Was unser Labor beobachtet, testet und entscheidet: neue KI-Modelle, Apple-Plattformen und Techniken, bewertet von Einsetzen bis Zurückstellen, mit den Ergebnissen hinter jeder Entscheidung.
Ausgabe 1 · 2026-09-28
Einsetzen — wir nutzen es
Ein Testset echter Befehle, bevor ein Modell live geht
Techniken
Jedes Modell, das mit Ask FireAI zu tun hat, wird vor jeder Veröffentlichung an einem festen Satz von Befehlen in einfacher Sprache in mehreren Sprachen gemessen. Das machte aus „dieses Modell wirkt klug" eine vergleichbare Zahl – und deckte einen Kandidaten auf, der auf dem Papier großartig aussah.
Einmal animieren, dann Ruhe
Techniken
Maskottchen und Kugeln spielen ihre Animation einmal ab, wenn eine Seite erscheint, und bleiben danach ruhig (die Augen können dem Zeiger folgen). Eine Sicherheits-App läuft den ganzen Tag; alles, was endlos in einer Schleife läuft, kostet den ganzen Tag.
Kleines generatives Modell auf dem Gerät (Gemma 4, 4-Bit)
Modelle
Treibt Ask FireAI an: macht aus „Spiele für meinen Sohn blockieren" die richtige Einstellung, in 16 Sprachen, komplett auf dem Mac. Einmal mit Zustimmung des Nutzers heruntergeladen, bei Untätigkeit aus dem Speicher entladen.
MLX auf Apple Silicon
Plattformen
Apples Machine-Learning-Framework nutzt den vereinheitlichten Speicher der M-series-Chips direkt. Das macht ein brauchbares Sprachmodell auf einem gewöhnlichen Mac praktikabel.
Network-Extension-Inhaltsfilter
Plattformen
Die Systemerweiterung, die jede Verbindung jeder App sieht, ohne Kernel-Erweiterung. Die Grundlage von FireAIs Firewall, Regeln und Notausschalter.
Führt das Sprachmodell direkt in der Swift-App aus: kein Python, kein Hilfsserver, kein geöffneter Port auf dem Mac.
Strenge Nebenläufigkeit in Swift 6
Werkzeuge
Erkennt Datenwettläufe bereits beim Kompilieren. Ein heikler Punkt: ein Systemcallback, der für den Hauptthread markiert, aber von einem anderen Thread aufgerufen wird, kompiliert problemlos und stürzt zur Laufzeit ab. Wir prüfen jetzt jeden Systemcallback darauf.
Erproben — im Test
macOS-URL-Filter mit Private Information Retrieval
Plattformen
Neu in macOS 26: eine einzelne Seite blockieren (etwa einen bestimmten YouTube-Kanal) für jede App, die Apple-Networking nutzt, während der Server, der die Anfrage beantwortet, nie erfährt, welche Adresse geprüft wurde. Treibt Blockierte Seiten (Beta) an.
Safari-Web-Erweiterungen für Navigation innerhalb der Seite
Plattformen
Seiten wie YouTube wechseln die Ansicht ohne neue Netzwerkanfrage, sodass ein Netzwerkfilter den Klick nicht sehen kann. Eine Safari-Erweiterung schon. Sie funktioniert erst, wenn der Nutzer sie für jede Website erlaubt, was wir jetzt in der App erklären.
Unser 3D-Maskottchen erwies sich als günstig zu zeichnen. Die CPU-Kosten, die wir ihm zunächst zuschrieben, kamen tatsächlich von der animierten Unschärfe und dem Schatten darum herum.
Prüfen — beobachten
Zwei Gehirne: eines für Worte, eines für Entscheidungen
Techniken
Ein generatives Modell fürs Erklären und Reden behalten, und ein kleines, schnelles, nicht-generatives Modell Ja/Nein-Entscheidungen treffen lassen. Die Idee gilt weiterhin; der erste getestete Kandidat verstand Firewall-Befehle nicht gut genug.
Winzige URL-Risiko-Klassifikatoren
Modelle
Modelle von wenigen Megabyte, die das Phishing-Risiko einer Webadresse bewerten, ohne die Seite zu lesen. Klein genug, um Prüfungen pro Verbindung in Betracht zu ziehen. Als Nächstes auf der Werkbank; noch keine Ergebnisse.
Unsere 2D-Maskottchen-Grafik wird mit einem einzigen Befehl zu animierten 3D-Modellen (für die App, das Web und Social-Video), sodass die ganze Familie neu gebaut werden kann, wenn sich die Grafik ändert. Die Augen waren der schwierige Teil.
Egress-Kontrolle für KI-Agenten
Techniken
Nvidias neue Sicherheitsplattform für Agenten begrenzt, was ein KI-Agent erreichen darf, nachdem Agenten gemeldet wurden, die über ihre Anweisungen hinaus handelten. Dieselbe Idee gilt auf einem Mac: Eine Agenten-App sollte nur die Ziele erreichen, die ihre Aufgabe erfordert. Auf der Werkbank: ein FireAI-Profil, das KI-Agenten-Apps auf eine genehmigte Liste von Zielen beschränkt.
Cisco Talos beschrieb ein Windows-Programm, das mehrere kommerzielle KI-Modelle fragt, was als Nächstes zu tun sei. Egal, worauf es läuft, ein solches Programm muss einen KI-Anbieter über das Netzwerk erreichen. Auf der Werkbank: den Nutzer benachrichtigen, wenn eine App, die er nie genehmigt hat, beginnt, mit einem KI-Modellanbieter zu kommunizieren.
Netzwerk-„KI-Firewalls" für Rechenzentren und KI-Apps
Plattformen
Anbieter verwenden „KI-Firewall" inzwischen für zwei verschiedene Dinge: KI innerhalb einer Netzwerk-Firewall, und einen Filter vor den Eingaben und Antworten einer KI-Anwendung. Keines von beiden läuft auf einem privaten Mac. Wir verfolgen beides, um zu lernen, welche Ideen sich auf einen einzelnen Computer übertragen lassen.
Forscher zeigten, dass eine einzige bösartige Browser-Erweiterung den in mehrere Browser eingebauten KI-Assistenten steuern kann. Eine Netzwerk-Firewall sieht den Browser, nicht seine Erweiterungen. Auf der Werkbank: Nutzer durch eine Überprüfung der Safari-Erweiterungen direkt in FireAI führen.
Dauerhaft laufende UI-Animationen in einer Hintergrund-App
Techniken
Timer, die jedes Bild neu zeichnen, endlose Pulse und animierte Unschärfe halten GPU und CPU wach, selbst wenn niemand hinschaut. Wir haben sie alle entfernt.
Encoder, die typisierte Fragen (eine Option wählen, Ja/Nein, Bewertung) mit kalibriertem Vertrauen beantworten, sehr schnell auf Apple Silicon. Beeindruckende Geschwindigkeit, und sie meistern einfaches Routing gut, aber zero-shot lagen sie bei den meisten Firewall-Befehlen falsch. Für diese Aufgabe zurückgestellt, nicht generell.
Cloud-KI entscheidet, womit sich Ihr Mac verbinden darf
Modelle
Jede Verbindung an eine entfernte KI zu senden würde auch den Browserverlauf mitschicken und jeder Entscheidung eine Netzwerk-Rundreise hinzufügen. FireAIs KI bleibt auf dem Mac.
Persönliche KI-Agenten mit dauerhaftem Zugriff auf Ihre Konten
Modelle
Agenten, die für Sie buchen, kaufen und antworten, funktionieren am besten mit dauerhaftem Zugriff auf Mail, Kalender und Zahlungskonten. Dieser Zugriff überdauert jede einzelne Aufgabe. Für eigene Entwürfe zurückgestellt: FireAIs KI beantwortet Fragen auf dem Mac und hat keinen Zugriff auf Konten.
Jeder Bericht nennt die Frage, was wir versucht haben, die gemessenen Zahlen und unser Fazit.
Ein schnelles Entscheidungsmodell statt Gemma? Noch nicht
Kann ein kleines, nicht-generatives Entscheidungsmodell das Sprachmodell dabei ersetzen, Befehle in einfacher Sprache in Einstellungen umzuwandeln, und dabei viel schneller sein?
Wir haben Laya-multilingual (MLX-Build) auf einem Mac mit Apple Silicon gegen dasselbe Testset von Ask-FireAI-Befehlen laufen lassen, das auch das produktive Modell bestehen muss, in Englisch, Französisch, Deutsch, Spanisch, Arabisch, Chinesisch und Russisch. Wir haben zwei verschiedene Arten ausprobiert, ihm die Fragen zu stellen. Zudem haben wir das Modell an seinem eigenen veröffentlichten Beispiel geprüft, um einen Konfigurationsfehler auszuschließen.
Aktuelles Modell (Gemma 4, auf dem Gerät)
32–37 von 37 Befehlen richtig
Laya-multilingual, beste Anordnung
6 von 37 richtig (10 von 37 wählten die richtige Art von Aktion)
Laya-multilingual, zweite Anordnung
2 von 37 richtig
Laya-Geschwindigkeit pro Befehl
24 ms im Median, 80 ms am langsamsten
Laya an seinem eigenen veröffentlichten Beispiel
Richtig, mit hoher Sicherheit
Etwa hundertmal schneller, aber zero-shot für Firewall-Befehle unbrauchbar: Es verwechselte Spiele mit dem Notausschalter und „ausschalten" mit „einschalten". Die Geschwindigkeit ist real, daher bleibt die Zwei-Gehirne-Idee auf dem Radar; die nächsten Kandidaten sind Modelle, die für eine einzelne, eng gefasste Entscheidung trainiert wurden (ist diese Adresse riskant?), statt für allgemeine Fragebeantwortung.
Ein Sprachmodell in einer Swift-Mac-App
Kann eine Mac-Sicherheits-App ein brauchbares Sprachmodell mitliefern, ohne etwas in die Cloud zu senden und ohne dem Mac zu schaden?
Ask FireAI lässt seit der ersten Version ein 4-Bit-Gemma-4-Modell über MLX Swift laufen. Wir haben die Qualität mit einem festen Testset von Befehlen gemessen und Speicher- sowie Akkuverhalten im täglichen Gebrauch beobachtet.
Wo es läuft
In der App, auf dem Mac; kein Hilfsprozess, kein offener Port
Verstandene Sprachen
16, dieselben wie die App
Erste Nutzung
Ein Download, erst nachdem der Nutzer zustimmt
Speicher im Leerlauf
Nach 10 Minuten ohne Frage freigegeben
Übernehmen. Kleine On-Device-Modelle reichen aus, um Befehle zu verstehen und Entscheidungen zu erklären. Das Modell bei Bedarf zu laden und im Leerlauf freizugeben, zählt genauso viel wie die Modellwahl: Eine Firewall sollte nie die App sein, die Ihren Speicher auffrisst.
Einen YouTube-Kanal für jede App blockieren, ohne etwas preiszugeben
Kann FireAI eine einzelne Seite, etwa einen YouTube-Kanal, überall auf dem Mac blockieren, nicht nur in einem Browser, ohne zu erfahren, was die Familie ansieht?
Wir haben Blockierte Seiten (Beta) auf dem URL-Filter mit Private Information Retrieval von macOS 26 aufgebaut, eine Safari-Erweiterung für Klicks innerhalb der Seite hinzugefügt und Safari, Apps mit Apple-Networking, Firefox, Chrome und Brave getestet.
Safari und Apps mit Apple-Networking
Blockiert, sowohl direkte Aufrufe als auch Klicks innerhalb der Seite (bei aktivierter Erweiterung)
Firefox, Chrome, Brave
Nicht abgedeckt: Sie verwenden eigenen Netzwerkcode
Was der Abfrageserver erfährt
Nichts darüber, welche Adresse geprüft wurde
Überraschung
Seitenadressen werden groß-/kleinschreibungsabhängig abgeglichen
Testphase. Es funktioniert dort, wo Apple-Networking genutzt wird, was den Standardbrowser und die meisten Apps abdeckt. Für andere Browser bleibt die ehrliche Antwort heute der Schalter „Nur Safari", daher bietet die App jetzt beide zusammen an, klar als Beta gekennzeichnet.
Von 30 Prozent CPU im Leerlauf auf einstellige Werte
Warum nutzte FireAI im Leerlauf etwa 30 Prozent CPU, und was muss eine Firewall, die den ganzen Tag läuft, überhaupt neu zeichnen?
Wir haben die CPU-Auslastung im Leerlauf gemessen, mit dem Fenster im Vordergrund und im Hintergrund, und dann Ursachen nacheinander entfernt: das 3D-Maskottchen, endlos laufende Animationen, die Menüleisten-Anzeige und wie oft Live-Traffic-Zahlen die Oberfläche erreichen.
Vorher
Etwa 30 Prozent CPU im Leerlauf
Danach, Fenster im Vordergrund
Etwa 17 Prozent
Danach, im Hintergrund
7–11 Prozent
Das 3D-Maskottchen selbst
Nicht die Ursache
„Einmal animieren, dann Ruhe" übernehmen, und bei allem zurückhaltend sein, was endlos läuft. Die größten Kosten kamen von Dingen, die niemand bemerkt: ein Puls, der nie aufhört, eine animierte Unschärfe und Zahlen, die schneller aktualisiert wurden, als jemand sie lesen kann. Es gibt noch mehr zu gewinnen, und das Profiling geht weiter.
Wir veröffentlichen Ergebnisse, keine Rezepte: Wie FireAI gebaut und abgestimmt ist, bleibt im Labor.