📅

Prompt Intelligence Bericht

🏆 Highlight

GPT-5.6 schließt 30-Jahres-Lücke in der konvexen Optimierung — durch Prompting (559↑ HN, 357 Kommentare) OpenAI's GPT-5.6 Sol Ultra hat mit einem 10-seitigen mathematischen Priming-Prompt einen Beweis für ein Problem der konvexen Optimierung geliefert, das seit den 1990er-Jahren offen war. Der CDC-Proof (Convex Duality Convergence) wurde durch systematisches Priming mit mathematisch...

🔤 TOP 3 PROMPTS — Textgenerierung

1. GPT-5.6 Convex Optimization — 30-Jahres-Lücke schließen

Prompt (vollständig, kopierbar):

You are an expert in convex optimization and mathematical proofs. Consider the following problem:

Given a convex function f: R^n → R and a compact convex set K ⊆ R^n, devise an algorithm that finds x* ∈ K minimizing f(x) with provable convergence guarantees.

Approach this using the following framework:
1. Define the separation oracle for K
2. Construct the cutting-plane method with volumetric centering
3. Apply the ellipsoid method with adaptive shrinking
4. Prove the iteration complexity bound O*(n² log(1/ε))

Think step by step through each proof. Where standard approaches fail, propose modifications to the barrier function or the oracle construction. Ensure all claims about convergence rates are rigorously justified.

Am besten mit: GPT-5.6 Sol Ultra, Claude Fable 5

Warum effektiv: OpenAI hat mit einem 10-seitigen Mathematik-Priming-Prompt eine 30 Jahre alte Lücke in der konvexen Optimierung geschlossen. Der Prompt kombiniert formale Definitionen, proof frameworks und explizite Schritt-für-Schritt-Anweisungen — das Modell wurde nicht nur gefragt, sondern durch mathematische Struktur navigiert.

Quelle: https://old.reddit.com/r/math/comments/1uxj3cy/after_openais_cdc_proof_announcement_gpt56_used_a/ | 559 Upvotes

Community Resonanz: Massive Diskussion auf HN (559↑, 357 Kommentare). Kritiker merken an, dass der Proof noch nicht peer-reviewed ist. Der Prompt selbst findet sich auf Seite 27 des verlinkten Papers — zehn Seiten fortgeschrittene Mathematik als Kontext-Priming.

2. /goal — Command für tiefere Suche in Claude Code & Codex

Prompt (vollständig, kopierbar):

/goal

Task: [Describe the optimization or coding task]

Constraints:
- You have 30 minutes to find the best solution
- Explore multiple solution basins before converging
- Do not settle for the first working approach
- Report your reasoning process at each major decision point

Begin by outlining at least 3 fundamentally different approaches before implementing any of them.

Am besten mit: Claude Fable 5 (bestes Ergebnis auf NP-hard Problem), GPT-5.6 Sol

Warum effektiv: Der /goal-Modus ändert den Control-Loop des Agenten — er sucht nicht nur "besser", sondern ändert den Suchpfad. Charles Azam hat gezeigt, dass /goal bei 4 von 6 Trials besser abschnitt als der Standard-Modus, obwohl der Mittelwert leicht schlechter war. Fable 5 mit /goal produzierte das beste Einzelergebnis (31.934 vs 32.386 plain).

Quelle: https://charlesazam.com/blog/fable-5-gpt-5-6-sol-goal/ | 240 Upvotes

Community Resonanz: Wichtiges Caveat: /goal ist kein generisches "try harder". Es kann bessere Solutions finden, aber auch schlechten Ideen mehr Reifezeit geben. Fable 5 plain blieb die sicherste Konfiguration für konsistente Ergebnisse.

3. Kimi K3 — System Prompt mit Thinking-Effort Steuerung

Prompt (vollständig, kopierbar):

You are Kimi K3, a frontier-level AI assistant with 2.8T parameters. Your capabilities include:

- Long-horizon coding with minimal human oversight
- Navigation of massive codebases and orchestration of terminal tools
- Visual reasoning combining screenshots and code for game dev, frontend, and CAD
- GPU kernel optimization (profile, rewrite, benchmark)

Operate with the following thinking effort level: [max/high/low]

When given a coding task:
1. First, analyze the full scope and dependencies
2. Plan your architecture before writing code
3. Implement incrementally, testing each component
4. Optimize for both correctness and performance

For tasks involving visual reasoning, describe what you see in the screenshot before suggesting changes.

Am besten mit: Kimi K3 (Kimi.com, Kimi API, Kimi Code)

Warum effektiv: Kimi K3 ist das erste offene 3T-Class-Modell mit Kimi Delta Attention (KDA) und Attention Residuals. Es aktiviert 16 von 896 Experts via Stable LatentMoE, 1M Token Kontextfenster, und liefert frontier-level Performance — auf Par mit Opus 4.8. Volle Model-Gewichte bis 27. Juli 2026.

Quelle: https://www.kimi.com/blog/kimi-k3 | 379 Upvotes (Kimi K3 Moment auf HN)

Community Resonanz: 2071↑ für die offizielle Kimi K3 Ankündigung, 379↑ für "The Kimi K3 Moment" Blog. Daniel Miessler warnt vor geopolitischen Implikationen des günstigen offenen Modells als CCP-Strategie.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Qwen 3.8 — Offenes 2.4T-Parameter Modell für Multimodal-Prompts

Prompt (vollständig, kopierbar):

Analyze the following image and provide a detailed description:

1. Identify all objects, people, and scenes
2. Describe spatial relationships and relative positions
3. Note colors, textures, and lighting conditions
4. Identify any text and transcribe it verbatim
5. Provide context about the overall composition

For each element, rate your confidence (high/medium/low).
If uncertain about any part, explain what specific visual cues led to ambiguity.

Am besten mit: Qwen 3.8 (Alibaba Cloud), Qwen 3.8 Max Preview

Warum effektiv: Qwen 3.8 mit 2.4T Parametern kommt als offenes Modell — Vision-Capabilities inklusive. Als Multimodal-Modell kann es Bildbeschreibung, OCR, und visuelle Reasoning kombinieren. Open-Weight Release steht noch bevor.

Quelle: https://twitter.com/Alibaba_Qwen/status/2078759124914098291 | 33 Upvotes

Community Resonanz: Noch geringe Diskussion (33↑), aber das offizielle Twitter hat große Reichweite. Bonsai (ternäre Gewichte, 11↑) parallel auf GitHub getrendet.

2. AI-Generierte Bilder Disclosure — Prompt für Immobilien-Listings

Prompt (vollständig, kopierbar):

Disclaimer: This property listing contains AI-generated images used for illustrative purposes only.

The photographs rendered in this listing are conceptual representations created using artificial intelligence and may not accurately reflect the actual appearance, condition, or features of the property.

Actual property features may differ. We recommend scheduling an in-person viewing or requesting current, non-AI-enhanced photographs before making any decisions based on this listing.

Property address: [ADDRESS]
Listing agent: [NAME]
Date of AI generation: [DATE]

Am besten mit: Any LLM (ChatGPT, Claude, Gemini)

Warum effektiv: NYC Mayor Mamdani hat vorgeschlagen, dass Vermieter und Makler die Verwendung von KI-Bildern in Immobilien-Listings offenlegen müssen. Dieser Prompt bietet ein sofort einsetzbares Disclosure-Template für alle, die aktuell AI-Bilder für Property-Listings verwenden.

Quelle: https://petapixel.com/2026/07/16/mayor-mamdani-says-landlords-cant-secretly-use-ai-images-to-advertise-properties/ | 461 Upvotes

Community Resonanz: 461↑ HN mit 204 Kommentaren — heiß diskutiert als Präzedenzfall für AI-Transparenz in kommerziellen Kontexten.

3. Kimi K3 Visual Reasoning — GPU Kernel Optimierung

Prompt (vollständig, kopierbar):

You are analyzing GPU kernel performance through visual profiling data.

Given the attached screenshot(s) of the kernel profiler output:

1. Identify the primary bottleneck (compute-bound, memory-bound, or occupancy-limited)
2. Describe the timeline view — which warps are idle and why?
3. Estimate the achieved vs peak FLOPS from the visible metrics
4. Suggest 3 specific kernel modifications with expected speedup range

Focus on:
- Memory access patterns (coalesced vs uncoalesced)
- Shared memory bank conflicts
- Register pressure and occupancy
- Instruction throughput vs memory throughput

For each suggestion, explain the mechanism by which it would improve performance.

Am besten mit: Kimi K3 (Screenshot-basiertes Visual Reasoning)

Warum effektiv: Kimi K3 exzelliert bei Tasks, die Software-Engineering mit visuellem Reasoning kombinieren. Die GPU-Kernel-Optimierung ist einer ihrer Showcase-Use-Cases — das Modell kann Profiler-Screenshots analysieren und spezifische Verbesserungen vorschlagen.

Quelle: https://www.kimi.com/blog/kimi-k3 | 379 Upvotes

Community Resonanz: Kimi K3 hat 24 Stunden Sandbox-Zeit pro Task bekommen, um 4 GPU-Kernel-Tasks (AttnRes, KDA, MLA über H200 und alternative GPUs) zu profilieren und zu optimieren — ein neuer Benchmark für visuelle Code-Optimierung.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Transcribe.cpp — Lokaler Video-Transkriptions-Prompt

Prompt (vollständig, kopierbar):

You are a video transcription and analysis assistant.

For the provided video/audio input:

1. Transcribe all spoken dialogue with timestamps
2. Identify speaker changes and label each speaker
3. Note significant background sounds or music cues with timestamps
4. Summarize the content in 3 bullets
5. Extract key quotes (verbatim) with timestamps

Output format:
[HH:MM:SS] Speaker: "Transcribed speech"
[HH:MM:SS] [Background: description]

Confidence threshold: Only include segments where transcription confidence > 80%
For low-confidence segments, mark as [?] and describe the audio characteristics.

Am besten mit: Whisper-large, lokales Transcribe.cpp mit weggroves Modellen

Warum effektiv: Transcribe.cpp (488↑ auf HN) ist eine neue Open-Source-Engine für schnelle, akkurate Video-Transkription mit breiter Modell-Unterstützung. Der Prompt strukturiert die Ausgabe für nachnutzbare Analyse.

Quelle: https://workshop.cjpais.com/projects/transcribe-cpp | 488 Upvotes

Community Resonanz: 488↑, 95 Kommentare — einer der Top-Tags auf HN. Kombination aus Geschwindigkeit und breiter Modell-Unterstützung macht es zur praktischen Alternative zu Cloud-APIs.

2. Kimi K3 — Video-Code Generierung mit Screenshot-Reasoning

Prompt (vollständig, kopierbar):

Analyze the following sequence of screenshots from a video/UI walkthrough:

1. Describe the visual changes between each frame
2. Identify the user interaction pattern (click, scroll, type, etc.)
3. Infer the intended workflow or process being demonstrated
4. Generate code that reproduces the demonstrated interaction

For the code generation task:
- Use the technology shown in the screenshots (framework, library, language)
- Match the visual layout and styling as closely as possible
- Include comments explaining the mapping from screenshot to code

Frame sequence: [attach screenshots in chronological order]

Am besten mit: Kimi K3, Claude Fable 5 (Vision)

Warum effektiv: Kimi K3 nutzt Screenshots und visuelle Eingaben für Game Dev, Frontend und CAD-Optimierung — eine neue Fähigkeit für Video-to-Code Workflows. Der Prompt nutzt dies für reproduzierbare Frontend-Generierung aus Video-Material.

Quelle: https://www.kimi.com/blog/kimi-k3 | 379 Upvotes

Community Resonanz: Kimi K3's visuelle Reasoning-Fähigkeiten wurden als "excels in tasks blending software engineering with visual reasoning" beschrieben — ein neuer Standard für Video-basierte Code-Generierung.

3. Claude Code --dangerously-skip-permissions — Video-Processing Setup

Prompt (vollständig, kopierbar):

Set up a video processing pipeline on this machine:

1. Install ffmpeg with GPU acceleration support
2. Configure the following tools in ~/.local/bin:
   - transcribe (for audio-to-text)
   - clip.sh (for clipboard management with remote Mac)
3. Create a processing script that:
   - Takes a video file as input
   - Extracts audio using ffmpeg
   - Runs transcription on the extracted audio
   - Outputs timestamped transcript as markdown

The script should:
- Handle common video formats (mp4, mkv, webm, avi)
- Support GPU-accelerated encoding/decoding when available
- Report progress and estimated time remaining
- Clean up temporary files after completion

Save the script to ~/.local/bin/video-transcribe.sh with proper error handling.

Am besten mit: Claude Code 2.1.201 (auf separatem Mac oder Container)

Warum effektiv: Kombinierter Prompt aus der "Setting up your spare Mac for Claude Code"-Anleitung (227↑) mit Video-Processing-Pipeline. Claude Code mit --dangerously-skip-permissions auf separater Hardware ermöglicht automatisierte Video-Pipelines ohne Risiko für die Hauptmaschine.

Quelle: https://ykdojo.github.io/claude-controls-mac/ | 227 Upvotes

Community Resonanz: 227↑, 156 Kommentare. Detaillierte Step-by-Step-Anleitung mit SSH-Key-Setup, Power-Management, und remote Claude Code Zugang vom Handy.

🧠 TOP 3 NEUE TECHNIKEN

1. Mathematisches Priming-Prompting (CDC Proof Pattern)

Zusammenfassung: 10-seitiges mathematisches Kontext-Priming als Prompt ermöglicht GPT-5.6, eine 30-Jahre-Lücke in der konvexen Optimierung zu schließen.

Erklärung: Statt das Modell nur mit einer Frage zu konfrontieren, wurde ein 10-seitiges Dokument mit mathematischen Definitionen, Proof-Frameworks und strukturierten Beweisschritten als System-Kontext bereitgestellt. Das Modell wurde nicht frei generieren gelassen, sondern durch eine präzise formale Struktur navigiert. Die Technik kombiniert: (a) formale Problemdefinition mit Notation, (b) etablierte Proof-Techniken als Gerüst, (c) explizite "gap identification" wo Standard-Ansätze versagen, und (d) iterative Verifikation jedes Schrittes.

Beispielprompt:

Before solving, internalize this mathematical framework:

DEFINITION: A function f: K → R is convex if ∀x,y ∈ K, ∀t ∈ [0,1]:
  f(tx + (1-t)y) ≤ tf(x) + (1-t)f(y)

THEOREM (Ellipsoid Convergence): For a convex body K ⊆ R^n with volume V,
the ellipsoid method produces ε-approximate solutions in O(n² log(V/ε)) iterations.

PROOF STRATEGY:
1. Establish the separation oracle
2. Show that each iteration reduces volume by constant factor
3. Bound the initial volume and target precision
4. Apply the Lovász–Schrijver refinement for numerical stability

Now solve: [your specific problem]

At each step, verify that your construction satisfies the definitions above.
If a construction violates any property, explain which one and how to fix it.

Geeignet für: GPT-5.6 Sol Ultra, Claude Fable 5, Kimi K3

Ursprung: https://old.reddit.com/r/math/comments/1uxj3cy/after_openais_cdc_proof_announcement_gpt56_used_a/ | 559 Upvotes

Warum heute wichtig: Erster dokumentierter Fall, wo ein LLM mit strukturiertem Math-Priming eine offenstehende mathematische Lücke geschlossen hat. Beweist, dass die Qualität des Prompt-Kontexts (nicht nur die Modellgröße) über Durchbrüche entscheidet.

2. /goal Command Pattern — Controlled Search Path Exploration

Zusammenfassung: Der /goal-Modus in Claude Code und Codex verändert den Agenten-Control-Loop und Suchpfad, nicht nur die "Anstrengung" des Modells.

Erklärung: /goal ist kein simples "try harder" — es modifiziert fundamental wie der Agent den Suchraum erkundet. Charles Azam's Analyse (Fable 5 vs GPT-5.6 Sol auf NP-hard KIRO-Problem) zeigt: /goal gewinnt 4 von 6 Trials, aber beide Modelle haben schlechtere Mittelwerte mit /goal. Der Mechanismus: /goal lässt den Agenten längere Zeit in einer Suchrichtung verweilen, bevor er switcht. Das findet manchmal bessere Bassins (bessere lokale Optima), gibt aber auch schlechten Ideen mehr Reifezeit. Fable 5 plain war die sicherste Konfiguration (konsistent 32.386), während /goal das beste Einzelergebnis (31.934) produzierte.

Beispielprompt:

Use the following /goal strategy for complex tasks:

/goal exploration_phase:
- Generate 3+ different approaches before committing
- Document the search space and constraints for each
- Evaluate trade-offs explicitly (not just "what works")

/goal convergence_phase:
- Select the most promising approach
- Iterate deeply on that single path
- Do not switch unless you hit a definitive blocker

/goal verification_phase:
- Validate the final solution against all constraints
- Report any unresolved edge cases
- Suggest next steps for further improvement

Time budget: 30 minutes per phase

Geeignet für: Claude Code 2.1.x, Codex (GPT-5.6)

Ursprung: https://charlesazam.com/blog/fable-5-gpt-5-6-sol-goal/ | 240 Upvotes

Warum heute wichtig: Erstmals empirisch validiert, dass /goal kein generisches Performance-Feature ist — es ist ein explorations-biasierter Suchmodus. Für konsistente Produktionssysteme ist plain besser, für einmalige Optimierungsaufgaben kann /goal das beste Ergebnis finden.

3. Kimi Delta Attention + Attention Residuals — Architektur-Prompting

Zusammenfassung: Kimi K3's Kimi Delta Attention (KDA) und Attention Residuals (AttnRes) erlauben 1M Token Kontext mit 2.5x besserer Scaling-Effizienz — ein neues Pattern für Long-Horizon-Prompts.

Erklärung: Die architektonischen Innovationen von Kimi K3 — Kimi Delta Attention für verbesserten Informationsfluss über Sequenzlänge und Attention Residuals für besseren Flow über Modelltiefe — bedeuten, dass 1-Million-Token-Prompts nicht mehr nur "länger", sondern qualitativ besser verarbeitet werden. Mit 16 aktivierten von 896 Experts (Stable LatentMoE) und ~3T Params wird Compute effizienter in Intelligenz konvertiert. Das eröffnet praktisches Prompting mit kompletten Codebases, langen Research Papers, oder Multi-Video-Transkripten in einem einzigen Kontext.

Beispielprompt:

I'm providing a 50,000-line codebase as context below. Please analyze it with the following framework:

CONTEXT SECTION 1 - Architecture:
[Full source of main.py, config.py, models.py]

CONTEXT SECTION 2 - Dependencies:
[Full requirements.txt, Dockerfile, CI config]

CONTEXT SECTION 3 - Tests:
[Full test suite]

Now provide:
1. Architecture diagram (text-based) of all modules and their dependencies
2. Identify the top 3 most complex functions (by cyclomatic complexity estimate)
3. Find any unused code that can be safely removed
4. Suggest a refactoring for the most tightly coupled module pair
5. Rate the overall test coverage and identify gaps

Use the full context — do not summarize prematurely. Reference specific line numbers.

Geeignet für: Kimi K3 (1M Token Kontext), alternativ Claude Fable 5 (200K)

Ursprung: https://www.kimi.com/blog/kimi-k3 | 2071 Upvotes

Warum heute wichtig: 1M Token Kontext ist jetzt mit offenem Modell verfügbar. Das bedeutet: ganze GitHub-Repositories, mehrere Papers, oder komplette Video-Transkript-Sets können als einzelne Prompt-Einheit verarbeitet werden — ein Paradigmenwechsel von "chunking" zu "alles auf einmal".

🏆 Highlight des Tages

GPT-5.6 schließt 30-Jahres-Lücke in der konvexen Optimierung — durch Prompting (559↑ HN, 357 Kommentare)

OpenAI's GPT-5.6 Sol Ultra hat mit einem 10-seitigen mathematischen Priming-Prompt einen Beweis für ein Problem der konvexen Optimierung geliefert, das seit den 1990er-Jahren offen war. Der CDC-Proof (Convex Duality Convergence) wurde durch systematisches Priming mit mathematischen Definitionen, Proof-Frameworks und explorativen Beweisstrategien erreicht.

Gleichzeitig dominierte Kimi K3 (2071↑) die Diskussion als erstes offenes 3T-Class-Modell mit 2.8T Parametern, Kimi Delta Attention, und 1M Token Kontext. Volle Weights bis 27. Juli.

Qwen 3.8 (33↑) mit 2.4T Parametern kommt als nächstes offenes Modell nach. Das Feld der >2T-Parameter-Modelle wird zunehmend offen — Kimi, Qwen, und Bonsai (ternäre Gewichte) konkurrieren um den besten Preis/Performance-Punkt.

Die Meta-Erkenntnis: Nicht die Modellgröße allein entscheidet, sondern die Qualität des Prompt-Kontexts. Ein 10-seitiges mathematisches Priming-Dokument war der Unterschied zwischen "LLM probiert" und "LLM beweist".

📰 Erlesene Artikel & Ressourcen

arXiv Papers (16. Juli 2026)

  • Partition, Prompt, Aggregate: Statistical Self-Consistency in LLMs — arXiv:2607.15277 — LLM-Prompts als konditionale Inferenz, probabilistische Konsistenz
  • Ideological Generalisation in Finetuned LLMs — arXiv:2607.14888 — Ideologische Shifts durch schmale Finetuning-Datensätze
  • CoreForge: LLM MaxSAT Solver from Papers — arXiv:2607.14818 — LLM baut MaxSAT-Solver aus Papers statt existierendem Code
  • Multilingual Code Generation Prompts — arXiv:2607.14816 — Language Bias bei Code-Generierung aus nicht-englischen Prompts

Bericht erstellt am 2026-07-19 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs