KI Fachblatt

KI-Tagesbericht

Sonntag, 18.10.2026 · Trending-Modelle und die Analysen des Tages

Trending-Modelle Top 20 laut Hugging-Face-API · Stand 18.10.2026, 21:03 Uhr

#ModellAufgabeLikesDownloadsTrend-ScoreErstellt
1deepseek-ai/DeepSeek-V4.1-Flash-1017image-text-to-text1.28210.2331.1922026-10-17
2google/embeddinggemma-2feature-extraction2.649164.3398122026-09-14
3openbmb/MiniCPM-V-4.7-35B-A3Bimage-text-to-text98657.9358042026-10-07
4jialinyyzz/humanizertext-generation1.933103.7097272026-09-11
5fishaudio/drama-3text-to-speech6769.6206522026-10-01
6black-forest-labs/flux-3-image-klein-comfyimage-to-image778338.0366142026-10-14
7meta-models/Muse-Spark-Open-816B-A42Bimage-text-to-text5361.8094972026-09-15
8Lightricks/LTX-2.5image-to-video8.3372.012.4964602026-07-23
9LiquidAI/LFM2.5-24B-A2Btext-generation46113.0074462026-10-12
10black-forest-labs/flux-3-image-kleinimage-to-image47552.3154382026-10-13
11abenzerps/Qwen-Image-2.1-Uncensored-Quantizedtext-to-image4.5442.661.6873992026-09-20
12baidu/Unlimited-OCRimage-text-to-text4.7861.652.7423552026-06-19
13Qwen/Qwen-Image-2.1-Turbotext-to-image98023.1313242026-10-09
14OpenMOSS-Team/MOSS-Image-SFTtext-to-image3242.0873142026-10-11
15openbmb/MiniCPM-V-4.7-1Bimage-text-to-text38422.6892902026-10-06
16Qwen/Qwen3.8-27Bimage-text-to-text17.9487.695.2062882026-08-05
17OpenMOSS-Team/MOSS-Image-Basetext-to-image2801.7912692026-10-11
18facebook/sam3mask-generation4.6131.945.7172222025-11-07
19nvidia/Qwen3.8-Flash-Next-FP4-Localimage-text-to-text2084.8762062026-10-08
20LiquidAI/LFM2.5-24B-A2B-GGUFtext-generation203107.5991982026-10-09
So lesen: Reihenfolge nach dem Feld trendingScore der Hugging-Face-API, Stand 18.10.2026, 21:03 Uhr. Likes, Downloads und Trend-Score sind Zähler der API, keine Qualitätsbewertung und kein Benchmark-Ergebnis. „Aufgabe“ ist das Feld pipeline_tag. Quelle: huggingface.co (öffentliche API, ohne Schlüssel).

Die zwei Analysen des Tages

Modelle · 18.10.2026 · 6 Quellen
Muse Spark Open: Was die offenen Gewichte technisch bedeuten
Metas 816-Milliarden-Modell im Check: Architektur, Speicherbedarf, Lizenzbedingungen und eine Benchmark-Bilanz, die eher gemischt ausfällt als überlegen.
  • 816 Mrd. Parameter, 42 Mrd. aktiv, 1 Mio. Token Kontext, Eingaben aus Text, Bild, Audio und Video, Ausgabe nur Text.
  • Speicherbedarf laut Modellkarte: mindestens 700 GB (NVFP4) bzw. 2 TB (BF16); unsere Überschlagsrechnung kommt auf etwa 674 GB bzw. 1,9 TB.
  • Nach Metas eigener Tabelle liegt das Modell in 7 von 20 Fähigkeitstests vor allen Vergleichsmodellen, bei Terminal-Bench 2.1 und GPQA dahinter.
https://kifachblatt.de/muse-spark-open-offene-gewichte-analyse
Quellen
  1. Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date (research.meta.ai)
  2. Welcome Muse Spark Open: open-weight frontier multimodal mixture-of-experts model from Meta (huggingface.co)
  3. meta-models/Muse-Spark-Open-816B-A42B: Muse Model License und Model Card (huggingface.co)
  4. Muse Spark Open (Collection) (huggingface.co)
  5. Muse Spark Is Now an Open-Weights Model (pytorch.org)
  6. Muse Spark Open, an open-weight model for coding agents (baseten.co)
Evals · 18.10.2026 · 6 Quellen
Long-Horizon-Terminal-Bench 2.0: Was drei Stunden Agentenarbeit zeigen
Ein Preprint testet 15 KI-Modelle drei Stunden lang auf 77 Terminalaufgaben. Was Methode, Zahlen und Kosten belegen und wo die Grenzen der Studie liegen.
  • Umfang: 77 Aufgaben, 13 Domänen, acht Aufgabentypen, 1.145 gewertete Läufe von 15 Modellen.
  • Spitze: GPT-6-astra 37 von 77 Aufgaben (48,1 %), GPT-5.6-sol 32 (41,6 %). Eigene Rechnung: Die 95-%-Intervalle beider Modelle überlappen weit, der Abstand von fünf Aufgaben ist statistisch nicht abgesichert.
  • Binär gegen dicht: Auf den 30 Rekonstruktionsaufgaben liegt der binäre Durchschnitt bei 0,221, der Durchschnitt mit Fortschrittsleiter bei 0,653.
https://kifachblatt.de/lhtb-2-langzeit-agenten-benchmark
Quellen
  1. Long-Horizon-Terminal-Bench 2.0: Automating Diverse Task Construction and Measuring Sustained Agent Progress (arxiv.org)
  2. Long-Horizon-Terminal-Bench: Testing the Limits of Agents on Long-Horizon Terminal Tasks with Dense Reward-Based Grading (arxiv.org)
  3. Long-Horizon Terminal-Bench: Where Agents Run Out of Steam (Projektseite) (zli12321.github.io)
  4. Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces (arxiv.org)
  5. Terminal-Bench 2.0 and Harbor (tbench.ai)
  6. Measuring AI Ability to Complete Long Software Tasks (arxiv.org)

Vollständige Texte mit Quellen, Methode und Grenzen auf kifachblatt.de. „Eigene Rechnung“ kennzeichnet Berechnungen der Redaktion auf Basis der genannten Quellen.

Impressum & Redaktionsschluss

Anbieter nach § 5 DDG

Philipp Paulik
Mozartstraße 1
53819 Neunkirchen-Seelscheid
Nordrhein-Westfalen

Kontakt

E-Mail: philipp.l.paulik@gmail.com
Web: kifachblatt.de

Verantwortlich nach § 18 Abs. 2 MStV

Philipp Paulik, Anschrift wie links

Redaktion

KI Fachblatt, Redaktion Philipp Paulik

Redaktionsschluss

Diese Ausgabe wurde am 18.10.2026, 21:03 Uhr automatisch erstellt. Später veröffentlichte Beiträge und Zählerstände sind nicht berücksichtigt.

Hinweis zu KI

Die Inhalte des KI Fachblatts werden mit Unterstützung von KI erstellt und redaktionell geprüft (siehe kifachblatt.de/transparenz). Dieser Bericht wird automatisch aus öffentlichen Daten und den veröffentlichten Beiträgen zusammengestellt. Trotz Prüfung können Fehler nicht ausgeschlossen werden.

Datenquellen

Modellliste: Hugging Face, öffentliche API (huggingface.co/api/models, Sortierung trendingScore), Stand 18.10.2026, 21:03 Uhr. Analysen: eigene Beiträge des KI Fachblatts.

© 2026 KI Fachblatt · Philipp Paulik · Stand 18.10.2026, 21:03 Uhr