Nous Research hat am Sonntag Hermes Mixture of Agents 2.0 vorgestellt – eine neue Version seines Agenten-Frameworks, die Ausgaben mehrerer großer Sprachmodelle, darunter GPT, Claude und DeepSeek, bündelt, um Antworten zu erzeugen, die in Standard-Benchmarks jedes einzelne Modell übertreffen.
Wie ein Bericht ausführt, ist MoA 2.0 ein Update des bestehenden Hermes-Agenten-Frameworks von Nous Research und behält dessen Open-Source-Architektur bei.
Funktionsweise des Systems
Hermes MoA 2.0 fungiert als Ensemble-Schicht. Das System fragt mehrere Basismodelle parallel ab, sammelt deren Antworten und synthetisiert daraus eine finale Ausgabe. Der Ansatz, bekannt als „Mixture of Agents“, behandelt unterschiedliche KI-Modelle als spezialisierte Beitragsleister, anstatt ein einzelnes Modell mit allen Aufgaben allein zu betrauen.
Nutzer können konfigurieren, welche Modelle an einem jeweiligen Ensemble beteiligt sind. Die Standardkonfiguration setzt auf GPT, Claude und DeepSeek – drei Modelle, die für unterschiedliche Trainingsansätze und Datenbasen stehen. Durch das Zusammenführen ihrer Ausgaben schöpft MoA 2.0 komplementäre Stärken ab.
Die mit der Veröffentlichung präsentierten Benchmark-Ergebnisse zeigen, dass MoA 2.0 jedes seiner Komponentenmodelle in den Disziplinen logisches Schlussfolgern, Programmierung und Befolgen komplexer Anweisungen übertrifft. Besonders deutlich fällt der Vorsprung in Langfrist-Reasoning-Tests aus, bei denen einzelne Modelle häufig an Kohärenz verlieren.
Das Framework bleibt Open Source, sodass Forschende und Entwickler die Architektur inspizieren, Basismodelle austauschen und das Ensemble für spezifische Anwendungsfälle anpassen können.
Lesen Sie dazu auch: Anthropic übertrumpft OpenAI mit 965 Mrd. $ Bewertung, während das KI-Finanzierungsrennen neu startet
Open-Weight-Labs drängen in die Agenten-Orchestrierung
Nous Research hat sich mit Open-Weight-Modellveröffentlichungen für die Forschungsgemeinde einen Namen gemacht. Das ursprüngliche Hermes-Agenten-Framework setzte Anfang 2026 einen frühen Maßstab für die Orchestrierung mehrerer Modelle.
Im Hintergrund steht ein sich rasant beschleunigender Entwicklungszyklus im Open-Weight-Segment. Z.ai brachte Anfang Juli 2026 GLM-5.2 auf den Markt und positioniert das Modell als Open-Weight-Coding-System für langlaufende Engineering-Aufgaben. Die Veröffentlichung fügt sich in das Muster ein, dass Open-Weight-Labs gezielt Fähigkeitsbereiche adressieren, in denen geschlossene Modelle bislang einen Reputationsvorsprung halten.
Lesen Sie dazu auch: Experten sehen in OpenAIs 5-%-Beteiligung einen Schritt zu stärkerer staatlicher Kontrolle von KI
Qwens ehemaliger technischer Leiter Junyang Lin argumentierte Ende Juni 2026 öffentlich, dass agentische Systeme der richtige nächste Entwicklungsschritt für KI seien. Diese Sichtweise deckt sich mit der Designphilosophie hinter MoA 2.0: Agenten und Modellkombinationen dienen als Weg zu Leistungsgewinnen, die sich mit einzelnen Trainingsläufen nur schwer replizieren lassen.
Die Veröffentlichung von Hermes MoA fällt zudem in eine Phase intensiver Debatten in der KI-Forschung darüber, welche Rolle Grundmodelle im Vergleich zu Agenten-Schichten künftig spielen sollten.
Andrej Karpathy warnte zu Wochenbeginn, ein „Agent-first“-Ansatz berge das Risiko, Fehler aus früheren Forschungszyklen von OpenAI zu wiederholen. Nous Research versucht mit seinem Ansatz einen Mittelweg: Starke Grundmodelle bleiben die Basis, darüber wird eine Orchestrierungsschicht gelegt.
Lesen Sie dazu auch: OpenAI peilt Billionen-IPO an, während Microsoft den größten Hebel hält
Worauf es jetzt ankommt
Hermes MoA 2.0 ist bislang nicht systematisch gegen die allerneuesten Frontier-Modelle getestet worden. Claude Sonnet 5 und aktualisierte GPT-Varianten, die Mitte 2026 erschienen sind, könnten das Benchmark-Bild noch verschieben. Nous Research hat die Veröffentlichung bislang nicht mit einem formalen wissenschaftlichen Paper unterlegt.
Für Entwickler ist der praktische Nutzen dennoch klar umrissen: Ein Open-Source-Werkzeug, das geschlossene Modelle in Benchmarks durch deren Kombination messbar übertrifft, senkt die Eintrittshürden. Forschungsteams können Spitzen-Reasoning-Fähigkeiten nutzen, ohne für jeden Inferenzaufruf die vollen API-Kosten eines Frontier-Modells zahlen zu müssen.
Für die KI-Industrie stützt MoA 2.0 die These, dass Vielfalt im Modellportfolio – und nicht ein dominantes Einzelmodell – die nächste Phase der KI-Einführung prägen könnte. In den kommenden Monaten dürften Reaktionen von OpenAI und Anthropic auf ensemblebasierte Ansätze genau beobachtet werden.
Weiterlesen: Die doppelbödige Trump-Anthropic-Politik, die das Weiße Haus nicht erklärt