Die Open-Source-KI-Programmierung erhält einen kräftigen Schub, da NousCoder-14B den Code von Claude übernimmt
Der Wettstreit um KI-Codierung ist gerade noch spannender geworden. Während Entwickler seit Neujahr über Anthropics „Claude Code“ diskutieren, hat das Open-Source-KI-Startup Nous Research still und leise seine eigene Sensation vorgestellt: „NousCoder-14B“, ein Codierungsmodell, das mit mehreren größeren proprietären Systemen mithalten kann oder diese sogar übertrifft. Was dies für Unternehmen, die sich mit KI-Entwicklung befassen, besonders attraktiv macht, ist, dass das gesamte System in nur vier Tagen mit 48 der neuesten B200-Prozessoren von Nvidia trainiert wurde – und alles vollständig Open-Source ist.
Dieser Zeitpunkt ist kein Zufall. Claude Code hat die sozialen Medien mit begeisterten Erfahrungsberichten von Entwicklern erobert, die miterlebt haben, wie das System innerhalb weniger Stunden komplexe Systeme nachbildete, für deren Entwicklung ihre Teams Monate gebraucht hatten. Jaana Dogan von Google sorgte für Aufsehen, als sie beschrieb, wie Claude Code anhand einer nur drei Absätze langen Eingabeaufforderung ein verteiltes Agenten-Orchestrierungssystem generierte – etwas, für dessen Entwicklung ihr Team ein Jahr gebraucht hatte. Doch Nous Research setzt darauf, dass Transparenz und Open-Source-Alternativen den großen Akteuren Paroli bieten können.
Die radikale Transparenz hinter der KI-Entwicklung, die tatsächlich funktioniert
Was den NousCoder-14B auszeichnet, ist nicht nur seine Leistungsfähigkeit, sondern auch die beispiellose Offenheit dieser Veröffentlichung. Nous Research hat nicht nur die Modellgewichte veröffentlicht (was in der Branche ohnehin schon selten ist). Das Unternehmen hat die komplette Umgebung für das verstärkende Lernen, die Benchmark-Suite, das Trainings-Harness sowie sein gesamtes Atropos-Framework freigegeben. Das bedeutet, dass jeder Forscher mit ausreichender Rechenleistung die Arbeit reproduzieren, verifizieren oder erweitern kann.
Das Modell erreicht auf LiveCodeBench v6, einem standardisierten Bewertungstest für Wettbewerbsprogrammieraufgaben, eine Genauigkeitsrate von 67,87 %. Das ist eine Verbesserung um 7,08 Prozentpunkte gegenüber dem Basismodell, Alibabas Qwen3-14B. Doch das wirklich Interessante ist, wie sie dieses Ergebnis erzielt haben.
Joe Li, der Forscher, der das Modell trainiert hat, brachte eine ganz persönliche Perspektive in das Projekt ein. Als ehemaliger Wettkampfprogrammierer verglich er die Entwicklungskurve des Modells mit seinem eigenen Werdegang auf Codeforces, der Plattform für Programmierwettbewerbe. Der Sprung des Modells von einer Wertung von etwa 1600–1750 auf 2100–2200 spiegelt den Fortschritt wider, für den Li im Alter von 14 bis 16 Jahren fast zwei Jahre kontinuierlichen Trainings benötigte. Das Modell erreichte diese gleichwertige Verbesserung in nur vier Tagen.
Die Infrastruktur hinter der KI, die das Programmieren lernt
Die technische Architektur verdeutlicht, wie komplex das Training moderner KI mittlerweile geworden ist. Das System nutzt „überprüfbare Belohnungen“ – es generiert Code-Lösungen, führt diese anhand von Testfällen aus und erhält ein einfaches binäres Feedback: richtig oder falsch. Auch wenn das Konzept an sich einfach ist, erfordert die Umsetzung in großem Maßstab eine leistungsfähige Infrastruktur.
Mithilfe der Cloud-Computing-Plattform von Modal führte das Team parallel eine Codeausführung in einer Sandbox für 24.000 Trainingsprobleme durch, von denen jedes im Durchschnitt Hunderte von Testfällen umfasste. Jede Lösung muss innerhalb von 15 Sekunden und mit maximal 4 Gigabyte Speicherplatz korrekte Ergebnisse liefern. Das Training nutzte die Dynamic Sampling Policy Optimization (DAPO), wobei eine zentrale Neuerung darin bestand, Beispiele zu verwerfen, bei denen das Modell entweder alle Versuche löste oder bei allen scheiterte – da diese keine nützlichen Lernsignale liefern.
Das Datenproblem, das den Fortschritt der KI bremsen könnte
In Lis technischem Bericht verbirgt sich eine Erkenntnis mit weitreichenden Auswirkungen auf die KI-Branche: Die hochwertigen Trainingsdaten für den Programmierwettbewerb sind im Grunde genommen erschöpft. Die 24.000 für das Training verwendeten Aufgaben stellen „einen erheblichen Teil aller leicht zugänglichen, überprüfbaren Programmierwettbewerbsaufgaben in einem standardisierten Datensatzformat“ dar.
Dies spiegelt die wachsende Besorgnis in der gesamten KI-Branche hinsichtlich der begrenzten Datenverfügbarkeit wider. Während die Rechenleistung gemäß wirtschaftlichen und technischen Prinzipien weiter zunimmt, werden die Trainingsdaten immer knapper. Insbesondere im Bereich der Wettbewerbsprogrammierung ist diese Herausforderung besonders akut, da in diesem Bereich Aufgaben mit bekannten, korrekten Lösungen benötigt werden, die automatisch überprüft werden können.
Li identifizierte eine mögliche Lösung: Modelle nicht nur darauf zu trainieren, Probleme zu lösen, sondern auch lösbare Probleme zu generieren, wodurch ein Selbstspiel ermöglicht wird, ähnlich wie bei Techniken, die sich in spielenden KI-Systemen bewährt haben. „Sobald die synthetische Problemgenerierung gelöst ist, wird das Selbstspiel zu einer sehr interessanten Richtung“, schrieb er.
Was dies für Unternehmensanwendungen bedeutet
Für Führungskräfte, die den Einsatz von KI-Codierungstools in Betracht ziehen, stellt NousCoder-14B etwas Bedeutendes dar: den Beweis, dass Open-Source-Alternativen mit proprietären Systemen konkurrieren können und gleichzeitig vollständige Transparenz hinsichtlich ihrer Fähigkeiten und Grenzen bieten. Im Gegensatz zu Black-Box-Lösungen können Sie genau sehen, wie dieses Modell trainiert wurde und wozu es in der Lage ist. Für Unternehmen, die ihre Abläufe optimieren möchten, stellen diese KI-Codierungsfunktionen eine von vielen Möglichkeiten dar, Automatisierung zur Steigerung der Effizienz zu nutzen – ähnlich wie die KI-Prozessautomatisierung in anderen Geschäftsbereichen die Betriebskosten um 40 % senkt.
Es gibt jedoch wichtige Einschränkungen. Aktuelle Modelle eignen sich am besten für einmalige Programmieraufgaben und weniger für die iterative, mehrstufige Entwicklung, die für reale Softwareprojekte charakteristisch ist. Die Forscher identifizierten das mehrstufige bestärkende Lernen als entscheidenden nächsten Schritt – dabei werden Modelle so trainiert, dass sie Rückmeldungen wie Kompilierungsfehler und fehlgeschlagene Tests über mehrere Versuche hinweg einbeziehen.
Die 65-Millionen-Dollar-Wette auf Open Source
Nous Research hat sich durch sein Engagement für Open-Source-Veröffentlichungen, die mit proprietären Alternativen konkurrieren, eine einzigartige Position erarbeitet. Die von der Krypto-Venture-Capital-Firma Paradigm angeführte Finanzierungsrunde in Höhe von 65 Millionen US-Dollar spiegelt das wachsende Interesse an dezentralen Ansätzen für das Training künstlicher Intelligenz wider. Zu den bisherigen Veröffentlichungen zählen Hermes 4, das Berichten zufolge ChatGPT ohne inhaltliche Einschränkungen übertrifft, sowie DeepHermes-3, das erste „Toggle-On-Modell für logisches Schlussfolgern“.
Das Unternehmen stößt auf eine gewisse Skepsis – Kritiker bezweifeln, dass das Branding im Anime-Stil den Stil über den Inhalt stellt, und technische Vergleiche mit Alternativen wie den Nemotron-Modellen von Nvidia dauern an. Doch die radikale Transparenz dieser Veröffentlichung liefert konkrete Belege für die Leistungsfähigkeit der Produkte.
Was Li zwei Jahre intensiven Übens gekostet hat, hat ein KI-System in 96 Stunden nachgebildet. Er benötigte 1.000 Aufgaben; das Modell benötigte 24.000. Doch die Entwicklung ist klar: Diese Systeme nähern sich bei strukturierten Programmieraufgaben rasch einer Leistung auf menschlichem Niveau an und lernen, sich selbst zu unterrichten. Da KI die Art und Weise, wie wir Software entwickeln, immer weiter verändert, lautet die Frage nicht, ob Maschinen lernen können zu programmieren – sondern ob sie bald bessere Lehrer sein werden, als wir es je waren.
Verfasst von
Oliver K.G.
Oliver K.G. ist der Gründer von „AI Meets Life“, einer Publikation, die US-amerikanischen Geschäftsleuten dabei hilft, den Überblick zu behalten und KI dort einzusetzen, wo es wirklich darauf ankommt – in ihren Teams, Arbeitsabläufen und beim Geschäftsergebnis. Dabei werden die Tools, Trends und Entscheidungen beleuchtet, die die Zukunft der Arbeit prägen.