Agents-A1: Das KI-Modell, das sich Zeit zum Nachdenken nimmt

In unserem Test hat Agents-A1 alle 74 Prüffälle aus 6 Programmieraufgaben bestanden, ein gleich großes Qwen 3.6 kam auf 60. Das Modell hat dafür deutlich länger gebraucht, und genau darin liegt sein Prinzip. Mit 35 Milliarden Parametern ist es nach heutigen Maßstäben klein, und es holt seine Leistung nicht aus der Größe, sondern aus der Denkarbeit vor der Antwort.

Damit steht ein Modell auf der eigenen Hardware, das an Aufgaben herankommt, für die man bisher ein großes System in der Cloud gebraucht hätte. Es baut auf dem offenen Qwen3.5 auf, steht unter Apache 2.0 und darf damit auch kommerziell laufen.

Der alte Weg hieß Wachstum

Die bekannten Systeme von OpenAI, Google und Anthropic sind in den letzten Jahren vor allem größer geworden. Mehr Trainingsdaten, mehr Parameter, also mehr interne Stellschrauben, mit denen ein Modell Sprache verarbeitet. Das hat funktioniert und hat einen Preis. Die starken Modelle laufen in großen Rechenzentren, meist in den USA. Wer sie nutzt, mietet Zugang und schickt seine Anfragen dorthin. Für eine Steuerkanzlei mit Mandantenakten oder einen Maschinenbauer mit Konstruktionsplänen ist das die Stelle, an der das Vorhaben endet.

Modelle, die klein genug für eigene Hardware sind, gab es schon länger. Bei anspruchsvollen Aufgaben waren sie den Cloud-Systemen spürbar unterlegen.

Ein Modell, das sich Zeit nimmt

Der Unterschied liegt in der Arbeitsweise. Die meisten Modelle antworten sofort. Agents-A1 arbeitet die Aufgabe erst innerlich durch, zerlegt sie in Schritte, prüft Zwischenstände und korrigiert sich selbst, bevor es etwas ausgibt. Diese Denkarbeit vor der Antwort heißt im Fach Reasoning.

Damit das auf lokaler Hardware läuft, nutzt das Modell die Bauform Mixture-of-Experts. Es teilt seine 35 Milliarden Parameter in Gruppen auf und schaltet je Anfrage nur 3 Milliarden davon ein. Das Wissen bleibt vollständig im Modell, gerechnet wird bei jeder einzelnen Antwort nur mit einem Bruchteil.

Dazu kommt ein Kontextfenster von 256.000 Token, also rund 200 Seiten Text in einem Durchgang. Das Modell ist auf Abläufe ausgelegt, die über viele Schritte gehen, und in solchen Abläufen sammeln sich Zwischenergebnisse an, die alle im Fenster bleiben müssen.

InternScience aus dem Shanghai AI Lab fasst den Ansatz in einem Satz zusammen, nämlich "Scaling the Horizon, Not the Parameters", also die Denkzeit zu verlängern statt das Modell zu vergrößern. Nach Angaben der Entwickler erreicht Agents-A1 auf GAIA 96,0 Punkte, einem Test für Aufgaben, die ein Modell über mehrere Schritte und mit Werkzeugen lösen muss, dazu 75,5 auf BrowseComp für Recherche im Netz und 47,6 auf HLE für Fachwissen. Damit hält es nach ihrer Darstellung mit Systemen wie GPT-5.5 mit, die ein Vielfaches an Parametern haben. Diese Zahlen stammen aus der eigenen Veröffentlichung des Herstellers, deshalb haben wir selbst gemessen.

Unser Test auf eigener Hardware

Wir haben Agents-A1 über LM Studio auf einem gut ausgestatteten Laptop geladen und ihm 6 Programmieraufgaben gestellt. Danach lief dasselbe mit Qwen 3.6 in der Fassung mit 35 Milliarden Parametern, also einem Modell derselben Größenklasse.

Beide liefen nacheinander im Speicher, damit sich die Rechenleistung nicht teilt. Beide bekamen dieselben Aufgaben und dieselben Einstellungen. Bewertet wurde nicht nach Augenmaß, sondern gegen einen festen Satz Prüffälle, der automatisch besteht oder durchfällt, und diese Prüffälle haben wir vorher an eigenen Musterlösungen abgesichert.

Die Aufgaben deckten verschiedene Ecken der Programmierung ab. Aus 2 sortierten Zahlenreihen den Mittelwert bestimmen. Einen getippten Rechenausdruck mit Klammern und Potenzen auflösen. Ein Textmuster mit Platzhaltern abgleichen. Eine Zahl in römische Schreibweise bringen. Den kürzesten Weg durch ein kleines Wegenetz finden.

Bei 4 der 6 Aufgaben lagen beide gleichauf. Zweimal trennte sich das Feld. Beim Taschenrechner vergaß Qwen die Behandlung des Minuszeichens und fiel bei 5 von 13 Prüffällen durch. Bei den römischen Zahlen kürzte es die großen Sprünge richtig ab, verhaspelte sich aber bei Einern und Zehnern und kam auf 6 von 15. Agents-A1 bestand in beiden Fällen jeden Prüffall, insgesamt 74 von 74 gegenüber 60 von 74.

Beim Tempo lief Qwen mit rund 127 Token pro Sekunde deutlich schneller als Agents-A1 mit rund 83. Ein Teil dieses Vorsprungs geht auf Multi-Token Prediction zurück, ein Verfahren, das mehrere Wortbausteine auf einmal vorhersagt und in der getesteten Qwen-Fassung eingebaut ist. Der reine Geschwindigkeitsvergleich sagt deshalb wenig. Bei der Korrektheit ist das Muster eindeutig, und ein Test über 6 Aufgaben bleibt trotzdem ein Test über 6 Aufgaben.

Was das Nachdenken kostet

Agents-A1 denkt sichtbar länger. Für die schwerste Aufgabe hat es über 24.000 Token an innerem Gedankengang erzeugt, bevor die Lösung stand. Ein Token ist grob ein Wortbaustein, also eine Silbe oder ein kurzes Wort. Diese eine Aufgabe hat bei uns rund 5 Minuten gedauert.

Für den schnellen Chat ist das die falsche Wahl. Seine Stärke zeigt das Modell dort, wo Korrektheit vor Tempo geht, also bei einem Vertrag, der gründlich durchgesehen wird, oder bei einer Recherche über viele Schritte, in der sich ein früher Flüchtigkeitsfehler bis zum Ende durchzieht.

Wie das im Alltag aussieht

Eine Steuerkanzlei bekommt einen Vertrag über 30 Seiten zur Durchsicht und will vorab wissen, wo die kritischen Klauseln stehen, welche Fristen darin stecken und ob etwas fehlt. Ein schnelles Chatmodell überfliegt das Dokument und übersieht dabei den Verweis in einer Fußnote. Agents-A1 arbeitet den Vertrag Abschnitt für Abschnitt durch, hält Zwischenergebnisse fest und gleicht sie am Ende ab. Das dauert einige Minuten und liefert eine Vorstruktur, mit der die Steuerberaterin gezielt weiterarbeitet.

Entscheidend ist dabei, wo das passiert. Der Mandantenvertrag wird auf dem Rechner der Kanzlei verarbeitet und geht nicht in eine fremde Cloud. Bei Mandaten mit Verschwiegenheitspflicht ist genau das die Bedingung dafür, KI überhaupt einsetzen zu dürfen. Dasselbe gilt für den Konstrukteur mit Bauplänen, den Personalleiter mit Bewerbungsunterlagen und den Arzt mit Befunden.

Agentisch heißt dabei, dass das Modell die Zwischenschritte selbst festlegt. Es entscheidet, dass es zuerst das Inhaltsverzeichnis liest, danach die Fristen sammelt und zum Schluss gegen die Anlagen prüft, ohne dass jemand diese Reihenfolge vorgibt. Genau dafür ist Agents-A1 trainiert worden, und daher kommt auch sein Name.

Was Unternehmen davon haben

Der Ort der Verarbeitung zählt am Ende mehr als die letzte Nachkommastelle eines Testwerts. Ein Modell dieser Güte läuft auf Hardware im eigenen Unternehmen, ohne dass eine einzige Anfrage nach außen geht.

Voraussetzungslos ist das nicht. Das Modell belegt rund 38 Gigabyte und braucht eine Maschine mit viel Speicher, etwa eine gut ausgestattete Workstation oder ein MacBook Pro mit M5 Max. In einer auf 4 Bit verkleinerten Fassung läuft es auch auf einer Grafikkarte mit 24 GB. Ein gewöhnlicher Büro-PC reicht nicht.

Die Cloud-Dienste behalten daneben ihre Berechtigung, wenn es schnell gehen muss oder die Inhalte unkritisch sind. Für sensible Akten, für Aufgaben, bei denen Korrektheit vor Tempo geht, und für alle, die von laufenden Gebühren und einem einzelnen Anbieter unabhängig bleiben wollen, steht seit diesem Jahr eine ernsthafte Alternative auf dem eigenen Schreibtisch.

Einordnung

Agents-A1 vergleicht sich in seiner Veröffentlichung mit GPT-5.5 und weiteren Systemen, die um ein Vielfaches größer sind. Solche Zahlen kommen vom Hersteller selbst und sind entsprechend zu lesen. Unser Test hat den Eindruck gestützt, ohne ihn zu beweisen. Das Modell arbeitet gründlich und löst 2 Aufgaben vollständig, an denen ein gleich großes, gutes Modell scheitert.

Ein Teil dessen, was bislang nur aus Größe kam, entsteht offenbar auch aus Denkzeit. Denkzeit passt in einen Rechner unter dem Schreibtisch, ein Rechenzentrum mit Billionen Parametern nicht. Wer wissen will, ob das für die eigenen Abläufe reicht, lädt Agents-A1 kostenfrei über LM Studio und gibt ihm eine echte Aufgabe aus dem eigenen Alltag. Das sagt mehr als jede Tabelle mit Testwerten.