@nbluemer

Die Hannoversche Allgemeine Zeitung / HAZ berichtete am 31.3.2026: „Mehr als eine Milliarde Euro für nichts: Warum in Niedersachsen Tausende Gigawattstunden #Strom verloren gehen.“ Im Jahr 2025 wurden bei #Windrädern an Land 804 GWh Strom abgeregelt und damit zwar bezahlt, aber nicht genutzt. Die HAZ berichtet weiter: „Und das kostet: Seit 2019 haben Anlagenbetreiber rund 1,7 Milliarden Euro kassiert – dafür, dass sie in #Niedersachsen keinen Strom produzieren.“ Hier werden so nebenbei mal sieben Jahre addiert. Pro Jahr macht das dann also durchschnittlich nur 240 Mil. Euro. Viel Geld.

Niklas Luhmann hätte Karpathys letzten Post sofort verstanden.

Andrej Karpathy beschreibt gerade, wie er aufgehört hat, hauptsächlich Code zu schreiben – und stattdessen Wissen strukturiert. Er sammelt Rohdaten (Artikel, Papers, Repos), lässt ein LLM daraus ein Wiki in Markdown kompilieren, stellt Fragen dagegen und speichert die Antworten zurück ins Wiki. Obsidian als Frontend, das LLM als Lektor, Indexer und Analytiker in einem. Lex Fridman schreibt im Thread, er nutze dasselbe Prinzip für seine Podcast-Recherche.

Luhmanns Zettelkasten…

I spent the past week building a personal knowledge base that the LLM manages for you — and I wanted to share what I learned.

The insight came from Andrej Karpathy's post: most people use LLMs as smart search engines. But you can use them as librarians who own the library.

Here's how it works:
Feed it raw content: URLs, PDFs, images, notes

• /kb-compile turns everything into a structured Obsidian wiki with tagged concept articles and backlinks
• /kb-reflect runs automatically after every compile, reads the index, and writes synthesis articles connecting ideas across sources you never…

Erste emerging capabilities in Robotern?

Wenn das stimmt, was im Video behauptet wird und die Bilder autonomes Verhalten in Echtzeit zeigen, dann ist das neu Modell Gen-1 eine echte Revolution in der Robotik.

Ein Startup aus den USA zeigt, dass physische KI den gleichen Skalierungsregeln folgt wie LLMs. Nach guten Versuchen mit kleineren Modellen und weniger Daten haben sie das "Weltmodell" auf geschäfzt 1B Parameter skaliert und mit 500.000h qualitativ hochwertigen Videos trainiert.

Die Mitarbeiter kommen von Google DeepMind, OpenAI, Boston Dynamics und anderen namhaften Firmen.

Andrej Karpathy just shared a better way to use LLMs (and it got super viral). let me summarize that for you, with a simplified algorithm of what to do:

He suggests to use llms as a knowledge system.

The workflow is simple:

• Collect raw sources
  Put articles, papers, repos, datasets, and images into a raw/ folder.

• Ask the LLM to read each source
  Extract the key facts, entities, concepts, and contradictions in short notes.

• Write or update wiki pages
  Turn those notes into markdown pages for the source, related entities, and related concepts.

Je verletzlicher wir uns als Chefs zeigen, desto eher bekommen wir Höchstleistung von unserem Team.

Ein Satz, der viele Führungskräfte nervös macht.

Weil er gegen alles geht, was uns als Unternehmer beigebracht wurde.

Höchstleistung – so denken viele – entsteht durch Commitment und Accountability. Also durch Einsatz und Rechenschaftspflicht.

Und wenn wir davon zu wenig sehen?

Dann drehen wir an den klassischen Stellschrauben: Mehr Boni. Mehr KPIs. Mehr Druck.

Kurzfristig mag das wirken.

Langfristig führt es zu Frust, Mikromanagement und einem Team, das Dienst nach Vorschrift macht.

Google just published TurboQuant https://lnkd.in/ecbpBSpB, a model compression technique that can quantize the transformer's key-value cache to just 3 bits without requiring training or finetuning and causing any compromise in model accuracy, all while achieving a faster runtime than the original LLMs.

As you might already know, LLMs store intermediate computations in something called a key-value cache — essentially a running memory of what the model has processed so far — and this cache grows linearly with the length of the input, eating up GPU memory fast.

Anthropic just shipped a feature in Claude Code that uses one AI model to supervise another. The key design choice is what the supervisor can't see.

Claude Code's new "auto mode" runs a background classifier on every action the agent tries to take. File writes, shell commands, web requests. The classifier decides whether to allow or block each one.

But the classifier only sees user messages and the raw action. It deliberately cannot see the agent's reasoning or explanations. The agent literally cannot talk its way past the safety check.

I think I just broke local AI inferencing

Qwen3.5-35B-A3B AWQ 
1,010,000 tokens context (yeah ONE Million)
4,350,080 tokens KV cache (FOUR POINT THREE Million, not a typo) 
TurboQuant 3.5
All running on a USB-charger-sized GB10 GPU.

Now the fun part, vLLM access log numbers from a cold start run:
~350 tokens/sec generation throughput peak
~260 tokens/sec sustained under load
64 concurrent requests handled
0.4% to 6.6% KV cache utilization → meaning this thing is barely warming up
Prefix cache hit rate: 0% (no tricks, raw performance)…

🤖 Alle reden über Claude Code. Aber was passiert rechtlich und sicherheitstechnisch, wenn plötzlich jeder damit seine eigene Software baut?

Mit den beiden YPOG-Rechtsanwälten Dr. Carolin Raspé und Dr. Benedikt Flöter habe ich mir das Thema mal genauer angesehen:

Spoiler:
Das Thema ist größer, als viele denken.

👉 Was gerade passiert: Vibe Coding wird zum Alltag:

• Mitarbeitende bauen eigene Tools
• automatisieren Prozesse selbst
• entwickeln Agenten & Mini-Software

Klingt erst mal nach Fortschritt, aber es entsteht auch ein neuer Wildwuchs im Unternehmen.

𝐯𝐋𝐋𝐌, 𝐒𝐆𝐋𝐚𝐧𝐠 𝐮𝐧𝐝 𝐍𝐯𝐢𝐝𝐢𝐚 𝐍𝐈𝐌: 𝐈𝐧𝐟𝐞𝐫𝐞𝐧𝐳-𝐄𝐧𝐠𝐢𝐧𝐞𝐬 𝐢𝐦 𝐕𝐞𝐫𝐠𝐥𝐞𝐢𝐜𝐡

Inferenz-Engines wie vLLM, SGLang und Nvidia NIM entscheiden maßgeblich über Durchsatz, Latenz und Stabilität großer Sprachmodelle unter Last.

Ein praxisnahes Benchmark vergleicht die drei Werkzeuge und untersucht realistische Workloads auf Durchsatz und Streaming-Stabilität.

Mit fast 6 Seiten technischem Know-How und Analysen ist dies einer der bisher ausführlichen Artikel von mir.

Wenn du nur an den Zahlen, Daten, Fakten interessiert bist. In den Kommentaren findest du den Link zu allen Diagrammen und Zahlen.

Spannend! Mich reizen bei den Open-Source-LLMs besonders diejenigen, die mit Agent Scaffolding als redliche Absicht trainiert wurden. Qwen3.5 35B hat sich schnell zu meinem Favoriten gemausert, es gibt aber noch mehr Netze...

Die Grundidee ist simpel. Ein Modell, welches von Anfang an darauf trainiert wurde, selbstständig zu planen, Tools aufzurufen und Fehler zu korrigieren, ist in der Praxis erstrebenswert. Wie sonst sollten unsere Agentic-Tools, wie Claude Code, OpenCode, Hermes-Agent, OpenClaw und alle anderen eine gute Leistung auf die Straße bringen?