellen, aber sie waren nur gerade so funktionsfähig.
Das Aufkommen von DeepSeek brachte erstmals ein Hochleistungsmodell nach China, das zu einem öffentlichen Gut für eine ganze Generation chinesischer KI wurde. Die Kernaufgabe eines öffentlichen Gutes ist die Adoption: Wie können "gute" Fähigkeiten in großem Maßstab gefördert werden – insbesondere auf einer Inferenzbasis, die nicht gerade üppig ist?
Daher bestand DeepSeeks Rolle nicht nur in einem Leistungsdurchbruch, sondern auch in einer großen Verantwortung für wirtschaftliche Optimierung.
Von V3 bis V4 hat DeepSeek nahezu karitative API-Preise beibehalten, unterstützt von einem ausgereiften, auf Inferenzoptimierung ausgerichteten Tech-Stack.
In dieser Phase bestand das Problem der chinesischen KI darin: Zuerst die Leistungsanforderungen des öffentlichen Gutes zu erfüllen, dann die Rechenkosten dieses Gutes zu senken.
Für andere chinesische Hersteller als DeepSeek wurde die Aufgabe plötzlich zweigeteilt: Erstens muss die Leistung mit R1 mithalten können, sonst hat das Modell keine Wettbewerbsfähigkeit; zweitens müssen Preis, Durchsatz und Bereitstellungseffizienz so nah wie möglich an DeepSeek heranreichen, sonst findet schlichtweg keine Adoption statt.
Der phasenweise Stack-Übergang von GLM ist das klarste Abbild dieses industriellen Drucks.
In diesem Sinne brachte DeepSeek chinesische Modelle in die Adoptionsphase. Die Kernfrage dieser Phase ist: Wie kann man mehr Menschen ermöglichen, ausreichend starke Intelligenz zu nutzen, und wie geht man mit der daraus resultierenden Explosion der Anrufvolumina um?
Aber ein Grenzforschungslabor muss irgendwann eine andere Frage beantworten: Wenn man nur danach strebt, eine billigere Version anderer zu sein, woher kommen dann die leistungsstärkeren Modelle?
Alle großen Internetunternehmen trafen eine Wahl: Wege finden, um Verbote zu umgehen und aus den USA zu importieren. Zum Beispiel ermöglichte Alibabas berühmte Singapore-Entity Benutzern, Claude Code über eine Remote-Verbindung zu singapurischen Maschinen auszuführen.
Dann wurden sie blockiert. Hätte Uncle Sam nicht schnell den 5.6-Sol-Schlag geliefert, hätte Dario vielleicht noch ein paar Artikel veröffentlicht, die auf die Köpfe der Chinesen treten.
Durch umfangreiche technische Optimierung hat China nach und nach die Grundlage für das öffentliche Gut der KI verwirklicht. Aber ohne größere, leistungsstärkere Grenzmodelle wird man immer einen Schritt zurück sein und in einen langfristig nachteiligen "privilegierten Wettbewerb" verfallen.
Xiang Zhuangs Schwerttanz: Zielen über die Oberfläche hinaus
K3s 2,8 Billionen sind Moonshots Antwort auf dieses Problem.
K2.5 bis K2.7 können immer noch als Verbesserung des Preis-Leistungs-Verhältnisses auf einer 1T-A32B-Basis durch fortgesetztes Pre-Training, RL, Tool-Umgebungen und Agentensysteme verstanden werden.
K3 hingegen treibt die Gesamtkapazität direkt auf 2,8 Billionen, akzeptiert Bereitstellungsanforderungen von über 64 Beschleunigungskarten und erhöht die API-Preise von K2.7 Codes $0,95/$4 auf $3/$15. Obwohl dieser Preis nur mit Sonnet vergleichbar ist, ist er immer noch sehr teuer.
Der Schlüssel sind die 64 Beschleunigungskarten. Wo findet man in Chinas Inferenzclustern so viele 64-Karten-Knoten?
K3 könnte vielleicht immer noch auf Wirtschaftlichkeit hoffen, aber das ist für K3 nahezu unmöglich. Ein 2,8-Billionen-Riesenmodell ist selbst für amerikanische Inferenzunternehmen eine große Herausforderung. Daher ist K3s Absicht eindeutig nicht die breite Adoption, sondern die Veröffentlichung eines Modellstandards, der auf den modernsten Schlachtfeldern weit verbreitet werden kann.
Im Vergleich zu den meisten PR-Artikeln, die behaupten, amerikanische Modelle zu zermalmen, ist Kimis offizielle Wortwahl gemäßigter: K3 liegt insgesamt immer noch hinter Fable 5 und GPT-5.6 Sol zurück.
Natürlich ist es aus einer anderen Perspektive sehr aggressiv: Es liegt nur knapp hinter den Top-Modellen von OpenAI und Anthropic.
Sobald es in diese Liga aufsteigt, destabilisiert K3 zunächst die wichtigste kommerzielle Erzählung von Anthropic des letzten Jahres.
Anthropics Perpetuum-Mobile-Geschichte
Anthropics Methodik war schon immer klar: Wir schaffen ein unersetzliches Modell, und sobald Benutzer feststellen, dass es Aufgaben erledigen kann, die andere Modelle nicht können, werden sie bereit sein, einen Aufpreis für höhere Leistung zu zahlen.
Fable 5 ist das extremste Produkt dieser Methodik. Es zielt auf die schwierigste Wissensarbeit, das Programmieren und komplexe asynchrone Aufgaben ab, die Tage dauern können, mit API-Preisen von $10 pro Million Input-Token und $50 pro Million Output-Token – dem Doppelten des regulären Preises von Opus 4.8.
Anthropic verkauft keine teureren Token; es verkauft ein neues Aufgabenintervall: Projekte, die in der Vergangenheit nicht stabil abgeschlossen werden konnten, können jetzt von Fable bearbeitet werden. In diesen Szenarien hat Fable einen unersetzlichen Wert.
Solange diese Unersetzlichkeit besteht, ist der Preisaufschlag vollkommen vernünftig. Schließlich ersetzen Hochleistungsmodelle hochqualifizierte Arbeitskräfte, und deren Gehalt ist viel teurer als das Modell.
Nach der Veröffentlichung von Fable entstand am Markt kurzzeitig die Illusion, dass OpenAI nicht mehr mit Anthropic mithalten könne. SemiAnalysis' extrem bullische Prognose schätzte sogar, dass Anthropics ARR bis Ende 2027 300 Milliarden Dollar erreichen könnte, mit einem Unternehmenswert von 6 Billionen Dollar bei einem 20-fachen ARR-Multiple.
Diese Vorhersage stützte sich auf eine Reihe von Annahmen: API-Anteil von 75%–85% am Umsatz, hohe API-Bruttomargen, extrem hohe Netto-Umsatzbindung und kontinuierliche Durchdringung von Claude Code.
Stand am 18. Juli schien es, als ob SemiAnalysis halluzinieren würde. Aber am 8. Juli fanden viele Leute es ziemlich plausibel.
Die Realität arrangierte eine äußerst dramatische Zeitleiste für diese Erzählung. Die 6-Billionen-Dollar-Bewertungsprognose machte am 8. Juli die Runde, und GPT-5.6 Sol wurde offiziell am 9. Juli veröffentlicht.
Anthropics Perpetuum-Mobile-Geschichte hielt weniger als einen Monat, bevor sie umgestoßen wurde. In dieser Zeit wurden auch ein paar Artikel eingestreut, die die Destillation chinesischer Modelle kritisierten.
Wer hat Cock Robin getötet?
Nach der Veröffentlichung von GLM-5.2 schrieb ich eine systematische Analyse seiner Bedeutung, die von der Öffentlichkeit als "Meisterwerk" gefeiert wurde.
In Anbetracht der Tatsache, dass Zhipu mich nie für Werbung bezahlt hat, bleibe ich ein unabhängiger Forscher (lacht).
Allerdings hat GLM-5.2 tatsächlich Anthropics Fundament erschüttert; die Leute haben damals nur nicht erkannt, wie ernst die Lage war.
GLM-5.2 schneidet bei den meisten Aufgaben besser ab als Opus 4.8, nur übertroffen von Opus 4.7. Sie haben richtig gelesen: besser als 4.8, während es nur knapp hinter 4.7 liegt, was einen fragen lässt, wie viel Wasser Anthropic in 4.8 verdünnt hat.
Gleichzeitig beträgt der Preis von GLM-5.2 nur ein Fünftel von Opus, und es leidet nicht unter den Rate-Limit-Problemen von Anthropics Abonnementplänen. Die Entstehung von GLM-5.2 hat den Preisanker von Anthropics Hauptmodellsegment bereits erheblich bedroht.
Infolgedessen hoffte der Markt, Anthropic für "modernere Modelle" zu bewerten, was zu SemiAnalysis' 6-Billionen-Dollar-Bewertungsprognose führte.
Unmittelbar darauf prallte Sol frontal auf Fable in der höchsten Leistungsstufe. Anthropic verlängerte daraufhin die Abonnementlimits von Fable mehrfach und kündigte schließlich an, dass es zu einem dauerhaften Vorteil für Max- und Team-Premium wird.
Dann kam K3 heraus. Seine Gesamtleistung liegt hinter Fable und Sol – und nur hinter Fable und Sol. Gleichzeitig ist K3 Open Source, und jeder Inferenzcluster kann es bereitstellen.
Kinder, fortgeschrittene KI-Modelle wachsen wirklich auf den Feldern.
Asymmetrischer Wettbewerb
In der Vergangenheit war die Logik der US-Kontrollen für fortschrittliche Computerchips gegenüber China einfach: Verlangsamung des Trainings von Grenzmodellen in China und des Aufbaus eines unabhängigen Halbleiter-Ökosystems durch Begrenzung der vorgelagerten Rechenleistung. Nationale Sicherheit, militärische und Überwachungszwecke waren die öffentlichen rechtlichen Gründe, während die Aufrechterhaltung der US-Führung bei Schlüsseltechnologien ein gleichzeitiges industrielles Ziel war.
Das größere Problem war natürlich, dass die USA selbst nicht genug fortschrittliche Chips hatten. Die USA waren nicht nur besorgt, dass China Rechenleistung erhält, sondern wollten auch nicht, dass chinesische Unternehmen sich an Ausschreibungen beteiligen und die Kartenkaufkraft der US-Labore und Rechenzentren verdrängen.
Diese Kontrollen erhöhten sicherlich die Schwierigkeit für China, Grenzmodelle zu trainieren, aber sie erzeugten auch einen subtilen Gegeneffekt: Sie beraubten chinesische KI-Unternehmen der Fähigkeit, Übergewinne zu erzielen, und verwandelten diesen Nachteil gleichzeitig in eine Waffe im Spiel.
Da du mich keine Übergewinne erzielen lässt und ich nicht will, dass meine Technologie blockiert wird, verschenke ich sie einfach, sobald ich sie fertig habe.
Und Open-Source-Modelle sind nicht wählerisch bei Grafikkarten. Chinesische Karten können sie bereitstellen, und US-Rechencluster auch. Fireworks, TogetherAI und ein Haufen NeoClouds haben alle reichlich GPUs.
So ist eine höchst abstrakte Kombination im US-chinesischen KI-Wettbewerb entstanden:
Chinesische Modelle + US-amerikanische und globale Inferenzcluster vs. US-amerikanische Closed-Source-KI-Labore
Chinesische Labore übernehmen teure Modellforschung und -entwicklung und tauschen offene Gewichte gegen Adoption und Grenzstatus; US-Cloud-Anbieter und Inferenzplattformen nutzen lokale GPUs, um die Anfragen zu bearbeiten, bepreisen basierend auf Kosten und machen ein Bombengeschäft.
Die wirklich Verlierer sind die US-Grenzlabore, die auf geschlossene Gewichte und Fähigkeitsknappheit angewiesen sind, um Premiumpreise zu verlangen.
Für chinesische Labore bedeutet das Opfern offener Gewichte, potenzielle API-Mieteinnahmen zu verlieren, die bereits durch die eigene Inferenzkapazität begrenzt waren.
Für US-Closed-Source-Labore wird die tatsächliche Überrendite geopfert, die auf reichlich lokaler Rechenleistung und globaler Fähigkeitsknappheit aufbaut.
Daher steht die USA nicht vor einer einfachen Wahl "Sanktionen fortsetzen oder Verkauf erlauben", sondern vor einem unmöglichen Dreieck:
- Sanktionieren Sie China, und China wird weiterhin Open-Source-Modelle veröffentlichen, also verdient niemand Geld.
- Lassen Sie China Karten kaufen, und kollektive Gebote könnten dazu führen, dass lokale Labore knapp an Karten sind.
- Geben Sie China angemessen einige Karten, um einen Kompromiss zu erzielen, aber wie viele sind angemessen? Niemand weiß es, und niemand wagt es, es auszusprechen.
Dies ist ein typischer asymmetrischer Wettbewerb. Washington redet gerne über asymmetrischen Wettbewerb; jetzt ist der Begriff nach Washington zurückgekehrt.
Loyalität zu Micron!
Wenn man diese Kette einen Schritt weiter nach oben verfolgt, stößt man auf die gesamte KI-CapEx-Erzählung.
In der Vergangenheit waren die hohen Inferenz-Bruttomargen von Closed-Source-Grenzmodellen das wichtigste Polster für die KI-CapEx-Kette. Solange die Modellfähigkeiten knapp waren, konnten APIs und Abonnements hohe Preise aufrechterhalten; Labore und Cloud-Anbieter erzielten hohe Bruttomargen, was es ihnen ermöglichte, teurere GPUs, schnellere Abschreibungen und aggressivere Rechenzentrumsinvestitionen zu tolerieren; die vorgelagerten Unternehmen würden dann weiter expandieren und hohe Preise aufrechterhalten.
Diese Kette kann einfach geschrieben werden als:
Modellfähigkeitsknappheit → Hohe API-Preise → Hohe Bruttomargen nachgelagert → Fähigkeit, GPU-Aufschläge zu verkraften → CapEx-Expansion → Anhaltender Wohlstand vorgelagert.
Wenn mehrere Plattformen dasselbe Gewicht bereitstellen können, verschieben sich die Inferenzpreise von "wie viel das Grenzlabor verlangen will" zurück zu "wie viel es einen effizienten Cluster kostet, eine erfolgreiche Aufgabe auszuführen."
Offene Gewichte ändern nichts an der Tatsache, dass Rechenleistung Geld kostet; sie entfernen die "Modellsteuer", die auf den Rechenverbrauch erhoben wird. Fireworks muss nicht K3s Pre-Training-Kosten für Moonshot tragen, noch muss es pro Token volle Modellmiete an ein vorgelagertes Closed-Source-Modell zahlen.
Es muss immer noch die Kosten für GPUs, Inferenz-Engines, Quantisierung, Caching, Vernetzung, Finanzierung, SLAs und Unternehmensvertrieb tragen, aber es muss nur basierend auf tatsächlichen Rechenkosten, Auslastung, Servicekosten und wettbewerbsfähigem Gewinn kalkulieren. Dies ist eine typische kostenbasierte Preissetzungslogik, und für eine auf Wohlstand angewiesene Industrie haben kostenbasierte Preise einen verheerenden Einfluss auf die vorgelagerten Unternehmen.
Dies wird umgekehrt die Kapitalrenditeberechnung für jede GPU verändern.
In der Vergangenheit konnten Dienstleister teure Hardwarekosten in hochpreisige Modell-APIs einpreisen und an die Endkunden weitergeben.
Wenn Inferenzplattformen um dieselben offenen Gewichte konkurrieren, wird es für jede einzelne schwieriger, diesen Aufschlag weiterhin weiterzugeben. Daher erfordert die GPU-Beschaffung eine höhere Auslastung, kürzere Amortisationszeiten, niedrigere Finanzierungskosten und sicherere Kundenverträge.
Kurzfristig werden die verstreuteren nachgelagerten Käufer die Verhandlungsmacht der Rechenproduzenten (insbesondere NVDA) nicht schwächen. Langfristig wird der systemische Rückgang der nachgelagerten Bruttomargen jedoch unweigerlich zu einer schlechteren Verhandlungsflexibilität für die vorgelagerten Unternehmen führen, was ein unkontrollierbares und enormes Risiko für die gesamte KI-CapEx-Erzählung darstellt.
Too Big to Fail
An diesem Punkt haben K3s 2,8 Billionen zwei scheinbar widersprüchliche Bedeutungen offenbart.
Einerseits ist K3 kein sehr wirtschaftliches Modell, das Modelle in die Sonnet-Preisklasse und das 64+-Karten-Bereitstellungssegment drängt.
Andererseits ist es genau diese "Nicht-Priorisierung der Wirtschaftlichkeit", die K3 qualifiziert, in die höchste Leistungsgruppe einzutreten, Anthropics Modellmiete zu destabilisieren, die US-chinesischen Inferenzgewinne umzustrukturieren und die KI-CapEx-Erzählung zu beeinflussen.
In der Vergangenheit sprachen viele Unternehmen gerne über Edge-Seite, kleine Größen und "gut genug". Diese Wege sind sicherlich wichtig; sie bestimmen, wie weit bestehende Intelligenz auf Geräte, Benutzer und Branchen verbreitet werden kann.
Aber der Begriff "gut genug" ist sehr langweilig; er gilt nur für Märkte, in denen die Fähigkeitsgrenzen bereits festgelegt sind.
Grenz-KI steht niemals vor einer festgelegten Menge von Aufgaben: Ein Modell, das heute gerade einzelne Dateien programmieren gelernt hat, muss morgen ganze Codebasen verwalten; eines, das gerade Tool-Aufrufe gelernt hat, muss in der nächsten Generation stunden- oder sogar tagelang kontinuierlich arbeiten.
Mittelgroße Modelle beantworten "wie man von mehr Menschen genutzt wird", während größere Modelle darum kämpfen, "wer das Recht hat, das Orakel zu überbringen."
Ein bereits starkes, aber teures Modell kann später durch Ausdünnung, Quantisierung, Caching, Destillation und Inferenztechnik schneller und billiger gemacht werden; es kann auch als Lehrermodell für eine ganze Reihe kleiner Modelle dienen.
Einem kleinen Modell, das von Anfang an eine bestimmte Fähigkeit nicht gelernt hat, kann diese jedoch nur schwer durch erweitertes Denken oder Bereitstellungsoptimierung aus dem Nichts hinzugefügt werden.
Diese Asymmetrie macht "groß werden, um nicht zu verlieren" zu einer groben, aber oft effektiven Grenzmethodik.
Im Jahr 2024 veröffentlichte OpenAI o1 und verlagerte den Fokus der Skalierung von größeren Pre-Training-Basen auf Trainingszeit-Verstärkungslernen und Testzeit-Denkberechnung.
o1 selbst ist ein kleineres Inferenzmodell. Es bewies, dass "kleinere Basis + mehr Denken" erstaunliche Fortschritte in Mathematik, Code und formalem Denken hervorbringen kann, und startete damit einen Zyklus zur Verkleinerung der Parameter.
Je kleiner die Basis, desto mehr ist sie auf Testzeit-Rechenkompensation angewiesen; je erfolgreicher die Inferenztricks, desto geringer ist die Motivation der Organisation, die Basis zu erweitern. Infolgedessen begannen OpenAIs Modelle rapide zu verfallen.
Im Jahr 2025 ging Anthropic den entgegengesetzten Weg. Anthropic bestand darauf, größere, teurere Modelle zu bauen, und nutzte dann Claude Code, um Fähigkeiten in Produkte umzuwandeln.
Die Benutzerloyalität zu Claude liegt nicht daran, dass es billig ist, sondern daran, dass sie sich bei den schwierigsten realen Softwareentwicklungsaufgaben sicherer fühlen, die Arbeit Opus anzuvertrauen. Ende 2025 behauptete Anthropic, Claude Code besetze über die Hälfte des KI-Programmiermarktes, und sein Unternehmensmarktanteil sei von 24% auf 40% gestiegen. Der Umsatz übertraf ebenfalls den von OpenAI.
OpenAI erkannte daraufhin, dass Inferenzeffizienz und Routing die höchste Fähigkeitsbasis nicht ersetzen können. GPT-5 errichtete eine vollständige Leiter von Main, Thinking, Mini und Pro wieder; bei GPT-5.6 setzte es klar drei Modellgrößen – Sol, Terra und Luna – und stellte das groß angelegte Sol wieder in die Flaggschiffposition für die schwierigsten Aufgaben.
Infolgedessen überstieg die Zahl der Codex-Nutzer schnell 10 Millionen, was Anthropic zwang, Fable wieder in seine Abonnementpläne aufzunehmen.
Jetzt ist K3 veröffentlicht, nur übertroffen von Sol und Fable, und löst sogar Diskussionen darüber aus, ob die US-Grenz-KI noch auf der Höhe ist.
Wenn man wirklich bereit ist, um den ersten Platz zu kämpfen, ist das Ergebnis in der Regel nicht allzu schlecht. Das ist Too Big to Fail.
Fazit: Kleinstadtjugendliche verprügeln Kapitalisten
Chinesische KI-Modellunternehmen werden oft als Kleinstadtjugendliche beschrieben: begrenzte Ressourcen, schlechte Lage, ein noch schlechterer internationaler Ruf, und sie können froh sein, wenn ihre GPUs die Inferenz durchhalten, geschweige denn das Training – Hauptsache, sie fallen nicht zurück.
Unterdessen haben fortschrittliche US-KI-Labore eine kapitalistische Ausstrahlung: Sie diskutieren über Anthropologie und Sicherheit, über wohlwollende Maschinen, darüber, ob die zukünftige Welt der Freiheit oder der Unfreiheit gehört, ob KI der Erde oder dem Himmel gehört.
Unter einer so dramatischen Kluft kann tatsächlich ein Stück aufgeführt werden, in dem Kleinstadtjugendliche Kapitalisten verprügeln. Wie man es auch dreht und wendet, es ist zum Totlachen.
—Eigentlich, keine Eile. Das Beste kommt noch.
