Field Notes

Schneller bauen mit Agenten: Kimi K3.1 in Bedrock, Robotik-Bausteine, besseres Paper-Lesen

Heute bekommst du drei Hebel für die Praxis: schnelleres Modell, belastbare Agenten-Checks und ein fokussiertes Lese-Setup.

Wichtige KI-Nachrichten

Kimi K3.1 Pro Highspeed kommt auf Amazon Bedrock

Moonshot AIs Kimi K3.1 Pro Highspeed ist jetzt in Bedrock verfügbar. Du tauschst nur die Model-ID und nutzt weiter denselben Endpoint, die APIs und Features. Laut Anbieter ist die Ausgabe 2–3 mal schneller als K3.1 Pro, bei gleicher 3-T-Klasse und 1-Mio-Token Kontext. Tool-Aufrufe, strukturiertes Output, Bild-Eingaben und Streaming sind an Bord. Flex-Tier halbiert die Kosten, erkaufst dir aber mögliche Mehrlatenz pro Anfrage. Daten bleiben laut AWS in der AWS-Grenze und werden nicht zum Training genutzt.1

NVIDIA zeigt Bausteine für präzisere Robotik

NVIDIA stellt GR00T 2 vor, ein offenes World Action Model, das aus Menschen- und Roboterdaten lernt. Der Anbieter meldet: 40 von 50 Aufgaben einmal geschafft, 71 Prozent Schnitt mit einer Demo pro Aufgabe, 95 Prozent mit fünf. Isaac Lab 3.0 integriert den Physik-Solver Newton und beschleunigt Training in einem Benchmark auf bis zu 2,5× gegenüber 2.3 mit PhysX. Das hilft beim Üben heikler Handgriffe wie Kabelstecken oder Etikettieren in der Simulation. Zahlen und Ranglisten stammen von NVIDIA und sind nicht unabhängig geprüft.2

Paper ordnet den Schwenk zu agentischer Robotik ein

Ein neues Übersichts-Paper spricht von agentischer Robotik: Foundation-Modelle steuern Roboter im geschlossenen Regelkreis, statt einzelner Policies pro Aufgabentyp. Beobachten, Absicht verstehen, überlegen, Skills aufrufen und ausführen: so beschreibt es der Beitrag. Der Text verknüpft die Entwicklung mit dem Start von GPT-6 Astra und jüngsten Benchmarks. Die Aussagen sind eine Einordnung der Autoren, keine Produkteinführung.3

Agenten in die Produktion: AWS skizziert Agent DLC

AWS beschreibt einen Agent Development Lifecycle mit klarer Abnahmebasis. Drei Punkte sind zentral: Mehrfachläufe wegen Nicht-Determinismus, Versionierung von Prompt- und Tool-Änderungen mit passenden Evals, und regelmäßige Re-Runs, weil Abhängigkeiten sich bewegen. Ein gemessenes Beispiel zeigt, wie hohe Chunk-Präzision fehlende Abdeckung kaschiert und wie ein Prompt-Tweak gegenteilige Effekte haben kann. Die Messungen stammen aus einer Referenz-Implementierung, nicht aus einem Kundenergebnis.4

Highlights für deinen Arbeitsalltag

  • Du nutzt Kimi K3.1 Pro Highspeed sofort, wenn du Bedrock schon im Einsatz hast. Stell im Playground oder in deiner App nur auf global.moonshotai.kimi-k3.1 um und setze reasoning_effort bei Routine-Aufgaben auf low. Für Batch-Arbeit stellst du das Flex-Tier ein, um Kosten zu halbieren.1
  • Du bündelst Lesen, Markieren und Nachfragen zu Papern an einem Ort. Gamma PDF importiert arXiv oder DOI, verknüpft Zitate mit Seiten und kann Zotero anbinden. Du fragst zur markierten Abbildung, bekommst eine Antwort mit klickbarer Seitenangabe und hältst Notizen neben dem Text. Test ohne Installation ist möglich.5
  • Ein Support-Team baute sich ein Triage-Tool auf Replit und senkte die Lösungszeit für Tickets um 60 Prozent in sechs Monaten. Das zeigt: Ein kleines internes Tool kann mehr bewirken als ein weiterer Kanal. Wenn dein Team stöhnt, bau die erste Version selbst. Die Zahl stammt aus dem Post.6

Tools und Updates

  • datasette-llm 0.1a11: Bindet OpenAI-kompatible Endpoints an Datasette an. Du kannst lokale Modelle aus LM Studio oder Ollama als LLM-Backend für Datasette Agent nutzen, ohne Cloud-Zwang. Voraussetzung: laufender lokaler Endpoint.7
  • Expo Simulators: Lasse Agenten mobile Änderungen in der Cloud-Simulation laufen und bekomme eine Aufnahme zurück. Das entlastet Reviews, wenn Agenten schneller schreiben als Menschen prüfen.8
  • Kurs: Managed Agents deployen. Die LangChain Academy zeigt, wie du die Laufzeitlücke schließt, damit ein Agent zu echten Nutzern kommt. Kostenlos einschreiben.9

In fünf Minuten ausprobieren

Eine fokussierte Paper-Session mit Gamma PDF.

1) Öffne Gamma PDF und lade ein Paper per arXiv- oder DOI-Link. Nimm eins mit klaren Abbildungen. 2) Markiere eine Abbildung oder einen Absatz. Stelle in der Seitenleiste eine präzise Frage dazu, etwa zur gezeigten Kennzahl oder zum Versuchsaufbau. 3) Ergebnis prüfen: Klicke die Seitenangabe in der Antwort. Vergleiche jede Behauptung mit dem markierten Inhalt. Besteht der Abgleich, übernimm die Notiz. Fehlt eine Begründung, schreibe dir die Gegenfrage dazu auf.

Erwartung: Du bekommst eine kurze, seiten-gestützte Antwort und eine Notiz mit Rücksprung zur Stelle. Kriterium: Jede Aussage in der Antwort lässt sich auf der verlinkten Seite belegen.5

Quellen

  1. Introducing Kimi K3.1 Pro on Amazon Bedrock (aws.amazon.com)
  2. Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation (blogs.nvidia.com)
  3. Paper: Envisioning Agentic Robotics: A New Era of Robotic Systems (huggingface.co)
  4. From prototype to production: Engineering agents with Agent DLC (aws.amazon.com)
  5. Show HN: Gamma PDF – AI-native PDF reader, self-hosted (news.ycombinator.com)
  6. @replit: @travistyler and his support team built their own triage app to help address doubling ticket volume.

Their solution, built entirely on Replit, cut customer issue resolution time b (x.com) 7. datasette-llm 0.1a11 (simonwillison.net) 8. @datachaz: i don't think people realize how tight review has gotten

coding agents now write mobile code faster than any team can review it.

@expo just launched Expo Simulators so the agent (x.com) 9. @langchain: New LangChain Academy course: Building and Deploying Managed Agents 🚀

An agent can take weeks to ship to real users because of all the infrastructure that has to run alongside it. (x.com)