Anthropic hat heute einen Cloud-Deal über 11,6 Milliarden Dollar mit Akamai geschlossen und damit seine Compute-Ausgaben in unter einem Jahr auf über 500 Milliarden Dollar getrieben. Renen Hallak (VAST Data) zeigt parallel die versteckte 30-Milliarden-Dollar-Datenschicht, die diese GPUs speist. Gleichzeitig schrumpfen neue Modelle wie Swift die Denk-Tokens massiv, etwa um 58,5 Prozent. Diese Mischung aus Rechenkapazität, Dateninfrastruktur und Effizienz wird bestimmen, wer im KI-Rennen mithalten kann.
Anthropic's compute spending and the hidden data layer behind GPU fleets.
TDAnthropic hat einen Cloud-Deal über 11,6 Milliarden Dollar mit Akamai geschlossen.
Die Compute-Ausgaben von Anthropic überstiegen innerhalb eines Jahres 500 Milliarden Dollar.
Anthropic signed an $11.6 billion cloud deal with Akamai.
Anthropic's compute spending has passed $500 billion in under a year.
TMRenen Hallak (VAST Data) beschreibt die versteckte 30-Milliarden-Dollar-Schicht, die GPU-Cluster mit Daten versorgt.
Im Fokus steht, wer die Dateninfrastruktur hinter den massiven GPU-Investitionen liefert.
Renen Hallak (VAST Data) maps AI's hidden $30B layer that feeds GPU clusters.
The conversation focuses on who supplies the data infrastructure behind massive GPU investments.
Swift models shrink reasoning tokens and Together AI lowers custom training costs.
LSSwift1.5 27B reduziert Thinking Tokens um 58,5 % bei +0,35 % Score gegenüber der Basis.
Swift Flash Next spart 63,4 % Thinking Tokens, ist 1,8x schneller, mit -0,2 % xhigh-Score-Delta.
Auf Apple Silicon erreichen gepackte Quantisierungen nahe llama.cpp: Qwen3.5-4B 70,4 tok/s vs. 71,8.
Swift1.5 27B cuts thinking tokens by 58.5% while improving score by 0.35% over base.
Swift Flash Next reduces thinking tokens 63.4%, runs 1.8x faster, with -0.2% xhigh score delta.
On Apple Silicon, packed quantized weights hit M2 Max throughput near llama.cpp: Qwen3.5-4B 70.4 tok/s vs 71.8.
TATogether AI zeigt, wie man für 17 Dollar einen eigenen Jev trainiert.
Der Guide richtet sich an Builder, die günstig eigene kleine Modelle erstellen wollen.
Together AI published a guide to train your own Jev for $17.
The post targets builders who want custom small models without high training costs.
From automating Kaggle to debating how we measure AI progress.
LSLatent Space spricht mit Google Fellow John Platt über den AI Scientist, der als Versuch begann, Kaggle zu automatisieren.
Das Video zeigt, wie Googles AI Scientist aus einem Kaggle-Automatisierungsprojekt zu einem Forschungswerkzeug wurde.
Latent Space interviews Google Fellow John Platt on the AI Scientist, which began as an attempt to automate Kaggle.
The video covers how Google's AI Scientist evolved from a Kaggle automation project into a research tool.
IJS Denain (Epoch AI) diskutiert RSI, die USA-China-Lücke und die Ungleichmäßigkeit von KI-Benchmarks.
Die Debatte hinterfragt, wie gut aktuelle Eval-Metriken echten KI-Fortschritt abbilden.
JS Denain (Epoch AI) debates RSI, the US-China capability gap, and jaggedness in AI benchmarks.
The discussion questions how well current eval metrics capture real AI progress.
Can established companies re-found themselves for the AI era?
NPMichael Lee (Sequence Holdings) argumentiert, dass etablierte Unternehmen für die KI-Ära neu gegründet werden können.
Es geht darum, wie Incumbents sich transformieren können, statt ersetzt zu werden.
Michael Lee (Sequence Holdings) argues incumbents can be re-founded for the AI era.
The conversation explores how established companies can transform rather than be replaced.