Der heutige Leitfaden spannt Kryptanalyse-Forschung, multimodale Generierung, ein dicht aktiviertes MoE auf Open-Weight-Pfad, wissenschaftliche Agentenbewertung und konsumseitige schreibgeschützte Finanzen: Google DeepMind berichtete, menschlich geführte KI-Agenten hätten zwei große Schwächen in Legacy-1024-Bit-RSA gefunden, und betonte, dass moderne 2048-Bit- und größere Schlüssel sicher bleiben; Gemini Omni 1.2 Flash wurde allgemein verfügbar; Thinking Machines Lab veröffentlichte Inkling 2 Small mit Pretraining- und Joint-RL-Details; OpenAI und Ligo starteten BioBasicsBench für routinemäßige Nasslaboraufgaben; und Anthropic rollt Claude Personal Finance für US-Bezahlstufen über Plaid aus, mit Betonung auf Schreibschutz und Nicht-Training.

1. Google DeepMind: menschlich geführte KI-Agenten legen zwei Schwächen in Legacy-1024-Bit-RSA offen

Am 6. November 2026 kündigte Google DeepMind — gerahmt von Pushmeet Kohli, VP of Science — an, dass menschlich geführte KI-Agenten zwei große Schwächen in Legacy-1024-Bit-RSA aufgedeckt hätten. Die Arbeit wurde von Dj Dvijotham und Abhradeep Thakurta geleitet, in Zusammenarbeit mit Nadia Heninger (UC San Diego und Inria) und Emmanuel Thomé (Inria). DeepMind und verwandte Berichte betonen, dass modernes RSA mit 2048 Bit und mehr sicher bleibe und dass die Signaturversuche in einer Sandbox auf einem bereits gelösten 1024-Bit-Benchmark liefen, ohne Live-Systeme zu berühren.

Zu Signaturen und Padding erklärte DeepMind: Sobald ein Angreifer etwa die Hälfte oder mehr des signierten Blocks kontrolliert, füge Padding praktisch keinen Schutz hinzu. In der Sandbox nutzte der verbesserte Ansatz etwa 3,5× weniger CPU-Zeit und weniger als ein Tausendstel der Rechenleistung, die nötig wäre, um den Schlüssel selbst zu brechen. Wenn der Angreifer nur einen kurzen Fingerprint steuert (etwa 32 Byte), sei der neue Algorithmus nach theoretischen Schätzungen etwa 1600× besser als das bisherige Beste für 1024-Bit-RSA. Für Batch-Faktorisierung gleichlanger Module meldete DeepMind etwa 30× niedrigere Durchschnittskosten je zusätzlichem 1024-Bit-Schlüssel gegenüber früheren Batch-Methoden.

Takeaway: KI-gestützte Kryptanalyse schärft Angriffe auf Legacy-1024-Bit-RSA unter genannten Annahmen, während DeepMinds eigene Rahmung die Betriebsgrenze klar hält: 2048-Bit- und größere Deployments gelten nicht als gebrochen, und die Signaturtests blieben außerhalb der Live-Produktion.

2. Google: Gemini Omni 1.2 Flash allgemein verfügbar — natives Video bis 15 s, Preis rund 30 % niedriger

Google-DeepMind-Produktmanager Anish Nangia verkündete am 5. November 2026, dass Gemini Omni 1.2 Flash auf der Gemini API und Gemini for business / Google Cloud allgemein verfügbar (GA) ist. Die Model Card trägt dasselbe Veröffentlichungsdatum. Gegenüber dem 10-Sekunden-Limit von Omni 1.1 verlängert 1.2 Flash natives Video auf 15 Sekunden, wählbar von 3–15 Sekunden in Einsekundenschritten; der 720p-Preis sinkt um etwa 30 % gegenüber Omni 1.1 auf 0,07 Dollar pro Sekunde.

Fähigkeitsseitig betont der Beitrag mehrstufiges konversationelles Schneiden und stärkere Einhaltung von Referenzbildern, Motion-Clips bis etwa drei Sekunden sowie Audio. Workflows können bei 360p / 720p entwerfen und auf 1080p / 4K hochskalieren, mit SynthID-Wasserzeichen. Provisioned Throughput ist verfügbar. Das Modell rollt zudem in Flow, Google Vids, der Gemini-App (Ultra), Google Ads, AI Studio, Vertex AI, YouTube und Workspace aus.

Takeaway: Videogenerierung verschiebt sich von „kann es einen Clip erzeugen“ zu bepreisten Dauertufen, Referenztreue und Enterprise-Durchsatzgarantien; Entwurfsauflösung plus Upscaling sind in den Standardworkflow eingeschrieben.

3. Thinking Machines Lab veröffentlicht Inkling 2 Small: 594B / 17B aktiv, Apache-2.0-Gewichte geplant

Thinking Machines Lab kündigte Inkling 2 Small am 5. November 2026 an: ein Mixture-of-Experts-(MoE-)Modell mit etwa 594 Milliarden Gesamtparametern und 17 Milliarden aktiven, mit Bildinputs und variablem Effort. Das Unternehmen nannte einen Artificial Analysis Intelligence Index von 31 (der Post sagt 31; eine Tabelle zeigt AA Index v5.0 mit 30,6). Das Modell startet zunächst auf Tinker mit geschlossenen Gewichten; die Ankündigung plant Vollgewichte unter Apache 2.0 in der Folgewoche nach externen Sicherheitstests und Red-Teaming.

Trainingsangaben umfassen: H1-Pretraining von etwa 8,4 Billionen Tokens in rund 68 Stunden auf NVIDIA GB300 NVL72 mit nativem NVFP4; H2 von etwa 3,8 Billionen Tokens bei bis zu 512K Kontext; danach Joint RL über 1.075 Schritte und mehr als 17 Millionen Rollouts in etwa neun Tagen auf 2.048 GPUs. Das Labor zeigte agentisches Coding-, Vision- und Knowledge-Work-Demos sowie einen DesignArena-Website-Score von 1340 im Snapshot.

Takeaway: Der MoE-Pfad „kleine Aktivierung, große Gesamtheit“ bindet Pretraining-Durchsatz, Joint-RL-Maßstab und den Takt „erst closed shippen, dann Gewichte öffnen“ in eine Veröffentlichungserzählung.

4. OpenAI startet BioBasicsBench: Messung, wie KI-Agenten routinemäßige Nasslaborwissenschaft handhaben

OpenAI stellte am 6. November 2026 BioBasicsBench vor, entwickelt mit dem Enzymdesign-Unternehmen Ligo. Der Benchmark umfasst 100 routinemäßige Nasslaboraufgaben in fünf Bereichen — Proteinmethoden, Imaging / Cytometrie, Quantifizierung und Assays, Nukleinsäuremethoden und molekulares Klonen — mit Eingaben wie Rohgelen, Platten, Mikroskopie und Geräteexporten. Die Evaluation umfasste sieben Modelle, 37 Settings und fünf Versuche pro Aufgabe und ergab etwa 18.500 Ergebnisse.

Bei xhigh-Reasoning erzielte GPT-6 Astra 66,7 % mittlere Belohnung (95 %-KI 60,3 %–73,1 %), GPT-6.1 Sol 62,0 % und GPT-5.6 Sol 43,8 %. Das Unternehmen betont, dass höhere Scores noch kein verlässliches Laborurteil bedeuten. Beispiele umfassen, dass Astra ein falsches Antibiotikum auf dem Randetikett einer Kontrollplatte erkennt, sowie verbleibende Fehlermodi wie Annahmen, die Kontrollen überstimmen, und in einem Fall etwa 12 % Überzählung von Kolonien.

Takeaway: Anbieter machen „Roh-Experimentartefakte lesen“ zu einem reproduzierbaren Nasslabor-Benchmark und dämpfen mit Konfidenzintervallen und Fehlerfällen die Extrapolation „hoher Score gleich vertrauenswürdig“.

5. Anthropic: Claude Personal Finance Beta — schreibgeschützte Kontenverknüpfung über Plaid

Anthropic rollt diese Woche eine Personal-Finance-Beta für US-Pro-, Max- und Ultra-Nutzer aus; Plaid bestätigte die Partnerschaft in einem Beitrag vom 5. November 2026, TechCrunch und andere berichteten. Nutzer können Banken und Karten über Plaid verbinden. Die Fähigkeit ist schreibgeschützt: Sie kann kein Geld bewegen, verwalten oder investieren und führt keine Anzeigen oder gesponserten Produkte. Verbundene Konten können bis zu etwa zwei Jahre Transaktionen zeigen; Chats im Personal-Finance-Hub werden nicht fürs Training genutzt; Nutzer authentifizieren sich bei der Bank über Plaid, sodass Claude kein Bankpasswort sieht; die Verknüpfung lässt sich jederzeit lösen. Anthropic stellt klar, dass die Funktion keine Anlageberatung ist.

Takeaway: Konsum-Assistenten betreten kontenbezogene Finanzeinblicke, aber mit Schreibschutz-, Nicht-Training-, Nicht-Beratungs- und jederzeit-lösbaren Grenzen — und leiten Konnektivität über Zahlungsinfrastruktur statt eigener Bankanbindungen.

---

Einzeiler: DeepMind meldet KI-gestützte Fortschritte gegen Legacy-RSA-1024 und bekräftigt die Sicherheit moderner 2048-Bit+, Google macht Gemini Omni 1.2 Flash mit längerem nativem Video und niedrigerem Stückpreis allgemein verfügbar, Thinking Machines legt mit Inkling 2 Small einen „Apache 2.0 nächste Woche“-MoE-Pfad, OpenAI quantifiziert Nasslabor-Agentenleistung mit BioBasicsBench und warnt, dass hohe Scores kein verlässliches Urteil sind, und Anthropic rollt schreibgeschützte Personal Finance für US-Bezahlkunden über Plaid aus.