Open-Weight-Modelle, also solche, die man herunterladen und selbst betreiben kann, wurden den Großteil des Jahres 2026 von chinesischen Laboren dominiert. Der Oktober hat das geändert. Nach Metas Muse Spark Open kamen in derselben Woche zwei weitere US-Veröffentlichungen: Nvidias Nemotron-3.5-Familie am 15. Oktober, gebaut für KI-Agenten vom Rechenzentrum bis zum Laptop, und die herunterladbaren Gewichte von Reflection AIs Beam am 16. Oktober, einem Modell mit 501 Milliarden Parametern unter der freizügigen Apache-2.0-Lizenz.
Nvidia Nemotron 3.5: Agenten vom Server bis zum Laptop
Nvidias offene Modelle sind zum Anpassen gedacht: Das Unternehmen veröffentlicht die Gewichte zusammen mit Trainingsdaten und Rezepten, damit Firmen sie mit eigenen Daten nachtrainieren und auf eigener Infrastruktur betreiben können. Die Version 3.5 umfasst drei Modelle.
Super VL
120B- Eingaben
- Text und Bilder, auch PDFs, Tabellen, Diagramme und Webseiten
- Läuft auf
- Rechenzentrums-GPUs, Cloud, DGX Station und RTX-Pro-Workstations
- Laut Nvidia fast so genau wie das größte Reasoning-Modell, bei etwa einem Fünftel der Größe
- Genutzt oder integriert von Salesforce, CrowdStrike, Perplexity, Atlassian, Ramp und EY
- Die Tempo-Angaben (bis zu 5-facher Durchsatz der Konkurrenz) stammen von Nvidia
Für Agenten, die Geschäftsdokumente bearbeiten.
Bolt 74B-A9B
24GB- Läuft auf
- einer einzelnen RTX-GPU oder DGX Spark
- Werkzeuge
- llama.cpp, Ollama, LM Studio, Unsloth, vLLM
- Native 2-Bit-Quantisierung, lässt Platz für andere Anwendungen
- Laut Nvidia das beste offene Modell seiner Klasse bei PinchBench
Für einen privaten Recherche- oder Coding-Agenten auf dem eigenen Rechner.
Bolt E4B
4GB- Läuft auf
- GeForce RTX, Jetson und Spark-Geräten
- Status
- folgt später, noch ohne Termin
Für lokale Sprachassistenten und eingebettete Oberflächen.
Das Argument für Unternehmen ist Kontrolle. Eine Bank oder Versicherung kann Super VL nehmen, es auf eigene Schadensakten oder Kontoauszüge trainieren und jedes Dokument im eigenen Netz behalten. Nvidia nennt Dokumentenanalyse, Buchhaltung und Versicherungsschäden und sagt, dass Super VL eine Aufgabe nach dem Nachtraining schneller erledigt als die großen geschlossenen Modelle. Diese Vergleiche stammen von Nvidia und seinen Partnern; nutzen Sie sie als Ausgangspunkt für eigene Tests.
Reflection Beam: groß, offen und effizient
Reflection AI hat Beam am 5. Oktober angekündigt und die Gewichte am 16. Oktober auf Hugging Face veröffentlicht, in BF16, FP8 und NVFP4, dazu ein kleines „Drafter“-Modell, das die Generierung beschleunigt. Es ist ein Mixture-of-Experts-Modell: 501 Milliarden Parameter insgesamt, von denen aber nur 23 Milliarden pro Token arbeiten, was den Betrieb relativ günstig macht.
- Größe
- 501B insgesamt, 23B aktiv pro Token
- Kontext
- trainiert bis 256K, erweitert auf 1M Token
- Eingaben
- nur Text
- Lizenz
- Apache 2.0, ohne Einschränkungen für Fine-Tuning, Destillation oder Merging
- Training
- 23,8 Billionen Token auf 6.144 Nvidia-GB300-GPUs in unter vier Wochen
- Hardware für den Eigenbetrieb
- ein Knoten mit vier Nvidia-B300-GPUs, mit dem 273-GiB-NVFP4-Build
- Bereitstellung
- Transformers, vLLM, SGLang, Unsloth, Axolotl und Nvidia Dynamo, dazu Reflections eigene API
Höher ist besser. Angaben von Reflection, 8. Oktober 2026.
Reflection räumt ein, dass Beam nicht das stärkste offene Modell ist: Kimi K3 liegt bei der reinen Leistung vorn, und DeepSeek V4.1 Flash schlägt es in einigen agentenartigen Programmiertests. Seine Stärken sind Effizienz (laut Reflection erreicht es GLM-5.2 beim Reasoning mit drei- bis viermal weniger Rechenaufwand) und die klare Apache-2.0-Lizenz. Der unabhängige Intelligence Index von Artificial Analysis gibt ihm 30 Punkte, Platz 19 von 120, bei weniger Output-Token als die meisten.
Höher ist besser. Unabhängige Werte, Mitte Oktober 2026.
Welches offene Modell für Ihren Agenten?
- 1
Vom Einsatzort ausgehen
Ein Laptop oder eine einzelne GPU spricht für Nemotron Bolt; ein eigenes Rechenzentrum öffnet Super VL oder Beam; alles Größere ist über eine gehostete API einfacher.
- 2
Lizenz prüfen
Beams Apache 2.0 ist für Produkte am einfachsten. Muse Spark Open und Nvidias Modelle haben eigene Bedingungen; lesen Sie sie vor dem Launch.
- 3
Mit eigenen Aufgaben testen
Ranglisten spiegeln selten Ihre Dokumente oder Ihr SQL. Lassen Sie 30 bis 50 echte Beispiele durch zwei oder drei Kandidaten laufen.
- 4
Fine-Tuning einplanen
Nvidia veröffentlicht Daten und Rezepte; Beam erlaubt jedes Fine-Tuning. Beides macht Nachtraining mit eigenen Daten realistisch.
Testen Sie Ihr Wissen
1/3Welches Nemotron-3.5-Modell ist für eine einzelne 24-GB-GPU gedacht?
Native 2-Bit-Quantisierung bringt seine 74B Parameter in 24 GB unter.
2/3Unter welcher Lizenz hat Reflection die Gewichte von Beam veröffentlicht?
Apache 2.0 schränkt Fine-Tuning, Destillation und Merging nicht ein.
3/3Welche Hardware empfiehlt Reflection für den Eigenbetrieb von Beam?
Mit der 273 GiB großen NVFP4-Version der Gewichte.
Sie haben 0 von 3 richtig.
Weitere offene Modelle: Meta Muse Spark Open, Mistral Large 4 und DeepSeeks DeepInfer und V4.1 Flash. Die vollständige Rangliste finden Sie in die besten KI-Modelle im Oktober 2026.
Quellen: Nvidias Ankündigung von Nemotron 3.5, wie von IT Brief und TechCrunch berichtet (Oktober 2026); Reflection AIs Beitrag „Introducing Beam“ (Benchmarks aktualisiert am 8. Oktober 2026) und die Veröffentlichung von Beam 1.0 (16. Oktober 2026); Artificial Analysis Intelligence Index v4.3.2. Herstellerbenchmarks sind Angaben der Unternehmen.
Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 21 Oktober 2026. Über mich