Ling-3.1-flash-1019 zieht bei 44 mit Kimi K3 gleich — und es gibt weiterhin nichts zum Herunterladen.

Die Zahl kam vor dem Modell. Am 22. Oktober stellte das Ling-Team bei Ant Group Ling-3.1-flash-1019 in eigener Sache vor – mit einer Punktzahl und einem daran geknüpften Versprechen: 44 auf dem Artificial Analysis Intelligence Index, ein Anstieg von 41 für Ling-3.1-flash eine Woche zuvor, und gleichauf mit Moonshots Kimi K3. Derselbe Beitrag besagt, API-Zugang und offene Gewichte seien „in Kürze verfügbar“. Die Modellseite von Artificial Analysis bestätigt die erste Hälfte – 44, Rang drei von 174 Modellen, die sie erfasst – und auch die zweite: keine öffentlich verfügbare API, eine nicht offengelegte Parameterzahl und ein Lizenzstatus „proprietär“. Die zutreffende Aussage lautet also nicht „Ant hat ein Modell der K3-Klasse veröffentlicht“. Sondern: Ant hat eine gemessene Punktzahl für Ling-3.1-flash-1019 ausgeliefert, und Stand heute kann niemand außerhalb von Ants eigener Evaluierungs-Pipeline den Build aufrufen, der diese Punktzahl eingebracht hat. Dies ist eine Bestandsaufnahme dessen, was wir bisher wissen, über ein Modell, das nur eine Zahl und ein Versprechen tief ist – und jede Zahl unten trägt entweder eine Quelle oder eine ausdrückliche Kennzeichnung, dass sie keine hat.

Die Grundzüge der Sache, für alle, die sie in einem Atemzug haben wollen: Ling-3.1-flash-1019 ist ein datierter Checkpoint derselben Linie wie Ling-3.1-flash — ein Sparse-Mixture-of-Experts-Modell mit rund 560 Milliarden Parametern, von denen pro Token etwa 25 Milliarden aktiv sind, ein hybrider Linear-Attention-Stack und ein beanspruchter Kontext von 1 Mio. Token —, und „1019“ ist ein Build-Datum, keine neue Architektur. Neu sind der Score, die Kosten, ihn zu erzielen, und die Kluft zwischen den beiden Laboren, die dieser Vergleich nun ins Spiel bringt: Ant, das eher angekündigt als ausgeliefert hat, und DeepSeek, dessen eigener datierter Flash-Build, DeepSeek V4.1-Flash-1017, fünf Tage früher mit Gewichten und einer unveränderten Preisliste erschien. Der Abstand zwischen diesen beiden Veröffentlichungsstilen macht den Großteil dessen aus, worum es in diesem Artikel geht.

Was 44 ist und was die Seite nicht sagt

Der Artificial Analysis Intelligence Index ist ein zusammengesetztes Maß, kein einzelner Test. Version 4.3.2 gewichtet zehn Evaluierungen: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience und AA-LCR v1.1. Ein zusammengesetztes Maß, das Büroarbeit, Terminalnutzung, Wettbewerbsmathematik, Long-Context-Retrieval und Halluzinationsverhalten vermischt, wird für nahezu jedes Modell eine Zahl erzeugen, und diese Zahl ist nur so aussagekräftig wie die Zeilen darunter.

Für Ling-3.1-flash-1019 sind die Zeilen noch nicht vorhanden. Die Seite veröffentlicht 44 und führt es insgesamt auf Platz drei; sie listet einen Kontext von 1 Mio. Token, Text rein und Text raus, ein Reasoning-Modell, eine nicht offengelegte Parameteranzahl und – der wichtigste Teil – „Keine öffentlich verfügbare API“ dort, wo Ergebnisse je Evaluierung und Geschwindigkeit hingehören. SciCode ist als „in Prüfung“ markiert. Es gibt keinen Wert für die Ausgabegeschwindigkeit, keinen Latenzwert und keine Möglichkeit, auch nur eine einzige Zeile ohne die Gewichte oder einen Endpunkt zu reproduzieren. Das ist keine Kritik an Artificial Analysis, das nur messen kann, was es erreichen kann; es beschreibt, wie dünn die Evidenz in diesem Moment ist. Das Modelldetail unterhalb des Composite wurde gemessen, aller Wahrscheinlichkeit nach an einem vom Anbieter gehosteten oder vom Anbieter bereitgestellten Endpunkt, und die Details dieser Vereinbarung sind nicht öffentlich.

Zwei Zahlen auf dieser Seite leisten mehr als die Schlagzeile, denn beide sind Kosten und keine Punktzahlen. Die erste sind die während des Index-Laufs verbrauchten Output-Tokens: 350 Millionen für den 1019-Build gegenüber 220 Millionen für den Build, der 41 Punkte erzielte. Die zweite sind die Kosten pro Intelligence-Index-Aufgabe: 1,49 US-Dollar gegenüber 1,00 US-Dollar für den Vorgänger. Zusammengelesen sagen sie etwas, was eine Punktzahl nicht sagen kann: Die drei zusätzlichen Punkte wurden durch etwa 59 % längeres Nachdenken bei derselben nominalen Preisliste erkauft, und die Rechnung pro Aufgabe stieg um rund 49 %. Ein Labor, das Indexpunkte dadurch gewinnt, dass es ein Modell länger nachdenken lässt, macht das nicht falsch – die Länge des Nachdenkens ist ein legitimer Hebel –, aber es bedeutet, dass die 44 nicht gratis ist und dass ein Käufer, der nur nach dem Index vergleicht, eine Zahl vergleicht, deren Kosten pro Punkt sich in die falsche Richtung bewegt haben.

Die Preisliste selbst ist unverändert. Artificial Analysis listet für beide Builds 0,30 US-Dollar pro Million Input-Tokens und 0,90 US-Dollar pro Million Output-Tokens, einen Cache-Rabatt von 80 %, einen Mischpreis von 0,19 US-Dollar pro Million bei seinem Standard-Mix sowie ein 1M-Kontextfenster auf. Dabei handelt es sich um die veröffentlichten Preise des Mutterunternehmens, die übernommen wurden, was die vernünftige Annahme ist, wenn ein Anbieter keine neuen Preise bekannt gegeben hat – aber es bleibt eine Annahme. Die Aktionspreise von Ant für den Live-Build – mehr dazu unten – liegen deutlich unter dem Listenpreis.

Woher die drei Punkte kamen

Ant hat für den 1019-Build keine Tabelle mit den einzelnen Evaluierungen veröffentlicht. Die kursierenden Teilwerte stammen aus der chinesischsprachigen Berichterstattung über die Ankündigung, die zwei Veränderungen meldet, die Artificial Analysis zugeschrieben werden: AA-Briefcase steigt von etwa 1.400 Elo auf 1.524 und AutomationBench-AA von etwa 62 % auf 68 %. Behandeln Sie beide als Zweitquelle, bis die Evaluierungszeilen auf der Modellseite erscheinen — es sind berichtete Zahlen, nicht solche, die dieser Artikel anhand einer Primärtabelle verifiziert hat.

Sie sind zumindest intern konsistent mit dem, was der Parent-Build gemessen hat. Als wir die Ling-3.1-flash-Seite am 7. Oktober lasen, lag AA-Briefcase bei 1.400,35 und AutomationBench-AA bei 0,617 — dieselben Werte, die die Coverage auf „rund 1.400“ und „etwa 62 %“ rundet. Die Richtung der Entwicklung ist also plausibel, und sie deutet auf eine konkrete Aussage hin: Das Update ist eine Verbesserung bei agentischen Aufgaben und Büroarbeit, nicht eine allgemeine Steigerung der Fähigkeiten. AutomationBench und AA-Briefcase sind die beiden Zeilen in diesem Index, die mehrstufige Tool-Nutzung und die Fertigstellung langfristiger Aufgaben am direktesten belohnen. Wenn sich diese verändert haben und GDPval, SciCode, HLE und CritPt nicht, dann ist die korrekte Beschreibung von Ling-3.1-flash-1019 „besser darin, Aufgaben abzuschließen“, nicht „intelligenter“.

Dieser Unterschied hat einen praktischen Vorteil. Ein Modell, das bei Agentic-Zeilen zulegt, ist es wert, gegen Ihre eigene Tool-Calling-Workload getestet zu werden; ein Modell, das gleichmäßig zulegt, ist es wert, überall getestet zu werden. Bis die Zeilen veröffentlicht werden, kann die 44 Ihnen nicht sagen, welches davon Sie halten, und die vernünftige Haltung ist die, die das Konto, das diesen Build gemeldet hat, eingenommen hat: die vollständigen Scores zeigen. Der Composite-Wert ist eine Schlagzeile. Die Zeilen sind die Entscheidung.

Das Kimi K3-Flash-Framing, bepreist

Die Einordnung, die Ling-3.1-flash-1019 auf viele Timelines brachte, stammte von einem am 22. Oktober viel beachteten Konto, das den Build gewissermaßen als Kimi K3-Flash beschrieb – Intelligenz der K3-Klasse zu Kosten der Flash-Klasse – und eine Parallele zwischen Ants Fortschritten auf dieser Linie und denen von DeepSeek bei V4.1-Flash zog. Weder „Kimi K3-Flash“ noch die Parallele ist eine Produktaussage; beides sind Kurzformeln, und es lohnt sich, zu trennen, was die Kurzformel richtig trifft, von dem, was sie überspielt.

Was daran stimmt, ist die Preis-Index-Arithmetik, und diese Arithmetik ist schonungslos. Kimi K3 liegt in seiner Max-Konfiguration bei 44 auf demselben Index. Es ist außerdem ein Modell mit 2,8 Billionen Parametern und 104 Milliarden aktiven Parametern pro Token, von Moonshot bepreist mit $3.00 pro Million Input und $15.00 pro Million Output, bei gecachtem Input zu $0.30. Ling-3.1-flash-1019 ist eine Modellreihe mit 560 Milliarden Parametern und rund 25 Milliarden aktiven Parametern, bepreist mit $0.30 und $0.90. Gleicher zusammengesetzter Score, ein Zehntel des Input-Preises, ein Sechzehntel des Output-Preises und ein Viertel der aktiven Parameter pro Token. Wenn man nur den Index braucht, ist das kein marginaler Vorteil; es ist eine andere Kostenstruktur für dieselbe Headline.

Was die Kurzschreibweise überspielt, ist alles, was der Index nicht misst. Kimi K3 akzeptiert Bildeingaben; Artificial Analysis führt Ling-3.1-flash-1019 als Text rein, Text raus. Kimi K3 ist seit Ende Juli unter seiner eigenen Lizenz herunterladbar und seitdem bei mehreren Anbietern abrufbar; Ling-3.1-flash-1019 hat weder Gewichte noch einen Endpunkt. Die Evaluierungszeilen von Kimi K3 sind veröffentlicht und seine Geschwindigkeit wird gemessen – die 44 ist ein zusammengesetzter Wert über eine sichtbare Tabelle. Lings 44 ist ein zusammengesetzter Wert über eine Tabelle, die noch nicht sichtbar ist. Und die Parameterzahlen sind nicht so vergleichbar, wie das Wort „560B“ nahelegt: K3 verbraucht 104 Milliarden Parameter pro Token, dieser Build verbraucht 25 Milliarden.

• Index — 44 für beide, im Artificial Analysis Intelligence Index v4.3.2.

• Preis — Ling-3.1-flash-1019 0,30 $ Eingabe / 0,90 $ Ausgabe pro 1 Mio. gegenüber Kimi K3 3,00 $ / 15,00 $.

• Aktive Parameter — etwa 25 Mrd. pro Token gegenüber 104 Mrd. pro Token. Gesamt: etwa 560 Mrd. gegenüber 2,8 Billionen.

• Modalität — nur Text im Vergleich zu Text- und Bildeingabe.

• Verfügbarkeit – angekündigt, keine API, keine Gewichte, gegenüber herunterladbar und seit Juli 2026 bereitgestellt.

• Belege — ein Composite ohne veröffentlichte Zeilen, im Vergleich zu einem Composite mit einer veröffentlichten Tabelle und einer gemessenen Ausgabegeschwindigkeit.

So formuliert ist {{1}}"Kimi K3-Flash"{{/1}} eine faire Beschreibung der Absicht und eine unfaire Beschreibung des Ist-Zustands. Die Absicht ist real: Wenn Ant diesen Build unter der {{2}}MIT-Lizenz{{/2}} des Mutterunternehmens zum Preis des Mutterunternehmens ausliefert, wird er mit großem Abstand der günstigste Weg zu Composite-Leistung auf K3-Niveau auf dem Markt. Der Ist-Zustand ist, dass es ein Score ohne dahinterstehendes Artefakt ist, und die Modelle, die man tatsächlich für 44 mieten kann, sind preislich überhaupt nicht damit vergleichbar.

Zwei Labore, ein Playbook: der Checkpoint mit Datumsstempel

Das interessantere Muster ist nicht der Score. Es ist die Form der Veröffentlichung. Beide Labs, die dieser Vergleich berührt, haben diesen Monat Mid-Cycle-Refreshes unter derselben Namenskonvention ausgeliefert – ein vierstelliges Monats- und Tages-Suffix, das an einen bestehenden Produktnamen angehängt wurde – und beide verlangten, dass man das Suffix als Version liest.

DeepSeeks Eintrag ist DeepSeek V4.1-Flash-1017, datiert auf den 17. Oktober, fünf Tage vor Ants Eintrag. Sein Changelog nannte das Update eine „Pareto-Verbesserung von Leistung und Kosten“, hieß es, API-Aufrufverfahren und Preisgestaltung seien unverändert, und verwies bestehende Aufrufe auf den neuen Build. Seine Gewichte wurden am selben Morgen auf Hugging Face unter MIT veröffentlicht, mit 763 Milliarden Parametern, ohne jegliche Zugriffsbeschränkung. Im Index platziert eine Berichterstattung unter Berufung auf Artificial Analysis es auf 45, einen Punkt über Lings 1019 — ein Anstieg um sechs Punkte gegenüber den 39, die für die Konfiguration V4.1-Flash (Max) Anfang Oktober gemessen wurden. Sechs Punkte in zehn Tagen, Gewichte inklusive.

Ants Eintrag ist Ling-3.1-flash-1019, seinem Suffix nach auf den 19. Oktober datiert und am 22. Oktober angekündigt. Drei Punkte in etwa einer Woche, Gewichte nicht enthalten, kein Termin für ihr Erscheinen genannt. Dasselbe Drehbuch, andere Umsetzung: DeepSeek behandelte den Checkpoint als Release, Ant behandelte ihn als Aktualisierung des Punktestands, mit einem Release, der noch folgen sollte. Das ist kein Skandal und auch nicht ungewöhnlich – Labore kündigen ständig vor den Gewichten an –, aber es ändert, was der Leser heute tun kann, und das ist der einzige Test, der für ein Modell zählt, an das man möglicherweise Traffic leitet.

In der Namenskonvention steckt eine operative Konsequenz, und sie ist der Grund, warum dieses Muster über eine einzelne Veröffentlichung hinaus verfolgt werden sollte. Wenn ein Anbieter ein Modell aktualisiert, indem er das Suffix ändert und die API-Modellzeichenkette unverändert lässt, ist „das Flash-Modell“ kein stabiles Ziel mehr. Man fragt das Modell über seinen Namen ab, der Anbieter verweist mit diesem Namen auf den Build, den er zuletzt ausgeliefert hat, und die eigene Bewertung von letzter Woche beschreibt nicht mehr, was heute Morgen geantwortet hat. DeepSeek war diesbezüglich eindeutig – im Changelog heißt es, dass Aufrufe an die bestehende Modellzeichenkette jetzt den Build 1017 erreichen.

Pinning ist die Lösung, und es ist eine Routing-Frage und keine Benchmark-Frage. Es ist auch der Punkt, an dem unser eigener Katalog zufällig als Illustration nützlich ist: Er listet sowohl deepseek/deepseek-v4.1-flash als auch deepseek/deepseek-v4.1-flash-1017 als separate Modell-IDs sowie kimi/kimi-k3 daneben auf, sodass ein Aufrufer die konkrete Build-Version statt der Familie nennen kann. Ling-3.1-flash-1019 ist nicht in unserem Katalog, und dieser Artikel wird nicht so tun, als wäre es anders — es gibt keinen Endpunkt dafür an einer Stelle, die wir verifizieren können, was genau der Kernpunkt des obigen Abschnitts ist.

Was tatsächlich geöffnet ist und was „demnächst“ wert ist

Der angekündigte Build ist nicht der Build, der offen ist. Der offene ist Ling-3.1-flash, dessen Gewichte Ant am 15. Oktober unter der MIT-Lizenz auf Hugging Face und ModelScope veröffentlicht hat. Seine Model Card ist in einer Weise konkret, wie es die 1019-Ankündigung nicht ist: 560 Milliarden Gesamtparameter, 25 Milliarden pro Token aktiv, ein herunterladbarer Checkpoint mit 572 Milliarden Parametern, 63 KDA-Schichten plus 9 gated MLA-Schichten in einem Verhältnis von 7:1 und 4 dichte Schichten, 512 geroutete Experten mit 8 aktivierten und 1 geteilten, ein Vokabular von 157.184 und ein Kontext von 1 Mio. Token.

Die Serving-Story zu diesem Parent-Build ist überhaupt der Grund, warum ein 560B-Modell interessant ist. Die Release Notes von Ant beschreiben ein Mixed-Precision-Schema – MXFP4 für die gerouteten Experten, Block-FP8 für die dichten Schichten –, das den Gewichtsspeicherbedarf von rund 534 GB auf 292 GB senkt und in der getesteten Konfiguration ein Hopper-Deployment von acht GPUs auf vier reduziert. Es gibt Rezepte für SGLang und vLLM, ein Long-Context-Parallelisierungsschema, das Ant PCP/DCP nennt, und verbesserte JSON-Schema-Unterstützung für Tool Calls. Die von Ant veröffentlichten gemessenen Serving-Zahlen sind auf die gute Art unspektakulär: auf acht Hopper-GPUs eine mittlere Time to First Token von 604 ms und eine Inter-Token-Latenz von 3,28 ms bei einer Cache-Hit-Rate von 76 %; auf vier etwa 1,36 Abfragen pro Sekunde mit einer P50-Time-to-First-Token unter drei Sekunden.

Nichts davon ist für den 1019-Build bestätigt. Es ist eine berechtigte Erwartung – ein datumsgestempelter Checkpoint in derselben Linie, bei dem dieselben Parameterzahlen unerwähnt bleiben, dürfte seine Quantisierungsgeschichte kaum neu geschrieben haben –, aber Erwartung ist keine Dokumentation, und die beiden Dinge, die entscheiden würden, ob dieses Release auf operativer Ebene relevant ist, fehlen beide. Das erste ist die Lizenz. Ants eigener Beitrag vom 15. Oktober beschreibt das Parent als Open Source und nennt gar keine Lizenz; die Hugging-Face-Karte gibt MIT an. Das sind unterschiedliche Artefakte mit unterschiedlicher Autorität, und für den 1019-Build existiert keines von beiden bisher. Das zweite ist der Checkpoint. Ein Modell mit 25 Milliarden aktiven Parametern, das auf vier Hopper-GPUs läuft, ist eine ganz andere Sache als eines, das acht braucht, und die gesamte Vier-GPU-Behauptung stützt sich auf ein Quantisierungsrezept, das diesem Build nicht beigefügt wurde.

Die faire Lesart von „coming soon“ ist also, dass es sich um eine Aussage zum Zeitplan handelt, nicht um eine technische. Sie besagt, dass Ant ausliefern will. Sie besagt nicht, zu welchen Bedingungen, in welchem Umfang oder ob sich die Deployment-Mathematik übertragen lässt.

Was Sie heute ausführen können

Der aufrufbare Build ist der Parent, Ling-3.1-flash, und die Einschränkungen daran sind von der Art, die erst auftauchen, wenn man versucht, ihn zu nutzen. Der bereitgestellte Kontext umfasst 262.144 Tokens statt der 1 Mio., die die Spezifikation angibt, bei einer Ausgabegrenze von 32.768 Tokens am gehosteten Endpoint, und der gehostete Preis ist ein Aktionspreis statt des Listenpreises. Ants Notizen vom 15. Oktober beziffern die Aktion auf ungefähr 75 % Rabatt: 0,075 $ pro Million Input-Tokens, 0,225 $ pro Million Output-Tokens und 0,015 $ pro Million gecachter Lesevorgänge auf der internationalen Seite sowie ¥0,5 / ¥1,5 / ¥0,1 auf Ling Studio. Das sind echte Zahlen für den Parent, nicht für den 1019-Build, der keinen eigenen veröffentlichten Tarif hat.

Wenn Ihre Frage lautet: „Sollte ich einen Produktionspfad darauf umstellen?“, dann lautet die Antwort nein – und zwar nicht, weil das Modell schlecht ist. Ein Build ohne Endpoint, ohne Gewichte, ohne Lizenz und ohne veröffentlichte Ergebniszeilen je Evaluierung lässt sich nicht evaluieren, nur erahnen. Wenn Ihre Frage lautet: „Ist diese Linie es wert, beobachtet zu werden?“, dann lautet die Antwort ja, und der günstige Weg, danach zu handeln, besteht darin, das zu benchmarken, mit dem sie Parität beansprucht. Kimi K3 und DeepSeek V4.1-Flash-1017 sind beide über einen einzigen OrcaRouter-Schlüssel erreichbar, und zwar zum Anbieterlistenpreis mit 0 % Aufschlag, sodass der Betrieb derselben Harness über beide Ihnen zeigt, was 44 und 45 Sie pro Aufgabe tatsächlich kosten, bevor Ant irgendetwas ausliefert. Automatisches Failover ist hier aus einem banalen Grund wichtig: Wenn Sie eine frische Evaluierungs-Harness auf einen unbekannten Build richten, soll ein schlechter Endpoint Sie einen Wiederholungsversuch kosten und nicht einen ganzen Nachmittag. Die Routing-DSL stellt jedes der beiden Modelle hinter einen einzigen Endpoint, wenn Sie den Client lieber nicht zweimal umschreiben möchten.

Was würde es klären

Vier Dinge, in absteigender Reihenfolge danach, wie sehr sie das Bild verändern würden.

• Die Bewertungszeilen. Eine veröffentlichte Tabelle mit den einzelnen Bewertungen auf der Artificial-Analysis-Seite würde 44 von einer Schlagzeile zu einem Profil machen und dem Leser sagen, ob es sich um eine agentische oder eine breite Verbesserung handelt. Dass SciCode aus dem Status „in Prüfung“ herauskommt, ist wichtiger als sonst, denn beim Programmieren verdrängt ein günstiges Modell zuerst ein teures.

• Die Gewichte, mit einer genannten Lizenz. MIT würde die Vier-GPU-Aussage übertragbar machen und daraus das günstigste Modell der K3-Klasse machen, das jeder selbst hosten kann. Eine eingeschränkte oder maßgeschneiderte Lizenz würde aus der 44 eine Marketingzahl mit angehängtem Vertrag machen und wäre eine eigene Geschichte.

• Eine API, damit es Geschwindigkeit und Latenz überhaupt gibt. Jedes Modell im Index, das einen Endpoint hat, hat eine gemessene Ausgabegeschwindigkeit; dieses hat keine, was bedeutet, dass die Effizienzhälfte der „flash“-Behauptung derzeit ungetestet ist. Ein Flash-Modell, das 59 % länger nachdenkt, ist ein anderes Produkt als eines, das dieselbe Denkleistung schneller erbringt.

• Eine einzige Testumgebung für alle drei. Noch kein veröffentlichter Benchmark führt Ling-3.1-flash-1019, DeepSeek V4.1-Flash-1017 und Kimi K3 in derselben Evaluation aus, und bis es einen gibt, ist jeder Vergleich in diesem Artikel – einschließlich desjenigen in dem Beitrag, der ihn ausgelöst hat – ein Vergleich von Composite-Werten, die zu unterschiedlichen Zeitpunkten mit unterschiedlichen Konfigurationen berechnet wurden.

Bis mindestens das erste davon verfügbar ist, lautet die zutreffende Zusammenfassung von Ling-3.1-flash-1019 so: ein echter Score aus einem echten Labor für ein Modell, das noch nicht als Artefakt existiert. Ant hat inzwischen zwei Ling-3.1-flash-Builds angekündigt, bevor einer der beiden vollständig verfügbar war – den September-Launch ohne Gewichte und diesen hier ohne Gewichte und ohne Endpunkt –, und das Muster ist deutlich genug, um die Planung daran auszurichten: Behandle ein Ant-Suffix als Signal, dass etwas kommt, und ein DeepSeek-Suffix als Signal, dass etwas da ist. Die 44 ist wissenswert. Es lohnt sich noch nicht, sie ins Routing aufzunehmen.