Repositorystudio-dots-ai/dots3-note-prevAnkündigung
Große MoE-Modelle mit schlanker Aktivierungsgröße (16B) und sehr langem Kontextfenster (512K) bieten eine ressourceneffiziente Basis für komplexe Agenten-Workflows und multimodale Analyseaufgaben, die bisher proprietären Modellen vorbehalten waren.
Das Projekt adressiert den Bedarf an quelloffenen, hochleistungsfähigen Basismodellen für multimodale Workflows und Agentenarchitekturen. Durch die MoE-Struktur hält dots3-note den Rechenaufwand während der Inferenz trotz 280B Parametern überschaubar. Technisch bindet das Team gängige Inferenz-Frameworks wie vLLM und SGLang sowie die Transformers-Bibliothek ein. Die Zielgruppe umfasst KI-Forscher, Entwickler von Agenten-Systemen und Unternehmen, die On-Premises- oder Self-Hosted-LLMs mit langen Kontexten betreiben möchten. Der Reifegrad ist als Preview einzustufen: Das Modell und Gewichte sind unter Apache 2.0 via Hugging Face zugänglich, der ausführliche Forschungsbericht steht laut Dokumentation jedoch noch aus.
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.
Link:Qwen
Das Qwen-Team hat mit Qwen3.8-27B ein kompaktes, dichtes Vision-Language-Modell unter der Apache-2.0-Lizenz veröffentlicht. Das 27-Milliarden-Parameter-Modell kombiniert Gated DeltaNet mit regulärer Attention, versteht Bilder sowie Videos und bietet flexible Steuerungsmöglichkeiten für Denkprozesse.
Link:Xiaomi MiMo Team
Xiaomi hat MiMo-V2.5-Pro vorgestellt, ein quelloffenes Mixture-of-Experts-Modell mit 1,02 Billionen Parametern und 42 Milliarden aktiven Parametern. Das Modell bietet ein Kontextfenster von bis zu 1 Million Tokens und zielt speziell auf komplexe Agenten-Workflows und langanhaltende Software-Engineering-Aufgaben ab.
Link:Z.ai
Z.ai hat mit GLM-5.3-Flash das erste nativ multimodale Modell der GLM-5-Reihe unter MIT-Lizenz auf Hugging Face bereitgestellt. Mit 320 Milliarden Gesamtparametern und 18 Milliarden aktiven Parametern zielt das Modell auf hohe Effizienz bei Programmier- und Agenten-Workloads ab.
Repository:PipeNetwork/kimi-k3-mlx
kimi-k3-mlx portiert Moonshots multimodales Kimi-K3-MoE-Modell (2,78 Billionen Parameter) auf Apples MLX-Framework. Da das Modell selbst im komprimierten Zustand zu groß für handelsübliche Apple-Silicon-Rechner ist, liefert das Projekt neben den Modell- und Vision-Wrappern einen Streaming-Konverter sowie Werkzeuge zum Pruning von Experten.
337SternePython
Link:ornith-ai
ornith-ai hat das multimodale Mixture-of-Experts-Modell Ornith-1.5-397B unter MIT-Lizenz veröffentlicht. Das 397 Milliarden Parameter schwere Modell setzt auf kontinuierliche Selbstverbesserung und erzielt in Programmier- und Reasoning-Benchmarks Ergebnisse auf dem Niveau führender proprietärer Modelle.
Artikel:Thinking Machines Lab
Thinking Machines Lab hat Inkling veröffentlicht, ein multimodales Mixture-of-Experts-Modell mit 975 Milliarden Gesamtparametern (41 Milliarden aktiv) und 1 Million Token Kontext. Es ist vor allem als vielseitige Open-Weights-Basis für Fine-Tuning über die eigene Plattform Tinker gedacht.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
