MODELLMeta Muse Wonder: 4/20 Dollar pro Mio. Token, 1M Kontext, Full nur im AboWERKZEUGCodex CLI: Hintergrund-Daemon per Default, Opt-out über daemon_auto_startWERKZEUGAgents SDK: OpenCode 2.0 läuft experimentell im Durable ObjectPLATTFORMWorkers: Runtime-Updates lassen laufenden Requests bis zu 20 Minuten ZeitMUSTERSELFCOMPACT und Fork-and-Flush: Kontext gezielt kürzen oder löschenMODELLMeta Muse Wonder: 4/20 Dollar pro Mio. Token, 1M Kontext, Full nur im AboWERKZEUGCodex CLI: Hintergrund-Daemon per Default, Opt-out über daemon_auto_startWERKZEUGAgents SDK: OpenCode 2.0 läuft experimentell im Durable ObjectPLATTFORMWorkers: Runtime-Updates lassen laufenden Requests bis zu 20 Minuten ZeitMUSTERSELFCOMPACT und Fork-and-Flush: Kontext gezielt kürzen oder löschen
Jeden Morgen, was sich fürs Bauen mit KI ändert: neue Plattformen, Standards, Modelle, Werkzeuge und Produktmuster. Ausgewählt von einem Gericht aus KI-Agenten, ohne Wiederholungen.
Meta startet Muse Wonder mit 1M Kontext per API
AUSGABE 165 Meldungen
Meta bringt mit Muse Wonder ein Modell für Agenten mit 1 Million Token Kontext in die API, laut Meta deutlich günstiger als die Spitzenmodelle von OpenAI und Anthropic. Das stärkere Muse Wonder Full bleibt ans Muse-Code-Abo gebunden. Wenn du Codex CLI nutzt, solltest du außerdem den Bericht über einen ungefragt gestarteten Hintergrund-Daemon kennen, der Umgebungsvariablen der ersten Sitzung behält.
Was ist neuMeta hat Muse Wonder und Muse Wonder Full vorgestellt, laut Meta seine bisher fähigsten Modelle für Agenten. Muse Wonder ist ab sofort über die Meta Model API und Muse Code nutzbar, Muse Wonder Full nur für Muse-Code-Abonnenten; das Abo kostet laut CNBC 50 oder 200 Dollar im Monat. OpenRouter listet Muse Wonder mit 4 Dollar pro Million Input-Token, 20 Dollar Output, 0,20 Dollar Cache-Read und 1 Million Token Kontext. Eingaben sind Text, Bild, Video, Audio und PDF, die Ausgabe ist Text. Active Memory trägt Kontext über Unterhaltungen hinweg, Active Focus lässt das Modell bei Blockaden andere Wege probieren und vor wichtigen Aktionen nachfragen. Meta nennt Spitzenwerte bei Agenten- und Coding-Benchmarks.
Was heißt das für dichMit Meta gibt es einen weiteren Anbieter für agentisches Coding mit 1M Kontext und Video- wie Audio-Eingabe. Laut Meta-KI-Chef Alexandr Wang liegt der Preis deutlich unter den Spitzenmodellen von OpenAI und Anthropic; prüfe das an deinen eigenen Tarifen. Das stärkste Modell bleibt ans Muse-Code-Abo gebunden, in eigene Produkte kannst du also nur Muse Wonder einbauen.
Was du diese Woche tun kannstHänge Muse Wonder über OpenRouter mit dem Slug "meta/muse-wonder" an einen bestehenden Agenten-Workflow, die API ist OpenAI-kompatibel. Lass eine echte Aufgabe wie einen Refactor über mehrere Dateien laufen und vergleiche Kosten und Ergebnis mit deinem jetzigen Modell.
Noch nicht geprüftAPI-Preis und Kontext stammen aus dem OpenRouter-Eintrag, die Abo-Preise von CNBC, nicht aus Metas eigenen Seiten. Vercel AI Gateway und Terminal-Bench-Werte fehlen im Text, weil die Seiten dazu nicht vorlagen.
Was ist neuEin Issue vom 25. September 2026 im Repository openai/codex beschreibt, dass Codex CLI seit 0.157.0 beim Öffnen einer interaktiven Sitzung einen Hintergrund-Daemon startet ("codex app-server --managed-daemon"). Laut Autor läuft er nach dem Schließen aller Fenster weiter, kopiert rund 374 MB nach "~/.codex/packages/app-server-daemon" und startet einen Updater, der nach 5 Minuten und dann stündlich Releases lädt und das Backend neu startet. Der Daemon behalte zudem die Umgebungsvariablen der ersten Sitzung; ein zweiter Nutzer meldet dasselbe mit direnv. Ein Kommentator bestätigt das Problem unter Windows 10 und das Abschalten per "daemon_auto_start = false" in der config.toml. Das Issue ist offen und niemandem zugewiesen; eine Antwort von OpenAI steht im Thread nicht.
Was heißt das für dichWenn du Codex in mehreren Projekten mit eigenen Umgebungsvariablen startest (Proxy, GH_TOKEN), arbeitet der Agent laut den Berichten mit den Werten der ersten Sitzung. Die Backend-Version kann sich außerdem von der CLI lösen, die du per Paketmanager installiert hast. Ein Neustart durch den Updater kann laut Issue laufende Turns abbrechen.
Was du diese Woche tun kannstSchalte den Autostart mit dem Workaround des Issue-Autors ab: "codex features disable daemon_auto_start", dann "codex app-server daemon stop" und "pkill -f 'app-server daemon pid-update-loop'", weil der Updater den Stop laut Autor überlebt. Danach kannst du "~/.codex/packages/app-server-daemon" löschen.
Noch nicht geprüftVerhalten des Daemons, Größe, Update-Takt und Workaround beruhen allein auf Angaben des Issue-Autors und der Kommentatoren. Codex-Doku und Release Notes lagen nicht vor, eine Bestätigung von OpenAI fehlt.
Was ist neuDas Cloudflare Agents SDK unterstützt OpenCode 2.0 über den experimentellen "OpenCodeHarness". OpenCode läuft damit in einem gewöhnlichen Durable Object, Sessions liegen in SQLite, und Lifecycle-Jobs wecken unterbrochene Arbeit nach einer Eviction wieder auf. Der Provider "agents/models/opencode" verbindet OpenCode über das AI-Binding mit Workers AI; das Beispiel im Changelog nutzt "@cf/moonshotai/kimi-k2.7-code". OpenCode-Plugins ergänzen eigene Tools, entfernte MCP-Server und Skills. Voraussetzung ist Agents SDK 0.28.0 oder neuer plus "@opencode/sdk@2" und "@opencode/plugin@2". Preise und konkrete Grenzen des experimentellen Status nennt der Changelog nicht.
Was heißt das für dichDu bekommst einen fertigen Coding-Agenten als Baustein in deinem Worker: Sessions und Zustand hält das Durable Object selbst in SQLite. Dass unterbrochene Läufe nach einer Eviction wieder aufwachen, trifft ein Kernproblem langer Agentenläufe auf Workers. Eigene Tools, MCP-Server und Skills hängst du als Plugin an. Weil der Harness experimentell ist, solltest du mit Änderungen an der API rechnen.
Was du diese Woche tun kannstInstalliere in einem Testprojekt "npm i agents@latest @opencode/sdk@2 @opencode/plugin@2" und baue das Durable Object aus dem Changelog nach: "OpenCodeHarness" mit "Lifecycle.install(this).use(this.harness)", dann ein Aufruf von "harness.prompt". Das verlinkte Beispiel bringt Browser-UI und WebSocket-Streaming mit. Noch nicht in Produktion einsetzen.
Was ist neuCloudflare gibt laufenden Requests und Verbindungen zu Workers bei Updates der Workers-Runtime jetzt eine Schonfrist von bis zu 20 Minuten, bisher waren es bis zu 30 Sekunden. Laut Changelog sollen lange HTTP-Requests, gestreamte KI-Antworten und offene WebSocket-Sitzungen dadurch länger weiterlaufen, bevor ein Update sie unterbricht. Neue HTTP-Requests gehen an die aktualisierte Runtime, sobald sie bereit ist. Prozesse mit der alten Version nehmen keine neuen Requests mehr an und arbeiten Bestehendes ab. Die Frist gilt pro Prozess der alten Version, danach werden unfertige Requests und offene Verbindungen dort beendet. WebSockets können schon vor Ablauf der Frist trennen, auch solche mit der WebSocket Hibernation API.
Was heißt das für dichLange Modellantworten per Stream und Agenten-Läufe über einen einzelnen Request brechen bei Runtime-Updates seltener mittendrin ab. Eine Garantie ist das nicht: 20 Minuten sind eine Obergrenze, und WebSockets können früher getrennt werden. Cloudflare sagt ausdrücklich, dass du Reconnect für WebSockets, sichere Retries für unterbrochene Requests und das Wiederherstellen gespeicherten Zustands weiterhin selbst bauen musst.
Was du diese Woche tun kannstEinstellen musst du nichts. Teste stattdessen den Abbruchfall: Trenne in deiner App einen laufenden KI-Stream und eine WebSocket-Verbindung von Hand und prüfe, ob der Client neu verbindet, der Request ohne doppelte Wirkung wiederholt wird und der Zustand aus dem Speicher zurückkommt.
Was ist neuApple und Johns Hopkins stellen im NeurIPS-Paper SELFCOMPACT vor: Der Agent bekommt ein Tool zum Zusammenfassen seines Kontexts und eine kurze Rubrik, wann er es nutzt (Teilaufgabe gelöst, Lauf konvergiert) und wann nicht (mitten in einer Herleitung, festgefahren). Getestet auf sechs Benchmarks (Wettbewerbsmathematik, agentische Suche) mit sieben Modellen. Laut Paper bringt das bis zu 18,1 Punkte bei Mathe und 5 bis 9 Punkte bei Suche gegenüber Läufen ohne Zusammenfassung, bei 30 bis 70 Prozent niedrigeren Kosten pro Frage. Microsofts Fork-and-Flush löscht laut The Decoder den Chat-Verlauf, behält die Dateien und verzweigt parallel. Auf 13 Langzeit-Aufgaben mit GPT-5.6-terra und GPT-5.5 stieg der normalisierte Score von 0,47 auf 0,78; Löschen allein brachte rund 22 Prozent.
Was heißt das für dichFeste Token-Schwellen kompaktieren oft mitten in einer Herleitung. Laut Apple reichen ein Tool plus Rubrik im Prompt, ohne Training; das Tool allein nutzen offene Modelle unzuverlässig. Vorsicht beim Übertragen: Apple maß Mathe und Suche, nicht Coding, Microsoft Optimierungsaufgaben mit klarem Score. Der gemeinsame Kern: Zustand gehört in Dateien, nicht in den Chat.
Was du diese Woche tun kannstKompaktiere in Coding-Sessions von Hand, sobald eine Teilaufgabe abgeschlossen ist, und nie mitten in einer Fehlersuche. Steckt der Agent fest, lass ihn den Stand in eine Datei schreiben und starte mit frischem Kontext neu, in Claude Code mit "/clear", statt im alten Verlauf weiter nachzubessern.
Noch nicht geprüftAlle Angaben zu Fork-and-Flush stammen aus dem Bericht von The Decoder; das Microsoft-Paper lag nicht vor. Von SELFCOMPACT lag nur die Zusammenfassung bei Apple vor, die Messwerte sind Angaben der Autoren.
Kontext-Kompaktierung heißt, dass ein Agent seinen bisherigen Verlauf zusammenfasst, damit er im Kontextfenster weniger Platz belegt. Meist löst eine feste Token-Schwelle das aus, was oft mitten in einer Herleitung passiert. Bei SELFCOMPACT von Apple und Johns Hopkins entscheidet das Modell selbst: Es bekommt ein Tool zum Zusammenfassen und eine kurze Rubrik, wann der Moment passt, etwa nach einer gelösten Teilaufgabe, und wann nicht. Laut Paper bringt das auf Mathe- und Such-Benchmarks bessere Ergebnisse bei 30 bis 70 Prozent niedrigeren Kosten pro Frage, für Coding ist es nicht gemessen. Für dich heißt das: Zustand, der überleben soll, gehört in Dateien und nicht in den Chat.
Aus 95 neuen Meldungen von 60 Quellen ausgewählt · 238.776 Tokens · Verbrauch