[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-deutsches-konsortium-soofi-s-modell":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"deutsches-konsortium-soofi-s-modell","Deutsches Konsortium trainiert eines der ersten großen Open-Source-Modelle komplett in München","Soofi S 30B-A3B wurde vollständig auf der Telekom-Cloud entwickelt und übertrifft etablierte offene Konkurrenten in Deutsch und Englisch. Das Modell setzt auf eine sparsame Hybrid-Architektur und sucht nun Industriepartner.","2026-07-13","17:31","2026-07-13T17:31:00+02:00","","13. Juli 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Open Source KI","Sprachmodelle","Deutsche KI-Souveränität","Forschung & Entwicklung","Infrastruktur","\u002Flokale-ki","Lokale KI & Open Source","27 Billionen Token trainiert, 31,6B Parameter, nur 3,2B aktiv pro Token","\u002Fnewsroom\u002Fimg\u002Fdeutsches-konsortium-soofi-s-modell.webp","\u002Fog-nr\u002Fdeutsches-konsortium-soofi-s-modell.de.png",2,434,"\u003Cp>Ein deutsches Forschungskonsortium hat das offene Sprachmodell \u003Cstrong>Soofi S 30B-A3B\u003C\u002Fstrong> veröffentlicht – trainiert komplett auf der Industrial AI Cloud der Deutschen Telekom in München. Das Projekt markiert einen strategischen Schritt zur KI-Souveränität im deutschsprachigen Raum und soll Unternehmen eine echte Alternative zu US-amerikanischen Modellen bieten.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>31,6 Milliarden Parameter\u003C\u002Fstrong>, aber nur \u003Cstrong>3,2 Milliarden pro Token\u003C\u002Fstrong> aktiv (Mixture-of-Experts-Architektur)\u003C\u002Fli>\n\u003Cli>Trainiert auf \u003Cstrong>27 Billionen Token\u003C\u002Fstrong> mit bewusstem Fokus auf deutsche Sprachdaten\u003C\u002Fli>\n\u003Cli>Übertrifft in Benchmarks vollständig offene Konkurrenten wie \u003Cstrong>Olmo 3 32B\u003C\u002Fstrong> und \u003Cstrong>Apertus 70B\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>Behält Verarbeitungsgeschwindigkeit auch bei \u003Cstrong>256.000 Token\u003C\u002Fstrong> Kontextlänge stabil\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Sparsame Hybrid-Architektur für lange Texte\u003C\u002Fh2>\n\u003Cp>Soofi S nutzt eine \u003Cstrong>Mamba-2-Transformer-Hybridkonstruktion\u003C\u002Fstrong> – übernommen von Nvidias Nemotron 3 Nano. Der entscheidende Vorteil: Nur 6 der 52 Layer unterhalten einen KV-Cache, der bei klassischen Transformern linear mit der Kontextlänge wächst. Das macht Soofi S bei langen Eingaben deutlich effizienter.\u003C\u002Fp>\n\u003Cp>In praktischen Tests zeigt sich der Unterschied deutlich: Bei einem Kontext von 40.000 Token und 32 parallel bearbeiteten Anfragen erzeugt Soofi S pro GPU rund \u003Cstrong>achtmal mehr Token pro Sekunde\u003C\u002Fstrong> als dichte Modelle mit 14–24 Milliarden Parametern. Während der Durchsatz bei klassischen Modellen mit wachsendem Kontext deutlich abfällt, bleibt er bei Soofi S von 4.000 bis 256.000 Token nahezu konstant.\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Aspekt\u003C\u002Fth>\n\u003Cth>Soofi S\u003C\u002Fth>\n\u003Cth>Klassische Modelle\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Parameter gesamt\u003C\u002Ftd>\n\u003Ctd>31,6B\u003C\u002Ftd>\n\u003Ctd>30B–70B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Parameter aktiv pro Token\u003C\u002Ftd>\n\u003Ctd>3,2B\u003C\u002Ftd>\n\u003Ctd>100%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>KV-Cache Layer\u003C\u002Ftd>\n\u003Ctd>6 von 52\u003C\u002Ftd>\n\u003Ctd>alle\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Durchsatz bei 40K Tokens\u003C\u002Ftd>\n\u003Ctd>stabil\u003C\u002Ftd>\n\u003Ctd>deutlich abfallend\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2>Deutschsprachige Trainingsdaten im Fokus\u003C\u002Fh2>\n\u003Cp>Das vom \u003Cstrong>KI Bundesverband\u003C\u002Fstrong> koordinierte Konsortium verarbeitete insgesamt 27 Billionen Token in drei Trainingsphasen: Zunächst 20 Billionen Token aus breiter Mischung (Web, Code, Mathematik, Fachliteratur), dann 6 Billionen aus besonders hochwertigen Quellen zur Musterschärfung, schließlich eine kürzere Phase zur Kontextfenster-Erweiterung. Der bewusste Schwerpunkt auf deutsche Sprachdaten zahlt sich in den Benchmarks aus – Soofi S erreicht laut Pretraining-Report die höchsten Werte unter vollständig offenen Modellen für Deutsch, Englisch und Programmieren.\u003C\u002Fp>\n\u003Ch2>Was das für dich bedeutet\u003C\u002Fh2>\n\u003Cp>Für deutsche Unternehmen und Mittelständler könnte Soofi S interessant werden: Ein vollständig in Deutschland trainiertes, offenes Modell reduziert Abhängigkeiten von US-Anbietern und bietet Transparenz über Trainingsdaten und Architektur. Die hohe Effizienz bei langen Kontexten macht es attraktiv für Anwendungen wie Dokumentenanalyse oder Recherche-Systeme. Das Konsortium sucht derzeit gezielt nach Industriepartnern für den Praxiseinsatz – ob sich das Modell im produktiven Einsatz bewährt, wird sich in den nächsten Monaten zeigen. Offen bleibt auch, wie die Community es annimmt und weiterentwickelt.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.de\u002Fdeutsches-konsortium-veroeffentlicht-offenes-ki-modell-soofi-s-fuer-deutsch-und-englisch\u002F\">The Decoder (DE)\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1783977814008]