Axion-1.0 ist ein Agenten-Basismodell, das ByteDance am 2. November veröffentlicht hat: Paper, Trainingsrezept und Code sind vollständig offen, unter der Apache-2.0-Lizenz. Die Schlussfolgerung zuerst: Wer lernen will, wie Agentenmodelle trainiert werden, findet hier das derzeit lesenswerteste Open-Source-Projekt. Wer sofort ein Modell herunterladen und damit arbeiten will, sollte noch warten – bei den Gewichten ist der letzte Schritt noch nicht getan.
Axion-1.0 sind zwei Modelle und ein öffentliches Trainingsrezept
Axion-1.0 gibt es in zwei Größen: 35B (3B werden pro Token berechnet) und 122B (10B pro Token), beide als Mixture-of-Experts-Architektur, aufgebaut auf Qwen3.6-35B-A3B beziehungsweise Qwen3.5-122B-A10B. Es ist kein von Grund auf neu trainiertes Modell, sondern ein Agentenmodell, das mit einem dreistufigen Rezept auf einer Qwen-Basis trainiert wurde: zwei Runden leichtes überwachtes Feintuning plus eine Runde Reinforcement Learning, mit rund 18.000 Trainingsbeispielen und etwa 1.000 GPU-Stunden für die 122B-Version. Der Agent bringt vier Werkzeuge mit: Websuche, Webseiten aufrufen, wissenschaftliche Paper suchen und Python-Code ausführen. Bei den Ergebnissen schlägt die 35B-Version in drei forschungsorientierten Agententests GPT-5.5 und Gemini 3.1 Pro, und die 122B-Version erreicht 59 Punkte bei Humanity's Last Exam. Das offizielle Repository liegt auf GitHub in der Organisation bytedance, Projektname axion1_0.
Vor dem Ausprobieren: erst klären, was man da bekommt
Code und Rezept liegen auf GitHub: Datenkonstruktion, Filterung, Prompts, Trainingscode und Bewertungsskripte sind alle dabei – wer sie durchläuft, kann den gesamten Trainingsprozess nachbauen, und genau das ist der eigentliche Wert. Die Gewichte der 35B-Version lassen sich auf Hugging Face herunterladen, aber die README des Projekts sagt selbst, dass es sich um eine Community-Reproduktion handelt, nicht um offizielle Gewichte. Im BF16-Format sind das rund 70 GB – auf einem normalen Rechner läuft das nicht, man braucht mindestens eine Grafikkarte mit viel Speicher oder eine Mietkarte. Für die 122B-Version gibt es derzeit keinen offiziellen Download-Link; wer sie nutzen will, muss sie selbst nach dem Rezept trainieren. Es gibt keinen fertigen Chat-Zugang und kein Ein-Klick-Deployment. Heute ist es eher ein öffentliches Versuchsprotokoll als ein gebrauchsfertiges Produkt. Anders als DeepSeek Harness, eine Laufzeitumgebung zum Ausführen von Agenten, ist Axion-1.0 ein Modell, um zu erforschen, wie Agenten trainiert werden.
Drei Fallstricke – erst lesen, dann loslegen
Die erste Falle: Community-Gewichte für offizielle Gewichte halten. Läuft etwas schief, gibt es keinen offiziellen Support; Updates und Fixes hängen von der Community ab. Die zweite Falle: sich von Benchmark-Werten blenden lassen. HLE und ähnliche Scores messen forschungsorientierte Aufgaben – das heißt nicht, dass alltägliches Programmieren oder Recherchieren genauso gut klappt. Die dritte Falle: die Kosten der Reproduktion unterschätzen. Ein offenes Rezept heißt nicht, dass es billig ist – die Trainingsrechnung für 122B liegt weiterhin bei über tausend GPU-Stunden. Geeignet ist es für Forschende und Ingenieure, die Agententrainingsmethoden untersuchen wollen; nicht geeignet für alle, die einfach ein fertiges Modell sofort einsetzen wollen – die warten besser auf offizielle Gewichte oder ein Community-Paket. Wer zuerst die MoE-Architektur verstehen will, kann nachlesen, wie Mixture of Experts Rechenleistung spart.
