LinkinclusionAITool
Große Reasoning-Modelle benötigen meist teure Server-Infrastruktur. Ling-3.0-tiny demonstriert, wie durch Architekturoptimierungen (KDA, MLA und sparse MoE) agentenbasierte Workflows und schrittweises Denken direkt auf Laptops und Edge-Geräten mit moderatem Speicherbedarf realisiert werden können.
Das Modell zeigt den Trend zu stark spezialisierten, kleineren Hybrid-Architekturen. Anstatt reine Transformator-Schichten zu nutzen, kombiniert inclusionAI lineare Attention (KDA) für lange Kontexte mit MLA und starker MoE-Sparsity. Mit 1,3 Milliarden aktiven Parametern lassen sich auf handelsüblicher Hardware wie Apple Silicon Geschwindigkeiten von bis zu 90 Tokens/s erreichen. Dies senkt die Hürde für Entwickler, die Agenten- und Coding-Assistenten lokal und datenschutzfreundlich ohne Cloud-Abhängigkeit betreiben wollen.
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.
Artikel:Zhidx
Ant Groups Bailian hat das Open-Source-Modell Ling-3.0-tiny vorgestellt. Die Architektur kombiniert DeepSeeks MLA mit Kimis KDA in einem Mixture-of-Experts-Design mit 7,9 Milliarden Gesamtparametern, von denen pro Token nur 1,3 Milliarden aktiviert werden. Das Modell zielt auf den effizienten lokalen Einsatz auf Rechnern wie Apple-Silicon-Macs und DGX-Workstations ab.
Repository:inclusionAI/Ling
InclusionAI stellt mit Ling eine Open-Source-Modellfamilie auf Basis einer Mixture-of-Experts-Architektur (MoE) bereit. Die Modelle erscheinen in zwei Größen: Ling-lite (16,8 Milliarden Gesamtparameter, 2,75 Milliarden aktivierte Parameter) und Ling-plus (290 Milliarden Gesamtparameter, 28,8 Milliarden aktivierte Parameter).
267SternePython
Link:inclusionAI
inclusionAI hat Ring-2.6-1T veröffentlicht, ein Modell mit einer Billion Parametern unter MIT-Lizenz. Es zielt auf komplexe Agenten-Workflows ab und bietet einstellbare Denkintensitäten sowie ein asynchrones RL-Trainingsverfahren.
Artikel:Liquid AI
Liquid AI hat das Open-Weight-Modell LFM2.5-2.6B vorgestellt. Mit 2,6 Milliarden Parametern wurde es speziell für Agenten-Workflows optimiert und läuft vollständig lokal auf Smartphones, CPUs oder Rechenzentrums-GPUs.
Artikel:Thinking Machines Lab
Thinking Machines Lab hat Inkling-Small vorgestellt, ein multimodales Open-Weights-Modell mit Mixture-of-Experts-Architektur (276 Mrd. Gesamtparameter, 12 Mrd. aktiv), das trotz geringerer Größe bei vielen Aufgaben mit dem größeren Inkling konkurriert.
Link:drumih
TurboFieldfare ist eine in Swift und Metal geschriebene Open-Source-Inference-Engine, die das 4-Bit-quantisierte Modell Gemma 4 26B-A4B-IT auf Apple M-Series Macs mit rund 2 GB Arbeitsspeicher ausführt. Da die Gewichte etwa 14 GB SSD-Speicher belegen, werden nur der gemeinsame Modellkern und der KV-Cache im RAM gehalten, während benötigte Experten pro Token direkt per Streaming von der SSD nachgeladen werden.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
