Open-Weight-Modelle greifen Frontier-Labs an – von Xiaomis MiMo bis Mistral-Benchmarks auf Consumer-Hardware. Dazu: Inferenzkosten explodieren, Anthropic jagt $900B-Bewertung, und Builder-Tools wie DeepClaude und Acai.sh demokratisieren den Agent-Stack.

Die eigentliche Nachricht dieser Woche ist nicht ein einzelnes Modell – es ist die Frage, wem die Infrastruktur der Intelligenz gehören wird. Anthropics Bewertungsrunde von potenziell über 900 Milliarden Dollar ist das deutlichste Signal: Frontier-Labs werden nicht mehr als Startups gepreist, sondern als industrielle Plattformen. Google hat bis zu 40 Milliarden Dollar committet, Amazon bis zu 25 Milliarden – beides eingebettet in Cloud-Partnerschaften, die weit über Model-Lizenzen hinausgehen. Der Wettbewerb mit OpenAI dreht sich laut dem Bericht nicht mehr darum, wessen Chatbot das bessere Gedicht schreibt, sondern um Kapitalstruktur, Compute-Supply-Chain und Enterprise-Vertrauen. Gleichzeitig baut Cloudflare spezialisierte LLM-Inferenz-Infrastruktur auf: Der eigene Inference-Engine Infire trennt Prefill und Decode auf separaten Maschinen, optimiert Pipeline- und Tensor-Parallelismus und komprimiert Modellgewichte mit dem System Unweight um 15–22 Prozent ohne Qualitätsverlust. Infrastruktur ist das neue Moat – das ist die Botschaft beider Entwicklungen.

Während die Frontier-Labs ihre Kapitaltürme erhöhen, arbeitet sich die Open-Weight-Welle tief in deren Kerndomänen vor. Xiaomis MiMo-V2.5-Pro erreicht laut Hersteller nahezu die Leistung von Claude Opus 4.6 auf Coding-Benchmarks – bei 40 bis 60 Prozent geringerem Token-Verbrauch. Community-Benchmarks auf Consumer-Hardware unterstreichen die Dynamik: Mistral Medium 3.5 (128B) und Qwen 3.5 (122B MoE) auf vier RTX-3080-GPUs zeigen, dass Tensor Parallel in llama.cpp bei Mistral einen rund zweifachen Speedup bei der Textgenerierung gegenüber Layer Split bringt; Qwen MoE erreicht über 1.000 Tokens pro Sekunde bei der Prompt-Verarbeitung. Das sind keine akademischen Experimente – das ist Frontier-Qualität auf Hobbyisten-Budget. Und das ist kein Zufall: Je teurer Inferenz wird, desto attraktiver werden Open-Weight-Alternativen.

Denn Inferenzkosten sind längst keine Nebenkalkulation mehr, sondern eine strategische Variable. Reasoning-Modelle und Test-Time Compute erklären warum: Statt Intelligenz einmalig in Training zu brennen, generieren Modelle wie o1 bei jeder Anfrage verborgene Reasoning-Tokens – tausende davon für komplexe Aufgaben –, die nie im Chat auftauchen, aber vollständig abgerechnet werden. Das Cost-Quality-Latency-Dreieck zwingt Product-Teams, jede Aufgabe aktiv zu klassifizieren: Routing einfacher Tasks auf günstige Modelle, reservierter Reasoning-Budget für hochwertige Logik. Genau hier setzt DeepClaude an: Das Open-Source-Tool ersetzt den Anthropic-Backend von Claude Code durch DeepSeek V4 Pro – Output-Kosten von 0,87 Dollar pro Million Tokens statt 15 Dollar – und verspricht damit eine Kostenreduktion von bis zu 90 Prozent für leichte Nutzung. DeepSeeks automatisches Context-Caching senkt Folge-Anfragen auf 0,004 Dollar pro Million Tokens, was Agent-Loops mit langen Kontexten rechnerisch erst tragfähig macht.

Für Builder, die solche Loops produktionsfähig halten wollen, reicht günstiger Inference allein nicht. Acai.sh adressiert ein strukturelles Problem: Agenten verlieren bei langen Läufen, Session-Wechseln oder Projekt-Übergaben den Anforderungskontext. Das Open-Source-Toolkit verankert Acceptance Criteria als ACID-IDs…