Robotik-Fundamentmodelle bekommen die Aufmerksamkeit, aber die Entscheidungsschicht entscheidet über die Zahlen

Am 5. Oktober hat Liquid AI d1 veröffentlicht. Das Unternehmen nennt es sein erstes Entscheidungsmodell und das erste seiner Art, das neben Text auch Bilder verarbeitet. Laut dem eigenen Blogbeitrag beantwortet d1 Fragen zu einer Situation mit einer Wahrscheinlichkeit pro möglicher Antwort. Es liest Text, Bilder oder beides in einem einzigen Vorwärtsdurchlauf, ohne Token zu erzeugen. Eine Textentscheidung dauert 200 bis 300 ms.

Die Benchmarks des Anbieters verdienen Skepsis. Liquid zufolge hält d1 bei vier von sechs getesteten Anwendungen mit GPT-6.1 Sol mit oder übertrifft es, vom Filtern von Support-Tickets bis zur Prüfung von Leiterplatten, und kostet 19- bis 200-mal weniger als dieses Modell und als Claude Opus 5.5. Auf dem öffentlichen Datensatz VisA sortiert es gute und defekte Teile mit 85 bis 97 Prozent Genauigkeit. Laut Unternehmen wurde es für diese Aufgabe nie trainiert.

Warum ist das für die Robotik wichtig? Weil große Fundamentmodelle die Geschichte der embodied AI im vergangenen Jahr beherrscht haben. Das schwierigere Problem ist oft das billige, schnelle Urteil darunter: Ist dieses Teil defekt, ist dieser Griff sicher, braucht dieses Bild einen zweiten Blick. Liquids eigene Beispiele gehen in diese Richtung. Es sortiert Dokumente in Ordner, bedient eine Flugsuchseite aus einem Satz als Ziel und komprimiert die Werkzeugausgabe eines Coding-Agenten. Dabei fallen 52 Prozent der Token weg, und das, was die Aufgabe braucht, bleibt erhalten.

Kleine Modelle treffen die Entscheidung

Dasselbe Muster zeigt sich in zwei weiteren Veröffentlichungen dieser Woche. Ein GitHub-Projekt namens Jeff-Code, am 5. Oktober veröffentlicht, setzt ein Entscheidungsmodell mit 800.000.000 Parametern in die Agentenschleife von Pi, dem Coding-Agenten von Mario Zechner und Mitwirkenden. Bei jedem Zug von Qwen 3.8-27B mit 27.000.000.000 Parametern macht Jeff zwei Aufrufe von je etwa 0,2 Sekunden: ob es den nächsten Schritt selbst gehen kann und ob Qwen hart nachdenken muss. Das Projekt meldet eine Erfolgsquote von 62,4 Prozent gegenüber 62,8 Prozent für Qwen allein über 1.242 gepaarte Aufgaben, bei 0,68-facher Zeit pro Aufgabe und einer gepaarten Differenz von minus 0,2 Punkten.

Das ist eine kleine Stichprobe mit kleinen Zahlen, aber die Richtung passt zu Liquids Argument: für Frontier-Reasoning nur zahlen, wenn ein billiges Modell sagt, dass man es braucht. Jeff-Code zeigt auch den Fehlermodus. Bei etwa 5 Prozent der Aufgaben läuft es mehr als 30 Minuten länger als Qwen allein, weshalb die Gesamtzeit nur auf das 0,86-Fache sinkt.

Reika, eine weitere Veröffentlichung vom 5. Oktober, schlägt den entgegengesetzten Weg ein. Es entwirft eine Coding-Agenten-CLI zuerst um kleine lokale Modelle herum, im Bereich von 8.000.000.000 bis 35.000.000.000 Parametern bei Q2- bis Q4-Quantisierung und einem Kontextfenster von 32.000 Token. Die Dokumentation ist ungewöhnlich offen über die Grenzen. Im Test bewältigten Modelle mit 14.000.000.000 bis 35.000.000.000 Parametern Aufgaben über mehrere Dateien am zuverlässigsten, Modelle mit 8.000.000.000 bis 9.000.000.000 Parametern schafften einfache, klar umrissene Aufgaben, und unter 7.000.000.000 Parametern kamen sie selten weit.

Der eigene Overhead des Harness kam immer wieder zur Sprache. Ein Rewrite mitten im Kontext verarbeitete 8.453 Token Prompt neu, 7,9 Minuten Prefill, während ein Anhängen in derselben Sitzung 25 Token und 3,5 Sekunden kostete. Ein grep, das für einen Aufruf, den es nicht bedienen konnte, "0 matches" meldete, brachte ein Modell dazu, fünf Runden lang ein korrektes Muster umzuformulieren.

"Die Formulierung des Prompts ist der schwächste Hebel", heißt es im Reika-README. Bei einer vagen Aufgabe konvergiert oder spiralt ein Modell bei Q2 etwa 50/50, und der Harness kann diese Rate nicht bewegen, nur die Kosten der scheiternden Hälfte.

Die große Open-Weight-Veröffentlichung steht noch aus

Über all dem steht Beam, das erste Open-Weight-Modell von Reflection, am 5. Oktober angekündigt. Es ist ein sparse Mixture-of-Experts mit 501.000.000.000 Parametern insgesamt und 23.000.000.000 aktiven, vortrainiert auf 23.800.000.000.000 Token, mit einem Reinforcement-Learning-Lauf von mehr als 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs über vier Wochen.

Reflection ist sorgfältig damit, was es gezeigt hat und was nicht. Beam durchläuft noch das abschließende Red-Teaming und die Evaluierungen; Gewichte, technischer Bericht und Modellkarte folgen später in diesem Monat. Das Unternehmen behauptet, Beam sei konkurrenzfähig mit größeren offenen Modellen wie GLM 5.2 und nähere sich Qwen 3.8-Max bei Coding- und Agentenaufgaben an, räumt aber ein, dass Kimi K3 bei der rohen Leistungsfähigkeit vorn bleibt. Der Vorteil, argumentiert der Beitrag, liege in der Inferenzeffizienz, mit vergleichbaren Reasoning-Werten zu GLM-5.2 bei 3- bis 4-mal weniger Rechenaufwand.

Wer Roboterpolitiken auf offenen Gewichten baut, sollte diese Effizienzbehauptung im Auge behalten. Sie bleibt unbestätigt, bis der technische Bericht vorliegt.

Primärmaterial statt Pressemitteilungen

Zwei weitere Punkte im Dossier lohnen die direkte Lektüre. NASA und IBM veröffentlichten am 5. Oktober auf GitHub Code zum Fine-Tuning und zur Inferenz eines Lunar Foundation Model, mit TerraTorch-Konfigurationen für Kratererkennung, IMP-Segmentierung und Eisprospektion sowie Gewichten auf Hugging Face. Es ist ein seltener Fall, in dem eine Raumfahrtbehörde ein wiederverwendbares geospatiales Backbone mit lauffähigen Downstream-Aufgaben liefert.

Interfaze 1.1 Lite, am 5. Oktober auf Hugging Face veröffentlicht, ist ein Mixture-of-Architectures-Modell, das auf einer einzigen 80-GB-GPU ohne externe Dienste läuft: ein Reasoning-Kern, der Spezialmodelle für OCR, Sprache, Segmentierung und Prognose aufruft, mit strukturierter JSON-Ausgabe. Es meldet 83,8 auf olmOCR-Bench und 73,2 auf MMMU-Pro, gegenüber 85,7 und 71,1 für Interfaze selbst.

Nicht jede Zahl dieser Woche stützt die These von den kleinen Modellen. Eine am 23. September veröffentlichte Studie der UC Riverside fand, dass Konfidenz und Korrektheit in Llama-3.1-8B und Gemma-2-9B aus unterschiedlichen internen Merkmalen entstehen. Die Sicherheit eines Modells ist also kein verlässliches Signal dafür, dass es richtig liegt. Das Unterdrücken von Merkmalen, die rein mit Unsicherheit zusammenhängen, senkte die Genauigkeit deutlich, heißt es in der Mitteilung der Universität. Jedes System, das Arbeit anhand der eigenen Konfidenz eines Modells verteilt, sollte dieses Paper zuerst lesen.