Markus Ertel

Founder @ TOPACA AI Labs · Applied Cognitive AI · Personal AI, Business AI & Cognitive Computing · From software to cognition. · Austria 🇦🇹

[Markus Ertel @ertel_markus]

Derzeit beschäftigt mich eine Frage:
"Wie muss eine Organisation aufgebaut sein, wenn Human Responsibility (menschliche Verantwortung) und Machine Organization (maschinelle Organisation) systematisch voneinander getrennt werden?"

[Markus Ertel @ertel_markus]

@Strombock Der unangefochtene Marktführer mit ca. 11,3 Millionen Fahrzeugen ist Toyota gefolgt von Volkswagen Group mit 8,9 bis 9,2 Millionen sowie Hyundai Motor Group mit 7,1 bis 7,6 Millionen Fahrzeugen.
Tesla produziert rund ca. 1,8 Millionen Einheiten weltweit und liegt auf Platz 18.

[Markus Ertel @ertel_markus]

Europa muss nicht versuchen, die USA beim Aufbau immer größerer zentraler KI-Fabriken zu kopieren. Das wäre, als hätte man in den 1980ern beschlossen, mehr Mainframes zu bauen – während gerade der Personal Computer entstand.

[Markus Ertel @ertel_markus]

@Artist8145 @derleomartin Das wirkliche Problem sind die in Europa nicht vorhandenen Daten um ein Frontier-Modell zu trainieren. Hier halten wir uns an Urheberrechte und können nur lizenzfreie oder lizensierte Daten verwenden.

[Markus Ertel @ertel_markus]

@Artist8145 @derleomartin Ich blende die Investitionen in Rechencluster nicht aus. Ganz im Gegenteil. In den USA ist dies ein Geldkarusell und erzeugt eine Überbewertung von Frontier-Labs.

Übrigens: Der Markt hat das schon lange erkannt und die Statistiken von OpenRouter belegen das.

[Markus Ertel @ertel_markus]

@Artist8145 @derleomartin Natürlich verändert eine KI die lokal und effizient betrieben werden kann und mit Frontier-Modellen mithält die gesamte Annahme, dass KI-Infrastruktur nur in der Cloud betrieben werden kann.
Aus meiner Sicht haben OpenAI, Anthropic und Co. den Wettlauf um die KI bereits verloren.

[Markus Ertel @ertel_markus]

@derleomartin Aber kleinere, effizientere Modelle werden zunehmend lokal auf PCs, Workstations, Unternehmensservern, Smartphones und Edge-Systemen laufen.
Wir brauchen die Basisinfrastruktur – aber gleichzeitig eine europäische Strategie für dezentrale, lokale und souveräne KI.

[Markus Ertel @ertel_markus]

@derleomartin Heute befinden wir uns in einer Mainframe-Phase der KI: Wenige Konzerne betreiben gigantische Modelle in gigantischen Rechenzentren, und Millionen Menschen greifen über Terminals – heute Browser und Apps – darauf zu.

[Markus Ertel @ertel_markus]

@derleomartin Auch Computer wurden zur Infrastruktur unserer Wirtschaft. Trotzdem bestand die richtige Strategie der 1980er nicht darin, ausschließlich immer größere Mainframes zu errichten. Der entscheidende Entwicklungsschritt war, Rechenleistung zu verteilen.

[Markus Ertel @ertel_markus]

@derleomartin Natürlich braucht Europa Rechenzentren, Energie, Netze, Halbleiterproduktion und leistungsfähige Cloud-Infrastruktur. Aber aus „KI ist Infrastruktur“ folgt nicht automatisch: Wir müssen möglichst viele gigantische zentrale KI-Fabriken nach amerikanischem Vorbild bauen.

[Markus Ertel @ertel_markus]

@E_Boeminghaus Ich stimme der Vermutung, dass es eine Kampagne ist zu. Allerdings die Beweggründe sind aus meiner Sicht andere.
Auf dem Weg zur selbstdefinierten AGI benötigen die US-Tech-Giganten für die letzten 20% noch 80% weiteres Kapital. Und das bezahlt kein Aktionär.

[Markus Ertel @ertel_markus]

That’s the idea behind LLM-CMS.
https://t.co/rha9Ep4mCM

[Markus Ertel @ertel_markus]

What if the future of CMS is… less CMS?

Human provides intent.
AI agent handles meaning.
The repository holds the state.
Deterministic systems enforce the rules.
No admin UI. No page builder. No AI lock-in.
The website becomes a cognitive workspace.

Link in first comment.

[Pi Changelog @PiChangelog]

Pi v0.85.0 is out!

Highlights:
- Persistent Claude thinking effort: Anthropic transports preserve per-turn effort and recover from signed-thinking mismatches
- Fullscreen transcript controls: jump to the latest message from a scrolled view with an embedded working indicator
- Restorable in-memory sessions: resume externally stored session entries through the SDK

Complete details in thread ↓

[Mia @MiaAI_lab]

claude down
grok down
codex down

[Markus Ertel @ertel_markus]

@johnternus Congratulations.

[Pi @pidotdev]

Pi now has 100000 stars on GitHub⭐️Thank you People of Pi for your contributions and support. The community is growing faster than ever!

Pi v2 coming soon…

[小墨同学 @xiaomovps]

很多人用 Pi，但未必知道背后这个人。

Pi Agent 的作者叫 Mario Zechner，X 上是 @badlogicgames。奥地利人，以前不是做 AI 的，是做游戏框架的。libGDX 就是他搞出来的，Ingress、杀戮尖塔这些都用过。

后来还做过 RoboVM，公司卖了又被微软关掉，社区反噬那一套他经历过，所以现在特别不愿意自己去融一堆钱当 CEO。

2025 年底他自己折腾了一个极简 coding agent，两晚写出来，本来只给自己用。默认就四个工具：read、write、edit、bash，系统提示词压得很短，其他全靠你自己加。口号也写得很直：There are many agent harnesses, but this one is yours。

后来 Flask 作者 Armin Ronacher 的公司 Earendil 把 Pi 收了，Mario 入股并加入团队。他自己发文标题就叫 I've sold out，写得很坦率：不想再走一遍创业那套高压，家里有小孩，但又希望 Pi 能有人养着别停更。技术方向还是他拍板，核心继续开源。

这人说话冲，bio 写的是 Old man yelling at Claudes。讨厌 Agent 越做越重、提示词越写越长。他自己还专门测过 MCP 和 CLI，结论也和很多人实际感受一样：CLI 往往更省、更稳。
所以 Pi 长成现在这样，不是产品经理堆出来的功能清单，是一个老开源作者按自己脾气做的壳。你喜欢它干净、可改、不绑死模型，基本都能从他这个人身上对上号。

感兴趣的话可以去看他博客 https://t.co/DEJ5r0GRU6，或者直接关注 @badlogicgames。产品号是 @pidotdev。

[David Hendrickson @TeksEdge]

🔥 This may be one of the stronger open-model releases I've seen lately.

🎉 It beats GLM-5.2 and DeepSeek-V4-Flash-0731 across every benchmark.

Ornith-1.5 was released, and it's a 397B MoE under the MIT license.

The training method is interesting

Instead of only learning from a fixed pile of training data, Ornith-1.5 uses a self-improvement loop where the model:
🧠 Invents new tasks
🛠️ Builds its own task-specific harness/scaffold
🤖 Attempts the problem
⚖️ Evaluates the result
📈 Trains on what happened
🔁 Then generates harder problems near the edge of its abilities

So, as the model improves, it tries to make its own training problems harder.

And Ornith says the resulting 397B model is competitive with frontier closed models on several agentic/coding benchmarks.

Examples of benchmarks ...
💻 Terminal-Bench 2.1
Ornith-1.5: 86.1
Opus 4.8: 85.0

🛠️ SWE-bench Verified
Ornith-1.5: 86.0
Opus 4.8: 85.8

🌐 BrowseComp
Ornith-1.5: 86.6
Opus 4.8: 84.3

⚠️ These are Ornith's own reported benchmarks, and Opus still wins other tests, so independent validation matters.

It is ...
🔓 MIT licensed
📦 Weights downloadable NOW
🗜️ Official GGUF available
⚡ Official NVFP4 build available
💾 Q4 GGUF: ~241GB

It's a 397B model you can download, quantize, dissect right now.