Selbstlernende KI-Agenten scheitern bisher an einem simplen Defekt: Nach jeder Sitzung vergisst der Agent alles und wiederholt dieselben Fehler. Das chinesische Team EverMind, hervorgegangen aus der Shanda-Gruppe, legt dagegen einen ganzen offenen Baukasten vor. Sein Speicher EverOS soll aus vergesslichen Sprachmodellen Agenten machen, die aus jedem Auftrag lernen.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Ein 27 Milliarden Parameter kleines Modell, das einen 14-mal größeren Konkurrenten einholt: Mit dieser Zahl wirbt EverMind für selbstlernende KI-Agenten, die ihre Stärke nicht aus mehr Rechenkraft ziehen, sondern aus Gedächtnis. Drei Fachpapiere und ein offener Speicher sollen belegen, dass Chinas KI-Szene auch jenseits immer größerer Sprachmodelle vorprescht.
Das Wichtigste in Kürze
- EverMind, ein Ableger der chinesischen Shanda-Gruppe, hat drei Forschungspapiere und den offenen Speicher-Layer EverOS veröffentlicht.
- Der Ansatz gibt KI-Agenten ein dauerhaftes Gedächtnis und eine Bibliothek von Fertigkeiten, die sich selbst fortschreibt.
- Laut EverMinds eigenem Test EvoAgentBench löst ein 27-Milliarden-Modell so viele Aufgaben wie ein 397-Milliarden-Riese.
- Für europäische Firmen zählt vor allem, dass EverOS quelloffen und selbst gehostet läuft, also unter eigener Datenhoheit.
Was steckt hinter EverMinds Selbstlern-Stack?
EverMind bündelt vier Ebenen zu einem geschlossenen Kreislauf der Selbstverbesserung. Auf der untersten Schicht optimiert das Team die Modellgewichte, darüber verwaltet EverOS das Gedächtnis, eine Ebene höher schreibt der KI-Agent seine eigenen Arbeitsanweisungen um, und ganz oben bewertet ein Prüfmodul den Fortschritt. Den offenen Kern bildet EverOS, ein Speicher, der Erlebnisse in kleinen Einheiten namens MemCells ablegt und über Sitzungen, Geräte und Werkzeuge hinweg bereithält.
Der eigentliche Bruch mit dem Wettbewerb liegt im Anspruch, den gesamten Werkzeugkasten offenzulegen. EverMind stellt EverOS auf GitHub bereit, wo das Projekt schon über 12.000 Sterne gesammelt hat, mehr als das bekannte Speicher-Projekt mem0.[2] Die drei zugehörigen Fachpapiere hat das Team auf der Konferenz ACL 2026 platziert.[1]
Wie lernt ein KI-Agent aus seinen eigenen Fehlern?
Der Mechanismus ähnelt einem Handwerker, der nach jedem Auftrag seine Notizen ergänzt. Löst der Agent eine Aufgabe erfolgreich, destilliert EverMinds System den Ablauf zu einer wiederverwendbaren Fertigkeit und legt sie in einer Bibliothek ab. Aus 821.000 rohen Skills hat das Team so 96.401 geprüfte Bausteine kuratiert, auf die jeder Agent zugreift.[1]
Der Gewinn zeigt sich in einer Zahl, die EverMind selbst mit seinem Prüfstand EvoAgentBench erhebt: Mit der Selbstlern-Strategie steigert ein 27-Milliarden-Modell seine Trefferquote bei Programmieraufgaben um 234,8 Prozent und zieht mit einem 397-Milliarden-Modell gleich.[1] Ganz ohne Skepsis geht das nicht, denn den Benchmark hat der Anbieter selbst gebaut. Der Ansatz verschiebt die Rechnung dennoch: Statt jedes Modell teuer zu vergrößern, sammelt der Agent Erfahrung.
EverMind rechnet vor, dass sich Erfahrung billiger skalieren lässt als Rechenzentren. Für europäische Firmen wird damit das offene, selbst gehostete Gedächtnis interessanter als das nächste Milliardenmodell.
— Markus Seyfferth, Chefredakteur Dr. Web
Was bedeutet das für europäische Unternehmen?
Für europäische Firmen zählt zuerst die Bauweise: EverOS speichert lokal, im Textformat Markdown, und bleibt im Besitz des Nutzers. Ein Agenten-Gedächtnis verarbeitet fast zwangsläufig personenbezogene Daten, und ein selbst gehosteter Speicher hält diese auf der eigenen Infrastruktur, statt sie einer fremden Cloud zu überlassen. So lassen sich Löschpflichten und Datensparsamkeit der DSGVO leichter erfüllen als bei geschlossenen Agenten der US-Anbieter.
Der Ansatz steht nicht allein. Huawei bearbeitet mit MindMemOS dasselbe Problem des vergesslichen Agenten, Ant Group hat mit Avernet ein offenes Betriebssystem für Agenten-Teams vorgelegt, und westliche Anbieter werben mit ähnlichen Speicher-Diensten. Ein Agent, der seine eigenen Arbeitsanweisungen umschreibt, erschwert allerdings die Nachvollziehbarkeit, die der EU AI Act für Aufsicht und Haftung verlangt. In regulierten Prozessen frieren Unternehmen die Selbstlern-Funktion deshalb besser ein und prüfen den Speicher wie jede andere Datenverarbeitung.
Quellen
[1] EverMind: EvoAgentBench und die Selbstlern-Papiere
[2] EverMind: EverOS-Repository auf GitHub
Mehr Newshunger?
- KI-Gedächtnis von Huawei: MindMemOS soll das Vergessen der Agenten beenden
- Multi-Agenten-Systeme: Ant Group veröffentlicht mit Avernet ein quelloffenes Betriebssystem
- Chinesische KI-Modelle: Warum das Silicon Valley heimlich umsteigt
- Kitesurf: Cloudflares Browser für KI-Agenten spart Speicher statt Zeit
- Kritische Cyberfähigkeiten: OpenAI stoppt Teile der Astra-Entwicklung
