Agents-A1: Ein 35B-Modell für lang andauernde Agentenarbeit

Auf Hugging Face ist ein neues 35B-Finetune von InternScience gelandet: Agents-A1. Es basiert auf Qwen3.5-35B, und erste Berichte sagen, dass das Tool Calling deutlich präziser ist als beim Basismodell. Die Befolgung von Anweisungen wird als sehr genau beschrieben, in manchen Vergleichen sogar besser als bei Ornith 35B. Außerdem verarbeitet es Bildeingaben, und Multi-Token Prediction (MTP) funktioniert sowohl mit NVFP4- als auch mit Q4-quantisierten Builds. Das zugehörige Paper erklärt, warum es sich so verhält, und diese Erklärung ist für alle wichtig, die Agenten lokal betreiben.

Den Horizont skalieren statt der Parameterzahl

Eine Zeit lang hat die Branche der Größe hinterhergejagt. Kimi-K2.6 erreichte 1 Billion Parameter, DeepSeek-V4-Pro folgte. Die Arbeitsannahme lautete: mehr Parameter, klügeres Modell.

Agents-A1 geht einen anderen Weg. Statt auf eine Billion Parameter zu wachsen, vergrößert es das, was das Paper Agentenhorizont nennt: wie weit ein Modell einen komplexen Workflow vom ersten bis zum letzten Schritt tragen kann, ohne den Faden zu verlieren.

Eine Verifikationsaufgabe zeigt die Idee. Geben Sie einem Agenten auf diesem Modell eine Tabelle mit GPU-Benchmarkwerten und bitten Sie ihn, die Zahlen gegenzuprüfen. Ein Modell mit langem Horizont sucht jede Zahl, gleicht Quellen ab, markiert Unstimmigkeiten und kann sogar einen Wert korrigieren, der von einer veralteten zwischengespeicherten Seite kopiert wurde. Schritt-für-Schritt-Anweisungen sind nicht nötig, denn das Modell betrachtet die Aufgabe als unerledigt, bis jede Zahl bestätigt ist.

Kurzer und langer Horizont im direkten Vergleich

Benchmark-Tabellen verbergen, wie unterschiedlich sich diese beiden Stile in der Praxis anfühlen, deshalb hilft ein konkreter Fall. Das Beispiel unten veranschaulicht das Muster und ist kein gemessenes Ergebnis.

Nehmen wir diese Anfrage: aktuelle GPU-Preise recherchieren, die RTX 5090 mit der R9700 bei drei Händlern vergleichen, die Verfügbarkeit prüfen und sagen, welche das bessere Preis-Leistungs-Verhältnis für lokale KI-Inferenz bietet.

Ein herkömmliches LLM mit kurzem Horizont verhält sich typischerweise so:

- Generates a generic comparison table from training data
- Lists typical specs and MSRP prices
- Done in ~800 tokens

Die Antwort ist ordentlich und ungefähr richtig, stammt aber aus dem Gedächtnis. Die gewünschte Recherche hat nie stattgefunden.

Ein agentisches Modell mit langem Horizont arbeitet anders:

Step 1: [Reasoning] "Need to check current GPU pricing across multiple retailers"
        → Action: Search Amazon for RTX 5090 listings

Step 2: [Observation] Found RTX 5090 at $4,500-$5,000 range, limited stock

Step 3: [Reasoning] "Now check AMD R9700 pricing and availability"
        → Action: Search Newegg for R9700 Creator listings

Step 4: [Observation] R9700 at $1,340 with better local AI benchmarks per GB

Step 5: [Reasoning] "Cross-reference with local inference performance data..."
        → Action: Pull benchmark comparisons from available sources
... (continues through 8+ steps)
Total trajectory: ~12,000 tokens across multiple search cycles, reasoning steps, and cross-referenced conclusions

Das eine Modell macht ein, zwei Aufrufe und antwortet. Das andere arbeitet die Anfrage weiter ab. Agents-A1 hört nicht auf, sobald Text erzeugt ist. Es überlegt, was zu tun ist, handelt, beobachtet die Ergebnisse, korrigiert, wenn etwas schiefläuft, und macht weiter, bis die Aufgabe erledigt ist.

Wie es abschneidet

Hier der Vergleich mit Qwen3.6-27B, Claude Opus 4.8 und GPT-5.4, basierend auf dem Paper und öffentlichen Benchmark-Seiten:

| Benchmark                | Agents-A1   | Qwen3.6-27B | Opus 4.8  | GPT-5.4     | Winner        |
|--------------------------|-------------|-------------|-----------|-------------|---------------|
| SEAL-0                   | **56.4** ✅ | 44.1        | 54.95     | Not reported| Agents-A1     |
| IFBench                  | **80.6** ✅ | 76.1        | Not tested| 75.9        | Agents-A1     |
| SWE-bench Verified       | Not tested  | **77.2** ✅ | 80.9      | Not reported| Qwen3.6-27B   |
| Terminal-Bench 2.0       | Not tested  | **59.3** ✅ | 59.3      | Not reported| Qwen3.6-27B   |
| BrowseComp               | **75.51** ✅| Not tested  | Not tested| 83.4        | Agents-A1     |
| GPQA Diamond             | Not tested  | **87.8** ✅ | 87.0      | Not reported| Qwen3.6-27B   |
| LiveCodeBench v6         | Not tested  | **83.9** ✅ | 84.8      | Not reported| Qwen3.6-27B   |
| HiPhO                    | **46.4** ✅ | Not tested  | 43.3      | Not reported| Agents-A1     |
| FrontierScience-Olympiad | **79.0** ✅ | Not tested  | 78.0      | Not reported| Agents-A1     |

Die Zahlen lassen sich nach Fähigkeiten aufschlüsseln.

• Lange Suche und Recherche. SEAL-0 zeigt einen Zuwachs von 12,3 Punkten gegenüber Qwen3.6-27B, und es liegt sogar knapp vor Opus 4.8 mit 54,95. Der Benchmark misst, wie gut ein Modell über viele Schritte Informationen sammelt, ohne abzudriften.
• Befolgen von Anweisungen. Bei IFBench legt es 4,5 Punkte gegenüber Qwen3.6-27B und GPT-5.4 (75,9) zu. Bei einem Prompt mit mehreren Vorgaben erfüllt es alle, nicht nur die erste, die es erfasst.
• Browsing-Agenten. BrowseComp landet bei 75,51. Gemeint ist das Navigieren auf echten Websites, das Herausziehen von Daten, der Umgang mit dynamischen Inhalten und die Anpassung, wenn eine Seite anders lädt als erwartet. Die Bestmarke hält GPT-5.4 mit 83,4, doch Agents-A1 liegt bei etwa einem Zwanzigstel der Größe weniger als 8 Punkte zurück.
• Wissenschaftliches Denken und Planung. Bei HiPhO, einem Test für langfristige Planung, und bei FrontierScience-Olympiad liegt es vor Opus 4.8, wenn auch jeweils nur um ein paar Punkte. Forschungs-Workflows, die Schlussfolgerungen über mehrere Fachgebiete verketten, profitieren davon am meisten.

Wenn sich diese Zahlen bestätigen, lautet die Lehre: Ein gut trainiertes Modell mit 35 Milliarden Parametern kann deutlich größere überflügeln. Es gewinnt nicht, weil es mehr weiß, sondern weil es weiter denkt.

Warum das auf lokaler Hardware zählt

Modelle auf Consumer-Rechnern zu betreiben bringt bekannte Grenzen mit sich:

• Ein normales PC-Gehäuse fasst kein Rig mit 8 GPUs.
• Kosten für Cloud-Inferenz summieren sich schnell, wenn ein Agent pro Aufgabe Dutzende API-Aufrufe macht.
• Ein größeres Modell ist nicht automatisch ein besserer Agent. Oft ist es nur teurer im Betrieb.

Agents-A1 verschiebt diese Abwägung. Mit 35B Parametern und einem Mixture-of-Experts-Design läuft es bequem auf etwas wie einem MacBook und erreicht dabei in bestimmten Benchmarks eine agentische Leistung nahe am Opus-Niveau. Denken Sie an einen Marathonläufer, der im Sprint nicht schneller ist als andere, aber nicht aufgibt, wenn alle anderen es tun.

Wo man es bekommt

Die Fortschritte in der 35B-Klasse reißen nicht ab, und das Muster deutet darauf hin, dass klügeres Training rohes Skalieren schlägt, gerade bei agentischen Workloads, in denen der Horizont mehr zählt als die bloße Parameterzahl. Es gibt zwei GGUF-Konvertierungen aus der Community.

Der NVFP4-Build mit MTP:

https://huggingface.co/s-batman/Agents-A1-NVFP4-MTP-GGUF

Reguläre GGUF-Quants:

https://huggingface.co/LordNeel/Agents-A1-GGUF

Beide laden in llama.cpp. Der NVFP4-Build mit MTP beschleunigt die Token-Generierung auf kompatibler Hardware, während die Standarddateien mehr Flexibilität über verschiedene Inferenz-Setups hinweg bieten.

Spätere Anmerkungen

• Stand 2. Juli 2026 bleibt Qwen3.6-27B das ausgewogenste und leistungsfähigste Modell für Programmierarbeit.
• Stand 8. Juli 2026 ist Agents-A1 bei der Recherche klar stärker. Es sucht über breitere Themen hinweg und liefert bessere Ergebnisse.

Weiterführend: das arXiv-Paper "Scaling the Horizon, Not the Parameters" (2606.30616) und die Seite InternScience/Agents-A1 auf Hugging Face.