LONDON (IT BOLTWISE) – Das Startup Mostik zeigt einen Ansatz, bei dem KI-Modelle über deren Gewichte miteinander „sprechen“, ohne Textausgaben als Zwischenschritt zu erzeugen. Dadurch lässt sich die Leistungsfähigkeit eines großen Open-Weight-Modells teilweise auf ein deutlich kleineres Modell übertragen. Mostik demonstriert das mit einer Hybrid-Kombination aus GLM-5.2 (753 Milliarden Parameter) und einem 4-Milliarden-Modell, die zusammen nur etwa ein Zwanzigstel der Kosten verursachen. Für die KI-Industrie ist das vor allem wegen der Effizienz-Rechnung relevant: mobile Deployments und offene Modelle könnten schneller wettbewerbsfähig werden.
Wenn KI-Systeme kommunizieren sollen, passiert das in der Praxis fast immer über Text: Ein Modell generiert eine Ausgabe, die ein zweites Modell dann erneut verarbeitet. Genau an dieser Schleife setzt Mostik an. Das Startup beschreibt einen „Brücken“-Mechanismus, bei dem unterschiedliche KI-Modelle nicht über produzierte Tokens interagieren, sondern über die mathematischen Werte in ihren Gewichten. Damit verschiebt sich der Fokus weg von der Ausgabeebene und hin zu der internen Repräsentation, die letztlich bestimmt, wie ein Prompt in eine Antwort übersetzt wird.
Technisch interessant wird das, weil Mostik die Fähigkeiten eines großen Modells effizient auf ein kleineres übertragen will. In der Darstellung bedeutet das: Ein umfangreiches Modell liefert nicht einfach „Beispieltexte“, sondern seine Leistungsfähigkeit wird so an die Gewichtsstruktur des kleineren Modells gekoppelt, dass dessen Intelligenz schneller wächst als bei einem klassischen Zusammenspiel. Das Unternehmen hat den Ansatz nach eigenen Angaben genutzt, um ein Modell aufzubauen, das in der ARC-AGI 3-Wettbewerbsumgebung sehr weit nach oben kletterte. Gleichzeitig zeigt Mostik in einer separaten Demo, wie eine solche Kopplung auch zwischen zwei chinesischen Open-Weight-Modellen funktionieren kann.
Die Demonstration besteht aus einer Verbindung zwischen dem größten GLM-5.2-Variante mit 753 Milliarden Parametern und einem Qwen-3.5-Modell mit 4 Milliarden Parametern, das sich auf einem Mobilgerät ausführen lassen soll. Das Ergebnis wird als Hybrid-System beschrieben, dessen Kosten nur bei etwa einem Zwanzigstel des vollständigen GLM-Modells liegen. Auffällig ist dabei die Zielmarke: Die Leistung soll genau „halb so weit“ zwischen beiden Ausgangspunkten liegen. Das ist mehr als eine reine Effizienzstory, denn solche Mischungen deuten darauf hin, dass man nicht zwingend den gesamten Rechen- und Modellumfang „oben drauf“ setzen muss, um einen Teil der Qualitätswelle mitzunehmen.
Im Kern geht es Mostik zufolge um einen Gedanken, der aus der Ensemble-Tradition des Machine Learning kommt: mehrere Modelle zusammen liefern oft bessere Resultate als jedes einzeln. Üblicherweise braucht man dafür aber zusätzliche Rechenzyklen, weil die Ausgabe eines Modells wieder in die nächste Modellstufe eingespeist wird. Mostiks Ansatz versucht, diese Kosten an der Kommunikationsstelle zu reduzieren: „Man kann die Qualität großer Modelle erreichen, ohne dass das große Modell die gesamte Schleife selbst verarbeitet; mit einem kleineren Modell, das parallel läuft, entstehen substanzielle Verbesserungen“, so lautet die Kernaussage aus dem Umfeld, das mit der Technologie vertraut ist. Der Vergleich mit einem Ensemble bleibt dabei nicht abstrakt: Sasha Malysheva, CEO des Startups, nutzt als internes Bild die Idee, das Gewicht eines Schweins zu schätzen und zu mitteln – und überträgt das auf die Logik, warum viele ungefähre Beiträge zusammen sinnvoll sein können.
Damit ist zugleich das nächste Problem angesprochen: Zwei Modelle müssen irgendwo „gemeinsamen Boden“ finden. Stellt sich die Frage, wie man diesen gemeinsamen mathematischen Raum findet, wenn die Modelle in Trainingsverfahren, Tokenisierungen und Gewichtsgeometrien nicht automatisch identisch sind. Stansislaw Smirnov, Chief Scientist bei Mostik und Träger der Fields Medal, beschreibt genau diese Hürde: Es gebe bislang keine „angemessene mathematische Sprache“, um die Lücke zwischen zwei Modellen sofort sauber zu formulieren. Der Brückenansatz soll diese Lücke pragmatisch überbrücken – und könnte darüber hinaus sogar neue Erkenntnisse liefern, wie KI-Modelle intern funktionieren und wie sich das mit dem menschlichen Problemlösen vergleichen lässt.
Für den Markt ist der Timing-Aspekt mindestens ebenso wichtig wie die Architekturidee. Die Story ordnet Mostik in die wachsende Debatte ein, wie sich offene Modelle stärker gegenüber geschlossenen Frontier-Angeboten behaupten können. Wenn sich Leistungsanteile großer Modelle effizienter in kleinere Systeme überführen lassen, wächst der Hebel für Unternehmen, die lieber mit Open-Weight-Modellen arbeiten: Sie können spezialisierte Modelle für Domänen wie Biologie oder Physik trainieren und dann mit „Brücken“ stärker kombinieren, statt stets auf eine monolithische, riesige Modellgröße zu setzen. In einem Umfeld, in dem Kosten pro Inferenz und Latenz die Entscheidung für oder gegen ein Modell oft stärker beeinflussen als die reine Benchmark-Story, wird die Frage nach dem Overhead zwischen Modell A und Modell B besonders konkret.
Auch die Operationalisierung bei Deployments wirkt wie ein direkter Use-Case-Hebel. Ein Modell, das auf mobilen Geräten laufen kann, ist nicht nur eine „Demo-Statistik“, sondern ein Hinweis auf Hardware-Constraints: Speicher, Durchsatz und Energieverbrauch begrenzen die Modellwahl. Ein Hybrid, der einen Teil der großen Modellqualität in ein kleines Setup überträgt, kann die Einstiegshürde senken, ohne dass Teams sofort eine komplette Pipeline mit großen Inferenzsystemen betreiben müssen. Wenn Mostiks Technik tatsächlich zuverlässig zwischen unterschiedlichen Open-Weight-Architekturen übertragbar ist, verschiebt das die Wettbewerbslogik: Nicht jede Produktlinie braucht dann automatisch ein einziges, riesiges Modell, sondern kann mit einer intelligenten Kopplung mehrerer Modellstufen arbeiten – und damit schneller iterieren.
Offen bleibt, wie robust solche Brücken in realen Produktionsbedingungen sind: etwa bei verschiedenen Prompt-Stilen, bei unterschiedlichen Domänen und über längere Laufzeiten hinweg. Trotzdem ist die Richtung klar: Die Kommunikation zwischen Modellen rückt von Text-Interaktionen zu einer Gewichts- oder Parameter-basierten Kopplung. Genau dort könnte in den kommenden Monaten ein Stück der Effizienz-Lücke geschlossen werden, die bisher viele Teams vom breiteren Einsatz offener Modelle abgehalten hat – und gleichzeitig neue Spielräume für Spezialmodelle eröffnen, die auf begrenzter Hardware trotzdem anspruchsvolle Aufgaben bearbeiten.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Mostik verknüpft KI-Modelle ohne Text: Brücke über Modellgewichte" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Mostik verknüpft KI-Modelle ohne Text: Brücke über Modellgewichte" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Mostik verknüpft KI-Modelle ohne Text: Brücke über Modellgewichte« bei Google Deutschland suchen, bei Bing oder Google News!