0804 | MirrorCode, Belohnung von Expertise, SQLite-CVEs, Dunning-Kruger

Lena Vogel: Willkommen zu Hacker News täglich, hier bei Bri. Ich bin Lena Vogel.

Felix Hartmann: Und ich bin Felix Hartmann. Wir haben wieder ein paar spannende Diskussionen aus den Hacker-News-Foren für euch ausgegraben.

Lena Vogel: Diesmal unter anderem mit einer neuen Benchmark, die KI-Modelle auf Herz und Nieren prüfen soll, mit einem kritischen Blick auf zwei angeblich schwere Sicherheitslücken in SQLite, und mit dem Launch eines Tools für Cloud-Coding-Agenten.

Felix Hartmann: Außerdem geht es um einen Rückblick auf zwanzig Jahre Pandoc, um den Wechsel eines bekannten Datenbank-Professors zu ClickHouse, und wir feiern mit der Community 45 Jahre Kermit.

Lena Vogel: Der erste große Meilenstein kommt aus einem neuen Benchmark namens MirrorCode von Epoch AI, entwickelt zusammen mit METR. Die Idee dahinter: Künstliche Intelligenzen sollen ganze Programme nachbauen – und zwar komplett von Grund auf, ohne auch nur einen Blick auf den ursprünglichen Quellcode werfen zu dürfen. Nur die Ein- und Ausgaben des Programms kennen sie, und am Ende müssen ihre Lösungen in den Tests exakt die gleichen Ergebnisse liefern wie das Original, inklusive versteckter Testfälle.

Felix Hartmann: Und da steckt ernstes Kaliber dahinter. Insgesamt 25 Zielprogramme – von klassischen Unix-Werkzeugen über Serialisierung, Bioinformatik, Interpreter und Kryptografie bis hin zu Kompression. Eine der größten Aufgaben läuft 19 Tage komplett ohne menschliches Eingreifen und kostet zweieinhalbtausend Dollar pro Durchlauf.

Lena Vogel: Das beeindruckendste Ergebnis ist Claude Opus 4.7. Es hat gotree nachgebaut, ein Bioinformatik-Toolkit mit rund sechzehntausend Zeilen Go-Code und über vierzig Befehlen – und das in vierzehn Stunden für 251 Dollar. Zum Vergleich: Ein Mensch ohne KI bräuchte dafür laut Epoch AI zwei bis siebzehn Wochen. Und die besten KI-Implementierungen haben 2000 von 2001 Tests bestanden – gescheitert sind sie nur an einem einzigen Randfall bei einem Nischenbefehl zur Manipulation von Datumsannotationen. Also praktisch perfekt, aber eben nicht hundertprozentig.

Felix Hartmann: Und es gibt einen wichtigen Vorbehalt, nämlich Datenkontamination. Die Modelle haben diese offenen Codebasen vermutlich schon in ihrem Pretraining gesehen. Allerdings: Mehrere Ziele bestehen einen speziellen Memorierungs-Screen, und die Autoren gehen davon aus, dass die Ergebnisse nicht von reinem Auswendiglernen dominiert werden – ganz ausschließen kann man das aber nicht. Die Diskussion drumherum dreht sich vor allem um die Frage, was das für KI-generierten Code in der Praxis bedeutet – gerade auch für jemanden, der gerade wie einer der Kommentatoren selbst eine Sprache mit KI-Unterstützung baut.

Lena Vogel: Weiter geht’s mit einem Beitrag unter dem Titel „LLMs reward expertise“ – also: Sprachmodelle belohnen Fachwissen. Mal etwas provokativ gefragt: Belohnt die KI denjenigen, der sie gut einsetzt, oder macht sie Experten überflüssig? Ein vielzitierter Kommentar bringt es so auf den Punkt: Sprachmodelle belohnen Architekturwissen – das Wissen darum, wie man Dinge strukturiert, und wie man eben nicht sagt: „Claude, bau mir Microsoft Flight Simulator, ganz ohne Fehler.“

Felix Hartmann: Das greift einen entscheidenden Gedanken auf: Wer versteht, wie man ein Problem zerlegt und in sinnvolle Bausteine gliedert, bekommt deutlich bessere Ergebnisse aus der KI heraus, als wer einfach nur ein großes Anliegen hingesagt. Die prompteste Formulierung ist eben nicht der Weg zum funktionierenden System.

Lena Vogel: Und dann gibt es noch einen zweiten, eher unbequemen Punkt in der Diskussion. Da sagt jemand: Leider verbreitet die Softwarebranche gerade Sätze wie „Schau gar nicht erst in den Code“. Nach der Logik soll man also blind vertrauen, was das Modell ausspuckt – und genau das untergräbt eigentlich das, was die erste These so wichtig macht. Wenn niemand mehr reinschaut, verliert genau das Fachwissen an Wert, das die Modelle eigentlich erst produktiv macht.

Felix Hartmann: Das ist der Kern der Debatte: Verstärkt die KI Kompetenz, weil nur Experten sie richtig einsetzen können – oder ebnet sie den Weg, auf dem Fachwissen zur Nebensache wird? In den Kommentaren zeichnet sich ab, dass die Antwort nicht entweder-oder ist, sondern dass die Grenze danach verläuft, ob man die Struktur hinter dem Code versteht oder eben nur Anweisungen an einen Assistenten weitergibt.

Lena Vogel: Und dann ein Fall, der zeigt, warum genau das – reinschauen und verstehen – so wichtig ist. JFrog Security Research hat sich unter dem Titel „SQLite Critical CVEs or LLM Slop?“ ein neu erstelltes GitHub-Repository angeschaut, das eine ganze Serie von Schwachstellen-Advisories für SQLite veröffentlicht hat – Teil von über fünfzig C-V-E-Meldungen. Und JFrog ist überzeugt: Mit einer Ausnahme sind die allem Anschein nach alle KI-generierter Müll. Trotzdem hat die NVD sie schnell als kritisch eingestuft, und auch CISA hat dem zunächst zugestimmt.

Felix Hartmann: Das klingt alarmierend. Was hat die Prüfung konkret ergeben?

Lena Vogel: Im Grunde ist nichts von dem, was behauptet wurde, real. Der zitierte Code existierte in den genannten Versionen gar nicht oder betraf völlig andere Logik. Die Proof-of-Concept-Payloads lösten keinen einzigen Absturz aus. Keiner der CVEs steht auf der offiziellen Advisory-Seite von SQLite. Und in einem Erkennungs-Test für KI-Text wirkten alle Advisories des Repos eindeutig maschinengeneriert.

Felix Hartmann: Nimm ein konkretes Beispiel: CVE-2026-51302 mit einem gemeldeten Use-After-Free-Bug und einem CVSS-Score von 9,8 – da hat Red Hat zunächst sogar zehn kritisch vergeben, inzwischen ist der Wert auf sieben Komma sechs, also hoch, herabgestuft worden. JFrog zeigt: Die genannte Funktion existierte in der gepinnten SQLite-Version 3.41 überhaupt nicht – sie wurde erst Mitte 2025 per Commit ergänzt. Und die angeblich unsichere Funktion gibt keinen Speicher frei, sondern recycelt nur Register-Indizes. Der PoC lief ohne jeden Crash.

Lena Vogel: Ähnlich gelagert: Ein anderer CVE verweist auf Fixes, die gar nicht existieren – ein Diff zwischen zwei Versionen zeigt keinerlei Änderungen an der betroffenen Datei, und der PoC ist schlicht ungültiges SQL. Bei einem weiteren sind die zitierten Zeilen ein Kommentar und ein normaler Allokationsaufruf. Das Fazit ist ernüchternd: Wenn solche gemeldeten Schwachstellen automatisch als kritisch eingestuft werden, erzeugt das Alarm, wo keiner sein sollte – und genau dafür braucht es Leute, die tatsächlich in den Code schauen und verstehen, was da behauptet wird.

Lena Vogel: Zum Abschluss ein Klassiker der Psychologie im Kreuzverhör: Der Dunning-Kruger-Effekt – also die Idee, dass inkompetente Menschen ihre Fähigkeiten überschätzen – ist womöglich gar kein echtes psychologisches Phänomen, sondern ein statistisches Artefakt der Daten. Ein Beitrag aus dem Jahr 2020 argumentiert genau das, und in den Kommentaren wird erst einmal ordentlich geschnaubt: „Das ist doch ein Fall des Dunning-Kruger-Effekts“, und „Moment, soll das ein Witz sein?“

Felix Hartmann: Der Vorwurf an den Artikel: Er scheint sich ziemlich verbiegen zu müssen, um die eigene These zu stützen. Der Text, so lese ich die Kommentare, liest sich eben nicht wie eine saubere Widerlegung, sondern wie ein Plädoyer, das die Daten so hinbiegt, dass am Ende genau das rauskommt, was der Autor behaupten will.

Lena Vogel: Genau darin liegt übrigens die schöne Ironie der ganzen Debatte: Sie selbst ist ein Paradebeispiel für kritisches Denken – darüber, wie schwer es ist, statistische Artefakte von echten Effekten zu trennen. Was sich hier abspielt, ist nämlich die Kernfrage, die uns durch die ganze Sendung geführt hat: Wie viel Wissen und wie viel Skepsis braucht man, um Behauptungen – ob von KI, von Forschern oder von Advisories – wirklich bewerten zu können? Und die Antwort scheint auch hier wieder zu sein: Reinschauen und selbst prüfen. Damit übergebe ich weiter an den nächsten Teil.

Lena Vogel: Fangen wir bei einem Start-up an, das seinen Namen von einer Rüstung geliehen hat. Bence und Ryan, zwei Gründer aus dem Y Combinator-Jahrgang Sommer 2026, haben ihr Produkt Hoplite gestartet. Damit kann man Coding-Agents in der Cloud laufen lassen – also diese KI-Agenten, die selbstständig Code schreiben – und bekommt dazu eine Reihe von Werkzeugen, mit denen sich Features besonders leicht testen lassen. Erkläre uns kurz, wie das im Alltag aussieht.

Felix Hartmann: Der Punkt ist: Beim Onboarding wird quasi dein kompletter lokaler Setup rübergeholt. Sessions, gespeicherte Erinnerungen, die MCP-Server, also die Schnittstellen, über die der Agent mit externen Tools redet – und deine Projekte werden startklar für die Cloud gemacht. Man muss sein gewohntes Umfeld also nicht neu aufbauen, es wandert einfach mit.

Lena Vogel: Das klingt nach einem Neuanfang für das Team. Die beiden erzählen nämlich, dass sie hierher gekommen sind, nachdem sie sich von der Idee abgewandt haben, mit der sie sich ursprünglich bei Y Combinator beworben hatten – nämlich KI fürs Investieren in Aktien.

Felix Hartmann: Ja, also ein klassischer Pivot. Und der Kern, den sie jetzt verfolgen, ist ausdrücklich Qualitätssicherung: den Agenten dabei zu unterstützen, Features so abzunehmen, dass Fehler auffallen, bevor sie in Produktion gehen. Das dürfte besonders für Teams interessant sein, die mehrere dieser Agents parallel im Einsatz haben.

Lena Vogel: Von dort zu einem Blog-Beitrag, der eine ganz bewusste Gegenbewegung dazu ist. Ankur Sethi, ein erfahrener Entwickler, hat im April eigentlich angekündigt, keine Coding-Assistenten mehr zu nutzen – und berichtet nun in seinem Blog, dass er sie in persönlichen Projekten doch weiter verwendet. Nur mit einer Eigenheit.

Felix Hartmann: Ja, seine Lösung ist radikal simpel: Der Assistent zeigt ihm jeden vorgeschlagenen Edit nur im Chat an, und Sethi tippt alle Änderungen per Hand ab. In seinen Agenten-Dateien steht festgeschrieben, dass nie Projektdateien erstellt, bearbeitet, verschoben, umbenannt oder gelöscht werden dürfen, außer er bittet ausdrücklich darum. Auch Befehle, die Dateien verändern, Abhängigkeiten installieren oder den Zustand des Repos ändern, dürfen nur im Chat gezeigt werden – nicht ausgeführt.

Lena Vogel: Und warum tut sich ein erfahrener Entwickler das an? Er sagt, einmal generierte komplette Features lassen ihn unbefriedigt und orientierungslos zurück – er hat dann keine mentale Landkarte seiner Codebasis mehr. Das Überspringen der langweiligen Teile genießt er aber durchaus. Aber er erklärt: Mit den LLMs ist er schneller als ganz ohne – nur eben nicht zehnmal so schnell, sondern eher doppelt so schnell –, dafür mit tieferem Verständnis und besserer Fähigkeit, Halluzinationen und schlechte Design-Entscheidungen zu erkennen.

Felix Hartmann: Er übt das schon seit einigen Monaten, und seine Sorge reicht deutlich über das eigene Projekt hinaus. Er befürchtet, dass die Softwareindustrie gerade große kognitive Schulden aufnimmt – und dass irgendwann weite Teile der digitalen Infrastruktur schlicht nicht mehr verstanden werden. Die Hacker-News-Diskussion dazu ist entsprechend gespalten, da gehen die Meinungen weit auseinander.

Felix Hartmann: Daran schließt sich fast nahtlos ein anderer Beitrag an, der sich die Frage stellt: Wie groß ist der KI-Produktivitätsgewinn eigentlich wirklich? Bjorn Roche, Engineering Leader aus New York, rechnet das auf Basis konkreter Tagespläne durch. Seine Botschaft: KI hat die Produktivität der Teams schon verbessert, aber die Gewinne sind noch klein.

Lena Vogel: Sein Rechenbeispiel ist anschaulich: Selbst wenn KI das Codieren dreimal schneller macht, spart ein Senior Developer einen Tagesschnitt von nur etwa einer Stunde und 15 Minuten – das sind gut 15 Prozent. Ein Junior spart zwei Stunden, also rund ein Viertel, einfach weil Junioren einen größeren Teil ihrer Zeit mit dem Schreiben von neuem Code verbringen.

Felix Hartmann: Genau der Punkt, der die Ironie ausmacht. Senior Engineers verwenden den Großteil ihrer Zeit darauf herauszufinden, welchen Code sie überhaupt schreiben müssen – und genau daran hat KI wenig geändert. Deshalb findet Roche es schon fast ironisch, wenn Führungskräfte sagen, man stelle nur noch Seniors ein, weil KI die Arbeit der Junioren erledigt – tatsächlich sind es die Junioren, die am meisten profitieren. Sogar KI-geschriebene Tickets und Anforderungen sind manchmal langsamer zu lesen, weil sie übermäßig detailreich sind.

Lena Vogel: In der Diskussion wird es dann sehr persönlich. Ein Kommentator erzählt, seine frühere Codierzeit sei oft zum Warten geworden: Drei Agents arbeiten parallel an drei Features, er korrigiert und steuert, hat dann aber nichts zu tun, während sie codieren – und mehr als drei gleichzeitig kann er mental nicht mehr verfolgen. Ein anderer hat nach anderthalb Jahren aktivem Einsatz ganz aufgehört, weil es ihm zu langweilig wurde. Er beschreibt das Babysitten der Agents und das wiederholte Erklären des Ziels als ziemlich zermürbend – und fragt sich sogar, ob sich eine Abhängigkeit so anfühlt. Sein Fazit ist pessimistisch, was die Richtung der Branche angeht.

Felix Hartmann: Zum Schluss ein Schritt, der die Diskussion auf eine ganz andere Ebene hebt. OpenAI hat Anfang August einen Beitrag über zehn Fortschritte in Mathematik und theoretischer Informatik veröffentlicht. Die Ergebnisse stammen von einer internen Version von Astra, dem laut OpenAI nächsten großen Modell. Menschen haben die Manuskripte mit demselben Modell vorbereitet, und das Modell hat die Argumente jeweils als Lean-Zertifikat formalisiert – also maschinell überprüft.

Lena Vogel: OpenAI beziffert die Token-Kosten für das Finden der Lösungen auf rund zweitausend Dollar zu den Sol-API-Preisen. Und die Liste der Fortschritte ist beachtlich: neue obere Schranken für die Dichte von Kugelpackungen bis zur Cohn-Elkies-Schwelle, exponentiell verbesserte Schranken für binäre und sphärische Codes, die Existenz nicht-sofischer Gruppen, die Widerlegung einer Richtigkeitsvermutung von Connes, und auch neue Ergebnisse bei den berühmten Zahlentheorie-Problemen von Erdős.

Felix Hartmann: Auch eine Untergrenze für die Permanente und ein Satz über parallele Wiederholung bei Quantenspielen sind dabei, plus neue Erkenntnisse bei Ramsey-Zahlen und Volumenproblemen. OpenAI verweist ausdrücklich auf unterschiedliche Ansichten in der Community, etwa von den Unterzeichnern der Leiden-Erklärung, übernimmt aber Verantwortung für die Korrektheit der Manuskripte und betont, dass die mathematischen Argumente selbst vom System erzeugt wurden.

Lena Vogel: Und dass das Tempo zunimmt, zeigt ein Detail aus dem Beitrag: Bereits im Mai hatte OpenAI bei der Evaluierung eines unveröffentlichten Modells einen KI-generierten Gegenbeweis zur berühmten Erdős-Unit-Distance-Vermutung geteilt. Jetzt also ganze zehn Ergebnisse in einem Schlag – es bleibt spannend, welche Signale als Nächstes kommen.

Lena Vogel: Und noch ein Gespräch, das sich ums Thema falsche Anschuldigungen dreht. Der Chef von Flock, dem Unternehmen hinter den bekannten automatischen Kennzeichenlesekameras, hat sich direkt mit jemandem getroffen, der durch diese Kameras in eine falsche Festnahme geraten ist. Er sagt sinngemäß: Er wolle null unrechtmäßige Stopps – und er sei nicht der Erste gewesen. Die ganze Geschichte läuft bei The Drive als Podcast, und in der Hacker-News-Diskussion wird schnell klar, warum das so viele beschäftigt.

Felix Hartmann: Flock ist ein Y-Combinator-Startup aus 2017, das seine Kameras inzwischen in vielen US-Gemeinden flächendeckend aufgestellt hat. In der Kommentarspalte prallen dann zwei Welten aufeinander – einer bringt es so auf den Punkt: Es tue ihm weh im Kopf, über das Venn-Diagramm aus Datenschutzbefürwortern und Y-Combinator-Fans auf Hacker News nachzudenken. Das zeigt die Spannung: Einerseits wird das Unternehmen von der Tech-Szene gefeiert, andererseits geht es um Überwachung im öffentlichen Raum und um echte falsche Festnahmen mit realen Folgen für die Betroffenen.

Lena Vogel: Genau da liegt der Kern. Wenn ein System massenhaft Kennzeichen scannt, ist die Fehlerquote gering – aber bei Millionen erfassten Fahrzeugen summiert sich selbst ein winziger Prozentsatz zu vielen Einzelfällen. Und jeder dieser Fälle ist dann eben ein Mensch, der zu Unrecht angehalten wird. Dass sich der CEO persönlich dem Betroffenen stellt, ist zumindest ein bemerkenswerter Schritt – auch wenn die Kritik bleibt, dass diese Kameras überhaupt so viele Daten im öffentlichen Raum sammeln dürfen.

Lena Vogel: Auf einen grünen Meilenstein, der genau zu verorten ist. In Deutschland haben Wind- und Solarenergie erstmals fossile Brennstoffe überholt. Das meldet der Branchenverband Bne und wird in Hacker News ausgiebig diskutiert – mit ordentlich Perspektive von beiden Seiten.

Felix Hartmann: Als guter Meilenstein wird das anerkannt. Aber es kommt sofort die Relativierung: Das gilt für Strom in der entwickelten Welt. Zählt man die gesamte Energie – also auch Heizen und Verkehr – und die ganze Welt dazu, ist der Fortschritt deutlich langsamer. Ein Kommentar verweist auf Zahlen von Our World in Data, wonach erneuerbare global immer noch als irrelevant gelten und fossile die Hauptquelle bleiben.

Lena Vogel: Dagegen hält jemand die entscheidende Effizienzfrage hoch. Verbrennung ist nämlich verschwenderisch: Nur ungefähr 20 bis 30 Prozent der Energie im Treibstoff werden zu nutzbarer Arbeit, beim Strom ist die Kette viel effizienter – man braucht also schlicht weniger davon.

Felix Hartmann: Gut ergänzt aus der Runde: Die besten modernen Gaskraftwerke kommen auf rund 60 Prozent Wirkungsgrad, ein Gasmotor im Auto schafft ideal vielleicht 45 Prozent, real je nach Fahrweise nur etwa 20 bis 30. Ein anderer Kommentar verweist darauf, dass die üblichen Primärenergie-Diagramme genau das schon über die sogenannte Substitutionsmethode in Terawattstunden einrechnen.

Lena Vogel: Und dann wird der Bogen noch größer gezogen. Jemand extrapoliert das exponentielle Wachstum: Strom zu fast 100 Prozent erneuerbar schon in den frühen bis mittleren 2030ern, fast die gesamte Energie dann in den späten 2030ern bis frühen 2040ern – selbst ohne zusätzliche Gewinne durch direkte Stromnutzung. Dazu ein Größenvergleich: Die US-Emissionsmenge zum Heizen mit fossilen Brennstoffen ist das Vierfache von ganz Deutschland, Chinas Kohle allein über das Achtfache. Also: lokal ein echter Wendepunkt – global gesehen noch eine kleine Minderheit.

Lena Vogel: Weiter zu einem Werkzeug, das viele Wissenschaftler, Blogger und Studierende tagtäglich benutzen, ohne viel darüber nachzudenken. John MacFarlane hat auf seinen zwanzigjährigen Rückblick geschrieben: Pandoc wird zwanzig. Die erste Version lud er am 3. August 2006 hoch – rund 3000 Zeilen Haskell, ohne jede Abhängigkeit außer der Standardbibliothek.

Felix Hartmann: Was Pandoc macht: Es verwandelt Dokumente zwischen über fünfzig Formaten hin und her – Markdown, reStructuredText, HTML, LaTeX und viele mehr. Laut Autor ist es inzwischen das populärste in Haskell geschriebene Programm überhaupt, in Werkzeugen wie Quarto und Jupyter Notebook integriert und auf Millionen Rechnern installiert.

Lena Vogel: Und die Entstehung ist schön typisch. MacFarlane hat das Ding ursprünglich geschrieben, um überhaupt Haskell zu lernen – angeregt durch einen Blogpost eines Philosophen. Statt auf einfache Textersetzungen zu setzen, baute er Parser-Kombinatoren und einen echten Syntaxbaum: N Eingabeformate und M Ausgabeformate ergeben so durch Kombination N mal M mögliche Konvertierungen. Ein türkischer Entwickler half ab Oktober 2006 am Debian-Paket, Version 1.0 kam im September 2008.

Felix Hartmann: Die Kommentare dazu sind überwiegend Erfahrungsberichte, und die gehen ans Herz. Einer sagt, seine Entscheidung, seine ganze Doktorarbeit auf Pandoc aufzusetzen, habe sich ausgezahlt – er verdanke dem Werkzeug im Grunde seine Karriere als Wissenschaftler. Andere erzählen, wie sie täglich Inhalte zwischen Mails und Programmierung hin- und herschieben oder einen Lebenslauf in Markdown schreiben und per LaTeX als PDF bekommen. Einer fasst es zusammen: Ein Befehl, HTML wird zu PDF – es funktioniert einfach schmerzlos. Genau diese Alltags-Reibungslosigkeit macht wohl die zwanzig Jahre aus.

Lena Vogel: Zum Abschluss ein Personalwechsel mit Signalwirkung. Andy Pavlo, seit 2013 Professor an der Carnegie Mellon University und in der Datenbankwelt eine bekannte Stimme, wechselt zu ClickHouse. Er leitet dort die neue Forschungsgruppe ClickHouse Labs – und er erzählt auch, wie er selbst auf die Open-Source-Datenbank aufmerksam wurde.

Felix Hartmann: Sein erster Eindruck war nämlich eher ernüchternd: Er hielt ClickHouse nach dem Open-Source-Release im Juni 2016 zunächst für Vaporware. Denn es war in C++ geschrieben und setzte auf vektorisierte Verarbeitung per SIMD – während die meisten prominenten Open-Source-Analyse-Datenbanken damals auf der Java Virtual Machine liefen. Umso bemerkenswerter, dass er das Unternehmen jetzt selbst mitgestaltet.

Lena Vogel: Sein Anspruch an das neue Labor: kein abgeschotteter Elfenbeinturm, sondern enge Zusammenarbeit mit Ingenieuren, Kunden und Partnern – als Vorbilder nennt er die Forschungsabteilungen von IBM und Microsoft. Als erste Priorität nennt er einen Berg von Ideen und Optimierungen, die jetzt validiert und in Produktion gebracht werden sollen. Auch das PostgreSQL-Team von ClickHouse will er unterstützen.

Felix Hartmann: In der Kommentarspalte dreht sich viel um seine berühmten Vorlesungen, zum Beispiel den Kurs CMU 15-445. Ein Berufstätiger erzählt, er habe den Kurs Anfang 2026 auditiert und ihm hätten die abgeschlossenen Übungen bei seiner Bewerbung bei Azure Hyperscale geholfen – auch wenn das Interview unter anderem an fehlender C++-Erfahrung scheiterte. Und um den Begriff Forschungslabor wird gestritten: Der eine hält das für normale Ingenieursarbeit, ein anderer verteidigt Forschungsabteilungen als Lizenz für Ideen, die erst in Jahren Adoption finden – warnt aber vor Innovationsverlust im Rest der Firma. Am Ende bleibt die gute Nachricht für alle Fans der Vorlesungen: Die Serie läuft weiter, die neue Seminarreihe startet schon nächsten Monat.

Lena Vogel: Der Hacker-News-Thread zu Cloudflares neuem Blogbeitrag über kleinere, schnellere Modelle liefert kaum Diskussion über den Inhalt selbst. Stattdessen geht es fast nur darum, wie der Beitrag geschrieben ist. Ein Nutzer meldet, sein Slop-Detektor sei bei dem Satz angesprungen, man müsse präzise sein, woher der Vorteil komme, weil es nicht um rohe Geschwindigkeit gehe. Er sagt, er liebe KI, hasse es aber, so etwas zu lesen.

Felix Hartmann: Genau das klingt nach dem durchgehenden Muster, das viele Kommentatoren anprangern. Ein anderer Nutzer wünscht sich eine Flag für KI-Prosa, weil solche Kommentare auf die Hälfte der Posts hier passen würden. Und eine Erwähnung eines kürzlich von LinkedIn angekündigten Buttons zum Flaggen solcher Inhalte kommt auf – mit der Unsicherheit, wie gut das auf Hacker News funktionieren würde.

Lena Vogel: Und die Vorschläge gehen weiter: Eine Browser-Erweiterung, die solche Inhalte auf X, Reddit und Substack erkennt und kennzeichnet, mit weiteren Plattformen in Planung. Und jemand will, dass es einfach als uncool gilt, solche Texte zu posten. Andere ärgern sich, dass Kommentare strenger beurteilt werden als die Einreichungen selbst, wo es doch eigentlich um Gespräche zwischen Menschen gehen soll.

Felix Hartmann: Ein Nutzer hat sich sogar ein eigenes Skript gebaut, das Kommentare danach durchsucht, ob schon jemand KI erwähnt, und den Artikel dann einfach ausgraut. Aber es gibt auch eine Verteidigungslinie: Einer argumentiert, Cloudflare-Blogs seien gar nicht für Menschen geschrieben, sondern als Rohmaterial für KI-Agenten – bewusst wortreicher expandiert, im Gegensatz zu einem knappen Artikel aus The Atlantic. Das findet ein anderer enttäuschend, weil Cloudflare früher einige der besten technischen Beiträge überhaupt geschrieben hat.

Lena Vogel: Beim nächsten Thema geht es um MiniMax H3, ein neues Videomodell, das am Erscheinungstag direkt mit offenen Gewichten nativ in ComfyUI unterstützt wird – also an Tag null voll einsatzbereit. Es ist ein Multimodell-Modell der nächsten Generation: Es bekommt Text, Bilder, Video oder Audio und erzeugt daraus Video mit echtem Stereoton, in bis zu 2K-Auflösung und bis zu 15 Sekunden pro Clip.

Felix Hartmann: Das ist das erste Videomodell von MiniMax überhaupt mit offenen Gewichten und folgt auf die Vorgänger Hailuo 01 und Hailuo 02. Geboten werden unter anderem Text-zu-Video, Bild-zu-Video, das Übertragen von Subjekt, Bewegung oder Stimme durch einen Clip und native Stereotonerzeugung. Technisch beeindruckend: Der Speicherbedarf wurde um 66 Prozent gesenkt, von über 120 Gigabyte auf rund 42 Gigabyte in der kleinsten Variante – zusammen mit dynamischem Speicheroffloading soll so ein 2K-Videomodell lokal auf einer GPU wie der RTX 3060 laufen.

Lena Vogel: In der Diskussion reagieren die Leute euphorisch. Ein Nutzer sagt, er habe nach den geposteten Beispielen sofort seine Ordner für andere Modellfamilien gelöscht – die seien für ihn jetzt komplett wertlos. Andere verweisen allerdings auf eine laufende Lizenz-Debatte, besonders mit Blick auf USA, UK und EU. Ein Nutzer macht Animationen nur zum Spaß und für den internen Gebrauch und überlegt, MiniMax direkt zu kontaktieren. Und aus der Lizenzdokumentation wird zitiert, dass Regionen wie die EU, Großbritannien, Südkorea und die USA derzeit KI-bezogene Regulierungen entwickeln, die spezifische Auswirkungen auf generative Videomodelle haben könnten.

Lena Vogel: Zum Schluss noch ein Jubiläum: 45 Jahre Kermit und die erste neue C-Kermit-Veröffentlichung seit 15 Jahren. Witzig ist allerdings, dass der in Hacker News verlinkte Artikel eigentlich einen ganz anderen Titel trägt – nämlich die Prüfung, ob man ein Bot ist – und entsprechend einen Anime-Style-Bot-Schutz zeigt. In den Kommentaren fragen sich Leute, was dieser Gatekeeper überhaupt ist, und andere identifizieren ihn als Anubis, der auf vielen Websites von Open-Source-Entwicklern auftaucht. Einer nennt das ziemlich unprofessionell.

Felix Hartmann: Und dann wird es nostalgisch. Ein langjähriger Nutzer berichtet, Kermit früher über eine Einwahlverbindung genutzt zu haben, um sich bei einem Sun-Server anzumelden – ihr habt richtig gehört, der Server rief zurück, um Ferngesprächskosten zu sparen, und C-Kermit erledigte diesen Rückruf automatisch. Andere bezeichnen sich als alte Hasen und setzen Kermit bis heute regelmäßig für die Embedded-Entwicklung ein, vor allem, um über serielle Konsolen Abläufe zu automatisieren.

Lena Vogel: Technisch gesehen war Kermit damals relativ schwergewichtig, und viele wechselten lieber auf ZMODEM. Der größte verbleibende Vorteil gegenüber ZMODEM war die eingebaute Skriptsprache, mit der man Abläufe direkt steuern konnte. Moderne Implementierungen unterstützen inzwischen deutlich größere Datenblöcke, einen Streaming-Modus und mehrere gleichzeitige Fenster, und das unabhängig vom Betriebssystem. Also: ein Stück Computergeschichte, das lebendig bleibt – auch wenn die jüngere Generation es in den Kommentaren eher als neugierige Frage aufnimmt, wie sehr sie es eigentlich übernimmt.

Lena Vogel: Damit wären wir auch schon am Ende angelangt. Von KIs, die Belohnung durch Fachwissen bekommen, über neue Sicherheitslücken in SQLite bis hin zu Cloud-Coding-Agenten – es war wieder ordentlich was los.

Felix Hartmann: Genau, von Epoch AIs MirrorCode-Benchmark bis zu 45 Jahren Kermit. Wir danken euch fürs Zuhören und melden uns bald wieder mit frischen Hacker-News-Highlights.

Lena Vogel: Bis dahin – bleibt neugierig und auf Wiedersehen!