Neue Modelle zum Ausprobieren

Modell-Releases Open Source 13. Okt. 2026·Ollama-Bibliothek

Nimble v3: 9B-Decision-Model von Bespoke Labs in Ollama

Nimble v3 ist ein auf Qwen3.5-9B basierendes Modell für schnelle Klassifikation, Routing und Scoring. Es liefert Wahrscheinlichkeiten statt Freitext, ist aber nur nichtkommerziell nutzbar.

Bespoke Labs bietet Nimble v3 in der Ollama-Bibliothek an, ein 9B-Parameter-"Decision Model". Man übergibt Fakten (state) und Fragen mit definierten Antworten, das Modell gibt Wahrscheinlichkeiten für die Antworten zurück, ohne Reasoning-Trace oder Freitext zu erzeugen.

  • Fine-tune von Qwen3.5-9B (Basis: Apache 2.0); Nimble v3 selbst unter CC BY-NC 4.0, also nur nichtkommerziell, anders als der Vorgänger.
  • Eigener Endpoint /v1/systemone; Fragetypen u. a. noul, choice, score.
  • Benötigt Ollama 0.40.4 oder neuer; Start mit ollama run nimble-v3.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 14. Okt. 2026·Ollama-Bibliothek

Nimble: 9B-Entscheidungsmodell von Bespoke Labs in Ollama

Bespoke Labs bringt mit Nimble ein 9B-Modell für schnelle, typisierte Klassifikation in die Ollama-Bibliothek. Es liefert Antwortwahrscheinlichkeiten ohne Reasoning-Schritt.

Bespoke Labs hat mit Nimble ein 9B-Entscheidungsmodell veröffentlicht, das über Ollama lokal läuft. Es ist aus Qwen3.5-9B feinabgestimmt. Statt freien Text zu generieren, beantwortet es einen Satz typisierter Fragen zu einem Eingabetext und gibt für jede Antwort Wahrscheinlichkeiten aus.

  • Größe: 9B Parameter, Basis Qwen3.5-9B.
  • Das Modell liest den Prompt einmal pro Frage und bewertet die Antwort-Tokens direkt, ohne Reasoning-Schritt. Das macht es schnell.
  • Fragetypen: noul (Ja/Nein-artig), choice und score; Choice und Score erlauben 2 bis 26 Optionen.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 15. Okt. 2026·Ollama-Bibliothek

EmbeddingGemma 2: multimodales Embedding-Modell von Google

Google DeepMind veröffentlicht EmbeddingGemma 2, das Text, Bild, Video und Audio in einen gemeinsamen 768-dimensionalen Vektorraum abbildet. Es ist für Laptops und Mobilgeräte gedacht.

EmbeddingGemma 2 ist ein offenes multimodales Embedding-Modell von Google DeepMind auf Basis der Gemma-4-Architektur. Es bildet Text (inklusive Code), Bilder, Video und Audio in einem gemeinsamen Vektorraum ab. Es ist für Suche, RAG, Klassifikation und Clustering auf Endgeräten gedacht.

  • Gesamt 740M Parameter: 270M Textmodell plus 170M Vision- und 300M Audio-Encoder. Die Encoder lassen sich selektiv laden.
  • Ollama-Größen: 270m, 440m, 570m, 740m.
  • Gemeinsamer 768d-Vektorraum, per Matryoshka Representation Learning auf 512, 256 oder 128 Dimensionen kürzbar (bis 6x weniger Speicher).
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 14. Okt. 2026·Ollama-Bibliothek

Clef: 27B-Entscheidungsmodell von Cloudflare mit Bildverständnis

Cloudflare veröffentlicht Clef, ein 27B-Modell, das Text, JSON und Bilder liest und typisierte Fragen mit Wahrscheinlichkeiten beantwortet. Es läuft lokal oder in Ollamas Cloud.

Clef ist ein multimodales Entscheidungsmodell von Cloudflare, feinabgestimmt aus Qwen3.8-27B. Es bekommt einen Zustand (Text, JSON, Bilder) und ein Schema typisierter Fragen und liefert Entscheidungen samt Wahrscheinlichkeiten.

  • 27B Parameter, Fähigkeiten: Vision und Decision.
  • Nutzung über den Endpoint /v1/systemone, die Ollama-CLI, die Python- und JavaScript-Bibliotheken (Python ab 0.6.3) oder das TypeSafe-SDK.
  • Benötigt Ollama 0.35.1 oder neuer. Für die Cloud-Variante ist Ollama 0.40.6 oder neuer nötig.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 16. Okt. 2026·Ollama-Bibliothek

Bonsai 2: ternäre Vision-Modelle von Prism ML in Ollama

Prism ML bringt Bonsai 2 mit ternären Gewichten (−1, 0, +1) in vier Größen von 2B bis 27B. Die Modelle sind etwa halb so groß wie 4-bit-Modelle bei fast voller Qualität.

Bonsai 2 von Prism ML ist eine Familie von Vision-Modellen, die für ternäre Gewichte gebaut wurde. Jedes Gewicht ist −1, 0 oder +1. Das Ziel sind sehr kleine Modelle mit Qualität nahe der vollen Präzision.

  • Größen: 2B, 4B, 9B und 27B.
  • Etwa halb so groß wie Standard-4-bit-Modelle, laut Anbieter bei nahezu voller Qualität. Belege dafür enthält die Quelle nicht.
  • Alle Größen unterstützen Thinking, Tool Calling, Bildeingabe und 262K Token Kontext.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 15. Okt. 2026·Ollama-Bibliothek

Nemotron 3.5 Bolt: NVIDIAs kompaktes MoE-Vision-Modell mit 9B aktiven Parametern

NVIDIA komprimiert Nemotron 3.5 Super zu Bolt: 74B Parameter gesamt, 9B aktiv pro Token, mit Vision-Encoder und für lokales Coding und Tool-Use gedacht.

Nemotron 3.5 Bolt ist ein kompaktes Vision-Language-Modell von NVIDIA für lokales Coding, Reasoning und Tool-Nutzung. NVIDIA hat es durch Kompression und zusätzliches Training aus Nemotron 3.5 Super abgeleitet.

  • 74B Parameter insgesamt, 9B aktiv pro Token (Mixture-of-Experts).
  • Architektur: Mamba-2/Transformer-MoE-Backbone mit C-RADIO-Vision-Encoder.
  • Das GGUF nutzt Quantization-Aware Distillation: IQ2_XXS für Expert-Gewichte, NVFP4 und Q8_0 für andere Schichten.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 15. Okt. 2026·Ollama-Bibliothek

NVIDIA Nemotron 3.5 Super: 120B-Vision-Language-MoE bei Ollama

NVIDIA veröffentlicht Nemotron 3.5 Super, ein Vision-Language-Modell mit 120 Mrd. Parametern, aber nur 12 Mrd. aktiven pro Token. Es ist jetzt über Ollama verfügbar.

NVIDIA hat mit Nemotron 3.5 Super ein Vision-Language-Modell für Coding, Reasoning, Tool Use und Dokumentverständnis veröffentlicht. Das Modell steht in der Ollama-Bibliothek bereit und lässt sich mit einem einzigen Befehl starten.

  • 120 Mrd. Parameter insgesamt, davon 12 Mrd. aktiv pro Token (Mixture-of-Experts).
  • Hybrid-Architektur aus Mamba-2 und Transformer, kombiniert mit einem C-RADIO-Vision-Encoder.
  • Multi-Token Prediction (MTP) für Speculative Decoding; zusätzlich gibt es einen separaten LiLiCorr-Drafter.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 20. Okt. 2026·Ollama-Bibliothek

Ornith-1.5: Modellfamilie mit Selbstverbesserung von 9B bis 397B

Ornith-1.5 trainiert sich über einen Self-Improvement-Loop selbst weiter und erscheint in vier Größen von 9B bis 397B, mit Vision und 256K Kontext.

Ornith-1.5 ist eine Modellfamilie, die auf Ornith-1.0 aufbaut. Neu ist, dass der Self-Improvement-Loop nicht mehr nur Scaffolds und Rollouts optimiert. Er optimiert nun gemeinsam auch die Aufgabenerzeugung. Das Modell generiert fortlaufend neue Trainingsaufgaben, sucht Lösungsstrategien und verbessert sich per Reinforcement Learning.

  • Größen: 9B (6,6 GB), 35B (23 GB), 122B (73–77 GB) und 397B (242 GB).
  • 256K Kontextfenster, Text- und Bildeingabe.
  • Fähigkeiten laut Ollama: Vision, Tools, Thinking.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 11. Okt. 2026·Hugging Face Trending

MOSS-Image-SFT: Apache-2.0-Text-zu-Bild-Modell mit Layout-Steuerung

OpenMOSS veröffentlicht MOSS-Image-SFT, ein feinabgestimmtes 5,1B-Text-zu-Bild-Modell. Es nimmt Prompts, Tag-Folgen und JSON-Layouts entgegen.

OpenMOSS hat MOSS-Image-SFT veröffentlicht. Es ist die Supervised-Fine-Tuning-Variante des Text-zu-Bild-Modells MOSS-Image-Base. Architektur und Inferenz-Pipeline sind identisch. Das Modell versteht natürlichsprachige Prompts, Tag-Sequenzen und JSON-Layouts, mit denen sich Textplatzierung und Objektanordnung steuern lassen.

  • 5,1 Mrd. Parameter, Lizenz Apache 2.0.
  • Nutzung über diffusers (≥0.38) mit trust_remote_code und der Custom Pipeline pipeline_moss_image.
  • Voraussetzungen: Python ab 3.10, NVIDIA-GPU mit CUDA, PyTorch ab 2.9.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 11. Okt. 2026·Hugging Face Trending

MOSS-Image-Base: Basismodell der offenen MOSS-Image-Familie

OpenMOSS stellt mit MOSS-Image-Base das 5,1B-Basismodell seiner Text-zu-Bild-Familie unter Apache 2.0 bereit. Es unterstützt Prompts, Tags und JSON-Layouts.

MOSS-Image-Base ist das Basismodell der MOSS-Image-Familie von OpenMOSS. Es erzeugt Bilder aus natürlichsprachigen Prompts, Tag-Sequenzen oder JSON-Layouts, die Textplatzierung und Objektanordnung steuern. Daneben gibt es die feinabgestimmte Variante MOSS-Image-SFT.

  • 5,1 Mrd. Parameter, Lizenz Apache 2.0.
  • Pipeline: text-to-image über diffusers (≥0.38) mit trust_remote_code=True und der Custom Pipeline pipeline_moss_image.
  • Voraussetzungen: Python ab 3.10, NVIDIA-GPU mit CUDA, PyTorch ab 2.9.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 10. Okt. 2026·Hugging Face Trending

Indra OCR: 1M-Parameter-OCR-Modell läuft auf der CPU

Datalab veröffentlicht Indra OCR, ein winziges OCR-Modell mit nur etwa 76 MB, das PDFs und Scans ohne GPU in Markdown oder JSON umwandelt und laut eigenen Angaben PaddleOCR und Tesseract schlägt.

Datalab hat Indra OCR auf Hugging Face veröffentlicht, ein extrem kleines OCR-Modell mit rund 1 Mio. Parametern. Es wandelt PDFs und Bilder in Markdown, Text oder JSON mit Boxen um und läuft über ONNX Runtime auf der CPU, ohne PyTorch und ohne GPU.

  • Größe: ca. 1M Parameter, Download der Modelle beim ersten Start etwa 76 MB.
  • Genauigkeit: 66,7 auf OmniParseBench (71,4 mit --math), PaddleOCR PP-StructureV3 kommt auf 58,4. Text-Score 46,7 gegenüber 35,8 (PP-OCR) und 19,3 (Tesseract).
  • Geschwindigkeit: etwa 44 Seiten/s auf 32 CPU-Kernen, rund 210 ms pro Seite auf 4 Kernen; laut Datalab 15x schneller als Tesseract.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 13. Okt. 2026·Hugging Face Trending

FLUX.3 Klein: Black Forest Labs veröffentlicht 5,5B-Bildmodell

Black Forest Labs stellt flux-3-image-klein auf Hugging Face bereit, ein Diffusers-Modell mit 5,5 Mrd. Parametern für Bildgenerierung und Bildbearbeitung.

Black Forest Labs hat das Modell flux-3-image-klein auf Hugging Face veröffentlicht. Es gehört zur FLUX.3-Familie und ist für Bildgenerierung und Bildbearbeitung (image-to-image) gedacht. Die Model Card ist in der Quelle leer, Details fehlen daher.

  • Größe: 5,5 Mrd. Parameter.
  • Format: Safetensors, nutzbar mit der Diffusers-Bibliothek.
  • Aufgaben laut Tags: image-generation, image-editing, image-to-image; Sprache Englisch.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 14. Okt. 2026·Hugging Face Trending

Mistral Timestral: Zeitreihen-Foundation-Modelle von 5M bis 209M

Mistral veröffentlicht mit Timestral eine Familie von Zeitreihenmodellen für Zero-Shot-Forecasting, die laut eigenen Angaben auf GIFT-Eval, TIME und fev-bench die Spitze erreicht.

Mistral AI hat Timestral veröffentlicht, eine Familie von Foundation-Modellen für Zeitreihenprognosen ohne Nachtraining (Zero-Shot). Die Größen reichen von 5M über 28M und 123M bis 209M Parametern. Der Code liegt auf GitHub.

  • Architektur: Patch-basierter Transformer mit Time- und Variate-Attention, 24 Layer, Embedding-Dimension 768, 32 Zeitschritte pro Patch.
  • Kontext bis 32.768 Zeitschritte, Prognosehorizont bis 1.024 Schritte in einem Durchlauf.
  • Ausgabe: 21 Quantile für probabilistische Vorhersagen; unterstützt uni- und multivariate Daten sowie Kovariaten, fehlende Werte als NaN.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 12. Okt. 2026·Hugging Face Trending

LFM2.5-24B-A2B: Liquid AIs MoE-Reasoning-Modell für Edge-Agenten

Liquid AI veröffentlicht mit LFM2.5-24B-A2B ein MoE-Modell mit 24B Gesamt- und nur 2B aktiven Parametern, das für schnelle lokale Agenten gedacht ist.

Liquid AI hat LFM2.5-24B-A2B veröffentlicht, das größte und letzte Modell der LFM2.5-Familie. Es ist ein Reasoning-Modell mit Mixture-of-Experts-Architektur, das für schnelle, private Agenten auf dem eigenen Gerät gebaut ist.

  • 24B Parameter gesamt, ca. 2,45B aktiv; 64 Experten pro MoE-Block, Top-4-Routing.
  • 40 Layer: 30 gated Short-Convolution-Blöcke und 10 GQA-Blöcke.
  • Training mit 36 Billionen Tokens, Kontext 131.072 Tokens, 16 Sprachen.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 12. Okt. 2026·Hugging Face Trending

Nemotron 3.5 Super VL: NVIDIAs 120B-Vision-Language-Modell in NVFP4

NVIDIA veröffentlicht eine NVFP4-quantisierte Version von Nemotron 3.5 Super VL mit 120B Parametern (12B aktiv), 1M Kontext und Video-Verständnis, lauffähig auf einem DGX Spark.

NVIDIA hat die quantisierte NVFP4-Variante von Nemotron 3.5 Super VL veröffentlicht, einem Vision-Language-Modell für Reasoning, Coding, Tool Use, Dokumenten- und Videoverständnis. Die Quantisierung entstand per Quantization-Aware Distillation aus dem BF16-Modell.

  • 120B Parameter gesamt, 12B aktiv; Hybrid aus Mamba-2, MoE und Attention mit C-RADIO-Vision-Encoder.
  • Kontext bis 1M Tokens; Eingabe Text, Bilder, Video, Ausgabe Text.
  • Multi-Token Prediction ermöglicht natives Speculative Decoding.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 14. Okt. 2026·Hugging Face Trending

FLUX.3 Image Klein: ComfyUI-Version von Black Forest Labs

Black Forest Labs stellt eine ComfyUI-taugliche Single-File-Version von FLUX.3 Image Klein bereit, die Bildgenerierung und Bildbearbeitung abdeckt. Mit über 500.000 Downloads ist das Modell bereits stark nachgefragt.

Black Forest Labs hat auf Hugging Face das Repository flux-3-image-klein-comfy veröffentlicht. Es enthält Gewichte von FLUX.3 Image Klein als Single-File-Checkpoint für ComfyUI und ist für Bildgenerierung und Bildbearbeitung gedacht. Eine Model Card mit Details fehlt in der Quelle.

  • Pipeline: image-to-image, Library: diffusion-single-file
  • Tags: comfyui, image-generation, image-editing, flux-3
  • Lizenz: "other" (vermutlich eigene BFL-Lizenz, Details unklar)
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 15. Okt. 2026·Hugging Face Trending

Sage-A1.5: Agentisches 35B-MoE-Modell für wissenschaftliche Aufgaben

Das Shanghai AI Laboratory veröffentlicht Sage-A1.5, ein auf Qwen3.6 basierendes MoE-Modell mit Subagent-Orchestrierung und Verifikationsmodus für lange wissenschaftliche Aufgaben.

InternScience (Shanghai AI Laboratory) veröffentlicht Sage-A1.5, ein agentisches Mixture-of-Experts-Modell mit rund 35 Mrd. Parametern. Es basiert auf Qwen3.6-35B-A3B und Agents-A1 und soll lange, mehrstufige wissenschaftliche Aufgaben lösen.

  • Architektur: MoE (qwen3_5_moe), Vision-Language-fähig, laut Metadaten 36 Mrd. Parameter
  • Lizenz: Apache-2.0
  • Kompatibel mit Transformers, vLLM und SGLang
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 15. Okt. 2026·Hugging Face Trending

Tencent Hy-Memory-30B-A3B: Spezialmodell für LLM-Langzeitgedächtnis

Tencent veröffentlicht ein kompaktes MoE-Modell, das in Memory-Frameworks wie Mem0 und MemOS entscheidet, was gespeichert und aktualisiert wird, und laut eigenen Tests größere Modelle übertrifft.

Tencent Hunyuan veröffentlicht Hy-Memory-30B-A3B, ein Modell, das als "Memory Writer" in externen Gedächtnis-Frameworks arbeitet. Es entscheidet, welche Informationen behalten, wie sie repräsentiert und wie neue Erkenntnisse in die Datenbank eingepflegt werden.

  • 30,1 Mrd. Parameter, ca. 3 Mrd. aktiv (MoE), Lizenz Apache-2.0
  • Ersetzt das Allzweck-LLM in Mem0, MemOS und Hy-Memory; Transfer auf EverMemOS ohne Training
  • Training in zwei Stufen: Memory On-Policy Distillation, dann Attributed Memory Reinforcement Learning
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 16. Okt. 2026·Hugging Face Trending

MOSS-Image-SFT als 8-Step-DMD-Distillation mit LoRA

Ein Community-Entwickler destilliert das Bildmodell MOSS-Image-SFT von 50 Schritten mit CFG auf nur 8 Schritte ohne CFG und liefert LoRAs für ComfyUI.

Der Nutzer lodestones hat eine Work-in-progress-Destillation von OpenMOSS-Team/MOSS-Image-SFT veröffentlicht. Statt 50 Schritten mit CFG 3 braucht das Modell nur 8 Netzwerkaufrufe ohne CFG, was die Bildgenerierung deutlich beschleunigt.

  • Methode: Data-space DMD (arXiv 2610.12102)
  • 5,1 Mrd. Parameter, Lizenz Apache-2.0
  • Nutzung als LoRA (Rank 128) in ComfyUI: lora.safetensors bei Stärke 1, lora_latest bei 0,7
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 16. Okt. 2026·Hugging Face Trending

Ornith-1.5-122B: Selbstverbesserndes MoE-Modell unter MIT-Lizenz

Ornith AI veröffentlicht ein 122B-MoE-Modell, das Aufgaben, Scaffolds und Lösungswege in einer gemeinsamen Self-Improvement-Schleife optimiert und bei Coding-Benchmarks nahe an größere Modelle kommt.

Ornith AI stellt Ornith-1.5-122B vor, ein MoE-Modell auf Basis von Qwen3.5 und Gemma4 (über Ornith-1.0). Neu ist, dass die Self-Improvement-Schleife nun Aufgabengenerierung, Scaffold-Konstruktion und Lösungs-Rollouts gemeinsam per Reinforcement Learning optimiert.

  • Rund 125 Mrd. Parameter, MoE, Lizenz MIT
  • Für effizientes Single-GPU-Deployment ausgelegt; quantisierte Variante Ornith-1.5-122B-Mobile für Edge-Geräte
  • TerminalBench 2.1: 81,2 (Qwen3.8-Flash-Next 83,4; DeepSeek-V4-Flash-0731 82,7; Beam 80,1)
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 17. Okt. 2026·Hugging Face Trending

DeepSeek-V4.1-Flash-1017: Update mit besserem Coding und Agenten

DeepSeek veröffentlicht ein Minor-Update seines multimodalen V4.1-Flash-Modells mit MIT-Lizenz. Es legt bei Reasoning, Coding und Agenten-Benchmarks deutlich zu und braucht kürzere Ausgaben.

DeepSeek hat mit DeepSeek-V4.1-Flash-1017 ein Minor-Update seines Modells V4.1-Flash auf Hugging Face veröffentlicht. Laut Model Card verbessert es Reasoning, Coding, agentische Aufgaben und visuelle Benchmarks. Zudem sollen Ausführungszeit und Ausgabelänge sinken, sodass Aufgaben schneller und günstiger erledigt werden.

  • Rund 763 Mrd. Parameter, Pipeline image-text-to-text, Gewichte in FP8/8-bit als safetensors.
  • Lizenz: MIT.
  • Benchmarks (laut Hersteller): Terminal-Bench 4.0 42,3 (Vorgänger 31,2), DeepSWE v1.1 77,0 (74,2), HLE ohne Tools 42,6 (36,8), ProgramBench 29,1 (20,3).
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 16. Okt. 2026·Hugging Face Trending

MOSS-Image: Comfy-Org stellt ComfyUI-Dateien des Bildmodells bereit

Comfy-Org hat das Text-zu-Bild-Modell MOSS-Image von OpenMOSS für ComfyUI neu verpackt, inklusive int8-Varianten und fertigen Workflows.

Comfy-Org hat die Modelldateien von MOSS-Image (OpenMOSS-Team) für ComfyUI neu verpackt. Das Repo enthält Base- und SFT-Varianten sowie eine Color-Depth-Control-LoRA. Es dient als Download-Quelle für lokale Nutzung in ComfyUI.

  • Lizenz: Apache-2.0, Format: diffusion-single-file.
  • Diffusionsmodelle als bf16 und int8_convrot (Base und SFT).
  • Text-Encoder: Qwen3.5-9B in bf16, int8 und w4a8-GPTQ.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 16. Okt. 2026·Hugging Face Trending

NVIDIA Nemotron-Labs Dory1.0-4B: Looped-LLM mit variablem Rechenaufwand

NVIDIAs Dory1.0-4B wiederholt einen gemeinsamen Layer-Block mehrfach. So lässt sich Rechenaufwand gegen Genauigkeit eintauschen, ohne das Modell zu wechseln.

NVIDIA hat Dory1.0-4B veröffentlicht, ein kleines Sprachmodell mit Looped-Architektur (latent-recurrent). Ein gemeinsamer Block von Layern wird mehrfach angewendet, sodass das Modell pro Token mehr rechnen kann, ohne mehr Parameter zu brauchen.

  • 4 Mrd. Parameter, normalized-GPT mit abwechselnd Sliding-Window- und Full-Attention.
  • Aufbau: 8 Input-Layer, 20 rekurrente Layer (geloopt), 8 Output-Layer.
  • Kontext bis 256K Tokens, nur Englisch.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 19. Okt. 2026·Hugging Face Trending

Kromoss: Fine-Tune von MOSS-Image mit 8-Step-Turbo-LoRAs

Kromoss ist ein Full-Fine-Tune von MOSS-Image-Base bei 1024 px und kommt mit zwei LoRAs, die die Generierung auf 8 Schritte verkürzen.

lodestones hat Kromoss veröffentlicht, ein Full-Fine-Tune von MOSS-Image-Base bei 1024 px. Es ist ein Drop-in-Ersatz für MOSS-Image-SFT und nutzt dieselbe Pipeline, denselben Text-Encoder und denselben VAE.

  • 5,1 Mrd. Parameter, Lizenz Apache-2.0, Library diffusers.
  • Text-Encoder Qwen3.5-9B, VAE FLUX.2 small decoder.
  • Checkpoint: Update 11000 (EMA-Gewichte), trainiert mit 704k Bildern.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 19. Okt. 2026·Hugging Face Trending

Spark-X2.6-4B: Kompaktes On-Device-Modell für Agenten

XHToken veröffentlicht Spark-X2.6-4B, ein 4B-Modell mit verbessertem Post-Training für Coding und Agenten und einstellbarem Thinking-Budget.

XHToken hat Spark-X2.6-4B veröffentlicht, den Nachfolger von Spark-X2.5-4B, gut einen Monat nach diesem. Die Architektur bleibt gleich, die Verbesserungen kommen allein aus besserem Post-Training. Das Modell zielt auf lokale Geräte und Agenten-Aufgaben.

  • 4,1 Mrd. Parameter, Lizenz Apache-2.0, Englisch und Chinesisch.
  • Bessere Leistung bei Coding, Agenten, Long-Context, Mehrsprachigkeit und Reasoning.
  • Laut Hersteller beste Ergebnisse unter ähnlich großen Modellen, teils auf Niveau von ca. 9B-Modellen.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Tools Open Source 20. Okt. 2026·Hugging Face Trending

Unsloth: Flint als GGUF für lokale Coding-Agenten

Unsloth stellt quantisierte GGUF-Versionen von Recursives Coding-MoE Flint (39,8B, ca. 2,5B aktiv) bereit. Damit lässt sich das Modell mit llama.cpp-Tools lokal testen.

Unsloth hat GGUF-Quantisierungen von Flint veröffentlicht, einem Mixture-of-Experts-Modell der Firma Recursive für Coding-Agenten. Flint soll Codebasen untersuchen, Bugs beheben, Features implementieren und Tests schreiben. Die GGUF-Varianten machen es für lokale Runtimes zugänglich.

  • 39,8 Mrd. Parameter gesamt, ca. 2,5 Mrd. aktiv pro Token (256 Experten, 6 aktiv plus ein Shared Expert).
  • Lizenz: Apache 2.0.
  • Kontext: 262.144 Tokens; 49 Layer, davon 35 mit Sliding-Window-Attention und 14 mit Full Attention.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 20. Okt. 2026·Hugging Face Trending

Fibo 2.0 von Bria als ComfyUI-Repackaging

Comfy-Org stellt Brias Bildmodelle Fibo 2.0 (dev und edit-turbo) in ComfyUI-Formaten bereit, auch als int8-Variante. Die Lizenz ist nur nicht-kommerziell.

Comfy-Org hat die Bildmodelle Fibo 2.0 von BRIA AI für ComfyUI neu verpackt. Enthalten sind die Varianten dev und edit-turbo, jeweils in bf16 und in einer int8-Quantisierung.

  • Dateien: fibo2_dev und fibo2_edit_turbo, je bf16 und int8_convrot.
  • Als Text-Encoder dient Qwen3-VL 4B (bf16 oder int8), als VAE das Flux2-VAE.
  • Die int8-Variante nutzt Hadamard-Rotation und Per-Channel-Scales; die AdaLN-Layer bleiben in bf16. Ausgaben weichen leicht vom Original ab.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows
Modell-Releases Open Source 21. Okt. 2026·Hugging Face Trending

KRAFTON Raon-1 mini Preview: 30B-A4B MoE mit Fokus auf Koreanisch

KRAFTON AI veröffentlicht ein von Grund auf trainiertes MoE-Modell mit hybrider Linear-Attention unter Apache 2.0. Die NVFP4-Variante läuft auf einer RTX 5090.

KRAFTON AI hat Raon-1 mini als Preview veröffentlicht, ein selbst trainiertes Mixture-of-Experts-Sprachmodell. Es soll vor allem bei koreanischer Konversation und Agentenaufgaben stark sein, unterstützt aber auch Englisch, Japanisch, Chinesisch, Spanisch, Französisch und Thai.

  • 28,8 Mrd. Parameter gesamt, 4,3 Mrd. aktiv (6 von 128 Experten plus 1 Shared Expert).
  • Hybride Architektur: 18 Raon-Delta-Attention-Layer (linear) und 7 Gated-MLA-Layer; nur diese haben einen KV-Cache (ca. 8 KiB pro Token in BF16).
  • Kontext bis 262.144 Tokens.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama
Modell-Releases Open Source 21. Okt. 2026·Hugging Face Trending

Recursive Flint: 40B-MoE für Coding-Agenten mit offenen Gewichten

Recursive veröffentlicht Flint, ein MoE-Modell mit 39,8B Parametern und nur ca. 2,5B aktiven, das auf Coding-Benchmarks stark abschneiden soll. Lizenz ist Apache 2.0.

Recursive hat Flint als Open-Weights-Modell veröffentlicht. Es ist ein von Grund auf trainiertes Mixture-of-Experts-Modell, spezialisiert auf Coding-Agenten: Codebasen analysieren, Bugs fixen, Features bauen, Tests schreiben. Es unterstützt Reasoning und mehrstufige Tool-Nutzung.

  • 39,8B Parameter gesamt, ca. 2,5B aktiv pro Token; 256 geroutete Experten, 6 aktiv plus ein Shared Expert.
  • 49 Layer, 35 Sliding-Window- (513 Tokens) und 14 Full-Attention-Layer; Kontext 262.144 Tokens.
  • Herstellerangaben: 54,9 % Terminal-Bench 2.1, 89,7 % SWE-bench Pro v2, 74,2 % SWE-bench Verified.
Weiterlesen 🧪 Ausprobieren Colab · Linux · macOS · Windows · Ollama