Kleine Modelle rücken ins Zentrum des Agent-Stacks: d1 kann jetzt Bilder lesen, Beam liefert offene Gewichte

Liquid AI hat d1 am 5. Oktober eingeführt. Das Unternehmen nennt es sein erstes Entscheidungsmodell und das erste, das Entscheidungen auf Bilder ausweitet. Das Modell erzeugt keine Tokens. Es liest seine Eingabe in einem einzigen Vorwärtsdurchlauf und gibt für jede mögliche Antwort eine Wahrscheinlichkeit zurück, heißt es im Blogbeitrag des Unternehmens. Eine Textentscheidung dauert 200 bis 300 Millisekunden.

Das ist das Versprechen: einen langsamen, teuren Aufruf eines Sprachmodells durch einen schnellen Klassifikator ersetzen, wenn die Antwort eine strukturierte Auswahl ist. Laut Liquid 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-mal bis 200-mal weniger als GPT-6.1 Sol und Claude Opus 5.5. Das Unternehmen erklärt außerdem, d1 antworte bei jeder Aufgabe schneller. Diese Vergleichszahlen stammen aus den eigenen Benchmarks von Liquid und sind unabhängig nicht überprüft.

Der Zeitpunkt ist kein Zufall. Über den ganzen Stack hinweg wird das kleine, spezialisierte Modell derzeit dorthin geschoben, wo ein allgemeines Modell zu langsam oder zu teuer läuft.

Was ein Entscheidungsmodell tatsächlich bringt

Liquid beschreibt drei Ausgabeformen: eine Ja-Nein-Frage, beantwortet mit einer Wahrscheinlichkeit zwischen 0 und 1, eine Auswahl unter Labels, beantwortet mit einer Wahrscheinlichkeit je Label, und eine Bewertung auf einer Skala. Eine Anfrage kann mehrere Fragen zum selben Zustand stellen. Das senkt die Eingabe-Tokens, die ein System bezahlen muss. Bei der visuellen Prüfung sortierte d1 gute und defekte Teile mit 85 bis 97 Prozent Genauigkeit über vier Produktionslinien: Leiterplatten, Kerzen, Cashewkerne und Kaugummi, entnommen aus dem öffentlichen VisA-Datensatz.

Interessanter ist, dass das Modell für diese Aufgaben nie trainiert wurde. Liquid reklamiert Generalisierung: Das Modell versteht die Aufgabe aus einer kurzen schriftlichen Beschreibung. In Spielen hob der zusätzliche Bildschirm d1s Tetris-Wert von 70 auf 81 geräumte Linien. In Wordle las es das Brett aus einem Screenshot und löste 12 von 12 Partien in durchschnittlich 3,8 Versuchen. Bei Quick, Draw! erkannte es 5,2 von 6 Zeichnungen, gegenüber 0,6 beim Raten.

Eine Anwendung zielt direkt auf Coding-Agenten. Bei der Kontextkompaktierung liest d1 jede Tool-Ausgabe in einer Agentensitzung und behält sie, kürzt sie oder verwirft sie. Laut Liquid entfernt das 52 Prozent der Tokens und behält jede Ausgabe, die die Aufgabe braucht. Das ist eine enge, repetitive Entscheidung, die ein allgemeines Modell sonst zum vollen Preis treffen würde.

Das große Modell, das über die Kosten pro Token konkurriert

Am selben Tag veröffentlichte Reflection Details zu Beam, seinem ersten Modell mit offenen Gewichten. Beam ist ein sparse Mixture-of-Experts-Modell mit 501.000.000.000 Parametern insgesamt und 23.000.000.000 aktiven. Reflection gibt an, Beam auf 23.800.000.000.000 Tokens vorab trainiert zu haben. Danach 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.

Die Gewichte sind noch nicht draußen. Reflection erklärt, Beam sei in der abschließenden Red-Teaming- und Evaluierungsphase. Gewichte, ein technischer Bericht, eine Modellkarte und Entwickler-Artefakte seien für später in diesem Monat zugesagt. Früher Zugang per Anmeldung. Also ist jede Benchmark-Zahl in der Ankündigung die des Unternehmens selbst.

Diese Zahlen sollte man sorgfältig lesen, denn sie schneiden in beide Richtungen. Bei SWE Bench Pro v2-Hard meldet Reflection für Beam 77,2 gegenüber 88,2 für Kimi K3 und 84,3 für GLM 5.3. Bei Terminal Bench v2.1 meldet es 80,1 gegenüber 88,3 für Kimi K3 und 88,2 für GLM 5.3. Bei SWE Bench Pro v1 meldet es 65,5 gegenüber 67,7 für Qwen 3.8 Max. Beam führt nicht.

Reflections Argument ist Effizienz, nicht rohe Leistungsfähigkeit. Das Unternehmen erklärt, Beam erreiche Werte vergleichbar mit GLM 5.2 bei drei- bis viermal weniger Inferenz-Rechenaufwand. Der Abstand wachse gegenüber Modellen der 2.000.000.000.000+-Parameter-Familie. Bei HLE ohne Tools erreicht Beam 36,2 gegenüber 46,9 für Kimi K3 und 43,6 für Qwen 3.8 Max. Mit Tools sind es 51,2 gegenüber 62,5 für GLM 5.3 und 63,9 für DeepSeek V4.1 Flash. Reflection sagt offen, dass Frontier-Modelle mit offenen Gewichten wie Kimi K3 bei der rohen Leistungsfähigkeit vorn bleiben.

Kleine Modelle, die neben großen laufen

Die konkreteste Vorführung der Kleine-Modelle-These kommt diese Woche von unerwarteter Stelle: ein Coding-Agent auf GitHub namens Jeff-Code. Er setzt ein Entscheidungsmodell mit 800.000.000 Parametern in die Agentenschleife von Pi, dem Coding-Agenten von Mario Zechner und Mitwirkenden. Dort arbeitet es neben Qwen 3.8-27B.

Um jede Qwen-Runde trifft Jeff zwei Entscheidungen, jeweils rund 0,2 Sekunden. Kann er den nächsten Schritt selbst gehen, etwa eine Datei lesen, einen Ordner auflisten, Code durchsuchen oder Tests ausführen? Und muss Qwen in dieser Runde hart nachdenken? Schreiben und Bearbeiten von Dateien bleibt immer bei Qwen. Jeff übergibt, sobald er unsicher ist.

Die Ergebnisse aus der eigenen gepaarten Auswertung des Projekts sind unspektakulär und lesenswert. Die Pass-Rate lag bei 62,4 Prozent für Jeff-Code gegenüber 62,8 Prozent für Qwen allein, eine gepaarte Differenz von minus 0,2 Punkten über 1.242 gepaarte Aufgaben. Die durchschnittliche Zeit pro Aufgabe fiel auf das 0,68-Fache, ein geometrisches Mittel der Verhältnisse pro Aufgabe mit einem 95-Prozent-Intervall von 0,64 bis 0,72. Die Gesamtzeit über alle Aufgaben sank weniger, auf das 0,86-Fache. Der Grund: Bei etwa 5 Prozent der Aufgaben lief Jeff-Code mehr als 30 Minuten länger als Qwen allein.

Die Schlagzeile lautet 47 Prozent schneller, oder 32 Prozent weniger Zeit, bei gleicher Pass-Rate. Das Detail zählt mehr als die Schlagzeile: keine klare Beschleunigung bei Terminal-Bench 2.0 (0,96-fach) oder SkillsBench (0,91-fach). Das Denken in jeder Runde abzuschalten ist noch schneller, kostet aber 7,6 Punkte Pass-Rate. Ein weniger vorsichtiger Jeff bei einer Schwelle von 0,7 kostet 4,5 Punkte. Kleine Modelle sind hier eine Planungsschicht, kein Ersatz für das große.

Wo das kleine Modell noch an seine Grenzen stößt

Ein zweites GitHub-Projekt, Reika, ist eine Coding-Agent-CLI, die zuerst um kleine lokale Modelle herum gebaut ist: 8.000.000.000 bis 35.000.000.000 Parameter, oft bei Q2- bis Q4-Quantisierung, in einem Kontextfenster von 16 bis 32.000. Der Autor veröffentlicht die Befunde, und sie sind offen über die Grenzen. In Tests bewältigten Modelle mit 14 bis 35 Milliarden Parametern Mehrdatei-Aufgaben am zuverlässigsten. Modelle mit 8 bis 9 Milliarden schafften einfache, klar umrissene Aufgaben, und unter 7 Milliarden kamen selten weit. Das Projekt ist vor 1.0 und erklärt, dass sich Befehle und Verhalten noch ändern können.

Die Harness-Zahlen sind der nützliche Teil. Ein Rewrite mitten im Kontext verarbeitete 8.453 Tokens Prompt neu, oder 7,9 Minuten Prefill. Ein Anhängen in derselben Sitzung kostete dagegen 25 Tokens und 3,5 Sekunden. Die Formulierung des Prompts gilt als schwächster Hebel: Bei einer vagen Aufgabe unter Q2 konvergiert oder verirrt sich ein Modell etwa 50 zu 50. Der Harness kann diese Rate nicht bewegen, nur was die scheiternde Hälfte kostet. Reikas eigene Schlussfolgerung ist, dass es ein kleines Modell nicht klüger macht, sondern die Arbeit mit einem weniger frustrierend.

Die Hardware bewegt sich in dieselbe Richtung. Interfaze 1.1 Lite, am 5. Oktober auf Hugging Face veröffentlicht, ist ein Mixture-of-Architectures-Modell. Es kombiniert einen Reasoning-Kern mit Spezialkomponenten für Dokumente, Sprache, visuelle Verankerung und strukturierte Ausgabe. Das Ganze läuft auf einer einzigen 80-GB-GPU ohne externe Dienste. Es ist kein einzelnes Netz: Der Kern plant, ruft Spezialisten auf und setzt die Antwort aus deren Rückgaben zusammen.

Seine Benchmarks erinnern daran, dass klein und Single-GPU nicht schwach bedeuten. Interfaze 1.1 Lite meldet 85,9 bei GPQA Diamond gegenüber 92,4 für Interfaze, 82,8 für GPT-5.4-Mini, 89,9 für Claude-Sonnet-4.6 und 88,5 für Gemini-3-Flash. Bei MMMU-Pro meldet es 73,2 und liegt damit vor Interfaze mit 71,1. Bei der Spracherkennung, gemessen als Wortfehlerrate auf VoxPopuli-Cleaned, meldet es 3,01 gegenüber 2,4 für Interfaze und 4,0 für Gemini-3-Flash. Interfaze erklärt außerdem, eine 95-minütige Aufnahme werde in etwa 90 Sekunden transkribiert.

Warum das für Einkäufer zählt

Die praktische Veränderung ist, dass Teams jetzt drei getrennte Kostenhebel haben, und sie werden als eine Geschichte verkauft. Ein Entscheidungsmodell kann einen repetitiven Aufruf übernehmen. Ein kleines Modell kann Arbeit um ein großes herum planen oder leiten. Ein dichtes oder sparses großes Modell mit offenen Gewichten lässt sich auf Inferenz-Effizienz statt auf Benchmark-Führerschaft trimmen. An jedem Hebel hängt eine veröffentlichte Zahl, und fast alle diese Zahlen kommen vom Anbieter.

Unbekannt ist die Zuverlässigkeit außerhalb einer Demo. Reikas Befunde zeigen, dass ein kleines Modell Tool-Ausgaben wörtlich nimmt: Ein grep, der für einen Aufruf, den er nicht bedienen konnte, "0 Treffer" zurückgab, brachte ein Modell dazu, fünf Runden lang ein korrektes Muster umzuformulieren. Jeff-Code zeigt, dass Beschleunigungen pro Aufgabe von einem langen Schwanz an Aufgaben aufgefressen werden können, die viel langsamer laufen. Liquids Genauigkeitswerte stammen aus einer kleinen Zahl von Anwendungen und Datensätzen. Keines dieser Projekte hat eine unabhängige Prüfung veröffentlicht.

Es gibt noch ein Signal, das man beobachten sollte. Sean Goedecke argumentierte am 5. Oktober, dass Modelle wie Jev, die er System-One-Klassifikatoren nennt, durch handgebaute Klassifikatoren ersetzt werden können, die auf ihren eigenen Eingabe- und Ausgabelogs trainiert sind. Hat ein Team eine promptgesteuerte Entscheidung erst validiert, sei das Sammeln der Daten und das Trainieren eines spezifischen Modells ein wohlverstandenes Problem, schreibt er. Setzt sich dieses Muster durch, sind die heutigen Entscheidungsmodelle eine Zwischenstufe zu etwas Billigerem, und der Preisdruck läuft in eine Richtung.

Vorerst sind es diese Daten, die man festhalten sollte. Liquids d1 ist heute unter console.liquid.ai verfügbar. Reflection sagt, Beams Gewichte kämen später in diesem Monat, ohne Datum. Jeff-Code und Reika sind beide öffentlich auf GitHub, beide vor 1.0, beide messen ihre eigenen Harnesses. Das kleine Modell ist keine Demo-Kategorie mehr; es ist eine Kostenposition.