Mistral AI stellt Mistral Large 4 als öffentliche Vorschau bereit; die API ist über Mistral Studio nutzbar。
Grund für die Empfehlung: Die Vorschau per API und die erst für Monatsende angekündigten offenen Gewichte zeigen, welche Zugangsform bereits verfügbar ist und welche noch aussteht.
Das Modell GLM 5.3 von Z.ai ist für berechtigte Unternehmenskunden auf Amazon Bedrock verfügbar. Das 753B-Parameter-MoE-Modell ist auf Programmierung und längerfristige Aufgaben von AI-Agenten ausgelegt. Der Zugriff erfolgt über verwaltete APIs; Prompt-Caching und regionsübergreifende Inferenz werden unterstützt.
Der AWS-Beitrag erklärt, wie sich Claude Code mit Amazon Bedrock in AWS GovCloud (US) für KI-gestützte Entwicklungsabläufe bei regulierten Workloads einrichten lässt. Er beschreibt Voraussetzungen, Konfiguration und Prüfung sowie die verfügbaren Claude-Modelle und Bedrock-Endpunkte. Organisationen müssen die Lösung an ihren eigenen Compliance-Anforderungen messen.
Amazon SageMaker AI stellt den aws-ai-ml-Skill bereit, der Coding-Agenten bei der Optimierung generativer KI-Inferenz unterstützt. Er kann Endpunkte benchmarken。
GitHub stellt mit ReviewBench einen offenen Benchmark zur Bewertung von KI-Code-Review-Agenten bereit. Der Datensatz umfasst 219 Pull Requests aus 187 öffentlichen Repositories und 19 Sprachen; seine Verteilung orientiert sich an 103.9 Millionen GitHub-Pull-Requests. Senior Engineers stimmten bei der unabhängigen Prüfung der Befunde zu 96.6% mit ReviewBench überein.
GitHub empfiehlt Entwicklern drei Fähigkeiten für die Arbeit mit KI: Agenten anleiten。
Google DeepMind kündigt Gemini 4 Argon an und stellt das Modell zunächst ausgewählten Cyberabwehr-Teams über das Fairwind Program bereit. Es ist für komplexe Aufgaben in Softwareentwicklung, Wissensarbeit und Cyberabwehr ausgelegt; das Ausgabelimit steigt von 64K auf 1M tokens. Vor einer breiteren Freigabe will Google Rückmeldungen aus Tests einarbeiten und Schutzmassnahmen weiterentwickeln.
Grund für die Empfehlung: Der gestaffelte Zugang für Cyberabwehr und die angekündigten Schutzmassnahmen zeigen, wie Google DeepMind die Freigabe eines leistungsfähigen Modells vorbereitet.
H Company stellt Holo4 als Modellreihe für Agenten vor, die Software über grafische Oberflächen。
Grund für die Empfehlung: Die veröffentlichten Benchmarks und Ablaufprotokolle ermöglichen es, Leistung und Kosten von Holo4 bei längeren Computeraufgaben nachzuvollziehen.
Die Anleitung zeigt, wie sich in der GitHub Copilot App mit /create-canvas eine Oberfläche für einen eigenen Arbeitsablauf erstellen lässt. Die Beschreibung soll den Ablauf sowie die möglichen Aktionen von Nutzern und Agent festlegen. Beide können die Canvas anschliessend bearbeiten; sie lässt sich als Erweiterung speichern und erneut verwenden.
GitHub Copilot kann mit Canvases aufgabenspezifische Oberflächen statt eines Chats bereitstellen. Der Beitrag zeigt unter anderem eine Oberfläche zur Verwaltung lokaler Pakete und eine zur Arbeit mit SQLite. Ein weiteres Canvas unterstützt einen Entwicklungsablauf, bei dem ein Agent Prototypen vorbereitet und zur Prüfung vorlegt.
Die GitHub Copilot App hat ihre Pull-Request-Ansicht für sehr grosse Diffs und Review-Diskussionen neu aufgebaut. Der Beitrag beschreibt einen Testfall mit 2。
GitHub Podcast ordnet verbreitete KI-Thesen ein: Entwickler bleiben für generierten Code verantwortlich。
GitHub hat die Copilot-Agentenlaufzeit mithilfe der Copilot-App und der CLI von TypeScript nach Rust migriert. Laut dem beteiligten Entwickler schrieben AI-Agenten den Grossteil der mehr als 800,000 Zeilen produktiven Rust-Codes; die Änderungen wurden über 128 Pull Requests schrittweise integriert. Die neue Laufzeit kann über eine C-ABI auch direkt in Anwendungen der sechs Copilot-SDK-Sprachen eingebettet werden; dieser Betriebsmodus ist derzeit optional.
Grund für die Empfehlung: Die schrittweise Migration zeigt, wie sich umfangreiche Änderungen bei laufender Entwicklung mit Tests und gestaffelten Releases absichern lassen.
Mistral AI beschreibt die Migration von 40,000 Zeilen Fortran 77 eines Reservoirsimulators nach C++ mithilfe von AI-Agenten. Zuerst entstand ein Testsystem für numerische Übereinstimmung。
Grund für die Empfehlung: Der Vergleich von drei Agenten-Workflows zeigt, weshalb numerische Vergleichstests und menschliche Freigaben bei dieser Fortran-Migration zentral waren.