Überblick

KI-Fachüberblick: Wasserzeichen-Umbau, Mage-VL-Cowork, EditAgent

Ab 3.11. Wasserzeichen auf vier älteren Claude-Modellen - mit Sampling-Lücke. Microsoft öffnet Mage-VL-Cowork (4B); Adobes EditAgent prüft per Messdaten.

, Redaktion KI Fachblatt · mit KI-Unterstützung erstellt, redaktionell verantwortet (so arbeiten wir) · · 3 Min. Lesezeit

Eigene Grafik zu Mage-VL-Cowork: Balken mit 66,0 Prozent OSWorld-Verified für das 4B-Modell gegen 13,9 Prozent für Fara1.5-4B und gestrichelte Mensch-Referenz bei 72,4 Prozent. Herstellerangaben.
Mage-VL-Cowork erreicht laut Microsoft 66,0 Prozent im OSWorld-Verified-Test - bester 4B-Wert, aber unter der Mensch-Referenz von 72,4 Prozent. Herstellerangaben ohne unabhängige Nachmessung, Darstellung nicht maßstäblich. · Eigene Grafik (Redaktion), Daten: Hugging-Face-Modellkarte Microsoft
Kurz gesagt
  • Anthropic erweitert laut Kunden-Mail ab 3.11. das SynthID-basierte Text-Wasserzeichen auf Mythos 5, Opus 4.7, Opus 4.6 und Sonnet 4.6. Bei den beiden 4.6-Modellen greift es nur bei Default-Sampling (temperature, top_p, top_k); Anthropic selbst rät Compliance-Nutzern, die Defaults nicht zu ändern. Bedrock-Rollout kann Tage länger dauern.
  • Microsoft hat Mage-VL-Cowork (4B, Apache 2.0) auf Hugging Face veröffentlicht: ein einzelnes VLM für GUI- und Terminal-Kontrolle ohne externen Orchestrator. OSWorld-Verified 66,0% (Zwei-Läufe-Schnitt, 361 Tasks, 50 Schritte), Mensch-Referenz 72,4% - alles Herstellerangaben ohne unabhängige Replikation.
  • Adobes EditAgent (mit UC San Diego) zeigt: Ein unverändertes VLM mit Verifikationsdaten (Ausschnitt, Änderungskarte, Helligkeits-/Farbmessung) schlägt feingetunte Judge-Modelle (81,3% vs. 74,8% usable picks). Kostenpunkt: rund 10x Compute; Nutzen laut Paper auch als Datenquelle für schnellere Editoren.

Mittagsüberblick vom 2. November 2026. Quellenstand: 09:57 Uhr MEZ. Drei Entwicklungen mit Praxisbezug: eine Kennzeichnungspflicht mit implementierungsbedingter Lücke, ein quelloffener Computer-Use-Agent in der 4B-Klasse und ein Forschungsansatz, der Bewertungsmodelle durch Messdaten ersetzt. Alle Primärquellen vollständig gelesen.

1. Wasserzeichen-Ausweitung ab morgen - die Sampling-Lücke ist der relevante Teil

Anthropic erweitert ab dem 3. November sein Text-Wasserzeichen auf Claude Mythos 5, Opus 4.7, Opus 4.6 und Sonnet 4.6. Das berichten The Decoder und Mashable übereinstimmend aus einer E-Mail an API-Kunden; die Modelle nach dem 2. August 2026 tragen die Markierung laut Anthropics Hilfeseite bereits seit Launch. Technisch handelt es sich um eine SynthID-Text-Variante: ein statistisches Muster in der Token-Auswahl, ohne Zusatzzeichen und laut Anbieter ohne Einfluss auf Sinn, Qualität oder Lesbarkeit.

Der operativ wichtige Punkt steht bei The Decoder: Auf Opus 4.6 und Sonnet 4.6 greift das Wasserzeichen nur, wenn temperature, top_p und top_k auf ihren Defaultwerten bleiben. Jede Abweichung bei einem der drei Sampling-Parameter reicht demnach, die Markierung zu vermeiden. Anthropic selbst warnt in der Mail: "If you rely on the watermark for your own compliance, keep these settings at their defaults." Für Mythos 5 und Opus 4.7 wird diese Einschränkung in der Mail nicht genannt - ob das Wasserzeichen dort parametrisch robuster ist, ist unbelegt. Auf Amazon Bedrock kann der Rollout wenige Tage länger dauern.

Als Begründung für die Nachrüstung älterer Modelle nennt Anthropic die Dezember-Frist der EU-KI-Verordnung; das Unternehmen hat den Verhaltenskodex zu Artikel 50(2) unterzeichnet. Die Detection-API läuft als Private Preview für Regulierer, Medien, Forschende und Compliance-verpflichtete Unternehmen - ein öffentlicher Nachweis ist nicht möglich. The Decoder ordnet ein: OpenAIs Vergleichssystem textGrain ist nur in der EU default-aktiv, Googles SynthID-Text ist quelloffen. Kritik kommt von John Gruber (Wortwahl-Eingriffe seien nie qualitätsneutral) und von Artificial Lawyer (Kanzlei-Szenarien mit KI-Verboten). Beides sind Meinungsbeiträge, keine Messungen.

2. Mage-VL-Cowork: Microsofts 4B-Agent fusioniert GUI- und Terminal-Kontrolle

Microsoft hat Mage-VL-Cowork heute auf Hugging Face unter Apache 2.0 veröffentlicht. Das Besondere laut Modellkarte: Ein einzelnes 4B-Vision-Language-Modell entscheidet selbst, wann es per Screenshot und Mausaktionen (computer_use) und wann es per Code und Terminal (bash) arbeitet - ohne externen Orchestrator. Basis ist Qwen3-4B-Instruct-2507 mit einem eigenen Vision-Backbone (Mage-ViT); Speicherbedarf rund 9,5 Gigabyte in bfloat16.

Die Kernzahl: 66,0 Prozent auf OSWorld-Verified (361 gehaltene Tasks, 50-Schritte-Budget), ermittelt als Schnitt zweier kompletter Benchmark-Durchläufe (65,33% und 66,75%). Das ist laut Microsoft der beste Wert in der 4B-Klasse - zum Vergleich nennt die Modellkarte Fara1.5-4B mit 13,9 Prozent - und liegt unter der menschlichen Referenz von 72,4 Prozent. Alle Werte sind Herstellerangaben; unabhängige Replikationen stehen aus.

Für das Training nennt Microsoft bemerkenswerte Details: eine fünfstufige Pipeline (+20,44 Prozentpunkte von GUI-SFT bis Online-RL), Online-Verstärkungslernen mit +10,16 Punkten gegenüber reinem SFT bei gleichzeitig 13,0 Prozent weniger Modellaufrufen und 25,4 Prozent weniger Ausgabetokens, sowie Mage-CUA-Forge, eine Synthese-Engine, die 293.806 Aufgaben über 6.915 atomare Fähigkeiten erzeugte. Auch der Teacher (GPT-5.4 in einem bereinigten Harness, 92,0%) ist dokumentiert. Wer eigene Computer-Use-Agenten baut, bekommt hier ein vollständiges Rezept statt nur Gewichte.

3. EditAgent: Verifikationsdaten schlagen trainierte Bewertungsmodelle

Adobe Research und UC San Diego legen mit EditAgent (arXiv 2610.39664) eine Antwort auf ein bekanntes Problem vor: Agentische Bildbearbeitung scheitert oft an der Selbstbewertung. In ihrem 600-Edits-Benchmark (blind bewertet von fünf Profis) lieferte der General-Editor Flux-2-Klein-9B in 42,7 Prozent der Fälle kein brauchbares Ergebnis; spezialisierte Werkzeuge lösten rund zwei Drittel dieser Versager, weitere Wiederholungen mit demselben Editor fast nichts. Parallele Varianten aus dem Original schlugen iterative Verfeinerung in 78,5 Prozent der Vergleiche - bei halbiertem Evaluationsaufwand.

Der zentrale Befund betrifft den Judge: Sieben unveränderte VLMs, die statt des Gesamtbilds einen Verifikationsdatensatz sehen (Ausschnitt des editierten Bereichs, Änderungskarte, gemessene Helligkeits- und Farbstatistik), übertrafen allesamt jedes feingetunte Bewertungsmodell. Bestwert: Qwen3.8-27B mit 81,3 Prozent usable picks gegenüber EditScore-72B mit 74,8 Prozent. Eine History-Prüfung fängt zudem Fälle ab, in denen spätere Schritte frühere Edits still rückgängig machen.

Die Kehrseite: EditAgent braucht laut Paper rund zehnmal so viel Rechenleistung wie ein Einzeleditor, und die Qualität hängt vom angeschlossenen Werkzeugpool ab. Als Datengenerator ist der Ansatz dagegen validiert: Aus 25.700 verifizierten Ergebnissen feingetunte Editoren verbesserten sich auf allen drei Benchmarks, während direkt von FLUX erzeugte Trainingsdaten das eigene Modell verschlechterten. Einordnung: eigener Benchmark der Forscher, Prototyp ohne Produktzusage - aber methodisch relevant für alle, die Agenten-Output automatisiert bewerten.

Quellen

  1. How Claude marks AI-generated content (Hilfeseite), Anthropic (abgerufen 2026-11-02)
  2. Anthropic's watermark rollout leaves a loophole on two older Claude models, The Decoder (abgerufen 2026-11-02)
  3. Anthropic expands text watermarking to older Claude versions beginning November 3, Mashable (abgerufen 2026-11-02)
  4. microsoft/Mage-VL-Cowork (Modellkarte, Apache 2.0), Hugging Face / Microsoft (abgerufen 2026-11-02)
  5. Mage-VL-Cowork: 4B Hybrid GUI + Code Computer-Use Agent (Projektseite), Microsoft (abgerufen 2026-11-02)
  6. EditAgent: Rethinking Agentic Image Editing (Paper), arXiv (Adobe Research / UC San Diego) (abgerufen 2026-11-02)
  7. Adobe is testing how well AI agents can use editing tools like a Photoshop professional would, The Decoder (abgerufen 2026-11-02)

Häufige Fragen

Gilt die Sampling-Lücke beim Wasserzeichen für alle vier Modelle?

Nein. Laut The Decoder nennt die Kunden-Mail die Default-Bedingung nur für Opus 4.6 und Sonnet 4.6. Für Mythos 5 und Opus 4.7 wird sie nicht erwähnt; ob das Wasserzeichen dort bei verändertem Sampling weiter trägt, ist unbelegt.

Ist Mage-VL-Cowork produktionsreif?

Das Modell ist ein Forschungs-Release unter Apache 2.0 mit offenem Trainingsrezept. Die 66,0 Prozent OSWorld-Verified sind Herstellerangaben ohne unabhängige Replikation, und ein Rechner-Agent braucht ohnehin eine isolierte Testumgebung. Für Experimente und Evaluierung ist es sofort nutzbar.

Was ist der praktische Nutzen von EditAgent, wenn es zehnmal so viel Compute braucht?

Laut Paper vor allem als Datenquelle: Die verifizierten Ergebnisse (rund 26.000 Beispiele) verbesserten feingetunte Editoren auf allen drei getesteten Benchmarks. Direkte Bearbeitung in Echtzeit ist wegen des Aufwands nicht der Fokus.

Weiterlesen