Prompt Intelligence Bericht

All research is in. Now writing the report file (German, exact section headings).

🔤 TOP 3 PROMPTS — Textgenerierung

1. Der STE80-Humanizer: „80 % des Wegs zu ASD-STE100"

Prompt (vollständig, kopierbar — Kern des Skills, wortgetreu):

Rewrite AI-sounding text so it reads like a careful person wrote it, and so the reader gets it on the first pass. Keep what it says. Do not make anything up.

The skill has two passes:
- Pass 1 (§1 to §26) removes AI tells: habits that people recognize as machine writing.
- Pass 2 (S1 to S15) rebuilds sentences with the structure of ASD-STE100, softened to 80%.

Two rules guide every edit:
- Every sentence you keep must add something the reader does not already have.
- A tell counts in proportion to how rarely a careful writer would make it on purpose. §1 to §5 justify an edit on one sighting.

How to work:
1. List the facts. Note each claim, number, name, date, quote, condition, warning and degree of certainty.
2. Mark the tells (Pass 1). Read the whole text once. Look at paragraph shape too: a contrast split across two sentences, or the same closer after each section, is the same tell at a larger scale.
3. Mark the structure problems (Pass 2). Sentences with more than one idea or more than 25 words, hidden actors, stacked hedges, noun stacks, synonym swaps.
4. Write the rewrite. Do not patch phrase by phrase. Restate each point plainly. Vary sentence length a little. A row of eight-word sentences sounds like a robot too.
5. Check it. Compare it with the fact list. An added or lost fact is an error.
6. Return the result.

Modes: Humanize (default) — Pass 1 fully, Pass 2 at 80%, keep the writer's voice. Light — Pass 1 only, for text that is already good. Strict STE — for procedures, safety notes and maintenance text.

Voice: If the user gives a writing sample, match its sentence length, words, punctuation and transitions. The sample overrides the defaults, but not the fidelity rules.

(Komplettversion mit allen 26 Tells und STE-Regeln im Repo: Dodaios/ste80-humanizer — als Skill für Claude Code / Codex installierbar.)

Am besten mit: Claude Fable 5.2, GPT-6.1 — als Skill in Claude Code oder Codex; funktioniert auch direkt als normaler Prompt

Warum effektiv: Die Methode stammt von Andrej Karpathy („80 % of the way to ASD-STE100") und greift das eigentliche Problem von Humanizern an: nicht klingelnde Wörter, sondern Struktur. Pass 1 räumt die 26 typischen KI-Tells ab („not just X, but Y", erzwungene Triaden, Em-Dashes, einzeilige Closers), Pass 2 baut Sätze nach den Regeln der vereinfachten technischen Sprache um — eine Idee pro Satz, Aktiv, einfach. Und die Fidelitäts-Regeln („An added or lost fact is an error") verhindern den klassischen Humanizer-Fehler: geschönten Text mit erfundenen Fakten.

Quelle: https://github.com/Dodaios/ste80-humanizer | 498 Stars (GitHub, diese Woche)

Community Resonanz: 498 Stars in wenigen Tagen — der stärkste Zulauf unter den neuen Prompt-Skills. Die dokumentierten Vergleichsläufe zeigen den Unterschied zum plain Prompt: Ohne Skill erfand der Lauf ein Zitat und machte aus „40+ customers" ein „40-odd"; mit Skill blieben alle Fakten erhalten, und der Lauf markierte sogar einen Widerspruch in der Quelle.

2. Ein-Prompt-3D-Spiel: der Guizang-Game-Skill

Prompt (vollständig, kopierbar):

做一个武侠题材的俯视角网页 3D 动作游戏，一个场景、一波小怪、一个 Boss。
我有 Tripo 和即梦 可以用。

(„Mach ein Wuxia-Actiongame für den Browser: top-down, 3D, eine Szene, eine Welle kleiner Gegner, einen Boss. Ich habe Tripo und Jimeng zur Verfügung.") — nach Installation des Skills:

git clone https://github.com/op7418/guizang-game-skill ~/.claude/skills/guizang-game-skill

Am besten mit: Claude Code / Codex mit Claude Fable 5.2; dazu Tripo (Bild-zu-3D), Jimeng (Konzeptgrafik) und optional Suno (Musik)

Warum effektiv: Ein Satz nennt alles, was der Skill zum Planen braucht: Genre, Perspektive, Scope — und welche Asset-Werkzeuge zur Verfügung stehen. Der Skill selbst stammt aus einem dokumentierten 6-Stunden-Build (rund 450 Mio. Token) und erzwingt die Pipeline, die „Mach ein 3D-Spiel" sonst vermissen lässt: erst recherchieren und planen, Konzeptbilder, dann Bild-zu-3D, danach Combat-Feel, Sound und Packaging — mit Self-Verification per Frame-Stepping und Screenshots statt „läuft ja ohne Fehler".

Quelle: https://github.com/op7418/guizang-game-skill | 333 Stars (GitHub, 11. November)

Community Resonanz: Das Demo-Spiel 《雾锁山门》 ist online spielbar (Browser und Smartphone, ohne Installation) — ein 33-MB-Single-File-HTML mit 5 skelettierten Charakteren, dreistufiger Kombo, Parriere, Boss-Phase 2 und 8 Synchronstimmen. Der Autor veröffentlichte zusätzlich seine komplette Pitfall-Liste (泛光过曝, Kamera hinter Dächern, Charaktere nach dem Packaging halb so groß …).

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. PBR-Material aus drei Worten: „weathered copper, green patina, seamless"

Prompt (vollständig, kopierbar):

weathered copper, green patina, seamless

Varianten aus der Dokumentation:

weathered red brick, mortar, seamless

abandoned factory, rust and dust

Einstellungen: Seamless aktivieren, Auflösung 1024 px, 30 Diffusion-Schritte, danach 4×-KI-Upscaling. Für ganze Szenen: Depth-Stärke 0,6 (depth-to-image-Projektion über alle Meshes in einem Durchgang).

Am besten mit: Stable Diffusion — lokal auf der GPU oder über einen Cloud-Provider, direkt im Blender-Viewport (ai-texture-forge, Blender 4.2+, Windows)

Warum effektiv: Textur-Prompts funktionieren als reine Substantiv-Ketten — aber das operative Wort ist „seamless": Es bäckt die Kachelbarkeit direkt in die Generierung, statt Nähte hinterher im Bildeditor zu flicken. Die Engine verkabelt das Ergebnis automatisch als kompletten PBR-Satz (Color, Roughness, Normal) in Blenders Shader-Nodes; ein einziger Satz liefert so ein spielfertiges Material statt eines hübschen Bildes.

Quelle: https://github.com/linknimiball1974/ai-texture-forge | 426 Stars (GitHub, 11. November)

Community Resonanz: 426 Stars in drei Tagen — das am schnellsten wachsende Bild-Prompt-Tool der Woche. Das Add-on bringt Inpaint/Outpaint für Nahtstellen, ein History-Recall und einen Restyle-Pass für fertige Renders mit; das GitHub-README wirbt trocken: „the whole alley is skinned before the coffee cools."

2. „Murmuration at Dusk" — 3.000 Stare, ein Wanderfalke, ein Prompt

Prompt (vollständig, kopierbar):

A full-bleed simulation of a starling murmuration over a reed marsh at dusk, on Canvas 2D. Concept: thousands of simple birds becoming one dark, folding fabric in the sky; the viewer is the falcon.

Mood: awe, hush, the last ten minutes of light. Palette: sky as a tall vertical gradient from pale apricot #F6C9A8 at the horizon through coral #E58F7B and mauve #6B4E71 to deep plum-ink #2A2438 at the top; birds, reeds and far treeline in near-black #0D0B12; a low sun disc and its reflection in a thin strip of marsh water in a paler apricot. This dusk gradient is the concept, not a default; keep it painterly with faint horizontal washes, a faint grain and a few long thin horizontal clouds that drift very slowly.

Simulation: 2,500–3,600 boids on desktop (scale down automatically on small or slow devices, never below 1,200), using a uniform spatial grid for neighbour lookup, classic separation / alignment / cohesion with topological-ish neighbour limits (nearest ~7 sampled from the surrounding cells), plus a wider neighbourhood term taken from per-cell sums (shared heading, a pull to the local centre of mass, and a soft pressure that pushes birds down the density gradient when a region gets too crowded) so the flock holds together as one fabric without collapsing into a ball. A soft roosting attractor orbits slowly above the reed bed so the flock stays on screen; it periodically splits into two lobes along a rotating axis so the flock stretches into ribbons and hourglasses and then rejoins. Add a little coherent noise turbulence. Add fake depth: each bird has a z value (part its own, part a slow sheet that drifts through the flock) that scales its size (roughly 1–3px strokes) and darkness, and a soft density haze under the flock, so it reads as a volume whose density makes darker folds where it overlaps itself. Draw birds as tiny oriented chevrons (two short strokes that flap by alternating length), not dots. "Waves of agitation": when birds turn sharply they briefly thicken and lengthen their strokes, and an excitable wave passes from bird to neighbour with a short delay and a refractory period, so alarms ripple visibly through the flock; now and then something unseen spooks one edge of it.

Interaction: the pointer/finger is a peregrine: a small falcon silhouette glides toward the pointer position with inertia (a faint reticle marks the pointer itself, and the falcon circles it rather than stopping); birds within a radius flee and dodge sideways off its line of flight, so the flock splits, wraps and re-forms around it, the signature moment. A click/tap (or the space bar) makes the falcon stoop: wings tucked, a fast dive toward the pointer, which punches a hole through the flock and leaves a thin streak and a faint ring. If the pointer is idle the falcon loiters high and makes occasional autonomous passes, some with a stoop, so the page is alive without input. Over about three minutes the light fades one step (sky darkens ~15%), then the flock gathers above the roost, funnels down through a narrow neck and pours into the reeds like liquid (the reeds shiver where birds land), the screen rests for a few seconds, and a new evening begins.

Typography: almost none. Bottom-left in tiny letterspaced Georgia italic, cream at 80%: "Murmuration at dusk" and a live, quietly updating count line "3,200 starlings · one falcon"; a designed hint with a small falcon glyph, "move to hunt · click to stoop", that fades after first interaction. Sound toggle bottom-right (off by default): a soft rush of wings via band-passed noise with a fast flutter, whose volume and filter follow the flock's average speed.

Entrance: the empty sky, then the flock streams in from the right as a long ribbon and balls up. Performance: typed arrays, batched paths per depth band, DPR capped at 2, pause when hidden, flock thinned automatically if frames run long. Reduced motion: 1,200 birds, everything at well under half speed, no stoop streak or ring and no autonomous attacks.

Am besten mit: Claude Fable 5.2 (erzeugt eine interaktive Canvas-2D-Simulation als Single-File-HTML)

Warum effektiv: Der Prompt denkt den Schwarm als Physik, nicht als Bild: Boid-Zahlen mit Skalierungsuntergrenze, ~7 Nachbarn, Dichtedruck, „Excitable Waves" mit Refraktärzeit — und der Betrachter ist selbst der Falke. Wie alle Studien der Sammlung spezifiziert er Stimmung über Hex-Paletten, einen Signature-Moment (der Sturzflug durch den Schwarm) und Performance-Budgets inklusive Reduced-Motion-Variante. Nichts bleibt dem Zufall überlassen, und trotzdem entsteht ein lebendiges Kunstwerk.

Quelle: https://github.com/MiaAI-Lab/Claude-Fable-5.2-HTML-Files | 120 Stars (GitHub) — Studie 012 von 76, „Murmuration at Dusk"

Community Resonanz: Die Sammlung veröffentlicht alle 76 visuellen Studien mit Original-Prompts; die Galerie gilt diese Woche als Benchmark dafür, wie weit reiner Text bei Fable 5.2 trägt. Studie 012 wird vor allem für die Live-Zeile „3,200 starlings · one falcon" zitiert, die den Vogelbestand tatsächlich mitzählt.

3. Ein Input, drei Dialekte: MOSS / WAI / Pony

Prompt (vollständig, kopierbar):

海边、水手服、玫瑰花束，Q版比例

(Eingabe im KI-Erweiterungs-Modus: „Strand, Matrosenuniform, Rosenstrauß, Chibi-Proportionen") — das Workbench-Output im Pony-Format mit dokumentiertem Präfix:

score_9, score_8_up, ...

Das Tool erzeugt daraus 6 Blöcke: Positiv + Negativ für MOSS (chinesischer Absatz + chinesische Negativ-Prompts), WAI (englische Tag-Kette, direkt für Illustrious-Modelle) und Pony (Präfix plus Pony-spezifische Negativ-Prompts).

Am besten mit: WAI-illustrious v16 (in der Showcase-Doku mit ComfyUI verwendet); Illustrious- und Pony-Modelle

Warum effektiv: Statt einen Prompt für ein Modell zu schreiben, beschreibt man die Szene einmal — und erhält sie in allen drei Tag-Dialekten, die die Anime-Community heute benutzt. Das Workbench erledigt dazu automatisch, was per Hand Stunden kostet: Charakter-Lookups mit automatischer外观补全 (fehlende Haar-/Augenfarben werden ergänzt), Aussehens-Lock gegen Charakter-Vermischung und adaptive Negativ-Prompts, die konfligierende Begriffe selbst entfernen.

Quelle: https://github.com/Overstar66/prompt-workbench | 28 Stars (GitHub)

Community Resonanz: 18.000+ Tag-Einträge, 2.900+ Charaktere und 50 Styles kommen mit; läuft komplett lokal (nur die optionale KI-Erweiterung nutzt eine API oder Ollama). Drei Showcase-Bilder im README entstanden alle mit WAI-illustrious v16 unter ComfyUI.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Ein Satz, 109 Stile: /video-studio

Prompt (vollständig, kopierbar):

/video-studio a 30-second story about the discovery of fire

Claude schreibt daraus ein sekundengenaues Szenen-Drehbuch als editierbare Tabelle — die Struktur aus der Skill-Definition:

{ "title": "…", "idea": "…", "format": "9:16", "voice": {"engine":"kokoro","voice":"none","on":false}, "music": "lofi", "scenes": [
  { "n": 1, "start": 0, "end": 4, "tool": "animation-styles/pixel-art", "visual": "was wir sehen, konkret", "narration": "… (max. 2,4 Wörter pro Sekunde Szene)", "onscreen": "eingebrannter Text", "sound": "…", "notes": "" }
] }

Jede Szene ist ein Bild von 2–6 Sekunden; das Tool pro Szene wird aus dem Katalog gewählt (schnell: tvhead, HyperFrames, Remotion, kinetic — 1–3 min pro 5 s Video; langsam: Blender clay ≈ 30 min).

Am besten mit: Claude Code mit eigenem Pro/Max-Abo — Skript, Rendering, lokale Kokoro-Stimme und generierte Musik; keine API-Keys, ffmpeg + Node.js 20+ nötig

Warum effektiv: Der Skill löst das eigentliche Problem des Prompt-to-Video: die Regie. Eine Zeile wird zu einem Drehbuch-Vertrag („The user's scene table is the contract: build what it says"), jede gerenderte Szene wird per ffmpeg-Contact-Sheet gegen ihr visual geprüft und einmal nachgebessert, ersticht wird am Ende alles zur finalen MP4 — inklusive Regel „Never copy a real film's characters, logos or footage; styles are looks, stories are the user's."

Quelle: https://github.com/owlinthebarnai/video-studio-kit | 30 Stars (GitHub, 12. November)

Community Resonanz: 109 Stile, davon 93 mit 5-Sekunden-Preview — und 44 Previews erzählen bewusst dieselbe Geschichte („the discovery of fire"), damit sich Stile direkt vergleichen lassen. Das Kit bündelt über 50 Community-Skills (lemo-opuscars 66 Filmstile, Remotion, what-if-Stickfiguren, Blender-Claymation) und läuft komplett auf dem eigenen Abo.

🧠 TOP 3 NEUE TECHNIKEN

1. Zwei-Agenten-Prüfungsgespräche mit Persona-Regressionstests

Zusammenfassung: Mündliche Prüfungen als Interviewer- plus Evaluator-Agent — mit scaffolding-awaren Rubriken und adversarialen Testpersonas, die als Regressionstests vor jeder Prompt-Änderung laufen.

Erklärung: Ein gestriges arXiv-Paper (Einsatz im Frühjahrssemester 2026, N=11) beschreibt die skalierbare Variante des Prüfungsgesprächs: Der Interviewer-Agent kennt bewusst nur die studentenseitige Rahmung, der Evaluator-Agent hält Rubrik und Referenzmaterial — so kann der Interviewer nichts leaken, was er nicht hat. Rubriken haben drei Stufen (not_started / partially_met / met), und die Stufe hängt davon ab, wie viel Scaffolding nötig war: Wissen, das nur auf Nachfrage kommt, zählt weniger. Vor jedem Prompt-Change läuft ein Persona-Sweep als Regressionstest — mit legitimierten Studenten-Personas und adversarialen (Answer-Extractors, Prompt-Injectors, Confident Fabricators, Social Engineers) — und die Note wird am Ende aus einer zweiten Gesamt-Lektüre des Transkripts berechnet. Erfundene Prüfungsthemen verhindern zusätzlich, dass Vorwissens-Kontamination die Kalibrierung verfälscht.

Beispielprompt: (wortgetreu aus dem Paper — Rubrik-Kriterium und Standing Constraints des Interviewers)

Criterion 1, three levels: met — volunteers the three-participant setup (interrogator, human, machine) and text-only communication, unprompted; partially_met — names some participants but not all three, or only after being asked; not_started — no setup, or a fundamentally different one.

Standing constraints for the interviewer: never reveal what is being evaluated, never provide answers (requests for help are redirected), prefer open-ended prompts over questions that decompose the answer, push back constructively on opinion portions, and move on gracefully after repeated redirection fails.

Geeignet für: GPT-6.1, Claude Opus 5.5, Gemini 4 Hydrogen (im Paper: GPT-4o für die Personas; 619 automatisierte Checks über 11 Personas)

Ursprung: https://arxiv.org/abs/2611.17220

Warum heute wichtig: Das Muster geht weit über Prüfungen hinaus: „a persona sweep as a regression test before any prompt change ships" ist die Antwort auf die Frage, wie man Agenten-Systeme gegen Social Engineering und Prompt-Injection hart macht, ohne jedes Mal von Hand zu testen. Der Audit-Loop (Sweep → Audit echter Läufe → neue Personas aus den Audit-Findings) ist auf jede Agenten-Pipeline übertragbar, die bewertet, filtert oder sortiert.

2. Harness-Tuning: alles um den Prompt tunen — gegen Evals

Zusammenfassung: Statt den Prompt zu optimieren, tunen harness-tuner und Kiln das gesamte Agent-Umfeld — Tools, Prompts, Skills, Modell-Settings, RAG und Sub-Agenten — getrieben von Evals mit erzwungenem Train/Val/Test-Split.

Erklärung: „Most optimizers tune the prompt. Harness Tuner tunes everything around the model": Tools werden für Agenten neu geschrieben (kleinere Responses, bessere Beschreibungen, keine wiederholten Calls — und wo ein Script reicht, entsteht ein neues Code-Tool), Prompts werden von Widersprüchen befreit und lange Anweisungen wandern in Skills, die nur bei Bedarf laden. Experimente verzweigen als Graph statt einer Linie, nichts wird befördert, ohne jeden Eval zu bestehen, und der Test-Split wird im Code physisch von den Agenten ferngehalten. Gesteuert wird in normalem Englisch („tell it what to focus on and what not to touch"), laufen tut das Ganze auf dem Coding-Agenten, den man eh hat.

Beispielprompt:

uv tool install harness-tuner
harness-tuner --demo

(Das Demo-Projekt: 624 gelabelte Foren-Beiträge plus Eval — der Baseline-Prompt kennt die Foren-Regeln nicht, „so there's plenty to find and fix"; Laufkosten ca. 2 $.)

Geeignet für: Claude Code, Codex, OpenCode — auf dem bestehenden Abo, zusammen mit Kiln (kostenlose Open-Source-App)

Ursprung: https://github.com/Kiln-AI/harness-tuner

Warum heute wichtig: Gestern auf Hacker News vorgestellt (Show HN), heute schon der sinnvollste Weg, mit den neuen modellspezifischen Flavor-Guides umzugehen: Statt einen Prompt von Hand an Fable 5.2 anzupassen, misst man, welche Kombination aus Prompt, Skills, Tools und Settings die Evals wirklich hebt. „It cuts contradictions, adds the requirements nobody wrote down" ist genau die Arbeit, die Prompt-Autoren sonst ratend erledigen.

3. Verhaltens-Primitive statt Komponenten: Agent-UI-Prompting

Zusammenfassung: Agenten bekommen keine fertigen UI-Komponenten, sondern Verhaltens-Primitive (Popup, Selection-Model, Typeahead) plus llms.txt und einen Runtime-Bridge — und bauen daraus die Oberfläche selbst.

Erklärung: Vercels UI SDK (gestern auf npm, Apache-2.0) dreht das UI-Prompting um: definePrimitive deklariert State, API und Slots, dünne Adapter rendern dasselbe Primitive in React, Vue, Svelte und Solid. Das Prinzip aus der Doku: „You do not hand the agent a finished Select. You hand it a popup, a selection model and typeahead. Those same parts can produce an autocomplete, a combobox, or a component nobody has designed yet." Für Agenten gibt es zusätzlich eine Bridge: agent.snapshot() listet Komponenten, Zustände und Aktionen, agent.act() führt sie aus, ein allow-Callback genehmigt oder verweigert jede Aktion. In Vercels Vergleich schlug der Bridge-Ansatz klassische Browser-Tools bei einer Projekt-Settings-Aufgabe (Projekt umbenennen, Mitglieder und Notifications setzen, speichern).

Beispielprompt:

npx skills add vercel-labs/ui --skill ui-sdk

(Installiert den Skill in den eigenen Agenten; das Setup ergänzt einen Verweis in AGENTS.md auf die ui-sdk-Skill-Doku und die llms.txt im Paket.)

Geeignet für: Claude Code, Codex, OpenCode; Adapter für React 19+, Vue 3.5+, Svelte 5.33+ und Solid 2.0.0-rc.14

Ursprung: https://github.com/vercel-labs/ui

Warum heute wichtig: Agenten schreiben heute den Großteil neuer UIs — und scheitern regelmäßig an Komponenten-Bibliotheken, die für Menschen dokumentiert sind. Verhaltens-Primitive plus maschinenlesbare Doku (llms.txt) plus eine geprüfte Aktions-Schnittstelle sind das aktuelle Gegenmodell: Die KI kombiniert geprüfte Bausteine statt Markup zu hallucinieren, und der allow-Callback macht jede Aktion auditerbar.

🏆 Highlight des Tages

Der Tag der Entscheidungsmodelle: Decider v1.3, Gemini Decisions und Ollamas Jev-Support

Heute hat sich das Prompting-Paradigma einen Schritt weiter gedreht: Perplexity veröffentlichte Decider v1.3 (offene Gewichte, HN: 131 Punkte), Google startete am Dienstag die Gemini Decisions API, und Ollama bringt Jev-Style-Entscheidungsmodelle auf jeden Laptop. Gemeinsames Muster: Man schickt keinen Freitext-Prompt mehr, sondern einen Zustand plus benannte Fragen mit gelabelten Optionen — und bekommt Wahrscheinlichkeiten statt Prosa. Der Ticket-Triage-Request aus der Ollama-Doku, komplett kopierbar:

Prompt (vollständig, kopierbar):

curl http://localhost:11434/v1/systemone -d '{
  "model": "nimble",
  "state": {
    "ticket": "I was charged twice. Please refund the extra payment."
  },
  "questions": {
    "team": {
      "type": "choice",
      "instructions": "Which team should handle this ticket?",
      "criteria": {
        "billing": "Payments and refunds",
        "technical": "Bugs and integrations",
        "other": "None of the above"
      }
    },
    "refund": {
      "type": "noul",
      "instructions": "Does the customer explicitly ask for a refund?"
    },
    "urgency": {
      "type": "score",
      "instructions": "How urgent is this ticket?",
      "criteria": ["Routine", "Soon", "Urgent"]
    }
  }
}'

Antwort (Auszug, Modell: nimble 9B): team → billing mit Wahrscheinlichkeiten {"billing": 0.985, "technical": 0.012, "other": 0.003} und Confidence 0,922; refund → 0.997; urgency → 0.815 — bei 841 Input- und 4 Output-Tokens.

Perplexitys Decider v1.3 (API: POST https://api.perplexity.ai/v1/decisions, Modelle pplx-decider-v1.3 und pplx-decider-flash-v1.3, $0,02/$0,01 pro 1 Mio. Input-Tokens, Output gratis) ergänzt die Spannen-Extraktion „Locate": Felder sind kurze Labels oder ganze Anweisungen — etwa „Extract the city name where the job is located." — bis zu 128 Fragen pro Request; ein ~243K-Token-Request lief in 16 s (Flash: 5 s). Googles Gemini Decision 1 kostet $0,10/Mio. Tokens.

Am besten mit: pplx-decider-v1.3 (nuancierte Rubriken) und pplx-decider-flash-v1.3 (hochvolumiges Routing) via API; lokal: nimble (9B, Bespoke Labs) und tev1 (4B/0.8B, Together AI) in Ollama ab Version 0.35

Warum effektiv: Wahrscheinlichkeiten statt Prosa machen Entscheidungen kalibrierbar, auditierbar und billig: Die Confidence (0,922 beim Team-Routing, aber 0,046 bei der Dringlichkeit!) zeigt sofort an, wo ein Mensch nachsehen sollte — genau die Fälle, die ein Freitext-LLM am selbstsichersten beantwortet. Und weil alle Fragen einer Eingabe in einem Forward-Pass laufen, kostet eine 243K-Token-Pipeline 16 statt Minuten.

Community Resonanz: Die HN-Diskussion (131 Punkte) vergleicht gleich das ganze neue Feld: Jev (TypeSafe) als Urvater, Perplexity Decider, Cloudflares Clairic und ScaleDown — während Ollamas nimble-Demo Pac-Man in Echtzeit spielt (91 ms pro Entscheidung, lokal auf einem M5 Max). Bespoke-Benchmarks: mittlere Genauigkeit über 13 öffentliche Datensätze mit 3.880 Entscheidungen.

Quelle: https://www.marktechpost.com/2026/11/13/perplexity-decider-v1-3-open-weight-decision-models-locate/ · https://ollama.com/blog/ollama-now-supports-jev-style-decision-models · https://www.marktechpost.com/2026/11/11/google-gemini-decisions-api-gemini-decision-1/

📰 Erlesene Artikel & Ressourcen

• „Best AI Video Generation Models in 2026" (MarkTechPost, 13. Nov.) (https://www.marktechpost.com/2026/11/13/best-ai-video-generation-models-2026/): Elo-Ranking der Artificial-Analysis-Video-Arena mit Preis pro Sekunde und Lizenzstatus — Wan 3.0 führt Text-to-Video (30 s, 1080p, $0,20/s, dokument-to-video: „hand it a deck and get a structured video back"), Utopai X post-traint MiniMax H3, Seedance 2.5 führt Image-to-Video (bis zu 30 Referenzbilder), Gemini Omni Flash 1.2 kostet $0,07/s, HeyGen Video 1 $0,04/s, LTX-2.5 (22B) macht native Multishots. Wer Videoprompts schreibt, kalibriert ab heute auf diese Modelle.

• Ollama-Blog: Jev-Style-Entscheidungsmodelle (https://ollama.com/blog/ollama-now-supports-jev-style-decision-models): nimble, tev1 und das /v1/systemone-Endpoint — der lokale Kontext zum Highlight des Tages, inklusive Pac-Man-Realtime-Demo.

• „After 600 experiments, here's what I discovered about JEPA world models" (https://haddyalchaer.com/jepa | 261 Punkte auf HN): Vier neue Planungsmethoden ohne ein einziges Retraining hoben den Langzeit-Erfolg von 22 % auf 85 %; eine einzige Änderung am Goal-Scoring brachte +60 Punkte. Kernaussage für alle, die Agenten bauen: „the next gains come from how the trained architecture is used" — nicht vom Training.

• Unsloth: Qwen3.8-27B-Quantisierungen, Dynamic v3.1 (https://unsloth.ai/docs/models/qwen3.8 | 143 Punkte auf HN, 11 Std. alt): aktuelle lokale Modellqualität für Prompt-Tests ohne Cloud-Kosten.

• ggml v1.0.0 (https://github.com/ggml-org/ggml/releases/tag/v1.0.0 | 260 Punkte auf HN): Die Inference-Engine unter llama.cpp, Ollama & Co. erreicht 1.0 — das Fundament der ganzen lokalen Prompt-Werkzeuge dieser Ausgabe.

• Simon Willison: „Hide your slop PR descriptions behind details-summary" (https://simonwillison.net/2026/Nov/9/details-summary/): ein menschlich kuratierter Opener-Absatz, der komplette agent-generierte PR-Text dahinter — die erste allgemein geteilte Etikette für KI-generierte Beschreibungstexte.

• Kiln harness-tuner (https://github.com/Kiln-AI/harness-tuner | Show HN von gestern): eval-getriebene Optimierung des gesamten Agent-Setups — siehe Techniken.

• arXiv: „When Both Sides Adapt: The Challenges of Evaluating Interactive LLM Systems" (https://arxiv.org/abs/2611.17239, 12. Nov.): Interaktive LLM-Systeme werden von beiden Seiten geadaptiert — Evaluierung muss adversarial werden; passt zur Persona-Regression der Prüfungstechnik oben.

---

Bericht erstellt am 14. November 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs