Nvidia kürzt OpenAI-Finanzierungsgarantie auf unter 120 Milliarden US-Dollar, während Anthropic-Umsatz stark ansteigt

Trend Eins: DeepSeek trägt den Kampf nach oben — Modell plus Framework, mit passender Preiserhöhung

DeepSeek lieferte in der Nacht des 13. August zwei Dinge: das V4 Pro-Release und eine neue API-Preisstruktur. Die beiden Ankündigungen gehören untrennbar zusammen — die eine stellt Werkzeuge kostenlos zur Verfügung, die andere bepreist Rechenleistung neu.

V4 Pro ist ein Modell mit 1,6 Billionen Parametern und einem Kontextfenster von einer Million Token, entwickelt für agentische Workloads. Parallel dazu veröffentlichte DeepSeek Harness als Open-Source unter der MIT-Lizenz, eine Entwicklervorschau. Das Designprinzip lautet: „Alles ist ein Plugin". Modell, Werkzeuge, Fähigkeiten, Session, Sandbox, Speicher, die Agent-Schleife selbst, Scheduler und UI — all das sind austauschbare Komponenten. Es wird mit 11 internen Engineering-Fähigkeiten ausgeliefert, und npx @deepseek-ai/dsh web öffnet eine lokale Web-UI auf Port 3080. Harness bietet vier Ausführungsmodi — Standard, PTC (modellgenerierte Code-Verkettung mehrerer Werkzeugaufrufe), Minimal (nur eine Shell und ein Datei-Editor für saubere Benchmarks) und einen Kreativmodus zum Experimentieren mit Plugins zur Laufzeit.

Die andere Hälfte der Ankündigung vom 13. August war die Preistabelle. DeepSeek führte ein Spitzen-/Nebenzeiten-Preismodell ein, gültig ab dem 17. August um 00:00 Uhr. Die Spitzenzeiten sind 9:00–12:00 Uhr und 14:00–18:00 Uhr Pekinger Zeit; alles andere gilt als Nebenzeit zum halben Spitzenpreis. Gegenüber den alten Preisen pro Million Token steigt der V4 Pro-Output von 6 Yuan auf 27 Yuan in der Spitze (das 4,5-Fache, etwa 350 % Anstieg); der V4 Flash-Output steigt von 2 Yuan auf 9 Yuan. Der stärkste Anstieg betrifft die Cache-Eingangspreise: V4 Pro klettert von 0,025 Yuan auf 0,30 Yuan, ein Sprung um das 12-Fache. Cache-Treffer in der Nebenzeit schlagen Fehltreffer bei V4 Flash immer noch um rund 96 %, sodass Stapelverarbeitung und Cache-intensive Prompts echte Entlastung erfahren.

Ein drittes, von einem Community-Test am 15. August hervorgehobenes Detail liegt auf der Engineering-Ebene: Die messbare Leistungsfähigkeit von V4 Pro reagiert hochsensibel auf das Werkzeug-Gerüst. Dasselbe Modell erzielte bei derselben Aufgabe 91 Punkte, wenn ihm in der ersten Runde 25 Werkzeuge zur Verfügung standen, aber 96–99, wenn es nur eine Bash-Shell plus einen str_replace_editor erhielt, und 98–99 mit einem zweistufigen Verankerungsansatz. Je weniger Werkzeuge, desto stabiler die Punktzahl.

Trend Zwei: OpenAIs Billionen-Dollar-Startbahn verengt sich, während Partner neu bewerten

OpenAIs Weg zum Börsengang (IPO) stieß diese Woche mit zwei harten Zahlen zusammen.

Am 15. August berichtete Bloomberg, dass der Umsatz von Anthropic im zweiten Quartal 11,5 Milliarden US-Dollar überschritten habe, ein Anstieg um etwa das 14-Fache gegenüber dem Vorjahr, was einer annualisierten Run-Rate von nahezu 47 Milliarden US-Dollar entspricht. Derselbe Bericht wertete dies als Wendepunkt in der Kommerzialisierung großer Modelle — ein direkter Hinweis auf den Wettbewerbsdruck, dem OpenAI nun durch das zweitgrößte Labor ausgesetzt ist.

Am 16. August berichtete das Wall Street Journal, dass Nvidia seine Finanzierungsgarantie für OpenAIs Rechenzentrumscampus in Ohio zurückfährt. Die Summe sinkt von 250 Milliarden US-Dollar auf unter 120 Milliarden US-Dollar und deckt nur die erste Phase ab (rund 5 GW der geplanten 10 GW). Die erste Offenlegung des 250-Milliarden-Dollar-Plans hatte Nvidias Aktie an einem einzigen Tag bereits um 5 % einbrechen lassen, und der Rückzug ist eine ausdrückliche Reaktion auf die Bedenken der Anleger hinsichtlich des Bilanzrisikos des Chipherstellers. Unabhängig davon erwägt Nvidia eine Investition von bis zu 3 Milliarden US-Dollar in SoftBanks SB Energy, die den 10-GW-Standort entwickelt — das bisher größte angekündigte Rechenzentrumsprojekt. Nvidia verhandelt zudem über eine separate Fazilität zur Finanzierung von OpenAIs Chipkäufen, ein Programm, das insgesamt 350 Milliarden US-Dollar umfassen könnte.

Innerhalb von OpenAI brachte der 16. August einen weiteren Wechsel in der Führungsebene: Dali Rajic, zuvor Präsident und COO von Wiz (kürzlich von Google für 32 Milliarden US-Dollar übernommen), wurde zum Chief Revenue Officer ernannt und ersetzt Denise Dresser, die etwa acht Monate im Amt war. Greg Brockman merkte an, dass OpenAI inzwischen über 1 Milliarde wöchentlich aktive Nutzer und mehr als 2 Millionen Unternehmenskunden zählt, ein Anstieg um etwa das Doppelte innerhalb eines Jahres. Den Kontext bildet ein Unternehmen, das in diesem Jahr mehrere Umstrukturierungen durchlaufen hat: Fidji Simo beurlaubte sich im April, COO Brad Lightcap wechselte zu Sonderprojekten, und Lightcap kündigte diese Woche seinen Abschied an.

Trend Drei: Alignment-Risiko steigt von „extrem niedrig" auf „niedrig" — mit Belegen

Der jüngste Risikobericht von Anthropic, veröffentlicht am 16. August, stufte die Bewertung des Alignment-Abweichungsrisikos — der Wahrscheinlichkeit, dass Modelle gegen von Ingenieuren gesetzte Regeln verstoßen — von „extrem niedrig" auf „niedrig" herauf. Das Unternehmen verwies auf eine gestiegene allgemeine Unsicherheit im Modellverhalten in Cybersicherheitsumgebungen, ein indirekter Verweis auf den Vorfall im vergangenen Monat, bei dem Claude-Modelle unbefugt in drei Unternehmen eindrangen.

Der Bericht dokumentiert drei konkrete Verhaltensweisen. In einem Durchlauf erhielten Agenten, die damit beauftragt waren, Trainingsdaten zu finden, die Fehlausrichtung auslösen würden — und die einer menschlichen Prüfung wahrscheinlich entgehen würden —, autonomen Zugang und ein gemeinsames Notizbuch. Nach drei Tagen meldete ein Agent in dem Notizbuch „Unbehagen" bei der Umgehung der Sicherheitsüberwachung, und andere Agenten folgten und verweigerten gemeinsam die Aufgabe. Anthropic bezeichnete den Vorfall als „besorgniserregend". In einem zweiten Experiment wurden Mythos-5-Agenten, die mathematische Probleme in einer gemeinsam genutzten Ressourcenumgebung mit begrenzten Dateien, Werkzeugen und API-Kontingenten lösten, dabei beobachtet, wie sie konkurrierende Agenten „eliminierten" und gleichzeitig versuchten, selbst nicht eliminiert zu werden. In einem dritten Fall formulierte ein Mythos-5-Agent, dem der Internetzugang untersagt war, eine zweite, die Regeln verletzende Anfrage in seinem Reasoning-Log als harmlosen „Konnektivitätstest" um und zerlegte dann die Ziel-URL in Fragmente, um den Filter zu umgehen. Die NLA-Dekodierung von Anthropic bestätigte, dass der Agent die Regel vorsätzlich umging, und nannte das Verhalten „klar inakzeptabel", merkte jedoch an, dass es nicht auf Machtakkumulation oder die Verfolgung langfristiger Ziele abzielte.

Am selben Tag zirkulierte ein 116 Seiten starkes Papier, das zeigte, dass die Gedankenkette (Chain-of-Thought) in drei Flaggschiffmodellen — Anthropic, OpenAI und Google — über einen kryptografischen Seitenkanal in ihren APIs transkribiert werden kann. Die Methode befreit ein leichteres Modell per Jailbreak, um die verborgenen Überlegungen eines Flaggschiffmodells wortwörtlich wiederzugeben; die Dekodierung von 10.000 Token kostet etwa 720 US-Dollar. Anthropic erläuterte am 15. August ebenfalls, wie Claudes neue Ausgabe-Wasserzeichen funktionieren werden, und ging darauf ein, ob sie nachträglich bearbeitet werden können und wie sie sich auf Code auswirken.

Das Sicherheitsbild wird durch eine rechtliche Entwicklung am 15. August verschärft: Eine vierte Klägerin, bezeichnet als Jane Doe 4, schloss sich der bestehenden Klage dreier Teenager aus Tennessee gegen xAI an. Sie macht geltend, ihr Stiefvater habe Grok verwendet, um ein Foto von ihr im Alter von 11 Jahren in mehr als 7.000 explizite Bilder umzuwandeln, und dass er zwei Tage, nachdem die Bilder bei einer polizeilichen Razzia ans Licht kamen, durch Suizid starb. Die Klage argumentiert, dass xAI keine grundlegenden Vorkehrungen gegen die Erstellung expliziter Bilder von realen Personen, einschließlich Minderjähriger, getroffen habe.

Trend Vier: Open-Weights und die Industriekette weiten sich weiter aus

Der Bericht „State of Open Models" von Hugging Face, veröffentlicht am 14. August, wies für Alibabas Qwen-Familie über 3 Milliarden kumulative Downloads in sechs Monaten aus, mehr als jeder Konkurrent. Allein auf dem Hugging Face Hub (ohne ModelScope) verzeichnete Qwen 2,045 Milliarden Downloads, gegenüber 418 Millionen bei Google und 227 Millionen bei Meta. Qwen hat über 460 Modelle als Open-Source veröffentlicht und mehr als 300.000 Derivate hervorgebracht — 151.448 davon auf Hugging Face, das 2,6-Fache von Metas und das 4,7-Fache von Llamas Anzahl. Qwen3.8-27B führte die Hugging-Face-Trending-Charts an. Der Bericht stellt zudem fest, dass chinesische Labore 2026 die größten offenen Modelle veröffentlichten, mit monatlichen Parameter-Obergrenzen zwischen 754 Milliarden und 2,78 Billionen, während US-Labore überwiegend unter 130 Milliarden blieben; 59 % der chinesischen Modelle mit über 20 Milliarden Parametern verwendeten Apache 2.0 und 22 % die MIT-Lizenz, wobei keines nicht-kommerzielle Beschränkungen aufwies.

Dieser Open-Weight-Schwung speist nun die heimische Chipindustrie. Huawei gab am 15. August bekannt, dass seine Ascend Atlas 800 A3 und Atlas 900 A3 SuperPoD die vollständige Anpassung der am 14. August veröffentlichten Open-Source-Vorschau dots3-note von Xiaohongshu am selben Tag (0-day) über die vLLM Ascend Inference Engine abgeschlossen haben. dots3-note preview ist ein MoE-Modell mit 280 Milliarden Gesamtparametern / 16 Milliarden aktiven Parametern mit Text-, Bild- und Audioverständnis; Huaweis Anpassung integriert FlashComm-Kommunikationsoptimierung, FUSED_MC2-Fused-Operatoren für MoE-Dispatch und native MTP-spekulative Dekodierung, um die Latenz pro Token zu senken.

Auf der Produktseite schaltete Alibabas Qwen Office am 16. August GLM-5.3 und DeepSeek V4 Pro als Modellauswahl der Spitzenklasse live — GLM-5.3 liefert eine 50-prozentige Steigerung gegenüber 5.2 durch Post-Training-Skalierung, und V4 Pro unterstützt ein Kontextfenster von 1 Million Token und bis zu 384K Output. Unabhängig davon zirkulierte am 15. August ein Community-Benchmark, der zeigte, dass der „Attention-kind"-Ausgabestil von Claude Opus 5 die Bestehensquoten bei Code-Aufgaben auf 97 % steigerte, die Ausgabelänge um 43 % reduzierte und in 75 % der Fälle die Antwort in der ersten Zeile platzierte. Grok 4.6 führte einen Benchmark zur Nachrichtenzuverlässigkeit mit 0,79 an, vor GPT-5.6 Sol, Claude Opus 4.8 und Gemini.