Was steckt in einem Modellnamen?

A35B ist der Teil, der arbeitet

In Qwen3-Coder-480B-A35B-Instruct steht A35B für 35 Milliarden aktive Parameter. Insgesamt hat das Modell 480 Milliarden Parameter, die gelernten Zahlenwerte, aus denen es gebaut ist. Das sind die 480B direkt vor dem A. Texte liest und schreibt es in Tokens, also kleinen Wortstücken, und von seinen Parametern arbeiten bei jedem Token nur 35B mit. Beide Zahlen stehen auf der Model Card von Qwen.

Das A steht im Namen, weil es sich um ein Mixture-of-Experts-Modell (MoE) handelt. Es besteht aus vielen kleinen Teilen, von denen bei jedem Token nur wenige arbeiten. Die beiden Zahlen kosten Sie jeweils etwas anderes. Die Gesamtzahl der Parameter entscheidet über den Speicherbedarf, denn jeder Teil muss geladen und bereit sein. Die Zahl der aktiven Parameter bestimmt, wie viel Arbeit pro Token anfällt, und damit Tempo und Betriebskosten. So kommt DeepSeek-V4.1-Flash, ein 552B-Modell, bei jedem gelesenen Token mit nur 8B aus.

Fünf Familien von KI-Modellen tauchen in Anbieterfolien immer wieder auf: Qwen, DeepSeek, Gemini, GPT und Claude. Qwen und DeepSeek veröffentlichen die Modelldateien (Open Weights) und die Größen, Qwen schon im Namen, DeepSeek auf der Model Card. Claude, GPT und Gemini nennen gar keine Größen, deshalb folgen ihre Namen anderen Regeln.

Wie liest man einen Modellnamen?

Zerlegen Sie den Qwen-Namen an den Bindestrichen, erhalten Sie fünf Teile, die jeweils eine andere Frage beantworten.

Qwen3 steht für Familie und Generation, Coder für das Spezialgebiet, denn dieses Modell wurde für Programmcode gebaut. Es folgen die beiden Größen, 480B insgesamt und A35B aktiv. Instruct am Ende beschreibt die Feinabstimmung, hier auf das Befolgen von Anweisungen. Laut Qwen läuft dieses Modell nur im sogenannten Non-Thinking-Modus, es antwortet also, ohne das Problem vorher durchzuarbeiten.

Bei Milliarden hören die Größen nicht auf. Qwen3.8-2.4T-A95B hat 2.4T Parameter, das T steht für Billion. Ausgeschrieben sind das 2,4 Billionen oder 2.400 Milliarden, und pro Token kommen davon 95B zum Einsatz.

Fehlt im Namen der A-Teil, lohnt ein zweiter Blick. Qwen3.6-27B hat keinen, weil es ein Dense-Modell ist, das bei jedem Token alle 27B seiner Parameter einsetzt. Auch OpenAIs Open-Weight-Modell gpt-oss-120b trägt keinen A-Teil, ist aber ein Mixture-of-Experts-Modell mit 117B insgesamt und 5.1B aktiv. Selbst die 120 im Namen ist gerundet, auf der Model Card stehen 117B. Lässt der Name etwas aus, hilft der Blick auf die Model Card.

Kürzel wie FP8 oder BF16 geben die Präzision an, also mit wie vielen Bit jeder Parameter gespeichert wird. BF16 speichert jeden Parameter in 16 Bit (2 Byte), FP8 in 8 Bit (1 Byte). Qwen3.6-27B-FP8 ist Qwen3.6-27B, mit 8 Bit gespeichert. Es braucht also weniger Speicher und behält trotzdem alle 27B Parameter.

Auch eine Zahl am Ende kann ein Datum sein. DeepSeek veröffentlichte V4.1-Flash am 10. September 2026 und am 17. Oktober ein Update mit derselben Architektur. Das Update heißt V4.1-Flash-1017, benannt nach Monat und Tag. Stufenbezeichnungen wie Flash, Lite, Pro oder Mini sind eine andere Sache, denn jeder Hersteller legt selbst fest, was sie bedeuten.

Warum läuft 552B wie ein 8B-Modell?

In einem MoE-Modell steckt der Großteil der Parameter in vielen kleinen Netzen, den Experten. Für jedes Token wählt ein Router einige davon aus. Nur diese sind aktiv, die übrigen warten im Speicher. Das Ergebnis der aktiven Experten läuft im Modell weiter bis zur Antwort.

DeepSeek-V4.1-Flash hat 384 Experten, aus denen der Router auswählt. Pro Token wählt er 6 davon aus, und ein gemeinsamer Experte ist jedes Mal dabei. DeepSeek beziffert das auf 8B aktive Parameter, solange das Modell Ihre Eingabe liest, und auf 16B, während es die Antwort schreibt. Insgesamt sind es 552B. Qwen3.6-35B-A3B arbeitet genauso, nur kleiner, mit 8 seiner 256 Experten plus einem gemeinsamen Experten pro Token. Das ergibt 3B von 35B.

Legen Sie sechs Modelle nebeneinander, bleibt der aktive Anteil bei jedem MoE unter 9 % der Gesamtzahl. DeepSeek-V4.1-Flash liest mit 8B von 552B, rund 1,4 %, dem kleinsten Anteil in der Abbildung. Qwen3.8-2.4T-A95B und gpt-oss-120b liegen mit 95B von 2.4T (4,0 %) und 5.1B von 117B (4,4 %) dicht beieinander. Qwen3-Coder-480B-A35B-Instruct arbeitet mit 35B von 480B (7,3 %), Qwen3.6-35B-A3B mit 3B von 35B (8,6 %). Nur das Dense-Modell Qwen3.6-27B setzt alles ein, 27B von 27B.

Beim Speicher gilt etwas anderes. Der Router kann für das nächste Token jeden Experten wählen, also müssen alle geladen bleiben. Allein für die Gewichte, also die gespeicherten Parameter, lässt sich der Bedarf grob als Gesamtzahl der Parameter mal Bytes pro Parameter schätzen. Das ergibt etwa 2 GB je Milliarde Parameter bei BF16, 1 GB bei FP8 und 0,5 GB bei 4 Bit. Der Kontext und die Software, die das Modell betreibt, brauchen zusätzlich Speicher.

Nehmen Sie die beiden Qwen3.6-Modelle. Qwen3.6-35B-A3B braucht bei BF16 etwa 70 GB für die Gewichte (35 × 2), obwohl pro Token nur 3B aktiv sind. Qwen3.6-27B-FP8 kommt mit etwa 27 GB aus (27 × 1) und setzt bei jedem Token alle 27B ein. Ein Teil dieses Abstands geht auf die Präzision zurück. Doch auch bei gleicher Präzision bleibt das MoE-Modell das größere, 35B gegenüber 27B, und es hat pro Token trotzdem weniger zu tun. Genau deshalb kann es schnell antworten.

Was bedeuten Flash, Sonnet und Luna?

Claude, GPT und Gemini gibt es nur per API. Sie erreichen sie also über den Dienst des Herstellers und bekommen die Modelldateien nie in die Hand. Ihre Namen tragen eine Generationsnummer und eine Stufenbezeichnung, die eine Größen- oder Tempostufe innerhalb der Familie kennzeichnet. Wofür eine Stufe taugt, sagt Ihnen nur die Beschreibung des Herstellers.

Die Tabelle gibt die Beschreibung des jeweiligen Herstellers wieder, aus Anthropics Claude-Modellübersicht, der OpenAI-Modellseite und Googles Gemini-Modellseite. Namen und Zahlen in diesem Beitrag geben den Stand wieder, den die Hersteller am 21. Oktober 2026 veröffentlicht hatten. Diese Familien werden häufig aktualisiert. Auch Preise ändern sich laufend, und jeder Hersteller nennt sie auf seiner eigenen Preisseite.

Anthropic stuft die vier Claude-Modelle auch untereinander nach Geschwindigkeit ein: Fable langsamer, Opus mittel, Sonnet schnell, Haiku am schnellsten. Alle vier nehmen Text und Bilder entgegen. Wer zwischen Claude Opus und Sonnet abwägt, dem rät Anthropic, bei den meisten Anwendungen mit Opus 5.5 zu beginnen.

Beim Kontextfenster, also der Textmenge, die ein Modell auf einmal aufnehmen kann, nennen die Hersteller 1 Mio. Tokens für alle vier Claude-Modelle, Gemini 4 Argon und Gemini 3.8 Flash. OpenAI gibt für seine drei Flaggschiffe GPT-6 Astra, GPT-6.1 Sol und GPT-6 Luna 1,05 Mio. Tokens an. Laut Googles Seite zu Gemini 3.8 kann Gemini 3.8 Flash bis zu 64K Tokens Text ausgeben und hat einen einstellbaren Denkaufwand (niedrig, mittel oder hoch).

Laut OpenAI kommt GPT-6.1 Sol fast an die Leistung von Astra heran, obwohl GPT-6 Astra die niedrigere Nummer trägt. Eine höhere Generationsnummer heißt also nicht, dass die Stufe höher liegt.

Vorsicht beim Wort Flash, denn zwei Hersteller meinen damit Verschiedenes. Das Flash von DeepSeek ist ein Open-Weight-Modell mit 552B, das DeepSeek „das kleinste Modell unserer neuen Architekturfamilie, mit nativem visuellem Verständnis“ nennt. Das Flash von Google ist eine schnelle Stufe einer geschlossenen Modellfamilie, ihre Größe ist nicht veröffentlicht. Sagt ein Anbieter, er setze Flash ein, fragen Sie nach, von wem.

Welche Modelle können Sie selbst betreiben?

Die Qwen-, DeepSeek- und gpt-oss-Modelle in diesem Beitrag gibt es als Open Weights. Sie können die Modelldateien herunterladen und unter der jeweils mitgelieferten Lizenz auf eigener Hardware betreiben. Open Weights heißt allerdings nicht zwingend Eigenbetrieb, denn DeepSeek bietet V4.1-Flash auch über die eigene API an, unter dem Namen deepseek-flash.

Beginnen Sie bei der Lizenz. DeepSeek-V4.1-Flash steht unter MIT, gpt-oss-120b und drei der vier Qwen-Modelle unter Apache 2.0. Das größte Qwen-Modell hier, Qwen3.8-2.4T-A95B, steht unter einer eigenen Qwen3.8-Max-Lizenz. Schon innerhalb einer Familie gelten also unterschiedliche Bedingungen. Wer Qwen und DeepSeek für die eigenen Server vergleicht, sollte die Lizenz lesen, bevor jemand Hardware bestellt.

Danach legen Sie die Hardware mit der Speicherschätzung von oben aus. Zu den veröffentlichten Dateien von DeepSeek gehören Gewichte mit 8 Bit (FP8), und bei 1 Byte pro Parameter ergeben 552B etwa 552 GB allein für die Gewichte. Dafür braucht es einen Server mit mehreren GPUs, und das für ein Modell, das pro Token nur mit 8B bis 16B arbeitet. OpenAI speichert die Gewichte der Experten von gpt-oss-120b in einem 4-Bit-Format namens MXFP4 und sagt, damit könne es „auf einer einzelnen 80-GB-GPU laufen“.

Auch bei den Eingaben und beim Antwortstil unterscheiden sich die Modelle. DeepSeek-V4.1-Flash nimmt Text und Bilder entgegen. Qwen3.8-2.4T-A95B verarbeitet nur Text und arbeitet stets zuerst das Problem durch, bevor es antwortet, im Thinking-Modus, wie Qwen ihn nennt. Qwen3.6-35B-A3B tut das standardmäßig, lässt sich aber auf direkte Antworten umstellen.

Welches Modell passt zu welcher Aufgabe?

Im Kundenservice bekommt ein Modell sehr unterschiedliche Aufgaben. Bei einem laufenden Gespräch muss die Antwort kommen, solange der Anrufer noch in der Leitung ist, auf die Zusammenfassung der Anrufe von gestern wartet dagegen niemand. Die Tabelle folgt den Beschreibungen der Hersteller. Lesen Sie jede Zeile als Startpunkt für Tests, nicht als Rangliste.

Das laufende Gespräch ist die strengste Zeile. Ein Anrufer hört jede Pause, und das Modell ist nur eine ihrer Ursachen. In unserem Beitrag zur Frage, wo die Wartezeit an der Voice-Leitung entsteht, teilen wir diese Pause in Abschnitte auf, die sich messen lassen.

Suchen Sie aus der passenden Zeile zwei oder drei Kandidaten aus und lassen Sie sie auf Ihren eigenen aufgezeichneten Anrufen laufen, mit Ihren Produktnamen, Ihren Sprachen und den Fragen, die Ihre Kunden wirklich stellen. Bewerten Sie jeden an der Aufgabe selbst, etwa daran, ob eine Zusammenfassung die Rückrufzeit erfasst hat, die dem Anrufer zugesagt wurde.

Stellt ein Anbieter sein Produkt vor, fragen Sie, welches Modell welchen Schritt übernimmt, vom laufenden Gespräch über das Routing bis zur Zusammenfassung nach dem Anruf. Lassen Sie sich den vollständigen Namen nennen, mit Generationsnummer und Stufe. Wird für jeden Schritt derselbe Name genannt, lohnt eine Nachfrage. Was Sie sonst prüfen sollten, steht in unseren 30 Fragen vor dem Kauf von Voice-KI.

Wo kommt DRING ins Spiel?

Der DRING-Stack ist modellunabhängig. Die Sprach- und Reasoning-Modelle hinter jedem Agenten werden passend zu Sprache und Workflow gewählt. Für Spracherkennung, Sprachmodell und Sprachausgabe wird je Agent ein Anbieter unter führenden Herstellern ausgesucht, und jeder davon lässt sich ohne Neuaufbau austauschen, ohne dass der übrige Stack angefasst wird. Mehr dazu erklärt unsere Seite zur Modellebene.

Ein Workflow lässt sich außerdem ohne Plattformwechsel auf ein anderes Modell umleiten. Hat ein Modellanbieter eine Störung, kann der Anruf per Failover auf einen funktionierenden Anbieter ausweichen. Auf unserer Seite für IT-Leitungen finden Sie die Fragen, die ein Architektur-Review als Nächstes stellt.

Ein Modellwechsel wird getestet wie ein Start. Jeder DRING-Agent durchläuft vor dem ersten echten Anruf 1.000 bis 10.000 simulierte Gespräche, die eigens für Ihr Unternehmen erstellt wurden. Ein stärkeres Modell geht erst live, wenn es die Regressionssuite besteht, die der gesamte Stack durchläuft. Die Ergebnisse werden mit dem vorherigen Release verglichen, bevor etwas ausgeliefert wird. Sagen Sie uns, an welchem Schritt Ihrer Anrufe Sie zuerst ein KI-Modell einsetzen möchten, und DRING ruft Sie in zwei Minuten an.