Kimi Linear breitet sich aus: Jedes Modell, das wir verifizieren können, führt tatsächlich KDA aus.

"Wow! Kimi-Linear setzt sich durch! Das ist schon das dritte externe Modell, das ich sehe." Das war der gesamte Beitrag – eine Zeile von @teortaxesTex vom 5. August 2026, mit angehängtem Screenshot und ohne dass ein einziges Modell genannt wurde. Der darin enthaltene gekürzte Link führt zum Bild, nicht zu einem Repository, es gibt also nichts zum Durchklicken und nichts zum Bestätigen. Die Behauptung ist trotzdem überprüfbar, und sie bedeutet mehr, als ein Einzeiler vermuten lässt: Wenn andere Labs als Moonshot AI jetzt auf der Aufmerksamkeitsarchitektur hinter Kimi-Linear-48B-A3B-Instruct und Kimi K3, dann hat Kimi Delta Attention aufgehört, ein hausinterner Trick eines einzelnen Labs zu sein, und begonnen, zu einer Zutat zu werden, die andere übernehmen. Also haben wir uns auf die Suche nach den Modellen gemacht, statt nach dem Screenshot zu suchen. Die kurze Antwort: Der stärkste Fall ist Ling-3.0-flash, dessen eigene Modellkarte einen 5:1-Stapel aus KDA- und MLA-Schichten beschreibt; der nützlichste Fall ist ein Forschungs-Checkpoint eines US-Labs, der beziffert, was reines KDA kostet; und im Frontier-Maßstab hat es niemand außerhalb von Moonshot veröffentlicht.

Was die Behauptung ist und was sie nicht ist

Ein Praktiker, ein Screenshot, kein benanntes Modell, keine Bestätigung. Das ist die gesamte Beweisgrundlage für „gewinnt an Verbreitung“ – und es sollte als Aufforderung zum Nachprüfen gelesen werden, nicht als Nachricht. Wir konnten den Screenshot nicht reproduzieren, also ist nichts davon eine Bestätigung – alles, was folgt, ist das, was die öffentlichen Modell-Metadaten am 5. August 2026 zeigten, als wir danach suchten, plus das, was jedes Labor in seiner eigenen Modellkarte angibt. Wo eine Zahl aus einer eigenen Messung des Anbieters stammt, ist sie entsprechend gekennzeichnet, denn in dieser speziellen Geschichte trifft das auf fast jede Schlagzeilenzahl zu.

Ein Screen bei Kimi Linear, denn „Adoption“ bedeutet, dies zu übernehmen.

Kimi Linear ist eine Attention-Architektur, die vom Kimi-Team am 30. Oktober 2025 als arXiv 2510.26692 veröffentlicht wurde – kein Produkt. Ihr Kern ist Kimi Delta Attention (KDA), die Gated DeltaNet nimmt und dessen grobes Forget-Gate durch feinkörnigen, kanalweisen Zerfall ersetzt, sodass der rekurrente Zustand Kanal für Kanal lernt, was er behalten soll, statt pauschal. Das Update wird in gechunkte Diagonal-Plus-Low-Rank-Form umstrukturiert, gezielt damit es auf Tensor-Cores landet, statt sie ungenutzt zu lassen. Dieses Hardware-Framing ist der Sinn des Designs: Lineare Attention war in der Theorie schon immer billig und in der Praxis meist enttäuschend.

Die veröffentlichten Checkpoints — Kimi-Linear-48B-A3B-Base und Kimi-Linear-48B-A3B-Instruct — haben insgesamt 48B Parameter, davon 3B aktiv, ein Kontextfenster von 1M Token und eine MIT-Lizenz. Die Schichten wechseln sich grob im Verhältnis 3:1 ab, zwanzig KDA-Schichten zu sieben Multi-Head-Latent-Attention-Schichten, sodass drei von vier Schichten vom kostengünstigen rekurrenten Typ sind und jede vierte exakte globale Aufmerksamkeit beibehält.

Was Moonshot berichtet, alles gemessen gegen eine vollständige MLA-Baseline, die mit einem identischen Rezept trainiert wurde — Herstellerzahlen, nicht unabhängig reproduziert:

• Dekodierungsdurchsatz — bis zu 6x schnellere Zeit pro Ausgabe-Token bei 1M Kontext gegenüber vollständigem MLA

• KV cache — bis zu 75% kleiner, daher der Durchsatz

• Langer Kontext — RULER bei 128k: 84.3 für Kimi Linear mit einer 3.98x Beschleunigung, gegenüber 81.3 für die MLA-Baseline

• Kurzkontext — MMLU-Pro bei 4k: 51,0 gegenüber 47,2 für die MLA-Baseline und 47,9 für einen Gated-DeltaNet-Hybriden, bei etwa gleicher Geschwindigkeit wie vollständige Aufmerksamkeit. Das Design erkauft sich die Langkontext-Geschwindigkeit also nicht, indem es Kurzkontext-Qualität aufgibt.

• Pretraining-Ablation — das 3:1-Hybrid erreicht eine Validierungs-Perplexität von 5.65, während volle Aufmerksamkeit bei 5.77 landet

Die ehrliche Grenze bei all dem: Die Belege aus abgeglichenen Baselines enden bei 48B. Niemand hat einen 2.8T-Zwilling von Kimi K3 mit vollständiger Aufmerksamkeit gebaut, um ihn zu vergleichen, und zum Zeitpunkt eines Faktenchecks Ende Juli 2026 zu den Behauptungen über die K3-Architektur waren für keines der beiden Modelle unabhängige Long-Context-Recall-Tests ohne Shortcuts veröffentlicht worden. Die Effizienzgeschichte ist gut belegt. Die Geschichte, dass es vollständige Aufmerksamkeit übertrifft, wird im Forschungsmaßstab von dem Labor gestützt, das das Paper geschrieben hat.

Die Zugkraft zeigte sich bisher eher in Downloads als in den Architekturen anderer: 98.164 Downloads im letzten Monat, 570 Likes, ein auf Hugging Face gelisteter Inferenzanbieter und ein Modellbaum mit 2 Adaptern, 8 Feintunings und 24 Quantisierungen. Beliebt, eindeutig. Ob es kopiert wird, ist eine andere Frage.

Der stärkste Anwendungsfall: Ling-3.0-flash

{{1}}Ling-3.0-flash{{/1}} ist das Modell, das die Behauptung Realität werden lässt. Seine Hugging-Face-Karte beschreibt eine {{2}}native hybride lineare Aufmerksamkeitsarchitektur{{/2}}, aufgebaut aus einem {{3}}5:1-alternierenden Stack aus Kimi-Delta-Attention und MLA{{/3}} — {{4}}35 KDA-Schichten zu 7 gegateten MLA-Schichten{{/4}} — auf einem {{5}}Mixture-of-Experts-Modell mit 124B Parametern und 5,1B aktiven Parametern pro Token{{/5}}, einem {{6}}256K-Kontext, trainiert in einer 8K-zu-32K-zu-256K-Progression{{/6}}, und einer {{7}}MIT-Lizenz{{/7}}. Das ist kein Forschungsspielzeug eines Hobbyisten; es ist ein ausgeliefertes Modell eines etablierten Labors, und es nennt {{8}}Moonshots Aufmerksamkeitsmodul{{/8}} in seiner eigenen Architekturbeschreibung.

Es ist dabei auch aggressiver als Moonshot. Bei Moonshot ist eine von vier Schichten eine Exact-Attention-Schicht; bei Ling-3.0-flash ist es eine von sechs. Wenn ein Design ein Nachteil ist, sichert man sich ab; man setzt nicht weniger globale Schichten ein als diejenigen, die es erfunden haben. Im Kontext der früheren Generation betrachtet, ist das ein Wechsel: Die Architekturübersichten vom Februar 2026, die diese Modellklasse katalogisierten, verzeichneten das bisherige Ling-Flaggschiff mit Lightning Attention, gepaart mit MLA im Verhältnis 7:1. Der Mechanismus änderte sich zwischen den Generationen, und die Richtung der Änderung führte hin zu KDA.

Zwei Vorbehalte werden wir nicht unter den Teppich kehren. Das ist kartenbasiert berichtet: Wir haben die Architekturbeschreibung des Repositorys und seine Konfiguration gelesen, die einen benutzerdefinierten Modelltyp `bailing_hybrid` mit einer `BailingMoeV3`-Implementierung deklariert — wir haben die Kernel nicht geprüft, um zu bestätigen, dass die Mathematik KDA ist und nicht nur von KDA inspiriert. Und das Repository trägt überhaupt keinen KDA-Tag; was in einer Tag-Suche auftaucht, ist eine Drittanbieter-GGUF-Konvertierung, die jemand anderes gekennzeichnet hat. Das ist eine nützliche Warnung zur Methodik und führt direkt zu den nächsten beiden Abschnitten.

Arcee AI hat das Experiment durchgeführt, Moonshot nicht.

Die aufschlussreichste externe Nutzung von KDA ist überhaupt kein Produkt. Etwa sechs Wochen nach dem Kimi-Linear-Paper, Mitte Dezember 2025, veröffentlichte Arcee AI zwei Apache-2.0-Forschungscheckpoints — AFM-4.5B-Base-KDA-Only und AFM-4.5B-Base-KDA-NoPE — unter ihrer eigenen ArceeKDAForCausalLM-Implementierung, ausdrücklich mit „kimi-delta-attention“ gekennzeichnet. Ihre Frage war genau die, die Moonshots Hybriddesign sorgfältig umgeht: Kann vollwertige Attention vollständig ersetzt werden? Also konvertierten sie alle 24 Attention-Schichten zu KDA, ohne globale Attention-Schichten übrig zu lassen, und destillierten das Ergebnis mit dem ursprünglichen AFM-4.5B-Base als Lehrer bei 32k Sequenzlänge.

Ihre berichteten Ergebnisse, Lehrer gegen reinen KDA-Schüler:

• MMLU — von 63.1 auf 55.8, ein echter, aber verkraftbarer Rückgang.

• GSM8K — von 52.1 auf 26.8, etwa halbiert

• HellaSwag — von 78.0 auf 74.3, nahezu unverändert

Die Form dieses Schadens ist der interessante Teil. Allgemeinwissen und die Fähigkeit, mit gesundem Menschenverstand fortzusetzen, überleben es größtenteils, durch einen rekurrenten Zustand fester Größe gepresst zu werden. Mehrstufige Arithmetik, die den exakten Abruf von Zwischenergebnissen erfordert, die das Modell vor mehreren Schritten geschrieben hat, überlebt es nicht. Arcee berichtet außerdem, dass die Verschlechterung bei langen Kontexten allmählich erfolgt, ohne abrupten Abfall. Zusammengenommen ist es der klarste öffentliche Beleg dafür, warum jede ernsthafte KDA-Bereitstellung ein Hybrid ist: dass Moonshot jede vierte Schicht global ausführt und Ant jede sechste, ist keine Zurückhaltung, sondern der Teil, der die Arithmetik bewahrt.

Was es nicht ist: ein Urteil über KDA im großen Maßstab. Dies ist eine 4.5B-Destillation, kein Pretraining-Lauf, und die Destillation in eine veränderte Architektur verliert Dinge, die ein Pretraining von Grund auf nicht verlieren würde. Betrachten Sie es als die Ablation, für deren Veröffentlichung ein Anbieter keinen Anreiz hatte — von einem unabhängigen Labor, das kein Interesse am Ergebnis hatte.

Der lange Schwanz: ein Bündel winziger KDA-Repos in einer einzigen Woche

Unterhalb der beiden ernsthaften Fälle findet sich eine Handvoll kleinerer Fälle, und die Upload-Daten sind es, die sie erwähnenswert machen. NEXIVON-1B-BASE, hochgeladen am 31. Juli 2026, gibt seinen Modelltyp wörtlich als kda an — Apache-2.0, 285 Downloads, keine Likes. qingyi-kda-0.6b, in derselben Woche, ist ein Qwen3-0.6B-Base-Finetune, das eine eigene qingyi_kda-Implementierung enthält. Scrapegoat-Tiny-Coder, ebenfalls in dieser Woche, kombiniert ein kda-Tag mit einem eigenen „dual-track parallel attention“-Design. Zwei weitere, maccy-106m-base und maccy-96m-16k-base, wurden am 27. und 28. Juli als kimi-delta-attention getaggt.

Keines davon ist für sich genommen wichtig — einstellige Likes, unbekannte Autoren, Parameterzahlen im Forschungsmaßstab. Zusammen sind sie wahrscheinlich das, was die Zählung des „dritten externen Modells, das ich sehe“ erfasst, und wir können nicht bestätigen, welche drei gemeint sind, da der Beitrag keine nannte. Das Signal darin liegt nicht in den Modellen, sondern in den zehn Tagen: Vier unabhängige kleine Trainingsläufe erreichten KDA innerhalb von anderthalb Wochen, was passiert, wenn ein Kernel kein Forschungsartefakt mehr ist, sondern etwas, das man übers Wochenende in ein Trainingsskript einbauen kann.

Was die Durchsuchung nicht fand

Wir haben Hugging Face nach allen Repositories durchsucht, die den Modelltyp kimi_linear führen. Es waren 47. Alle bis auf drei haben „Kimi“ im Namen, und die, die nicht von Moonshot selbst stammen, sind eher Ableitungen als echte Übernahmen: AWQ-, GPTQ-, FP8-, NVFP4-, SINQ-, GGUF- und MLX-Quantisierungen in jeder Bitbreite; REAP-expertengekürzte 35B-Varianten von Cerebras; und FlagRelease-FlagOS-Builds des Instruct-Checkpoints für NVIDIA-, MetaX- und Hygon-Beschleuniger. Diese letzte Gruppe ist aus einem anderen Grund wirklich interessant – jemand hat die Arbeit investiert, um KDA auf einheimischer chinesischer Silizium-Hardware zum Laufen zu bringen –, aber nichts davon ist ein anderes Labor, das ein anderes Modell entwickelt.

Kein Frontier-Modell außerhalb von Moonshot meldet KDA. Ling-3.0-flash mit 124B insgesamt und 5,1B aktiven Parametern ist derzeit die Obergrenze der externen Adoption.

Und die Methode hat eine Lücke, die einen Namen verdient, weil sie unserem eigenen negativen Ergebnis zuwiderläuft. Ein Labor, das KDA neu implementiert, registriert seinen eigenen Modelltyp — arcee_kda, qingyi_kda, bailing_hybrid — daher untererfassen Tag-Durchsuchungen systematisch genau die Anwender, nach denen wir suchen, und ein Modell kann den Mechanismus nutzen, ohne jemals „KDA“ auf seiner Karte zu schreiben. Das Fehlen eines Tags ist ein schwaches Indiz, kein Beweis. Wenn es einen vierten oder fünften stillen Anwender gibt, bleibt er auf genau diese Weise unsichtbar.

Alle anderen haben eine andere lineare Aufmerksamkeit gewählt.

The reason "Kimi Linear is gaining adoption" is a story at all is that, for most of 2026, it wasn't. Hybrid linear attention swept the open-weight field — but not this variant of it. Per the architecture surveys published in February 2026: Qwen3-Next 80B-A3B and Qwen3.5-397B-A17B both pair Gated DeltaNet with gated attention at 3:1, meaning Qwen3.5-397B-A17B runs 45 recurrent layers against 15 full-attention ones out of 60. The previous Ling flagship used Lightning Attention with MLA at 7:1. Nemotron 3 Nano 30B-A3B and Super 120B-A12B are Mamba-2 hybrids, with just 6 attention layers in a 52-layer stack and 8 in an 88-layer stack respectively. GLM-5 stayed with MLA and added sparse attention on top. MiniMax-M2.5 went the other way entirely and kept plain multi-head attention, reportedly for reliability. And Kimi K2.5, Moonshot's own flagship before K3, was MLA — the lab published KDA in October 2025 and did not put it in its frontier model until July 2026.

Die Kategorie gewann also, die Variante jedoch nicht. Alle sind sich einig, dass drei Viertel Ihrer Schichten rekurrent sein können; niemand war sich einig, welche Rekurrenz. Das Unterscheidungsmerkmal von KDA ist das Per-Kanal-Decay-Gate, und sein Preis ist, dass Sie seine benutzerdefinierten Kernel und seine Prefix-Caching-Infrastruktur benötigen, anstatt des Gated-DeltaNet-Pfads, den bereits die Hälfte des Ökosystems hatte. Bis zu diesem Monat hat ein Labor diesen Preis bezahlt.

Die bereits erfolgte Adoption befindet sich in den Serving-Stacks.

Architekturen verbreiten sich nicht, weil sie elegant sind; sie verbreiten sich, wenn die Infrastruktur sie günstig macht. Dieser Teil ist für KDA bereits erledigt, und es geschah schneller als die Übernahme der Modellkarte. Sowohl vLLM als auch SGLang boten Unterstützung am Tag null, als die Gewichte von Kimi K3 am 27. Juli 2026 veröffentlicht wurden, wobei Moonshot seine KDA-Präfix-Caching-Implementierung direkt in vLLM integrierte, anstatt einen Fork zu pflegen. SGLang lieferte fusionierte KDA- und Gated-DeltaNet-Kernel aus und meldete eine logische KV-Kapazität, die auf identischer Hardware von 1,5 M auf 12,2 M Token stieg – eine eigene Messung und die konkreteste Effizienzzahl von Drittanbietern in dieser gesamten Geschichte. Die Referenzkernel befinden sich in fla-core, das jeder kleine Trainingslauf importieren kann.

Das ist der Unterschied zwischen Arcee, das im Dezember 2025 einen bewussten Forschungsaufwand benötigte, und vier anonymen Repos, die in einer Woche im Juli 2026 beiläufig KDA deklarierten. Der Mechanismus wurde zu einer Abhängigkeit, die man installiert. Ob die Spitze folgt, ist eine separate Frage, aber das Reibungsargument gegen KDA hat sich weitgehend verflüchtigt.

Was sich ändert, wenn du nur Tokens kaufst

Es hat nichts mit deinem Code zu tun. Du rufst KDA nie auf; du erlebst es als das, was ein Millionen-Token-Kontext kostet und wie lange der erste Token braucht. Kimi K3 ist das Modell, bei dem sich das heute kommerziell zeigt — auf OrcaRouter kostet es 3,00 $ pro Million Input-Token und 15,00 $ pro Million Output, mit dem vollständigen 1M-Token-Kontext und einer gemessenen p50-Zeit bis zum ersten Token von 8,88 Sekunden in den letzten sieben Tagen. Diese Kostenstruktur ist im Wesentlichen das, was der 3:1-KDA-Hybrid erkauft: einen Millionen-Token-Kontext zu einem Preis, der lediglich teuer, aber nicht unerschwinglich ist.

Der Forschungs-Checkpoint ist eine andere Sache. Kimi-Linear-48B-A3B-Instruct ist MIT-lizenziert und auf seiner Hugging-Face-Seite ist ein Inferenzanbieter aufgeführt; es ist nicht auf OrcaRouter – wenn du es ausführen willst, bedeutet das Selbsthosting oder diesen Anbieter. Die Rechnung fürs Selbsthosting ist freundlicher, als die Parameteranzahl vermuten lässt: 48B Gewichte in bf16 entsprechen grob 96 GB, also zwei 80-GB-Karten, während die 4-Bit-MLX- und GGUF-Konvertierungen bei etwa 25–30 GB liegen und auf eine einzelne Karte oder einen gut ausgestatteten Mac passen. Ling-3.0-flash ist heute ebenfalls nicht auf OrcaRouter. Wir werden nicht so tun, als wäre es anders, nur um eine Aussage über Routing zu treffen.

Wo Routing hier tatsächlich eine Rolle spielt, sind die Kosten, wenn man sich bei einer Architektur-Wette irrt. Hybride lineare Attention-Modelle sind genau die Klasse, bei der die Benchmark-Tabelle des Anbieters und Ihre Workload auseinandergehen können — ein rekursiver Zustand fester Größe versagt bei Retrieval-Mustern, die kein aggregierter Score offenlegt, und das ist die Lehre aus der halbierten GSM8K-Zahl. Den Vergleich über einen einzigen API-Schlüssel über 200+ Modelle hinweg laufen zu lassen bedeutet, dass der Test ein geänderter Modell-String ist und kein Beschaffungszyklus, zum Listenpreis des Anbieters mit 0 % Aufschlag auf unserer Seite und mit automatischem Failover, sodass ein Long-Context-Modell, das Sie noch evaluieren, kein Single Point of Failure in einem Produktionspfad darstellt. Probieren Sie es einen Tag lang mit Ihrem eigenen Long-Context-Traffic aus. Das ist eine günstigere Antwort als jede Benchmark-Tabelle, auch unsere.

Fragen, die sich tatsächlich zu stellen lohnen

Ist Kimi Linear dasselbe wie Kimi K3?

Nein, und sie miteinander zu verwechseln ist der häufigste Fehler in der Berichterstattung über beide. Kimi Linear ist das Architektur-Paper plus ein Forschungsmodell mit insgesamt 48B Parametern, 3B aktiven Parametern und einem 1M-Kontext, das Ende 2025 unter MIT-Lizenz veröffentlicht wurde, um zu zeigen, dass ein KDA-lastiger Hybrid bei gleichem Training volles MLA schlägt. Kimi K3 ist Moonshots Flaggschiff mit 2,8 Billionen Parametern aus Juli 2026 — 104B aktiv, nativ multimodal, 1M Kontext — das die KDA-at-3:1-Idee auf Frontier-Skalierung brachte und Attention Residuals hinzufügte, einen separaten Trick, von dem das Labor berichtet, dass er etwa 25 % Trainingseffizienz für unter 2 % zusätzliche Kosten einbringt. Gemeinsamer Mechanismus, völlig andere Größenordnung, Fähigkeiten und Preis. Benchmarks des einen sagen sehr wenig über das andere aus.

Warum würde ein Labor KDA dem Gated DeltaNet vorziehen, wenn die meisten sich für Gated DeltaNet entschieden haben?

KDA ist eine strenge Verfeinerung von Gated DeltaNet, daher stellt sich die Frage, ob die Verfeinerung die Umstellungskosten wert ist. Die Verfeinerung ist das Gate: Gated DeltaNet lässt sein rekurrentes Gedächtnis mit einem Skalar pro Schritt abklingen, während KDA einen Abklingfaktor pro Merkmalskanal lernt, was es dem Zustand ermöglicht, einen Variablennamen über zehntausend Token hinweg zu halten und gleichzeitig den Satz, in dem er vorkam, zu verwerfen. Moonshots Ablation beziffert das auf etwa 0,12 Validierungs-Perplexität bei 48B, und seine Chunked-DPLR-Formulierung wurde entwickelt, um die Tensor-Cores auszulasten, sodass die zusätzliche Ausdruckskraft nicht den Durchsatz kostet, den sie einbringt. Demgegenüber verfügte Gated DeltaNet bereits über breite Kernel- und Framework-Unterstützung, bevor eine der beiden Methoden in Mode war, was echte Entwicklungszeit wert ist. Die Antwort 2026 war größtenteils „nicht lohnenswert“. Ling-3.0-flash ist die erste Produktionsumgebung-Wette in die andere Richtung.

Sollte irgendetwas davon das ändern, was ich in diesem Quartal ausliefere?

Nur wenn Sie sehr lange Kontexte ausführen. Wenn Ihre Prompts unter etwa 32k Token liegen, ist hybride lineare Aufmerksamkeit ein Implementierungsdetail ohne Einfluss auf Ihre Modellwahl; wählen Sie wie üblich nach Qualität, Preis und Latenz. Wenn Sie 128k und mehr ausreizen, sollten Sie wissen: Die Modelle, die Ihre Kosten bei dieser Länge im Rahmen halten, sind zunehmend KDA-Hybride, und ihre veröffentlichten Long-Context-Werte sind eher aggregierte Benchmarks als adversariale Abruftests. Testen Sie den Abruf bei Ihrer tatsächlichen Kontextlänge, anstatt einem RULER-Score zu vertrauen. Dieser Ratschlag wäre identisch, wenn der Mechanismus Gated DeltaNet oder Mamba-2 wäre.

Was das für die Behauptung bedeutet

Vom Ansatz her richtig und kleiner, als es sich anhört. Was sich am 5. August 2026 verifizieren lässt, ist ein Produktionsmodell aus einem etablierten Labor, ein Forschungspaar aus einem unabhängigen US-Labor, das die ehrliche Kehrseite veröffentlicht hat, eine Handvoll Sub-1B-Repos aus den letzten zehn Tagen und ein Serving-Ökosystem, das den Kernel bereits aufgenommen hat. Das ist mehr als ein „Trick eines Labors“ und viel weniger als ein Standard. Die Zahl, auf die es ankommt, sind nicht drei externe Modelle – sondern ob die nächste Open-Weight-Veröffentlichung aus einem Labor, das nicht Moonshot ist, Per-Channel-Gating ausliefert, und ob jemand außerhalb von Moonshot jemals eine Recall-Probe veröffentlicht, die testet, was der Zustand fester Größe tatsächlich vergisst. Beides würde dir mehr sagen als ein weiterer Screenshot.