Beitrag von **Michelle Chen, Alex Reneau und Kevin Flansburg**, veröffentlicht am **1. Oktober 2026** im **Cloudflare**-Blog (~10 Minuten Lesezeit, Woche des „AI Birthday“). Cloudflare veröffentlicht **Clef** und **Clef-flash**, seine ersten selbst trainierten Modelle, gehostet auf **Workers AI** und als Open Source verteilt (Apache 2.0, Hugging Face), zusammen mit einem Fine-Tuning-Dienst für Reinforcement Learning.
#Clef#Clef-flash#Entscheidungsmodell
Michelle Chen · Alex Reneau · Kevin Flansburg — équipe Workers AI / plateforme IA · blog Cloudflare.
Xi Jinping — erste Grundsatzrede beim WAIC 2026: „vier Beobachtungen“ zu KI, Gründung der WAICO (29 Länder, Hauptsitz in Shanghai), Angebot an den Globalen Süden im Gegensatz zu „America First“ (Xinhua/SCIO)
**Wiederkehrender Bericht von Mozilla**, *The state of open source AI*, **v1.0.1, Juli 2026**, eingeleitet durch einen Brief von **Raffi Krikorian** (CTO): sieben Abschnitte, eine interaktive Website und ein herunterladbarer Bericht. These, formuliert im Titel von Abschnitt 1: *« The model layer has commoditized. Value accrues to the harness above it. »* **Fähigkeitsstand**: Auf dem *Artificial Analysis Intelligence Index v4.1* erzielt das beste geschlossene Modell **61** Punkte (Claude Opus 5) und das beste offene Modell **57** (**Kimi K3**), Rang vier insgesamt und vor drei der größten geschlossenen Labore; auf dem *Epoch Capabilities Index* beträgt der Abstand **6 Punkte** (K3 bei 156 gegenüber GPT-5.6 Sol bei 162), beschrieben als *« about one release cycle »*, bei sich überlappenden Konfidenzintervallen. **Sägezahnförmige Frontier**: Offene Modelle führen bei Frontend-Code (K3 mit 1.679 Elo in der LMArena Frontend Code Arena, sechs von sieben Domänen), liefern sich ein Kopf-an-Kopf-Rennen bei agentischer Terminalarbeit (88,3 gegenüber 88,8 im Terminal-Bench 2.1) und geben bei professioneller Wissensarbeit Boden ab (Fable 5 führt vor K3 mit 92 Elo im GDPval-AA v2). **Nutzungsverschiebung**: Der Anteil der über OpenRouter geleiteten Tokens, die an Open-Weight-Modelle gehen, stieg von einem vernachlässigbaren Niveau auf ein Drittel Ende 2025 und dann auf eine **Mehrheit bis Mitte 2026**, wobei die sieben Modelle mit dem höchsten Volumen alle offen gewichtet sind — der Bericht selbst merkt an, dass *« by request count, closed US providers still lead »*, wobei der Vorsprung der offenen Modelle ein Vorsprung beim Token-Volumen ist, der sich auf Coding- und agentische Workloads konzentriert. **Der zentrale Gegensatz**: *« Open ships easy. Open deploys hard. »* — 79 % der Entwickler, die KI einführen, nutzen offene Modelle gegenüber 71 % bei geschlossenen, aber nur **53 %** der Teams mit offenen Modellen erreichen die Produktion **gegenüber 63 %**, und die Lücke wächst mit der Organisationsgröße (geschlossen 54 % → 73 %, offen 53 % → 57 %), was *« rules out a resources explanation »*. Die Reifegradkarte des Stacks (48 Komponenten, 9 Schichten) zeigt zwei durchgängig kalte Spalten — **Standardisierung** und ***Enterprise Readiness*** — identifiziert als die operative Lücke. **Abschnitt 5**: *« The agentic harness is another user agent »*, und *« The model is eating the harness »* — bei jedem Modell, für das beide Varianten existieren, gewinnt inzwischen der Harness des jeweiligen Labors selbst, wobei sich die Lücke von 21,8 Punkten auf etwa 3 verringert hat. Daher die Formel: *« A harness tuned tightly to one lab's weights… degrades on anyone else's model, so the tighter the tuning, the less swappable the weights underneath. Lock-in arrives as a side effect of optimization. »*
#Mozilla#state of open source AI#Open Weights
**Mozilla** — éditeur du rapport · avec une introduction signée **Raffi Krikorian** · *Chief Technology Officer*. Publié en **juillet 2026** (v1.0.1). Données issues de sources tierces créditées (Artificial Analysis, Epoch AI, OpenRouter, LMArena) et d'une enquête propre menée avec **SlashData** (*Mozilla / SlashData 2026 developer survey*, n = 1 410 sur la question des freins).
Fallstudie von **Surya Narreddi** (mit **Cameron Franz** und **Alex Wang**) auf seiner persönlichen Website, datiert **März 2026** (Tag nicht angegeben; ca. 1.500 Wörter), mit dem Titel *Training AI to Paint with Code*. Die Autoren trainieren ein Sprachmodell (**Qwen 3.5 35B**) mittels Reinforcement Learning (**GRPO**), um Aquarellmalereien als **p5.brush**-JavaScript-Code zu erzeugen, wobei der Code selbst als editierbares Artefakt dient. Die zugrunde liegende Frage: wie man RL betreibt, wenn die Belohnung — ästhetisch — nicht verifizierbar ist.
#reinforcement learning#GRPO#reward function
Surya Narreddi — designer et développeur · auteur du projet (site personnel) ; collaborateurs Cameron Franz (infrastructure d'entraînement) et Alex Wang.