Jan ist ein lokaler Open-Source-KI-Desktop-Client, der offiziell als „Open-Source-ChatGPT-Ersatz“ positioniert ist. Es kann Open-Source-Modelle wie Llama, Gemma und Qwen lokal und offline ausführen und auch auf Cloud-Modelle wie GPT und Claude zugreifen. Es bietet außerdem lokale OpenAI-kompatible API- und MCP-Funktionen und unterstreicht damit die Privatsphäre, die bei der Speicherung von Daten auf dem lokalen Computer an erster Stelle steht.

Jan

Kernparameter und Statistiken

Jan ist ein lokaler Open-Source-KI-Desktop-Client. Es wird auf GitHub und der offiziellen Website offiziell als „Open-Source-ChatGPT-Ersatz“ positioniert und betont, dass „es zu 100 % offline auf Ihrem eigenen Computer läuft“. Es integriert „Open-Source-Modelle lokal herunterladen und ausführen“, „Zugriff auf kommerzielle Cloud-Modelle“, „lokale OpenAI-kompatible API“ und „MCP-Agent-Funktionen“ in derselben Desktop-Anwendung.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Open-Source-ChatGPT-Alternative, die offline ausgeführt werden kann
Betriebsmethode	Open-Source-Modell lokal ausführen + Verbindung zum Cloud-Modell herstellen
Lokale Modelle	Lama, Gemma, Qwen, GPT-oss und mehr (Download von Hugging Face)
Cloud-Zugriff	OpenAI, Anthropic (Claude), Mistral, Groq, MiniMax usw.
Lokale API	OpenAI-kompatibel, Standard „localhost:1337“
Agentenfunktionen	Support Model Context Protocol (MCP)
Open-Source-Lizenz	Apache 2.0
Gemeinschaftsgröße	GitHub etwa 43.000 Sterne, 2.900 Forks, 159 Mitwirkende
Downloads	Die offizielle Website wurde mehr als 5,7 Millionen Mal heruntergeladen
Neueste Version	v0.8.2 (01.06.2026, GitHub-Veröffentlichungen, insgesamt 102 Veröffentlichungen)
Unterstützte Plattformen	Windows, macOS, Linux

Bereitstellungsformular: Jan ist eine native Desktop-Anwendung (basierend auf Tauri). Sein Kernwert liegt darin, „lokales Denken“ in eine Produktform zu verwandeln, die von normalen Benutzern verwendet werden kann. Für datenschutzrelevante oder netzwerkbeschränkte Szenarien kann das lokale Modell vollständig offline verwendet werden; Wenn stärkere Funktionen erforderlich sind, wechseln Sie zum Cloud-Modell, und beide koexistieren in derselben Schnittstelle.

Schnittstellenwert: Jan stellt lokal eine OpenAI-kompatible API bereit (localhost:1337), was bedeutet, dass vorhandene Skripte und Anwendungen, die für die OpenAI-Schnittstelle geschrieben wurden, Anforderungen an das lokale Modell weiterleiten können, ohne die Aufrufstruktur zu ändern, wodurch die Kosten für die Migration von der Cloud zur lokalen Lösung gesenkt werden.

Iterationsrhythmus: GitHub Releases zeigt, dass das Projekt 102 Releases gesammelt hat und 0.8.0, 0.8.1 und 0.8.2 im Mai 2026 kontinuierlich veröffentlicht wurden, was darauf hinweist, dass es sich noch in der Phase der Hochfrequenzbereitstellung befindet.

Benutzer- und Markterkennung

Jans Anerkennung beruht hauptsächlich auf der Beliebtheit der Open-Source-Community und der tatsächlichen Downloadgröße und nicht auf den öffentlichen Einnahmen (letztere werden nicht offiziell bekannt gegeben).

Community und Downloads: Das GitHub-Repository janhq/jan zeigt öffentlich etwa 43.000 Sterne, 2.900 Forks und 159 Mitwirkende an; Die offizielle Homepage der Website zeigt Daten von über 5,7 Millionen kumulierten Downloads und über 15.000 Community-Mitgliedern. Für ein Desktop-Tool, dessen Verkaufsargument darin besteht, „große Modelle lokal auszuführen“, zeigt diese Größenordnung, dass es das frühe experimentelle Stadium überschritten hat und eine stabile Benutzergruppe gebildet hat.

Mund-zu-Mund-Propaganda: Das auf der offiziellen Website gesammelte öffentliche Feedback von Benutzern vergleicht Jan im Allgemeinen mit lokalen Inferenztools wie Ollama und LM Studio und betont die Unterschiede in der „freundlichen Benutzeroberfläche und auf Benutzer ohne technische Kenntnisse ausgerichtet“; Gleichzeitig werden vom Projekt selbst entwickelte Modelle wie Jan-V1-4B auch von der Community für lokale Tests verwendet. Diese Informationen stammen aus öffentlichen Quellen und die spezifische Leistung variiert je nach Maschinenkonfiguration.

Voraussetzungen für die Implementierung: Die tatsächliche Erfahrung beim lokalen Ausführen des Modells hängt stark von der Hardware ab. Offizielle Systemanforderungen werden öffentlich bekannt gegeben: Das 3B-Modell unter macOS 13.6+ erfordert etwa 8 GB Speicher, 7B erfordert 16 GB, 13B erfordert 32 GB und Windows/Linux kann mit NVIDIA/AMD/Intel Arc GPU beschleunigt werden. Wenn die Konfiguration nicht ausreicht, ist es besser, hauptsächlich das Cloud-Modell für den Zugriff zu verwenden.

Kostenvorteil

Der Kostenvorteil von Jan besteht nicht darin, dass „Abonnements günstiger sind“, sondern darin, dass es den Inferenzprozess lokal verlagert und strukturell Cloud-API-Rechnungen vermeidet, die nach Anrufvolumen abgerechnet werden.

Die Software selbst ist kostenlos und Open Source: Jan übernimmt die Apache 2.0-Lizenz, der Desktop-Client kann kostenlos heruntergeladen und verwendet werden und die offizielle Website ist deutlich als „Free & Open Source“ gekennzeichnet. Das bedeutet, dass keine Software-Abonnementgebühren anfallen und auch Selbstprüfung und Zweitentwicklung möglich sind.

Keine Anrufgebühr für lokale Inferenz: Bei Verwendung eines lokalen Modells wird die Inferenz auf Ihrem eigenen Gerät durchgeführt und es werden keine Cloud-Gebühren auf Basis von Token erhoben. In langfristigen Hochfrequenznutzungsszenarien liegen die Grenzkosten nahe bei Null und die Kosten werden auf einmalige Hardwareinvestitionen und Strom übertragen.

Cloud-Modelle werden pro Unternehmen abgerechnet: Wenn Benutzer sich für den Zugriff auf Cloud-Modelle wie OpenAI, Anthropic, Mistral, Groq usw. entscheiden, werden die entsprechenden Gebühren vom entsprechenden Dienstanbieter entsprechend seiner Preisgestaltung erhoben. Jan fungiert nur als einheitlicher Kunde und erhöht den Preis selbst nicht.

Echte Kostenstruktur: Was sich für Einzelpersonen und Teams wirklich auf die Gesamtkosten auswirkt, ist „ob lokale Hardware den angestrebten Modellumfang vorantreiben kann“. Eine pragmatischere Kostenkombination ist es, Aufgaben mit hohen Datenschutzanforderungen und großem Anrufvolumen lokal zu verlagern und gelegentlich schwierige Aufgaben an das Cloud-Modell zu übergeben.

Hauptfunktionen

Jans Fähigkeiten sind darauf ausgelegt, „lokale Modelle und Cloud-Modelle gleichzeitig in einer Desktop-Anwendung zu verwalten“. Die öffentlichen Funktionen lassen sich in folgende Kategorien zusammenfassen:

• Lokales Modell läuft: Laden Sie Llama, Gemma, Qwen, GPT-oss und andere Open-Source-Modelle lokal von Hugging Face herunter und führen Sie sie aus, wobei das Anhalten/Fortsetzen von Downloads unterstützt wird.
• Zugriff auf Cloud-Modelle: Greifen Sie über dieselbe Schnittstelle auf Cloud-Modelle wie OpenAI, Anthropic (Claude), Mistral, Groq und MiniMax zu und wechseln Sie nach Bedarf.
• Benutzerdefinierte Assistenten: Erstellen Sie spezielle KI-Assistenten für verschiedene Aufgaben und festigen Sie Systemeingabeaufforderungen und -parameter.
• OpenAI-kompatible API: Starten Sie den Dienst „localhost:1337“ lokal, damit andere Anwendungen über Standard-OpenAI-Aufrufmethoden auf das lokale Modell zugreifen können.
• MCP-Integration: Erweitern Sie die Tool-Aufruf- und Agentenfunktionen durch das Model Context Protocol.
• Privacy First: Bei Verwendung eines lokalen Modells bleiben Gespräche und Daten vollständig auf dem Computer.

Der tatsächliche Nutzen dieser Fähigkeiten hängt von drei Schlüsselpunkten ab: ob die Zielmodellgröße mit der lokalen Hardware übereinstimmt, ob es notwendig ist, das lokale Modell mit der vorhandenen ökologischen OpenAI-Anwendung zu verbinden, und von der Stärke der strengen Anforderung, dass „Daten den lokalen Computer nicht verlassen“.

Modell- und Versionsentwicklung

Jan befindet sich noch in der Hochfrequenz-Iterationsphase. GitHub Releases zeigt öffentlich insgesamt 102 Releases an, und die Hauptlinien konzentrieren sich auf lokales Modellmanagement, Cloud-Zugriffs-API-Dienste und MCP-Funktionen.

Aktuelle Hauptversion

• v0.8.2 (01.06.2026): Die neueste stabile Version, „v0.8.2 ist jetzt live auf GitHub“, ist gleichzeitig auf der Startseite der offiziellen Website markiert.
• v0.8.1 (29.05.2026): iterative Reparaturversion der Serie 0.8.
• v0.8.0 (22.05.2026): 0.8-Hauptversionsknoten, der Modell-Hub, Download- und Assistentenfunktionen fördert.
• v0.7.9 (23.03.2026): Einführung der späten Version 0.7.x vor 0.8, was den intensiven Veröffentlichungsrhythmus widerspiegelt.

Eigenentwickelte Modellreihe

Zusätzlich zum Desktop-Client veröffentlichte das Team auch öffentlich Modelle wie Jan-V1-4B (ca. 123 auf Hugging Face gehostete Modelleinträge), die die Community in Verbindung mit dem Jan-Client für lokale tatsächliche Tests verwendete. Die Modell- und Client-Linien laufen parallel, was Jan sowohl zum „Läufer“ als auch zum Teilnehmer an der Open-Source-Konstruktion des Modells selbst macht.

Technische Vorteile

Jans technische Entscheidungen dienen immer dem Zweck, „große lokale Modelle in Produkte zu verwandeln, die für normale Benutzer verfügbar sind“.

• Local-First-Architektur: Erstellen Sie Desktop-Anwendungen auf Basis von Tauri (die Warehouse-Sprachen sind hauptsächlich TypeScript und Rust). Im Vergleich zu reinen Electron-Lösungen sind sie leichter und einfacher auf den drei großen Desktop-Plattformen zu verteilen.
• Ausgereiftes Inferenz-Backend: In der offiziellen Bestätigung heißt es eindeutig, dass es auf Open-Source-Inferenz-Engines wie llama.cpp basiert, was es ermöglicht, gängige Open-Source-Modelle auf Consumer-Hardware auszuführen und GPU-Beschleunigung zu unterstützen.
• Schnittstellenstandardisierung: Stellen Sie OpenAI-kompatible APIs lokal bereit, packen Sie „lokale Modelle“ in branchenübliche De-facto-Standardschnittstellen und reduzieren Sie die Reibungsverluste bei der Integration bestehender Toolketten.
• Erweiterbare Agentenfunktionen: Greifen Sie über MCP auf externe Tools zu, sodass das lokale Modell nicht nur kommunizieren, sondern auch Aufgaben mit Toolaufrufen ausführen kann.

Diese Designs erklären gemeinsam, „warum es wirtschaftlicher und privater ist“: Durch die Inferenzlokalisierung entfallen laufende API-Gebühren, die Datenlokalisierung erfüllt die Einhaltung der Datenschutzbestimmungen und Standardschnittstellen senken die Migrationskosten.

Wie man es benutzt

Jan bietet eine Vielzahl von Eingängen, die rein lokale und gemischte Nutzung abdecken:

Eingang	Anwendbare Szenarien	Beschreibung
Desktop-Client	Persönlicher täglicher Gebrauch	Laden Sie die Windows-/macOS-/Linux-Version von der offiziellen Website oder GitHub Releases	herunter
Lokaler Modell-Hub	Offline-Inferenz	Laden Sie das Open-Source-Modell von Hugging Face innerhalb der Anwendung herunter und führen Sie es lokal aus
Zugriff auf Cloud-Modelle	Erfordert stärkere Fähigkeiten	Geben Sie den API-Schlüssel von OpenAI, Anthropic und anderen Dienstanbietern in den Einstellungen	ein
Lokaler API-Dienst	Sekundäre Entwicklung/Integration	Starten Sie „localhost:1337“, um das lokale Modell auf OpenAI-kompatible Weise aufzurufen

Typische Schritte für den Einstieg: Laden Sie den Client für die entsprechende Plattform herunter und installieren Sie ihn. → Laden Sie ein Open-Source-Modell (z. B. 3B/7B) herunter, das dem lokalen Speicher im Hub entspricht. → Starten Sie direkt eine lokale Konversation oder greifen Sie in den Einstellungen auf das Cloud-Modell zu. → Wenn Sie eine Integration mit anderen Anwendungen benötigen, öffnen Sie den lokalen API-Server und zeigen Sie auf „localhost:1337“.

Produktpreise

Jans Client selbst ist kostenlos und Open Source (Apache 2.0). Die offizielle Website ist deutlich mit „Free & Open Source“ gekennzeichnet und es fallen keine Software-Abonnementgebühren an.

• Client- und lokales Modell: Kostenlos. Bei der Nutzung des lokalen Modells fallen keine Pay-per-Call-Gebühren an und die Kosten entfallen hauptsächlich auf lokale Hardware und Strom.
• Aufruf zum Cloud-Modell: Beim Zugriff auf OpenAI, Anthropic, Mistral, Groq, MiniMax und andere Dienste werden die entsprechenden Gebühren von jedem Dienstanbieter gemäß seiner offiziellen Preisgestaltung separat erhoben und haben nichts mit Jan. zu tun.
• Unternehmen/Geschäft: Die offizielle Geschäftskontakt-E-Mail-Adresse [email protected] wird bereitgestellt. Die konkreten Bedingungen der Unternehmenszusammenarbeit werden nicht bekannt gegeben und unterliegen der offiziellen Kommunikation.

Anwendungsszenarien

• Datenschutzrelevante lokale Fragen und Antworten: Verwenden Sie lokale Modelle, um Fragen und Antworten zu Dokumenten, das Schreiben und die Codeunterstützung in Umgebungen zu verarbeiten, die nicht mit dem Internet verbunden sind oder nicht möchten, dass Daten gesendet werden.
• Lokale Entwicklerintegration: Schalten Sie für die OpenAI-Schnittstelle geschriebene Anwendungen auf den lokalen „localhost:1337“ um, schließen Sie Inferenz und Debugging lokal ab und reduzieren Sie die API-Kosten während der Entwicklungsphase.
• Unified Workbench mit mehreren Modellen: Vergleichen Sie die Auswirkungen lokaler Open-Source-Modelle und kommerzieller Cloud-Modelle im selben Client und wechseln Sie flexibel je nach Aufgabenschwierigkeit.
• Offline- und netzwerkbeschränkte Szenarien: Verlassen Sie sich auf einer Geschäftsreise, in einem Intranet oder bei einem schwachen Netzwerk auf das heruntergeladene lokale Modell, um grundlegende KI-Funktionen aufrechtzuerhalten.

Anwendbare Personen

• Datenschutzorientierte Einzelbenutzer: Für nicht-technische Benutzer, die Gespräche und Daten lokal führen und eine benutzerfreundliche Oberfläche wünschen, ist Jan einfacher zu verwenden als ähnliche Tools, die eher auf Technik ausgerichtet sind.
• Entwickler und technische Teams: Lokale OpenAI-kompatible APIs, MCPs und selbst gehostete Lösungen sind für lokale Inferenz, Prototypenüberprüfung oder zur Reduzierung der Anrufkosten während des Entwicklungszeitraums erforderlich.
• Grenzen für Benutzer mit eingeschränkter Konfiguration: Lokale große Modelle haben klare Schwellenwerte für Speicher und GPU, und Low-End-Geräte haben Schwierigkeiten, große Modelle reibungslos laufen zu lassen; Für solche Benutzer ist es besser, auf Cloud-Modelle zuzugreifen oder kleinere lokale Modelle zu wählen.

Zusammenfassung und Ausblick

Jans zentrale Wettbewerbsfähigkeit besteht darin, die ingenieurorientierte Aufgabe des „lokalen Ausführens großer Modelle“ in ein Open-Source-, kostenloses, plattformübergreifendes und benutzerfreundliches Desktop-Produkt umzuwandeln und lokale Modelle über OpenAI-kompatible APIs und MCP in das bestehende Ökosystem zu integrieren. Ungefähr 43.000 GitHub-Sterne, über 5,7 Millionen Downloads und 102 Veröffentlichungen weisen darauf hin, dass es über ein stabiles Community-Fundament und einen stabilen Lieferrhythmus verfügt.

Auch die aktuellen Einschränkungen sind klar: Das lokale Inferenzerlebnis wird offensichtlich durch die Hardware eingeschränkt und größere Modelle haben höhere Speicher-/GPU-Anforderungen; Das Cloud-Modell basiert immer noch auf den Konten und Abrechnungen der einzelnen Dienstanbieter. In Zukunft lohnt es sich, auf die Reife des MCP-Ökosystems durch die Zusammenarbeit zwischen seiner selbst entwickelten Modellreihe (Jan-V1-Serie) und Client-Funktionen sowie auf seine Fortschritte in Richtung Enterprise Self-Hosting zu achten. Für Einzelpersonen und Teams, die lokale KI zu geringen Kosten steuern möchten, wird empfohlen, zunächst ein Gerät der mittleren bis oberen Preisklasse zu verwenden, um die 7B-Modellverifizierungserfahrung durchzuführen, und dann zu entscheiden, ob Cloud-Aufrufe in weiteren Szenarien durch lokale Inferenz ersetzt werden sollen. Wenn es sich um eine privatisierte Bereitstellung auf Unternehmensebene handelt, müssen die Lizenz- und Supportbedingungen im Voraus bestätigt werden.

Verwandte Tools: Umarmendes Gesicht, replicate

Technische Vorteile und Leistungsgrenzen

Als KI-Modell und API-Produkt können Jans Kernkompetenzen anhand der folgenden Dimensionen tiefgreifend verstanden werden, die sich direkt auf die Auswirkungen der Technologieauswahl und der Implementierung auswirken.

Inferenzleistung und Benchmark-Leistung Die Argumentationsleistung des Modells spiegelt sich in seiner Leistung bei Standard-NLP-Aufgaben wider (Textgenerierung, Codevervollständigung, semantisches Verständnis, Dialog mit mehreren Runden, Informationsextraktion usw.). Es wird empfohlen, einen horizontalen Vergleich anhand öffentlicher Benchmark-Testlisten (wie MMLU, HumanEval, GSM8K usw.) durchzuführen. Bitte beachten Sie jedoch, dass zwischen Benchmark-Testergebnissen und der tatsächlichen Leistung des Geschäftsszenarios eine Lücke bestehen kann. Zu den Schlüsselindikatoren, die sich auf die tatsächliche Benutzererfahrung auswirken, gehören: Inferenzgeschwindigkeit (Token/s oder Antwortverzögerung, die direkt die reibungslose Benutzererfahrung bestimmt), Kontextfensterlänge (die die Eingabegröße bestimmt, die gleichzeitig verarbeitet werden kann, was sich auf die Komplexität der Aufgaben auswirkt, die verarbeitet werden können) und Konsistenz der Ausgabequalität (die Stabilität der Ergebnisse mehrerer Ausgaben derselben Eingabe, die sich auf die Wahrnehmung der Zuverlässigkeit auswirkt).

API-Kompatibilität und Entwicklungsökosystem Die Tiefe der API-Kompatibilität mit gängigen Entwicklungsframeworks (LangChain, LlamaIndex, Semantic Kernel usw.) wirkt sich direkt auf die Kosten und den Zyklus der integrierten Entwicklung aus. Es wird empfohlen, auf die folgenden Integrationsdimensionen zu achten: die Abdeckung der vom SDK unterstützten Sprachtypen (ob Mainstream-Sprachen wie Python, JavaScript, Go und Java über offizielle SDKs verfügen), Streaming-Ausgabeunterstützung (SSE/WebSocket-Protokollkompatibilität), Funktionen für Funktionsaufrufe und Toolnutzung (ob die Zuordnung von Modellausgaben zu strukturierten Funktionsaufrufen unterstützt wird), die Flexibilität der strukturierten Ausgabe (JSON-Modus) und die Fähigkeit zur Integration in die Infrastruktur auf Unternehmensebene (VPC-Bereitstellung, Private Link, einheitliche Identitätsauthentifizierung). Eine vollständige API-Dokumentation und umfangreiche Codebeispiele können die Eintrittsbarriere für die Entwicklung erheblich senken und Integrationszeit und -kosten reduzieren.

Bereitstellungsflexibilität vs. Kostenkompromiss Je nach Datenschutzanforderungen, Latenzempfindlichkeit und Nutzungsumfang kann Jan zwischen Cloud-API-Aufrufen oder lokalen Bereitstellungsoptionen wählen. Die Vorteile der Cloud-Bereitstellung sind null Betriebs- und Wartungskosten und eine elastische Skalierbarkeit, die sich für Szenarien mit großen Nutzungsschwankungen und einer schnellen Prototypenentwicklung eignet; Die lokale Bereitstellung bietet vollständige Datensouveränität und geringe Latenz (kein Netzwerk-Round-Trip-Overhead), Sie müssen jedoch die Kosten für den Kauf von Hardware wie GPUs sowie Betriebs- und Wartungspersonal tragen. Es wird empfohlen, ein monatliches API-Aufrufvolumen von 1 Million Mal oder eine monatliche Gebühr von 1.000 US-Dollar als Referenztrennlinie zu verwenden: Unterhalb dieses Schwellenwerts weisen Cloud-APIs eine bessere Kosteneffizienz und Flexibilität auf. Nach Überschreiten dieses Schwellenwerts sollten die Gesamtbetriebskosten der Self-Deployment-Lösung umfassend bewertet werden, wobei Faktoren wie Hardware-Abschreibung, Strom, Betriebs- und Wartungspersonal usw. berücksichtigt werden.

Modellauswahl und Versionsstrategie

Für die Auswahl der Modelle der Jan-Serie wird empfohlen, die Modellfähigkeiten verschiedener Versionen entsprechend spezifischer Nutzungsszenarien abzustimmen. Die Version mit großen Parametern schneidet bei komplexen Überlegungen und mehrstufigen Aufgaben besser ab, ist jedoch mit höheren Kosten und längeren Verzögerungen verbunden. Die Version mit kleinen Parametern kann in Szenarien wie täglichen Gesprächen und einfachen Fragen und Antworten bereits eine zufriedenstellende Ausgabequalität liefern, und die Kosten betragen nur einen Bruchteil der Kosten der großen Version. Die empfohlene Auswahlstrategie lautet: Verwenden Sie kleine und mittlere Versionen in Standardszenarien, um die Kosten zu senken, und rufen Sie Modelle mit großen Versionen nur auf, wenn komplexe Inferenzaufgaben verarbeitet werden müssen. Diese hierarchische Aufrufstrategie kann die gesamten API-Kosten um 40–60 % senken, ohne die Ausgabequalität wesentlich zu beeinträchtigen.

Versionsinfo

• Jan v0.8.2 ：Die neueste stabile Version, die von GitHub Releases veröffentlicht wurde, iteriert weiterhin entlang der Hauptlinie des lokalen Modellbetriebs, des Cloud-Modellzugriffs auf OpenAI-kompatible API und der MCP-Integration, und die Desktop-Seite deckt Windows, macOS und Linux ab. （2026-06-01）
• Jan v0.8.1 ：Die iterative Version der 0.8.x-Serie behebt weiterhin Probleme und verbessert das lokale Modell und das Dialogerlebnis nach der Hauptversion 0.8.0. （2026-05-29）
• Jan v0.8.0 ：Der Hauptversionsknoten 0.8 fördert die Download- und Assistentenfunktionen des Modellverwaltungs-Hubs des Desktop-Clients. （2026-05-22）
• Jan v0.7.9 ：Die späteren Versionen der 0.7.x-Serie spiegeln den hochfrequenten Veröffentlichungsrhythmus wider, den das Projekt vor der Einführung von 0.8 beibehielt (GitHub hat mehr als 100 Veröffentlichungen gesammelt). （2026-03-23）