Stellt euch vor, ihr könntet ein KI-Modell trainieren und müsstet nur eine einzige Schicht optimieren statt alle 30 oder 70 Milliarden Parameter. Klingt nach Magie, ist aber echte Forschung. Ein Paper von Anfang Juli zeigt: Eine einzige Transformer-Layer kann fast alles liefern, was das komplette RL-Training bringt. Ausserdem: Die browser-use-Macher bringen Video-Bearbeitung per Coding Agent. Und ein YC-Startup baut MCP als Dienstleistung in die Cloud. Ich bin Lissy, das ist euer Daily AI News Update, los gehts.
Fangen wir mit einem Paper an, das für mich die Überraschung des Tages ist. Es heisst Is One Layer Enough? und kommt von einem Forschungsteam, das eine grundlegende Frage gestellt hat: Was passiert, wenn man beim RL-Post-Training nicht alle Parameter optimiert, sondern nur eine einzige Transformer-Layer? Die Antwort ist verblüffend: Eine Layer reicht aus, um 90 bis 100 Prozent der Verbesserungen des Full-Parameter-Trainings zu erreichen. Die Autoren haben das über sieben verschiedene Modelle getestet, von Qwen 3.5 bis Qwen 3 über drei verschiedene RL-Algorithmen, und auf Aufgaben wie Mathematik, Code und Agentic Tasks. Das Muster ist jedes Mal gleich. Die mittleren Layer eines Transformers tragen den Grossteil der RL-Verbesserungen, während die ersten und letzten Layer fast nichts beitragen. Bisher ist die Annahme in der Industrie: RL-Post-Training optimiert alle Parameter gleichmässig. Diese Arbeit zeigt, dass das nicht stimmt. Stattdessen konzentriert sich die Optimierung auf wenige kritische Layer. Das ist kein kleiner Effekt. Wir reden hier von einem Faktor 30 bis 70 weniger Rechenaufwand pro RL-Step. Konkret: Statt alle 8 bis 70 Milliarden Parameter zu trainieren, reicht es, eine Layer mit vielleicht 200 Millionen Parametern zu optimieren. Was heisst das praktisch? Für die grossen Labs bedeutet das 70 Prozent weniger GPU-Stunden bei gleicher Performance. Das sind massive Kosteneinsparungen. Aber der spannendere Teil ist für mich der für kleinere Teams. Wenn RL-Post-Training auf einmal so viel günstiger wird, dann wird es auf Consumer-Hardware denkbar. Ein Entwickler mit einer RTX 4090 könnte ein 8B-Modell mit RL nachtrainieren, ohne Wochen zu warten. Die Implikation ist klar: Post-Training wird demokratisiert. Die Autoren räumen aber auch Grenzen ein. Bei kleineren Modellen wie Qwen 3.5 8B ist die Konzentration schwächer, da liegen die Gains bei 80 Prozent statt 95. Und die Ergebnisse gelten für RL-Post-Training, nicht für Pretraining. Ob die Single-Layer-Strategie bei langem Training hält, ist noch offen. Aber selbst mit diesen Einschränkungen ist das eine der praktisch relevantesten Entdeckungen der letzten Wochen. Was mich an diesem Paper besonders freut: Es hinterfragt eine Grundannahme, die niemand hinterfragt hat. Alle haben einfach alle Parameter optimiert, weil man das immer so macht. Und dann zeigt jemand, dass der ganze Aufwand zu 90 Prozent in ein paar Layer fliesst. Das erinnert mich an die Evolution in der Biologie: Manche Gene sind viel wichtiger als andere, auch wenn sie gleich aussehen. In Transformer-Modellen ist es genauso.
Vom Paper zur Praxis. Die Macher von browser-use, einem Framework das Coding Agents den Browser steuern lässt, haben ein neues Tool veröffentlicht: video-use. Damit können Coding Agents Videobearbeitung machen. Klingt erstmal abstrakt, aber der Use Case ist direkt greifbar. Sagt dem Agenten in natürlicher Sprache: Schneide den ersten fünf Minuten aus diesem Video, füge Untertitel hinzu, oder extrahiere alle Szenen in denen Person X vorkommt. Der Agent nutzt dann FFmpeg und andere Tools um das umzusetzen. Der Clou: Es ist kein spezialisiertes Videotool. Es ist ein Coding Agent der versteht was Videobearbeitung ist und die Tools selbstständig einsetzt. Das ist der Unterschied zu Canva oder CapCut, wo Features in einer UI versteckt sind. Hier sagt ihr was ihr wollt, der Agent findet selbst wie. Wer schon mal Videobearbeitung gemacht hat, weiss wie zeitaufwendig die manuellen Schritte sind. Rendern, Schneiden, Effekte anwenden. Ein Agent der das in natürlicher Sprache versteht, könnte den Einstieg massiv senken. Das Tool ist Open Source, selbst hostbar, und benötigt kein Abo. Einmalig installieren, loslegen. Was mir an dem Projekt gefällt: Es zeigt wohin die Reise geht. Der Coding Agent wird zum universellen Werkzeugkasten. Egal ob Browser steuern oder Video schneiden, dieselbe Architektur, verschiedene Tools. Das ist viel mächtiger als eine App die genau einen Zweck erfüllt.
Zum Schluss ein Signal, das zeigt, wie das MCP-Ökosystem wächst. Manufact ist ein YC S25 Startup, das MCP als Cloud-Dienst anbietet. Statt MCP-Server selbst zu hosten, deployt, monitored und skaliert Manufact sie für euch. Das klingt nach einem kleinen Schritt, ist aber ein wichtiges Zeichen: MCP, das Model Context Protocol von Anthropic, wird von der Open-Source-Community ernst genommen. mcp-use, das SDK das Manufact pflegt, hat über 10.000 GitHub Stars. Das ist kein Nischenprojekt mehr, sondern ein ernstzunehmendes Stück Infrastruktur. Was mich an der Geschichte interessiert: Wenn MCP in die Cloud wandert, dann entsteht eine neue Kategorie. Genauso wie AWS aus Amazons internem Projekt entstanden ist und heute Startups weltweit betreibt, könnte eine MCP-Cloud die nächste Welle der Agenteninfrastruktur sein. Hosting, Monitoring, Deployment, Multi-Client-Testing. Das sind alles Dinge, die heute jedes Team selbst baut. Manufact macht daraus einen Dienst. Mein Take: Die Industrialisierung von MCP hat begonnen. Was letztes Jahr noch ein Proof of Concept war, wird dieses Jahr zur Plattform. Und das ist gut, denn je besser die Infrastruktur, desto mehr Leute bauen Agenten.
Was von den heutigen News wirklich zählt? Ein Paper, das zeigt, dass wir beim RL-Training 90 Prozent verschwenden. Ein Tool, das Video-Bearbeitung per Sprachbefehl ermöglicht. Und eine Cloud, die das MCP-Ökosystem in die nächste Phase katapultiert. Drei ganz unterschiedliche Richtungen, aber ein gemeinsames Muster: Die Technik wird für mehr Leute zugänglich. Billigeres Training, einfachere Bearbeitung, bessere Infrastruktur. Das ist die Demokratisierung, von der ich immer rede. Sie passiert nicht auf einmal, sondern Schritt für Schritt an genau diesen Stellen. Und zwar nicht weil die grossen Konzerne sie verschenken, sondern weil Forschung und Open Source die Hürden eine nach der anderen abbauen. Wenn euch die Folge gefallen hat, schreibt mir eine Mail. Die Adresse steht in den Shownotes. Pfiat euch und bis morgen, eure Lissy.