ArtikelDeepInfraSammlung
Für Agenten-Frameworks wie OpenClaw ist der Token-Preis allein irreführend. Fehlgeschlagene Funktionsaufrufe, vergessene Systemanweisungen oder abdriftende Personas verursachen teure Retry-Schleifen. Leistungsfähige Open-Weight-Modelle auf Inferenzplattformen stellen inzwischen eine wirtschaftliche Alternative zu proprietären Cloud-Modellen dar.
Der Artikel beleuchtet die praktischen Hürden beim Betrieb autonomer Agenten über lange Sitzungen. Entscheidend ist nicht nur die nominale Fenstergröße, sondern wie zuverlässig Modelle strukturierte JSON-Ausgaben liefern und Vorgaben aus Konfigurationsdateien (SOUL.md) bei hohem Kontextvolumen einhalten. Durch die Trennung von einfachen Routing-Aufgaben (über kleinere Modelle wie Llama 3.1 70B) und komplexer Orchestrierung lässt sich die Wirtschaftlichkeit von Agenten-Setups gezielt optimieren.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Repository:ollama/ollama
Ollama ist ein Open-Source-Framework in Go, mit dem Open-Weight-Modelle lokal ausgeführt, über APIs angesprochen und an Entwicklungswerkzeuge sowie Chat-Assistenten angebunden werden können.
180.203SterneGo
Artikel:kimi.com
Mit Kimi K2.6 hat Kimi sein neuestes Open-Source-Modell vorgestellt. Es konzentriert sich auf komplexe Programmieraufgaben über lange Zeithorizonte, koordinierte Agent-Swarms sowie autonome Hintergrundagenten.
Link:Ollama
Ollama positioniert sich als Plattform zur Nutzung von Open-Source-Modellen mit Programmier-Agenten. Neben dem lokalen Betrieb bietet der Dienst gehostete Cloud-Modelle mit dedizierter Kapazität sowie Integrationen für gängige Coding-Tools.
Link:StackAI
StackAI bietet ein interaktives Dashboard, das Sprachmodelle anhand von Benchmarks, Durchsatz, Kontextfenstern und Kosten vergleicht. Das Tool fasst Leistungskennzahlen wie MMLU, HumanEval+, GPQA, SWE-Bench und GSM8K zusammen und ermöglicht den direkten Modellvergleich.
Artikel:Luis Chavez-Mattos
Deep Reinforce hat Ornith 1.5 35B-A3B vorgestellt, ein Mixture-of-Experts-Modell mit 3 Milliarden aktiven Parametern pro Token. Laut Modellkarte übertrifft es in Programmier- und Agenten-Benchmarks ähnlich dimensionierte Modelle wie Qwen3.6-35B deutlich und überholt bei Software-Engineering-Aufgaben teilweise sogar das wesentlich größere Qwen3.5-397B.
Link:hkinsley.com
Neue Auswertungen auf Terminal-Bench v2.1 zeigen, dass die Wahl des Agent-Harnesses die Modellleistung drastisch verändert: DeepSeek-V4-Flash 0731 springt unter dem OMP-Harness von 49,4 % auf 71,9 % und schließt damit nahezu zur quantisierten Spitzenvariante von GLM 5.2 (73,0 %) auf.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
