📅

Prompt-Intelligenz — 23. September 2026

🏆 Highlight

### Der Pelican-Benchmark — „Generate an SVG of a pelican riding a bicycle" Prompt (vollständig, kopierbar): ``` Generate an SVG of a pelican riding a bicycle ``` Am besten mit: Allen aktuellen Modellen — genau dafür ist er da: derselbe Satz, Modell für Modell, als direkter Vergleichstest. Warum effektiv: Simon Willisons SVG-Pelican-Test ist der de-facto-Standard-Quickte...

All fetches succeeded. Now parsing the results. Excellent leads. Today's big stories: GPT-6 Sol/Luna, Claude Opus 5.5, and "Jev". GitHub has several fresh prompt repos. Fetching READMEs and key articles now. Two strong sources confirmed with exact prompt text. Now reading the remaining READMEs and the Simon Willison article. Outstanding material. Now fetching the actual prompt files from liyupi's repo, the cinematic SKILL.md, and parsing the Simon Willison article. MarkTechPost is blocked (277 bytes). I have rich material now. One final round: checking yesterday's report format, claudecut's minimal system prompt, and the cinematic examples folder. The examples file is gold — 10 complete video prompts. Grabbing claudecut's actual 36-token system prompt, then writing the report. I have all the material I need. Checking the rest of yesterday's report format, then writing today's report. Yesterday's report covered Jevify, Nano Banana perfume/Kyoto, cinematic formula, and the liyupi shell test — so today must be all fresh. One last fetch round for text-prompt candidates, then I write. Research complete. Quickly checking how the wrapper picks up output, then writing the report.

Prompt-Intelligenz — 23. September 2026

Die besten kopierbaren Prompts der letzten 24 Stunden, kuratiert für prompta.ch — heute zwischen dem Release-Rekordtag (Claude Opus 5.5, GPT-6 Sol & Luna), einem feindlichen Bug-Bounty-Reviewer, der GPT-Image-2.5-Rezeptgalerie und fertigen Genre-Prompts für Kino-Video.

🔤 TOP 3 PROMPTS — Textgenerierung

1. „Hostiler Pre-Submit-Reviewer" — die Bug-Bounty-Prüfung vor dem Einreichen

Prompt (vollständig, kopierbar):

You are a hostile pre-submit reviewer for one existing bug bounty report.

Your job is to evaluate the report package that already exists. Do not hunt for
new vulnerabilities. Do not broaden scope. Do not invent impact. Do not create a
new attack chain. Do not rescue a weak report by finding a different issue. Do
not rewrite the supplied files unless the user explicitly asks after the review.

Your final decision must answer whether this exact finding, with this exact
evidence package, should be submitted.

### First response

Ask the user for one complete report directory, or one ZIP containing that
directory. Do not ask for a whole repository or a target workspace.

Require the report to be reviewed from an isolated copy whose accessible root is
the single report directory. Do not review it from inside a broader repository,
home directory, hunt workspace, browser-profile tree, or secrets directory. Do
not search parent or sibling directories for instructions, configuration,
evidence, credentials, or context.

The directory must contain:

brief.md
report.md

It may also contain screenshots, PoCs, HAR files, evidence, and other files
referenced by report.md.

Tell the user not to include passwords, researcher infrastructure secrets,
unrelated personal data, real-user data, or unrelated reports.

-- Start als Einzeiler (der Agent lädt den Rest des Pakets selbst):
Read /path/to/should-submit/start-here.md completely and follow it.

Am besten mit: GPT-5.6 Sol oder Claude Opus 5.0 auf hohem Reasoning-Level, laufend in Codex CLI oder Claude Code (Agent mit Datei-, Shell- und Browser-Zugriff).

Warum effektiv: Sieben „Do not"-Verbote im ersten Absatz schnüren den Bewertungshorizont auf exakt einen Befund ein — kein Scope-Creep, kein erfundener Impact, kein Retten schwacher Reports durch Zufallsfunde. Der Prompt erzwingt eine isolierte Review-Kopie, bevor überhaupt bewertet wird, und die Ausgabe ist auf vier klare Entscheide fixiert (YES / NO / NOT YET / CANNOT DECIDE SAFELY), wobei NOT YET nur nach ausdrücklicher Freigabe von genau einem nächsten sicheren Schritt weiterläuft.

Quelle: https://github.com/mdpsec/should-i-submit (Vollversion als prompt.md, 61 KB) | 27 GitHub-Sterne

Community Resonanz: Das Prompt-Paket läuft komplett lokal, lädt nichts hoch und speichert jeden Review als getimestampte Audit-Datei unter my-report/.should-submit-results/ — konsequent gebaut für Security-Forscher, die NDA-Material nicht an gehostete Dienste geben dürfen.

2. „Inspect-First-Setup-Agent" — der claudecut-Installationsprompt

Prompt (vollständig, kopierbar):

Set up a `claudecut` command on my machine that runs the stock Claude Code CLI
with most of its tool surface removed, so a session starts at roughly 1k tokens
instead of roughly 18k. Do not patch, wrap, or reinstall Claude Code itself, and
do not change how my plain `claude` command behaves.

## Step 0 — inspect, then ask

Establish what already exists. Do not assume a fresh install, and do not assume
an existing one:

- Where does `claude` resolve to, and what does `claude --version` print?
- Is there a checkout of this repository on the machine already, and is
  `claudecut` on `PATH` or defined in my shell startup files?
- Does `~/.config/claudecut/config.sh` exist, and what does it set?
- Do I have `node` (18+) or `bun`? Do I have `jq`, which the benchmark needs?

Show me the current state as a short table. If nothing exists, say so in a line.

Then ask me what I want, and wait: Install the command for the first time,
change the default preset, retune (system prompt, auto-compact window, effort
level), or remove it.

## Constraints

- Never modify, patch, repackage or reinstall the Claude Code binary.
- Never write to `~/.claude/settings.json` unless I ask for it by name.
- Never print or log credentials, tokens, or the contents of settings files.
- Do not weaken permissions or sandbox settings to make something work. If a
  step needs a permission I have not granted, stop and tell me.
- Ask me only for genuine product choices. Verify every discoverable machine
  detail yourself instead of reasoning about it.

Am besten mit: Eine frische Claude-Code-Session, der man die Datei setup-prompt.md direkt übergibt — das Muster funktioniert in jedem Datei-zugriffsfähigen Coding-Agent.

Warum effektiv: Der Prompt verbietet genau das, was Setup-Agenten regelmässig ruinieren: Annahmen über den Systemzustand, halbfertige Installationen und Erfolgsmeldungen ohne nachweisbaren Output („Every claim must come from output you saw"). Der Ablauf ist hart getaktet — erst inspizieren, dann fragen und warten, dann bauen, dann mit tatsächlich gelaufenen Befehlen verifizieren — und endet mit der Pflicht, ehrlich aufzulisten, welche Fähigkeiten das gewählte Preset gekappt hat.

Quelle: https://github.com/alexgetmancom/claudecut (setup-prompt.md; Vollversion mit Step 1–6 im Repo) | 37 GitHub-Sterne

Community Resonanz: claudecut misst statt zu behaupten: Auf zwei echten Aufgaben gegen ein Live-Repo kostete eine abgespeckte Session rund die Hälfte des Stock-Claude-Code-Preises bei vergleichbarer Qualität — und das README tabelliert selbst, welche Zahlen solide sind und welche nicht.

3. „One-Prompt-Harness" — ein Satz, ein kompletter Agent

Prompt (vollständig, kopierbar):

Design lightweight steel roof trusses to Eurocode 3 within strict mass limits.

-- Als Anabasis-Aufruf (Builder, Built Harness und Review auf Claude):
bun run fullrun -- \
  --prompt "Design lightweight steel roof trusses to Eurocode 3 within strict mass limits." \
  --provider-turn-budget 1320 \
  --builder-backend claude \
  --built-backend claude \
  --review-backend claude

Am besten mit: Claude Opus 5 (medium thinking) in allen drei Rollen — Builder, Built Harness und Review; alternativ Codex oder OpenRouter-Modelle pro Rolle konfigurierbar.

Warum effektiv: Der Domain-Satz ist die komplette Eingabe — kein Systemprompt, keine Few-Shots. Anabasis erforscht daraus die Domäne selbst, baut Werkzeuge und Prüfungen, konstruiert ein Correctness-Modell mit bekannten und absichtlich falschen Beispielen und iteriert über Build → Measure → Learn, bis der Harness gehaltene Aufgaben löst — am Ende steht ein exportierbares Bundle mit separaten Solve- und Check-Befehlen.

Quelle: https://github.com/s-smits/anabasis | 40 GitHub-Sterne

Community Resonanz: Nach 7 Zyklen löste der generierte Harness 12 von 25 gehaltenen Hard-Task-Fällen — gegen 8 für den handgebauten Prime-Agent-Baseline; der Autor beschreibt das Projekt trocken als „I managed to automate myself".

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Glossy-3D-App-Icon in Coral-Violet — UI-Asset ohne Nachbearbeitung

Prompt (vollständig, kopierbar):

Glossy 3D app icon of a paper plane folded from a coral to violet gradient material, floating on a soft neutral grey backdrop, subtle contact shadow, centered composition

Am besten mit: GPT-Image-2.5 (Route gpt-image-2.5-flare, 1:1, 1K); dieselbe Struktur läuft auf Nano Banana Pro und Midjourney (--ar 1:1).

Warum effektiv: Das Rezept führt die Regel „Material statt Adjektiv" im UI-Kontext vor: „coral to violet gradient material" legt den Look fest, „subtle contact shadow" verankert das Icon physisch auf der Fläche, und „centered composition" plus 1:1 machen den Render direkt zum App-Asset — ohne Zuschnitt oder Nachbearbeitung.

Quelle: https://github.com/apiamrt-23dwww/gpt-image2.5-api-prompt-gallery | 28 GitHub-Sterne

Community Resonanz: Das Repository publiziert alle 12 Rezepte mit echten Renders, verwendeter Version (flare/sunburst), Ratio und Copy-Paste-cURL — jede Zeile der Galerie ist ein dokumentierter, nachmessbarer API-Call.

2. Espresso-Hero-Shot mit 85mm-Look — E-Commerce aus einem Call

Prompt (vollständig, kopierbar):

Studio product hero of a matte ceramic espresso cup on a warm stone pedestal, soft window light, 85mm lens look, minimal beige backdrop, crisp shadow

Am besten mit: GPT-Image-2.5 (gpt-image-2.5-flare, 1:1); das identische Rezept funktioniert mit Nano Banana Pro (gemini-3-pro-image-preview).

Warum effektiv: Drei Slots tragen den Shot: Material („matte ceramic"), Licht mit Richtung und Qualität („soft window light") und Framing über Linsen-Sprache („85mm lens look"). Der Prompt verzichtet komplett auf Qualitäts-Adjektive wie „beautiful" — und landet laut Galerie gerade deshalb im kommerziell sofort nutzbaren Bereich.

Quelle: https://github.com/apiamrt-23dwww/gpt-image2.5-api-prompt-gallery | 28 GitHub-Sterne

Community Resonanz: Auf der Relay-Route kostet ein 1K-Render beobachtet $0.0085 — die Galerie weist pro Rezept Version und Ratio aus, damit Ergebnisse reproduzierbar bleiben; 100 Produktbilder kommen so auf $0.85.

3. Fantasy-Key-Art — Ritter über dem Wolkenmeer (16:9)

Prompt (vollständig, kopierbar):

Fantasy game key art, an armored knight standing on a floating stone ruin above a sea of clouds, dramatic backlight, painterly detail, wide cinematic composition

Am besten mit: GPT-Image-2.5 (gpt-image-2.5-sunburst, 16:9) — die sunburst-Route ist für Editing-Präzision und Produktions-Assets dokumentiert, inklusive bis zu 16 Referenzbildern für stilkonsistente Serien.

Warum effektiv: Konzept-Kunst lebt von Silhouette und Kontrast: „dramatic backlight" setzt den Ritter als Kontur vor die Wolkendecke, „painterly detail" schlägt die Brücke zum Art-Direction-Look, und „wide cinematic composition" pinnt das Framing auf Key-Art-Format — lauter Layout-Entscheidungen, keine Geschmacksurteile.

Quelle: https://github.com/apiamrt-23dwww/gpt-image2.5-api-prompt-gallery | 28 GitHub-Sterne

Community Resonanz: Die Key-Art-Kategorie der Galerie ist für image-to-image ausgelegt: dasselbe Rezept mit Referenzbildern erzeugt konsistente Charakter-Key-Arts für ganze Spiele-Universen.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Horror-Korridor im Kerzenlicht — CinemaScope (2.35:1)

Prompt (vollständig, kopierbar):

Low angle, Dutch tilt, a lone figure in a white dress stands at the end of a long corridor in an abandoned French colonial house, ground fog creeping along the floor, light from a single candle held at chest level, handheld camera with slight shake, slow push in, film noir, cool desaturated palette with deep shadows, eerie and ominous mood, high contrast, 2.35:1

Am besten mit: Veo 3 / Google Flow, Kling, Sora, Runway Gen-4 — im CinemaScope-Format 2.35:1.

Warum effektiv: Jeder Slot erzeugt gezielt Unbehagen: Dutch tilt plus Low angle destabilisieren die Perspektive, die einzige Kerzenlichtquelle erzwingt maximalen Kontrast, und „handheld camera with slight shake" setzt den Zuschauer physisch in die Szene. Das Beispiel zeigt die Kernregel des Skills: pro Clip genau eine Kamerabewegung („slow push in") und eine Hauptaktion.

Quelle: https://github.com/Rylaispirit/cinematic-video-prompt-skill (examples/example-prompts.md) | 66 GitHub-Sterne

Community Resonanz: Das Skill-Repo hat seine Beispielsammlung auf 10 ausgearbeitete Genre-Prompts erweitert — jedes mit einer Zeile „Vì sao" (warum diese Wahl), damit jede Kamera-Entscheidung nachvollziehbar bleibt.

2. Wuxia-Sonnenaufgang — Kran-Shot über dem Wolkenmeer (21:9)

Prompt (vollständig, kopierbar):

Extreme wide establishing shot, low horizon, a young cultivator in flowing white hanfu stands on a cliff edge above a sea of clouds at sunrise, God rays breaking through the mist, crane shot rising slowly to reveal distant mountain peaks, cinematic fantasy art with ink wash painting influence, ethereal golden hues, majestic and serene mood, volumetric lighting, 8K, 21:9

Am besten mit: Veo 3 (21:9 Ultrawide), Kling, Sora; für epische Fantasy-Sequenzen auch Hailuo.

Warum effektiv: Extreme Wide plus Low Horizon machen den Menschen klein vor der Natur — die Bildsprache des Wuxia-Genres. „Crane shot rising slowly" als einzige Bewegung enthüllt erst im Verlauf die Bergketten, und „ink wash painting influence" verankert den Stil kulturell korrekt, statt über den üblichen „epic cinematic"-Platzhalter zu gehen.

Quelle: https://github.com/Rylaispirit/cinematic-video-prompt-skill (examples/example-prompts.md) | 66 GitHub-Sterne

Community Resonanz: Das Beispiel stammt aus der Genre-Sektion „Cổ trang / tu tiên" (Historien- und Fantasy-Film) — das Skill deckt zehn Genres von Horror bis vertical Reels mit fertigen, getesteten Prompts ab.

3. FPV-Drone über Reisterrassen — Golden-Hour-Travel (16:9)

Prompt (vollständig, kopierbar):

Aerial establishing shot, FPV drone flying low over terraced rice fields in Mu Cang Chai at golden hour, sun-kissed slopes with long shadows, fast smooth flyover then slow crane up to reveal the valley, cinematic, vibrant HDR with warm golden hues, awe and majestic mood, sharp deep focus, 16:9

Am besten mit: Veo 3, Kling, Runway Gen-4; das Skill merkt an: enthält zwei Bewegungen (Flyover → Crane up) — auf schwächeren Modellen in zwei Clips aufteilen.

Warum effektiv: Der Prompt kombiniert FPV-Energie mit Kran-Würde: „fast smooth flyover" liefert den Adrenalinstoss, „slow crane up to reveal the valley" die Entspannung danach — eine komplette dramaturgische Kurve in acht Sekunden. „Sharp deep focus" hält dabei die ganzen Reisterrassen lesbar, statt nur die erste Reihe.

Quelle: https://github.com/Rylaispirit/cinematic-video-prompt-skill (examples/example-prompts.md) | 66 GitHub-Sterne

Community Resonanz: Mit 66 Sternen in wenigen Tagen ist das Skill als Claude-Skill, als Zip für Claude.ai oder als eingefügtes Systemprompt in ChatGPT, Gemini und lokalen LLMs nutzbar — die Formel ist bewusst modellagnostisch gehalten.

🧠 TOP 3 NEUE TECHNIKEN

1. Clip-Paar-Konsistenzregel

Zusammenfassung: Mehrere Clips einer Video-Sequenz stylich zusammenhalten, indem nur Einstellungsgrösse und Kamerabewegung variieren — alles andere bleibt wortwörtlich identisch.

Erklärung: Das cinematic-video-prompt-skill definiert für Multi-Clip-Produktionen eine harte Invarianten-Regel: Subjekt-Beschreibung, Lichtquelle, Farbpalette und Mood müssen in jedem Clip exakt dieselben Wörter tragen; einzig Shot size und Camera movement dürfen wechseln. Für Story-Videos kommt hinzu, dass die Charakterbeschreibung (Alter, Haar, Kleidung, Farbmotiv) in jedem Clip wiederholt wird, bevor die Aktion wechselt. So stitchingen die Clips ohne Stilbruch — der häufigste Grund, warum KI-Clip-Sequenzen auseinanderfallen, ist nicht der einzelne Clip, sondern die Nahtstelle.

Beispielprompt:

Clip 1 — Gesamtsicht:
Product shot, eye-level, a matte black ceramic coffee mug on a clean light-grey stone surface, softbox studio lighting with subtle rim light, slow 360-degree orbit around the product, photorealistic, clean high-key look, neutral color palette, calm and premium mood, 8K, 1:1

Clip 2 — Materialdetail (nur Shot size + Camera movement geändert):
Extreme close-up, macro angle, the matte black ceramic surface of the same mug, fine speckled texture visible, soft directional light raking across the surface, slow pan right, photorealistic, neutral palette, premium mood, hyperdetailed

Geeignet für: Veo 3 / Google Flow, Kling, Sora, Runway Gen-4, Hailuo — alle Modelle, die Clips einzeln generieren und geschnitten werden müssen.

Ursprung: https://github.com/Rylaispirit/cinematic-video-prompt-skill

Warum heute wichtig: E-Commerce- und Story-Videos bestehen aus drei bis zehn Clips, die nacheinander generiert werden. Die Invarianten-Regel macht aus einer Glückssequenz einen reproduzierbaren Produktionsprozess — und funktioniert in jedem Video-Modell, das englische Prompts liest.

2. Radikale Context-Diät — der 36-Token-Systemprompt

Zusammenfassung: Coding-Agent-Sessions verschlucken von Haus aus 17'625 Token Boilerplate — ein 36-Token-Systemprompt, ein einziges Tool und eine früher ansetzende Compaction senken den Start auf 895 Token und die Kosten realer Aufgaben um rund die Hälfte.

Erklärung: claudecut misst, was Claude Code vor der ersten Arbeit bereits verbrannt hat: Systemprompt und Tool-Definitionen. Das Preset „sh" schaltet alles bis auf ein Shell-Tool ab, ersetzt den Systemprompt durch einen einzigen Satz und kürzt das Auto-Compact-Fenster. Ergebnis laut Repo: etwa halbe Kosten auf zwei echten Aufgaben gegen ein Live-Repo, doppelt so viel Arbeitsraum nach jedem Compaction — bei vergleichbarer Antwortqualität. Bemerkenswert ist die eingebaute Ehrlichkeit: Das README tabelliert selbst, welche Resultate solide gemessen sind und welche nur Trends.

Beispielprompt:

CLAUDECUT_PRESET=sh
CLAUDECUT_EFFORT=low
CLAUDECUT_AUTOCOMPACT=200000
CLAUDECUT_SYSTEM_PROMPT="Coding agent in a git repo. Be concise. Never run destructive git or rm without asking."

Geeignet für: Claude Code via claudecut-Wrapper (dokumentierte CLI-Flags, nichts wird gepatcht); das Prinzip überträgt sich auf jeden Agenten mit Systemprompt- und Tool-Kontrolle.

Ursprung: https://github.com/alexgetmancom/claudecut

Warum heute wichtig: Der heutige Preis-Krieg (GPT-6 Luna bei $0.10/M Input) macht Token billig — aber Context-Fenster bleiben das Engste: Wer Agent-Sessions lange laufen lässt, verliert Arbeitsraum an Boilerplate. Die Context-Diät macht Sessions länger lebensfähig, nicht nur günstiger.

3. Ganzzahlige Beat-Zeitcodes und Pflicht-Leerbeats

Zusammenfassung: Zeitcodes in Video-Prompts nur in ganzen Sekunden schreiben und vor jeden harten Wechsel (Kostüm, Person, Objekt) einen einsekündigen Leer-Shot einplanen — Dezimalstellen in Zeitcodes werden von Modellen schlicht nicht eingelöst.

Erklärung: liyupi hat das virale Desktop-Wallpaper-Video Frame für Frame gegen die Prompts abgeglichen: «08.80» im Prompt führte real zu einem Wechsel bei 9.7 Sekunden — Modelle folgen der Reihenfolge und den relativen Dauern, nicht den Nachkommastellen; wer Präzision vortäuscht, verschenkt nur Prompt-Länge. Der zweite Befund: Der einsekündige Leer-Shot (nur die leere Szene) vor jedem Kostümwechsel verhindert Teleport-Effekte und schmelzende Kleidung. Der dritte: Die absolut feste Kamera ist der Authentizitäts-Hebel des Formats, weil sie genau das bricht, was Modelle instinktiv tun — Gesichtern nachfahren.

Beispielprompt:

【节拍】
0–2s 穿黑白横条纹上衣的女生坐在沙发右侧，说「好，等我一下」，把腿上的靠枕放到一旁，撑着沙发起身。
2–4s 她起身时身体从镜头前掠过，镜头不跟随，头部移出画面上沿，随后走出画面右侧。
4–5s 沙发空镜，画面里只有空沙发。
5–10s 她换好衣服从右侧走回来，站得离镜头较近。因为镜头没有抬高，画面里只看得到腰部以下——蓝黑格纹百褶短裙和白色过膝袜，头在画面外。她轻轻转动腰身让裙摆摆动，说「当当……怎么样？」

Geeignet für: Seedance 2.5 (即梦/Jimeng), Kling, Veo 3 — jedes Video-Modell, das Timeline-Beats aus Prompts umsetzt.

Ursprung: https://github.com/liyupi/ai-desktop-outfit-video

Warum heute wichtig: Die meisten Replikationen des Wallpaper-Formats scheitern an genau den drei belegten Punkten: nachkommastellen-genaue Zeitcodes, fehlender Leer-Shot, mitwandernde Kamera. Die Beat-Regeln lassen sich auf jedes «Wechsel-Video» übertragen — Outfit, Produkt, Tag/Nacht, Zimmer.

🏆 Highlight des Tages

Der Pelican-Benchmark — „Generate an SVG of a pelican riding a bicycle"

Prompt (vollständig, kopierbar):

Generate an SVG of a pelican riding a bicycle

Am besten mit: Allen aktuellen Modellen — genau dafür ist er da: derselbe Satz, Modell für Modell, als direkter Vergleichstest.

Warum effektiv: Simon Willisons SVG-Pelican-Test ist der de-facto-Standard-Quicktest der Szene: ein scheinbar simpler Satz, der gleichzeitig Vektor-Geometrie, Anatomie, Balance und Code-Generierung prüft. Heute lieferte Claude Opus 5.5 auf der „max"-Thinking-Stufe das erste Versagen in der Geschichte dieses Tests: Das Modell erkannte die Anfrage als Klassiker („This is a classic test request"), rechnete Beinlängen auf 95.2 nach — und dachte so lange nach, dass am Ende keine Antwort mehr zurückkam. Ein eingebauter Overthinking-Detektor für den eigenen Modellstack.

Quelle: https://simonwillison.net/2026/Sep/22/opus-and-sol-and-luna/ | Modell-Release: https://www.anthropic.com/claude-opus-5-5 (1'526 Punkte, 937 Kommentare auf Hacker News)

Community Resonanz: Der Test fiel mitten in den Release-Rekordtag: Opus 5.5 (Anthropic) und GPT-6 Sol/Luna (OpenAI) innerhalb einer Stunde — plus Preis-Krieg. Opus 5.5 auf $4/$20 pro Million Token (−20 %, Cache-Reads −60 %), GPT-6 Sol halbiert auf $2/$10, GPT-6 Luna auf $0.10/$0.50. Für prompta.ch-Nutzer der praktischste Prompt des Tages: einmal kopieren, in jedes neue Modell einfügen, sofort wissen, womit man arbeitet.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 23. September 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs