top of page

llm-gemini 0.38 fügt Gemini 4 Neon hinzu

vor 17 Minuten
10 Min. Lesezeit
Image from the source report. Source: simonwillison.net.

Simon Willison veröffentlichte am 18. November llm-gemini 0.38 und fügte Unterstützung für Gemini 4 Neon hinzu, während Googles wachsendes Modellangebot die Auswahl erschwert. Die unmittelbare Änderung ist konkret: Entwickler, die seine LLM-Anwendung nutzen, können Neon mit llm -m gemini-4-neon auswählen. Die schwierigere Frage lautet, ob ein weiteres zugängliches Modell ihre Entscheidungen erleichtert.

Dies ist ein Plugin-Release, keine separate Ankündigung eines Google-Modells. Ein Plugin ist eine Erweiterung, die einer bestehenden Anwendung Funktionen hinzufügt. Hier bringt die Ergänzung Neon in einen vertrauten Entwicklungsworkflow, in dem Nutzer es mit Alternativen vergleichen können.

Die zentrale Spannung liegt zwischen Zugang und Beurteilung. Das Hinzufügen einer Modellkennung verringert den Aufwand, Neon auszuprobieren, legt jedoch nicht fest, welchen Platz Neon im Produktionseinsatz einnimmt. Googles Modelle Carbon, Hydrogen und Argon bleiben Teil des Vergleichs, und ihre Namen allein können die Wahl nicht entscheiden.

Was llm-gemini 0.38 tatsächlich ändert

Das Release schafft einen konkreten Zugang zu Neon, liefert jedoch keinen Beleg dafür, dass Entwickler ihr bestehendes Modell ersetzen sollten.

Das Version-0.38-Release des Projekts nennt die Unterstützung für Gemini 4 Neon und zeigt den Befehl zu dessen Auswahl. Das ist das verifizierte Ereignis im Mittelpunkt dieses Updates.

Diese Unterscheidung ist wichtig, weil Ankündigungen oft mehrere getrennte Entwicklungen zu einer einzigen Geschichte verdichten. Ein Anbieter führt ein Modell ein, eine Integration macht es verfügbar, und Nutzer stellen später fest, ob es ihre Arbeit verbessert. Für diese Entwicklungen gelten unterschiedliche Anforderungen an die Belege.

Bei diesem Release findet die relevante Änderung auf der Integrationsebene statt – also in der Software, die eine Anwendung mit einem Modellanbieter verbindet. Bestehende LLM-Nutzer erhalten eine weitere benannte Option, ohne eine vollständig andere Anwendung übernehmen zu müssen.

Das erleichtert Experimente. Es bedeutet nicht, dass jede vom Modellanbieter beworbene Funktion automatisch über das Plugin verfügbar wird. Unterstützung für ein Modell und Unterstützung für jede mögliche Interaktion sind getrennte Fragen.

Eine Anwendung könnte eine Textanfrage erfolgreich senden, während Anhänge, externe Tools oder spezialisierte Einstellungen zusätzliche Behandlung erfordern. Leser sollten das Release daher anhand seines angegebenen Umfangs interpretieren, statt auf eine vollständige Funktionsliste zu schließen.

Auch die Benennung verdient Aufmerksamkeit. Die Nummer 0.38 kennzeichnet das Release des llm-gemini-Plugins. Sie ist weder die Versionsnummer des zugrunde liegenden Google-Modells noch eine Aussage über dessen relative Leistungsfähigkeit.

Diese Trennung erklärt, warum dieses vergleichsweise kleine Release berichtenswert ist. Der praktische Nutzen eines Modells hängt wesentlich davon ab, ob es die Tools erreicht, die Menschen bereits verwenden. Eine Integration kann aus einer Ankündigung etwas machen, das Entwickler tatsächlich bewerten können.

Stellen wir uns einen Entwickler vor, der inkonsistente Antworten in einem internen Dokumentenassistenten untersucht. Der Zugang über eine etablierte Anwendung erleichtert es, Neon in die Untersuchung einzubeziehen, ohne den umgebenden Workflow neu aufzubauen. Dies ist ein illustratives Szenario, kein berichteter Kundeneinsatz.

Der Entwickler muss weiterhin die Dokumente, Anweisungen und Abnahmekriterien aus früheren Tests beibehalten. Andernfalls könnte eine besser wirkende Antwort auf einen veränderten Prompt statt auf ein besseres Modell zurückgehen.

Das ist die unmittelbare Möglichkeit, die das Release schafft: ein einfacherer Einstiegspunkt für Vergleiche. Das Ergebnis dieses Vergleichs bleibt offen, und die Release-Notiz liefert kein unabhängiges Leistungsurteil.

Leser sollten auch die zeitliche Einordnung der Veröffentlichung beachten. Der 18. November ist das Datum des Plugin-Releases. Darüber am 20. November zu lesen, macht daraus keinen Modellstart an diesem späteren Datum.

Die sinnvolle Nachrichteneinordnung ist daher eng, aber relevant. Neon ist über diese spezielle Integration zugänglich geworden und gibt bestehenden Nutzern einen weiteren Kandidaten, den sie an ihrer tatsächlichen Arbeit testen können.

Einfacherer Zugang erhöht den Druck bei der Modellauswahl

Entwickler erhalten eine weitere Option, während die für Zuverlässigkeit Verantwortlichen entscheiden müssen, ob diese Option einen Platz im Workflow verdient.

Die Dokumentation der LLM-Anwendung beschreibt eine Kommandozeilenanwendung und Python-Bibliothek für die Interaktion mit Modellen mehrerer Anbieter. Eine Kommandozeilenanwendung nimmt Anweisungen über ein Terminal statt über eine grafische Oberfläche entgegen.

Diese gemeinsame Umgebung liefert den Kontext für das Update. Googles Gemini ist eine Modellfamilie, die LLM-Nutzern zur Verfügung steht; Modelle von OpenAI und Anthropic sind ebenfalls in der breiteren Anwendung vertreten.

Das macht diese Anbieter nicht austauschbar. Es bedeutet, dass Entwickler unterschiedliche Systeme über eine gemeinsame Anwendung ansprechen können, während sie weiterhin Unterschiede bei Verhalten, Einstellungen und Verfügbarkeit berücksichtigen.

Der Vergleichsdruck trifft zunächst Entwickler, die für die Auswahl von Standardoptionen verantwortlich sind. Eine Standardeinstellung bestimmt, welches Modell Arbeit erhält, wenn Nutzer keine ausdrückliche Auswahl treffen. Ihre Änderung kann jede nachgelagerte Aufgabe beeinflussen, die auf dieser Wahl beruht.

Für diese Entwickler schafft eine neue Option eine Bewertungspflicht statt einer automatischen Migration. Sie brauchen einen Grund, der über Neugier hinausgeht – insbesondere wenn das aktuelle Modell die Anforderungen bereits erfüllt.

Produktmanager stehen vor einer verwandten Frage. Die Attraktivität eines neuen Modells muss sich in etwas übersetzen, das Nutzer erleben, etwa genauere Antworten oder kürzere Wartezeiten. Ein Modellname auf einem Einstellungsbildschirm belegt keines dieser Ergebnisse.

Technische Einkäufer tragen eine andere Last. Sie müssen ein nützliches Experiment von einer verlässlichen Betriebsoption unterscheiden. Zu den relevanten Belegen gehören wiederholbares Verhalten und anwendbare kommerzielle Bedingungen, nicht nur eine erfolgreiche Demonstration.

Dieser Druck entsteht auch dann, wenn die Integration selbst unkompliziert ist. Einfacher Zugang kann Experimente schneller beschleunigen, als ein Team die Ergebnisse interpretieren kann. Mehr Versuche führen nicht zwangsläufig zu klareren Entscheidungen.

Ein illustrativer Support-Workflow zeigt das Problem. Angenommen, ein Modell erstellt Antworten aus freigegebenen Produktdokumenten. Ein Kandidatenmodell könnte natürlicher formulieren, dabei aber eine Einschränkung übersehen, die das bestehende Modell zuverlässig beibehält.

Ein gelegentlicher Prüfer könnte die flüssigere Antwort bevorzugen. Ein Supportleiter könnte sie ablehnen, weil die fehlende Einschränkung das Verständnis des Kunden verändert. Beide Prüfer sahen dieselbe Ausgabe, legten jedoch unterschiedliche Maßstäbe an.

Diese Uneinigkeit erklärt, warum Auswahlkriterien einer Migrationsentscheidung vorausgehen sollten. Die Organisation muss wissen, ob Korrektheit, Geschwindigkeit, Konsistenz oder redaktionelle Qualität für diese konkrete Aufgabe über den Erfolg entscheidet.

Dies ist eine Analyse der durch das Release entstandenen Entscheidung, kein Beleg dafür, dass Neon einen bestimmten Fehler zeigt. Das öffentliche Release belegt die Verfügbarkeit über das Plugin. Es belegt nicht die Folgen für die Arbeitslast einer einzelnen Organisation.

Der Druck erreicht auch die Verantwortlichen für die Integration. Nutzer erwarten selbstverständlich, dass vertraute Steuerelemente vorhersehbar funktionieren, wenn ein neues Modell hinzukommt. Diese Erwartung aufrechtzuerhalten, erfordert klare Grenzen dafür, was die Integration unterstützt.

Die praktische Folge ist eine Aufteilung der Verantwortung. Das Plugin macht die Option erreichbar; der Anbieter beschreibt das Modell; das übernehmende Team entscheidet, ob die Kombination seine Anforderungen erfüllt.

Diese Aufteilung wird leicht übersehen, wenn Modellankündigungen und Integrations-Releases zeitlich nah beieinander liegen. Sie sichtbar zu halten, verhindert, dass aus einem kleinen Kompatibilitätsupdate eine unbelegte Aussage über Produktionsreife wird.

Googles Modellangebot widersetzt sich einer einfachen Rangfolge

Neon ergänzt eine Familie von Optionen, und seine Position darin ist keine allgemeingültige Empfehlung.

Googles Gemini-Modellkatalog listet Carbon, Neon, Hydrogen und Argon auf. Er beschreibt sie mit unterschiedlichen Schwerpunkten, darunter Schlussfolgern, Aufgabenerledigung und Effizienz.

Diese Beschreibungen zeigen, wie Google das Angebot präsentiert. Sie belegen nicht unabhängig, welches Modell für eine bestimmte Anwendung das beste Ergebnis liefern wird.

Diese Unterscheidung wird besonders wichtig, wenn Leser auf vereinfachte Grafiken oder kurze Zusammenfassungen zum Start stoßen. Eine kompakte Darstellung kann helfen, eine Produktfamilie einzuführen, lässt jedoch Informationen aus, die für eine betriebliche Entscheidung nötig sind.

So könnte eine visuelle Reihenfolge einen geradlinigen Übergang von leichterer zu schwierigerer Arbeit nahelegen. Die tatsächliche Modellauswahl hängt jedoch auch davon ab, was als Erfolg gilt und welche Fehler die Anwendung tolerieren kann.

Eine Aufgabe zur Dokumentenextraktion und eine offene Rechercheaufgabe stellen nicht dieselbe Frage an ein Modell. Extraktion erfordert eine getreue Verarbeitung bereitgestellten Materials. Rechercheunterstützung kann zusätzlich einen sorgfältigen Umgang mit Unsicherheit und Quellenbewertung verlangen.

Selbst innerhalb derselben Anwendung können unterschiedliche Aufgaben verschiedene Entscheidungen rechtfertigen. Das Formulieren einer ersten Antwort und die Prüfung einer endgültigen Antwort schaffen unterschiedliche Verantwortlichkeiten. Es gibt keine Vorgabe, dass ein einzelnes Modell beides gleich gut leisten muss.

Die verfügbaren Belege sprechen auch dagegen, ein verkürztes Angebot als Beweis dafür zu betrachten, dass ein anderes Modell verschwunden ist. Argon bleibt neben den anderen Gemini-4-Modellen in Googles Katalog aufgeführt.

Das ist eine nützliche Korrektur für jede Interpretation, die allein auf dem Fehlen in einer Werbedarstellung beruht. Ein ausgelassener Name und ein eingestellter Dienst sind unterschiedliche Behauptungen, die unterschiedliche Belege erfordern.

Kommerzielle Vergleiche bringen eine weitere Komplikation mit sich. Googles API-Abrechnungsbedingungen nennen eine geplante Änderung für Carbon ab dem 1. Dezember 2026. Eine API ist die Schnittstelle, über die Software Anfragen an einen Dienst sendet.

Dieses Datum macht den Vergleich zeitabhängig. Eine Schlussfolgerung, die unter einer bestimmten Reihe von Bedingungen gezogen wurde, sollte nicht automatisch auf einen späteren Betriebszeitraum übertragen werden. Leser benötigen neben der Modellidentität auch das Gültigkeitsdatum.

Die weitergehende Schlussfolgerung ist einfach: Eine Produkthierarchie und eine wirtschaftliche Hierarchie müssen nicht übereinstimmen. Die Positionierung in der Werbung beschreibt vorgesehene Rollen, während die tatsächliche Betriebsökonomie von den anwendbaren Bedingungen und der Arbeitslast abhängt.

Dieser Artikel nennt keine Preisangaben und erklärt kein Modell zum universell günstigsten. Eine solche Aussage würde einen definierten Dienst, ein Datum, ein Anfrageprofil und eine Messung der tatsächlich erledigten Arbeit erfordern.

Für Käufer bedeutet das, dass ein scheinbar einfacher Vergleich unterschiedliche Annahmen verbergen kann. Eine kurze Antwort, eine ausführliche Analyse und eine Aufgabe mit wiederholten Versuchen können zu unterschiedlichen Betriebsergebnissen führen.

Dieselbe Vorsicht gilt beim Vergleich von Google mit OpenAI oder Anthropic. Eine gemeinsame Anwendung kann Alternativen leichter zugänglich machen, doch eine gemeinsame Schnittstelle hebt Unterschiede zwischen den Diensten nicht auf.

Der relevante Wettbewerbsdruck ist daher praktisch. Jedes Modell muss seine Rolle gegenüber den Alternativen rechtfertigen, die dem Nutzer bereits zur Verfügung stehen, statt von seiner Position in einer Markteinführungserzählung zu profitieren.

Neons Einführung erweitert diesen Wettbewerb. Das Plugin-Release erleichtert die Teilnahme, doch die Arbeitslast des Nutzers bestimmt weiterhin, welcher Kandidat die Aufgabe verdient hat.

Modellunterstützung ist kein Leistungsurteil

Die überzeugendste skeptische Lesart trennt eine erfolgreiche Integration von erfolgreicher Arbeit.

Googles Neon-Modellspezifikationen beschreiben die unterstützten Eingaben, die Textausgabe und die verfügbaren Fähigkeiten. Google positioniert Neon für Softwareentwicklung, Wissensarbeit und wissenschaftliche Workflows.

Dabei handelt es sich um Anbieterbeschreibungen. Sie geben Entwicklern eine Grundlage dafür, was sie untersuchen sollten, ersetzen jedoch keine unabhängigen Tests in einer konkreten Anwendung.

Die Gemini-Integration des Plugins dokumentiert die Modellauswahl und den Zugriff auf die Gemini-Familie. Damit ist der Zweck der Integration belegt, nicht jedoch vergleichbare Genauigkeit, Verbreitung oder geschäftliche Ergebnisse.

Diese Grenzen sind wichtig, weil eine scheinbar erfolgreiche Antwort einen oberflächlichen Test bestehen kann. Ein Modell kann dem gewünschten Format folgen und dabei ein nicht belegtes Detail einführen. Es kann außerdem korrekte Inhalte zu langsam für die beabsichtigte Interaktion erzeugen.

Keine der beiden Möglichkeiten ist hier eine nachgewiesene Schwäche von Neon. Sie verdeutlichen, warum der Erhalt einer Antwort kein ausreichender Maßstab zur Bewertung eines Modells ist.

Ein glaubwürdiger Vergleich benötigt Beispiele, die die tatsächliche Arbeit abbilden. Praktische Prompts können helfen, grundlegendes Verhalten offenzulegen, lassen jedoch häufig die schwierigen Fälle aus, die darüber entscheiden, ob ein System nützlich bleibt.

Für einen Rechercheassistenten könnten schwierige Fälle widersprüchliche Dokumente oder Fragen ohne belegbare Antwort umfassen. Für einen Coding-Assistenten könnten es Änderungen sein, die plausibel wirken, aber gegen eine bestehende Anforderung verstoßen.

Dies sind vorgeschlagene Bewertungskategorien, keine berichteten Benchmark-Ergebnisse. Ihr Zweck besteht darin zu verdeutlichen, welche Evidenz eine stärkere Aussage zur Einführung stützen würde.

Prüfer sollten außerdem Qualität von Präferenz unterscheiden. Eine Antwort kann selbstsicherer, prägnanter oder ausgefeilter klingen, ohne dadurch genauer zu werden. Die Präsentation ist wichtig, sollte jedoch nicht stillschweigend die ursprünglichen Akzeptanzkriterien ersetzen.

Eine ebenso wichtige Unsicherheit betrifft die Konfiguration. Wenn Bewertende beim Wechsel zwischen Modellen Anweisungen oder Einstellungen ändern, vergleichen sie Kombinationen von Entscheidungen. Sie können den Unterschied nicht mit Sicherheit allein dem Modell zuschreiben.

Das macht solche Vergleiche nicht wertlos. Es verändert, was sie belegen. Eine Organisation kann vernünftigerweise die beste praktische Konfiguration jedes Kandidaten vergleichen, sofern sie diese Entscheidung dokumentiert.

Die Veröffentlichung selbst liefert keine Grundlage für die Aussage, Neon gewinne einen solchen Vergleich. Sie liefert auch keine Grundlage für die Aussage, die zusätzliche Auswahlmöglichkeit sei unnötig. Beide Schlussfolgerungen würden über die Evidenz hinausgehen.

Hier werden zurückhaltende Aussagen nützlicher als dramatische. Die verifizierte Integration gibt Entwicklern die Möglichkeit, ein Modell zu untersuchen. Der Nutzen entsteht, wenn die Untersuchung eine wiederholbare Verbesserung hervorbringt.

Teams sollten erfolglose Beispiele ebenso sorgfältig bewahren wie vorteilhafte. Ein schwieriger Fehlschlag kann eine Grenze aufzeigen, die eine Sammlung ansprechender Antworten niemals erkennen lässt.

Dasselbe Prinzip gilt für spätere Überprüfungen. Wenn eine Bewertung nur als Erinnerung daran fortbesteht, dass ein Modell besser schien, hat die Organisation wenig Grundlage, dieses Urteil erneut zu prüfen.

Technische Dokumente und Entscheidungen durchsuchbar zu halten, unterstützt diese Kontinuität. Eine durchsuchbare Wissensdatenbank kann Teams helfen, den Kontext hinter Modellentscheidungen zu bewahren.

Dieser Zusammenhang impliziert nicht, dass remio Neon-Bewertungen bereitstellt oder dieses Plugin unterstützt. Er betrifft die begleitende Wissensarbeit: Anforderungen, Beobachtungen und Entscheidungen festzuhalten, damit zukünftige Prüfer sie verstehen können.

Die skeptische Schlussfolgerung ist daher konstruktiv. Betrachten Sie einfachen Zugriff als Beginn der Evidenzsammlung und reservieren Sie Leistungsbehauptungen für Ergebnisse, die den tatsächlichen Anforderungen des Workloads standhalten.

Worauf Entwickler als Nächstes achten sollten

Die nächste nützliche Evidenz betrifft das Verhalten der Integration, datierte kommerzielle Bedingungen und wiederholbare Workload-Ergebnisse – in dieser Reihenfolge.

Beobachten Sie zunächst, was geschieht, wenn Nutzer die Integration über die anfängliche Modellauswahl hinaus nutzen. Klare Dokumentation und reproduzierbare Fehlerberichte werden dazu beitragen, die praktischen Grenzen der Neon-Unterstützung festzustellen.

Die relevante Frage ist konkret: Unterstützt die Integration zuverlässig die Interaktionen, die ein einführendes Team benötigt? Eine funktionierende grundlegende Anfrage ist nützliche Evidenz, kann jedoch nicht jede Kompatibilitätsfrage beantworten.

Nachfolgende Korrekturen müssten interpretiert werden, statt automatisch zu einem negativen Urteil zu führen. Ein behobenes Problem kann die Integration verbessern, während wiederholte ungelöste Fehler das Vertrauen für den betroffenen Anwendungsfall schwächen würden.

Dieses Signal stärkt das Zugriffsargument, wenn Nutzer erwartetes Verhalten über alle erforderlichen Aufgaben hinweg reproduzieren können. Es schwächt dieses Argument, wenn der Zugriff auf das Modell weiterhin wichtige Workflow-Anforderungen ununterstützt lässt.

Beobachten Sie zweitens den in Googles Dokumentation genannten kommerziellen Übergang zum 1. Dezember. Vergleiche für eine fortlaufende Nutzung sollten die während dieser Nutzung geltenden Bedingungen widerspiegeln, statt Annahmen aus einer früheren Phase beizubehalten.

Die wichtige Beobachtung ist, ob sich die bevorzugte Wahl des einführenden Teams unter den geltenden Bedingungen verändert. Das erfordert einen definierten Workload, weil die kommerzielle Position eines Modells allein seine allgemeine Eignung nicht bestimmen kann.

Wenn Teams nach der Aktualisierung ihrer Annahmen dieselbe Präferenz beibehalten, gewinnt die ursprüngliche Entscheidung an Unterstützung. Wenn sich ihre Präferenz ändert, würde dies die Bedeutung der zeitlichen Einordnung jedes Vergleichs unterstreichen.

Keines der beiden Ergebnisse würde einen universellen Gewinner belegen. Es würde zeigen, wie empfindlich eine bestimmte Entscheidung gegenüber den sie umgebenden Bedingungen ist.

Beobachten Sie drittens Bewertungen, die genügend Details veröffentlichen, um das Ergebnis zu erklären. Nützliche Evidenz sollte das Modell, die Aufgabe, Anweisungen, relevante Einstellungen und die zur Beurteilung des Erfolgs verwendeten Maßstäbe benennen.

Die stärksten Ergebnisse werden schwierige Beispiele und Fehlschläge neben vorteilhaften Ausgaben enthalten. So können Leser entscheiden, ob die Bewertung ihrer Arbeit ähnelt, statt lediglich die Präferenz des Bewertenden zu akzeptieren.

Ein überzeugender Vorteil bei repräsentativen Aufgaben würde den Fall für die Einführung von Neon stärken. Ein Vorteil, der sich auf bequeme Demonstrationen beschränkt, ließe den umfassenderen Fall ungelöst.

Wiederholte Ergebnisse sind ebenfalls wichtiger als vereinzelte Überraschungen. Eine spektakuläre Antwort kann eine vielversprechende Richtung nahelegen, während konsistente Leistung einem Team etwas gibt, worauf es planen kann.

Diese Signale ordnen die Veröffentlichung ein. Die Ergänzung ist bereits für Nutzer bedeutsam, die diesen Zugriffsweg wollten. Ihre größere Bedeutung hängt davon ab, was danach möglich, zuverlässig und lohnenswert wird.

Derzeit bietet llm-gemini 0.38 bestehenden LLM-Nutzern eine konkrete Möglichkeit, Neon zu untersuchen. Es entscheidet weder den Wettbewerb innerhalb von Googles Angebot noch mit anderen Anbietern.

Diese abgewogene Schlussfolgerung lässt Raum für ein starkes Ergebnis. Eine Integration muss am Tag ihrer Veröffentlichung keine Marktverschiebung beweisen, um nützliche Infrastruktur für spätere Entscheidungen zu werden.

Bevor Sie ein funktionierendes Setup ändern, bestimmen Sie die Aufgabe, die derzeit scheitert, und die Evidenz, die ein anderes Modell rechtfertigen würde. Bewahren Sie die Anweisungen, das Ausgangsmaterial und die Akzeptanzkriterien auf, die für dieses Urteil verwendet wurden. Vergleichen Sie den Kandidaten unter den kommerziellen Bedingungen, die gelten werden, wenn Sie ihn einsetzen möchten. Bewahren Sie vorteilhafte Antworten und schwierige Fehlschläge gemeinsam auf, damit spätere Prüfer die Entscheidung nachvollziehen können. Wenn Sie llm-gemini 0.38 verfolgen, beginnen Sie mit der verifizierten Ergänzung und fragen Sie, was sie in Ihrer eigenen Arbeit ermöglicht. Die nächste Entscheidung sollte auf einem wiederholbaren Ergebnis beruhen und nicht auf dem Reiz eines weiteren Modellnamens. Welche ungelöste Aufgabe würde Neon in Ihrem Workflow eine Einführung wert machen?

 
 

Kostenlos loslegen

Ein Local-First-KI-Assistent mit persönlichem Wissensmanagement

Für ein besseres KI-Erlebnis

unterstützt remio derzeit nur Windows 10+ (x64) und M-Chip Macs.

Ihr KI-Partner bei der Arbeit
Mehr schaffen mit remio

Planen. Erstellen. Liefern.
Alles an einem Ort.

bottom of page