Multimodale Modelle werden klein und einstöckig: Rekas 19B-Modell Rho-1, Liquids d1 und Interfazes MoA

Rho-1 von Reka ist die jüngste multimodale Veröffentlichung, erschienen am 5. Oktober. Das Unternehmen nennt es ein Omni-Reasoning-Modell, von Grund auf mit 19.000.000.000 Parametern trainiert. Der Ansatz ist architektonisch. Statt dass ein zentrales Modell Aufgaben an getrennte Spezialisten für Bild, Video und Aktion weiterreicht, legt Rho-1 Text, Bild und Roboteraktionen in ein einziges Kontextfenster.

„Die meisten KI-Systeme sind heute agentische Pipelines: Ein zentrales Modell plant und delegiert, es gibt Aufträge an Spezialisten für einzelne Modalitäten weiter", heißt es im Lab-Post von Reka. „Rho-1 legt diesen Stapel zusammen." Laut dem Post zeichnet das Modell in einer ungeschnittenen Sitzung mit fünf Runden eine Szene, findet ein Objekt, animiert es zum Video, ändert das Wetter und erklärt, was sich verändert hat.

Die Zahlen, die Reka veröffentlicht, sind Geschwindigkeitswerte, keine Benchmark-Tabellen. Das Basismodell erzeugt Video mit dem 0,79-fachen der Echtzeit im Median, so der Post. Ein anschaubarer Stream startet in etwa 6 Sekunden. Eine destillierte Variante kürzt die Denoising-Trajektorie von 99 Schritten auf 8. Reka zufolge lieferte sie in internen Tests einen Clip von 5,3 Sekunden in etwa einer Sekunde.

Kleine Modelle, enge Aufgaben, niedrigere Rechnungen

Liquid AI nutzte denselben Tag für den Start von d1, seinem ersten Entscheidungsmodell, jetzt mit Bildunterstützung. Entscheidungsmodelle geben Wahrscheinlichkeiten zurück, statt Tokens zu erzeugen: eine Ja/Nein-Antwort, ein Label oder einen Wert. Laut Liquid dauert eine Textentscheidung 200 bis 300 ms.

Das Unternehmen testete d1 gegen GPT-6.1 Sol und Claude Opus 5.5 in sechs Anwendungen, vom Filtern von Support-Tickets bis zur Prüfung von Leiterplatten. Dem Liquid-Blog zufolge erreicht oder übertrifft d1 GPT-6.1 Sol bei vier davon. Es kostet 19-mal bis 200-mal weniger als beide Modelle und antwortet bei jeder Aufgabe schneller. Das sind vom Anbieter durchgeführte Vergleiche, und der Post liefert keine Aufschlüsselung pro Aufgabe.

Einige der Demos sind konkreter. Bei einer visuellen Inspektionsaufgabe mit dem öffentlichen VisA-Datensatz sortiert d1 gute und defekte Teile aus vier Produktionslinien mit 85 bis 97 Prozent Genauigkeit. Liquid zufolge wurde das Modell nie für diese Aufgabe trainiert. In einem Wordle-Test las es das Spielfeld aus einem Screenshot und löste 12 von 12 Partien mit durchschnittlich 3,8 Versuchen. Bei Quick, Draw! erkannte es 5,2 von 6 Kritzeleien aus 62 Wörtern; zufälliges Raten kommt auf 0,6.

Interfaze wählte einen dritten Weg. Das am 5. Oktober auf Hugging Face veröffentlichte Interfaze 1.1 Lite ist überhaupt kein einzelnes Netz. Es besteht aus einem Reasoning-Kern plus Spezialkomponenten für Dokumentenlesen, Liniengeometrie, Layout, Sprache, Sprechertrennung, Segmentierung, Prognose und Sicherheit, verbunden über Tool-Aufrufe. Laut dem Unternehmen läuft das Ganze auf einer einzigen 80-GB-GPU ohne externe Dienste.

Die Angaben sind für eine Modellkarte ungewöhnlich genau. PDFs bis zu 50 Seiten pro Aufruf, mit einer Box und einem Konfidenzwert für jede Zeile und jedes Wort. Eine 95-minütige Aufnahme in etwa 90 Sekunden transkribiert. Ein Kontext von 131.000 Tokens. In der eigenen Benchmark-Tabelle der Karte erreicht Interfaze 1.1 Lite 85,9 bei GPQA Diamond und 73,2 bei MMMU-Pro. Zum Vergleich: 71,1 für Interfaze, 40,4 für GPT-5.4-Mini, 46,3 für Claude-Sonnet-4.6 und 67,6 für Gemini-3-Flash. Bei GPQA Diamond liegt es mit 82,8, 89,9, 88,5 und 73,6 jedoch hinter denselben Modellen zurück.

Die Open-Weight-Grenze bekommt einen weiteren Teilnehmer

Beam von Reflection ist die größte Open-Weight-Ankündigung hier: ein sparse Mixture-of-Experts-Modell mit 501.000.000.000 Gesamtparametern und 23.000.000.000 aktiven, gebaut für Coding, Reasoning und agentische Arbeit. Der Post des Unternehmens vom 5. Oktober nennt 23.800.000.000.000 Tokens für das Pretraining. Danach folgte ein Reinforcement-Learning-Lauf mit über 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs über 4 Wochen.

Die Gewichte sind noch nicht draußen. Beam durchlaufe „abschließendes Red-Teaming und Evaluierungen", und Reflection will die Gewichte, den technischen Bericht, die Modellkarte und Entwicklerartefakte später in diesem Monat veröffentlichen. Frühzugang gibt es per Anmeldung. Damit ist jeder Benchmark im Post eine Anbieterangabe zu einem unveröffentlichten Modell.

Die veröffentlichte Tabelle ist gemischt. Beam erreicht 80,9 bei SWEBench Verified und 80,1 bei Terminal Bench v2.1. Das liegt vor GLM 5.2 mit 81,0 bei Terminal Bench, aber hinter Kimi K3 mit 88,3 und DeepSeek V4.1 Flash mit 90,6. In der schwersten Coding-Zeile, SWE Bench Pro v2-Hard, meldet Beam 77,2 gegen 88,2 bei Kimi K3. Reflection rahmt das selbst als Effizienz, nicht als rohe Leistungsfähigkeit. Das Unternehmen sagt, Beam erreiche bei fortgeschrittenem Reasoning Werte vergleichbar mit GLM-5.2 und brauche dabei 3- bis 4-mal weniger Inferenz-Rechenleistung, und nennt Kimi K3 bei der rohen Leistungsfähigkeit vorn.

Das Effizienzargument ist das interessante. Wenn ein Modell mit 23.000.000.000 aktiven Parametern bei agentischen Aufgaben wirklich nur wenige Punkte hinter deutlich größeren Systemen landet, sinken die Kosten pro Aufgabe für jeden, der solche Workloads in großem Umfang fährt. Reflection hat die Kostenzahlen hinter dieser Behauptung nicht veröffentlicht. Die Gewichte stehen für unabhängige Tests nicht zur Verfügung.

Harnesses und Entscheidungsschichten um die Modelle herum

Zwei kleinere Projekte zeigen, wohin die Ingenieursarbeit geht: nicht in größere Modelle, sondern in das Bindeglied drumherum.

Jeff-Code, ein Fork des Coding-Agenten Pi, am 5. Oktober auf GitHub veröffentlicht, setzt ein Entscheidungsmodell namens Jeff mit 800.000.000 Parametern in die Agentenschleife um Qwen 3.8-27B. Jeff macht zwei Aufrufe pro Qwen-Runde, je etwa 0,2 Sekunden. Es fragt, ob es den nächsten Schritt selbst gehen kann und ob Qwen in dieser Runde hart nachdenken muss. Das Denken bleibt aus, solange Jeffs Wahrscheinlichkeit, dass die Runde volles Denken braucht, nicht 0,6 erreicht. In der Auswertung liefen etwa drei Viertel der Qwen-Runden ohne Denken.

Das gemessene Ergebnis ist bescheiden bei der Qualität und groß bei der Zeit. Über 1.242 gepaarte Aufgaben lag die Erfolgsquote mit Jeff-Code bei 62,4 Prozent gegenüber 62,8 Prozent für Qwen allein. Das ist eine gepaarte Differenz von minus 0,2 Punkten mit einem 95-Prozent-Intervall von minus 2,6 bis plus 2,1. Die Zeit pro Aufgabe lag im Mittel bei dem 0,68-fachen, im Median bei dem 0,70-fachen; die Gesamtzeit über alle Aufgaben betrug das 0,86-fache. Das Projekt meldet keine klare Beschleunigung bei Terminal-Bench 2.0 (0,96-fach) oder SkillsBench (0,91-fach). Das Denken in jeder Runde abzuschalten war noch schneller, kostete aber 7,6 Punkte.

Reika, eine weitere Coding-Agenten-CLI, am selben Tag veröffentlicht, ist umgekehrt gebaut. Sie ist zuerst für kleine lokale Modelle im Bereich von 8.000.000.000 bis 35.000.000.000 ausgelegt, oft mit Q2- bis Q4-Quantisierung bei einem Kontextfenster von 16 bis 32k. Das README ist offen über die Grenzen. Im Test 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 7.000.000.000 kam selten etwas weit. Das Projekt veröffentlicht auch, was sein Harness nicht beheben kann. Bei einer vagen Aufgabe mit Q2 konvergiert oder verläuft sich ein Modell etwa 50 zu 50, und die Formulierung des Prompts ist der schwächste Hebel.

Die Kontextzahlen in diesem README sind eine nützliche Realitätsprüfung für jeden, der Agenten-Workloads dimensioniert. Ein Rewrite mitten im Kontext verarbeitete 8.453 Tokens Prompt neu, 7,9 Minuten Prefill. Ein Anhängen in derselben Sitzung kostete 25 Tokens und 3,5 Sekunden.

Was die Woche über das multimodale Rennen sagt

Drei Veröffentlichungen an einem Tag zeigen in verschiedene Richtungen. Reka setzt darauf, dass ein Netz jede Modalität schluckt. Interfaze setzt auf einen kleinen Kern, der an Spezialisten weiterleitet, und hält das Ganze auf einer einzigen GPU. Liquid setzt darauf, dass die meiste multimodale Arbeit eigentlich ein Klassifikationsproblem ist und nie ein Token erzeugen sollte.

Der gemeinsame Faden sind die Kosten. Rekas destillierte Variante, Liquids Preisbehauptung von 19-mal bis 200-mal, Interfazes Ein-GPU-Betrieb und Jeff-Codes 0,68-fache Zeit pro Aufgabe verkaufen alle dasselbe: dieselbe Arbeit für weniger Rechenleistung. Keine dieser Behauptungen ist bisher unabhängig überprüft worden.

Außerhalb der Modelllabore zeigt sich dasselbe Muster in der Infrastrukturarbeit. mold 3.0.0, am 5. Oktober veröffentlicht, ist die erste Ausgabe des Hochgeschwindigkeits-Linkers, der von C++ nach Rust neu geschrieben wurde, eine Änderung, die das Projekt in seinen Notizen zu 2.42.1 angekündigt hatte. Die Versionshinweise nennen die Link-Leistung auf dem Stand von 2.42.1. Sie nennen auch, dass das Projekt die Kompatibilität durch den Bau aller Gentoo-Pakete ohne Regressionen geprüft hat. Das Ziel für mold 3.x ist, die verbleibenden Lücken zu GNU ld zu schließen, besonders die Unterstützung von Linker-Skripten, um den Weg zur Übernahme als Standard-Linker in Linux-Distributionen zu ebnen.

Expat 2.9.0, ebenfalls am 5. Oktober veröffentlicht, behebt zwei Schwachstellen. CVE-2026-77214 ist ein möglicher Out-of-Bounds-Read in XML_ParseBuffer wegen unzureichender Prüfung des Längenparameters. CVE-2026-102633 ist ein Integer-Overflow im Speicherverwaltungscode, der 32-Bit-Plattformen betrifft. Die Ausgabe ergänzt eine Properties-API und markiert das Makro XML_LARGE_SIZE als veraltet zugunsten von fünf 64-Bit-Positionsfunktionen. Der Maintainer dankt dem Open Source Sabbatical der Stadt München für die Finanzierung der Arbeit.

Andernorts erklärte OpenAI, es werde später in diesem Monat in den USA während der Bilderzeugung visuelle Anzeigen in ChatGPT testen, mit einer ersten Gruppe von Werbetreibenden, so BleepingComputer. Das Unternehmen sagt, die Anzeigen würden klar gekennzeichnet und blieben getrennt vom erzeugten Bild. Es sagt außerdem, ChatGPT erreiche jetzt 1.200.000.000 Menschen pro Woche.

Auf der Forschungsseite fand eine am 23. September veröffentlichte Studie der UC Riverside, dass Konfidenz und Korrektheit bei großen Sprachmodellen aus unterschiedlichen internen Merkmalen entstehen. Das Team untersuchte Metas Llama-3.1-8B und Googles Gemma-2-9B mit sparse Autoencodern und unterdrückte ausgewählte Merkmale. „Die Hauptannahme im Feld ist, dass das Modell wahrscheinlich richtig liegt, wenn es sicher ist, und eher falsch, wenn es unsicher ist", sagte Het Patel, Doktorand der Informatik an der UCR und Erstautor. „Aber wir sehen oft die Gegenbeispiele, die gut dokumentiert sind."

Für Käufer lautet die praktische Frage dieser Woche nicht, welches Modell am klügsten ist. Sie lautet, welche dieser Architekturen sich testen lässt. Rekas Gewichte sind noch Wochen entfernt, Liquids Vergleiche stammen vom Anbieter, und Interfazes Benchmark-Tabelle ist die eigene. Die Zahlen, auf die es zu achten gilt, sind die, die mit Artefakten ankommen.