„Decision Models“ versprechen schnellere, günstigere KI, sind aber noch kein Sicherheitswerkzeug

Liquid AI hat d1 am 5. Oktober veröffentlicht und nennt es sein erstes Entscheidungsmodell. Es verarbeitet inzwischen Text und Bilder. Nach Angaben des Unternehmens erreicht oder übertrifft d1 GPT-6.1 Sol bei vier von sechs getesteten realen Anwendungen, vom Filtern von Support-Tickets bis zur Prüfung von Leiterplatten. Es kostet 19- bis 200-mal weniger als dieses Modell und als Claude Opus 5.5. Laut Blogbeitrag antwortet es bei jeder Aufgabe deutlich schneller.

Der Ansatz ist bewusst eng gefasst. Liquid erklärt Entscheidungsmodelle so: Sie nehmen unstrukturierte Daten und eine oder mehrere Fragen, lesen sie in einem einzigen Vorwärtsdurchlauf und geben Wahrscheinlichkeiten zurück, ohne Tokens zu erzeugen. Eine Textentscheidung dauert 200 bis 300 ms. Das Modell beantwortet Ja/Nein-Fragen, wählt ein Label aus vielen aus oder bewertet eine Position auf einer Skala.

Genau hier könnten Sicherheitsteams hinschauen. Die Demo-Liste des Unternehmens enthält einen intelligenten Filter, der d1 in eine Funktion innerhalb einer SQL-Abfrage verwandelt und Ja oder Nein zu 150 Support-Tickets liefert. Sie nennt außerdem eine Aufgabe zur Kontextkomprimierung. Dort liest d1 jede Tool-Ausgabe in der Sitzung eines Coding-Agenten und behält sie, kürzt sie oder verwirft sie. Dabei entfernt es 52 Prozent der Tokens und behält jede Ausgabe, die die Aufgabe braucht. Beides ist kein Verteidigungsprodukt. Beides ist die Art von Infrastruktur, auf der eines aufsitzt.

Eine volle Woche für kleine, schnelle Modelle

Liquids Veröffentlichung fiel in eine Reihe von Ankündigungen über Modelle, die weniger tun, dafür schneller. Reflection hat am 5. Oktober Beam veröffentlicht, ein sparse Mixture-of-Experts-Modell mit 501.000.000.000 Parametern insgesamt und 23.000.000.000 aktiven. Es ist für Coding, Reasoning und agentische Workloads gebaut. Das Unternehmen gibt an, auf 23.800.000.000.000 Tokens trainiert zu haben. Außerdem lief eine Reinforcement-Learning-Phase mit hohem Rechenaufwand, die über vier Wochen mehr als 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs erzeugte. Beam durchläuft noch finales Red-Teaming und Evaluierungen. Reflection kündigt an, später in diesem Monat Gewichte, einen technischen Bericht und eine Modellkarte zu veröffentlichen.

Die Effizienzbehauptung ist der interessante Teil. Reflection schreibt, Beam erreiche auf fortgeschrittenen Reasoning-Benchmarks Werte vergleichbar mit GLM-5.2 und brauche dabei 3- bis 4-mal weniger Inferenz-Rechenleistung. Der Abstand weite sich gegenüber Modellen der 2.000.000.000.000+-Parameter-Familie wie Qwen 3.8-Max. Das Unternehmen räumt auch die Grenzen ein. Auf SWE Bench Pro v2-Hard erreicht Beam 77.2 gegen 88.2 bei Kimi K3, auf Terminal Bench v2.1 sind es 80.1 gegen 88.3. Der Beitrag sagt, die offenen Frontier-Modelle blieben bei der Rohleistung vorn, und Beams Vorteil liege in der Effizienz zur Inferenzzeit.

Effizienzargumente zählen für jeden, der Klassifikatoren über große Mengen von Logs, Alerts oder Tickets laufen lässt. Sie zählen weniger, wenn das Modell falsch liegt.

Das Konfidenzproblem, das niemand gelöst hat

Eine Studie der UC Riverside vom 23. September fand, dass Konfidenz und Korrektheit in großen Sprachmodellen aus unterschiedlichen internen Merkmalen entstehen können. Das stellt die Annahme infrage, dass die Konfidenz eines Modells seine Genauigkeit anzeigt. Die Forscher untersuchten Llama-3.1-8B von Meta, das mit 8.000.000.000 Parametern arbeitet, und Gemma-2-9B von Google mit 9.000.000.000 Parametern. Sie ordneten Antworten nach Korrektheit und Konfidenz in vier Gruppen und sahen mit sparse Autoencodern nach, welche Merkmale aktiviert waren. Die Mitteilung der Universität sagt, das Unterdrücken von Merkmalen, die rein an Unsicherheit hingen, habe die Genauigkeit deutlich gesenkt. Das deute darauf hin, dass diese Merkmale zu guten Antworten beitragen.

„Die Hauptannahme im Feld ist, dass das Modell wahrscheinlich korrekt liegt, wenn es sich sicher ist, und wahrscheinlicher falsch, wenn es unsicher ist“, sagte Het Patel, Doktorand der Informatik an der UCR und Erstautor der Studie. „Aber wir sehen oft die Gegenbeispiele, die gut dokumentiert sind.“

Für ein Entscheidungsmodell, das eine Wahrscheinlichkeit zurückgibt, wirkt dieser Befund in beide Richtungen. Eine Wahrscheinlichkeit ist immerhin explizit, anders als ein Satz, der mit unverdienter Gewissheit vorgetragen wird. Der Punkt der Forscher ist jedoch, dass die Zahl nicht unbedingt das abbildet, was Praktiker in ihr sehen.

Zwei Open-Source-Projekte für Coding-Agenten, beide am 5. Oktober veröffentlicht, argumentieren ähnlich dazu, wo kleine Modelle hingehören. Jeff-Code, ein Fork von Pi von Mario Zechner und Mitwirkenden, setzt ein Entscheidungsmodell mit 800.000.000 Parametern in die Agentenschleife. Es entscheidet, ob der Agent den nächsten Schritt selbst gehen kann und ob Qwen 3.8-27B mit 27.000.000.000 Parametern in einem Durchgang hart nachdenken muss. Das README berichtet von Coding-Aufgaben, die im Schnitt 47 Prozent schneller sind bei gleicher Erfolgsrate. Es nennt eine gepaarte Differenz von minus 0.2 Punkten über 1.242 gepaarte Aufgaben und ein 95-Prozent-Intervall von minus 2.6 bis plus 2.1. Ohne Nachdenken in jedem Durchgang war es noch schneller, kostete aber 7.6 Punkte.

Reika, ein Coding-Agent-CLI, das zuerst um kleine lokale Modelle herum entworfen wurde, hat eine eigene Ergebnisdatei veröffentlicht. Darunter: Ein Rewrite mitten im Kontext verarbeitete 8.453 Tokens Prompt neu, 7.9 Minuten Prefill, während ein Anhängen in derselben Sitzung 25 Tokens und 3.5 Sekunden kostete. Das Projekt sagt, die Formulierung des Prompts sei der schwächste Hebel. Bei einer vagen Aufgabe in Q2, so heißt es weiter, konvergiere oder verirre sich ein Modell etwa 50/50. Der Harness könne diese Rate nicht ändern, nur die Kosten der scheiternden Hälfte.

Was das alles nicht ist

Keine dieser Veröffentlichungen ist ein Cyber-Verteidigungsmodell, und das sollte man deutlich sagen. Der jüngste sicherheitsnahe Punkt ist eine OpenAI-Ankündigung vom 3. November über Partnerschaften mit Sicherheitsfirmen, die dieser Text über die Schlagzeile hinaus nicht belegen kann. Liquids d1 ist ein Klassifikator. Reflections Beam ist ein allgemeines Open-Weight-Modell, das noch auf Red-Teaming wartet. Jeff-Code und Reika sind Agenten-Harnesses.

Die Verbindung sind Kosten und Latenz, und sie ist unspektakulär. Ein Entscheidungsmodell kann eine strukturierte Frage in 200 bis 300 ms beantworten, zu einem Bruchteil des Preises eines Frontier-Aufrufs. Wenn das stimmt, ändert sich die Ökonomie, ein Modell über jeden Alert laufen zu lassen. Ob die Antworten gut genug zum Handeln sind, ist eine andere Frage. Die Arbeit der UCR legt nahe, dass die Konfidenzzahl daran eher geprüft als geglaubt werden sollte.

Liquid sagt, d1 sei nie für die visuelle Inspektion trainiert worden und sortiere trotzdem gute und defekte Teile mit 85 bis 97 Prozent Genauigkeit im öffentlichen Datensatz VisA, indem es die Aufgabe aus einer kurzen Beschreibung versteht. Das ist eine eindrucksvolle Verallgemeinerungsbehauptung aus einem Anbieterblog. Es ist auch genau die Art von Behauptung, die einen unabhängigen Test braucht, bevor jemand sie auf eine Produktionslinie oder ein Security Operations Center richtet.