Alibabas Apsara 2026: Riesige Modelle, Realität der kleinen Modelle

Die größte KI-Konferenz Chinas ist jeden September die Apsara Conference von Alibaba Cloud in Hangzhou. Die diesjährige Keynote enthielt zwei Geschichten. Die eine handelte von Größe: einem Modell, das um ein Mehrfaches größer ist als alles, was Alibaba bisher trainiert hat. Die andere, fast beiläufig, von einem kleinen offenen Modell, das Entwickler tatsächlich nutzen. Für Marketer in Asien könnte die zweite Geschichte wichtiger sein.

Was passiert ist

Laut Reuters, via The Standard, sagte Alibaba-CEO Eddie Wu am 22. September, das Qwen-Team plane, ein neues Modell mit 5 bis 10 Billionen Parametern zu trainieren, das auf komplexere Aufgaben mit längerem Horizont ausgerichtet ist. Alibabas aktuelles Flaggschiff, Qwen 3.8 Max, hat 2,4 Billionen Parameter. Wu sagte außerdem, das Team habe „bedeutende Fortschritte“ bei rekursiver Selbstverbesserung erzielt, stellte den KI-Chip Zhenwu V900 aus Alibabas Einheit T-Head mit der dreifachen Leistung seines Vorgängers vor und setzte das Ziel, dass die globale Rechenzentrumskapazität von Alibaba Cloud bis 2032 20 Gigawatt übersteigt. Er sagte: „Die mittel- bis langfristige Nachfrage der Branche übersteigt unsere Lieferfähigkeit bei Weitem.“

Im auf Alizila veröffentlichten Text der Keynote nannte Wu das Open-Source-Modell Qwen-27B „das bei Entwicklern weltweit beliebteste Modell“ und sagte, Alibaba werde Modelle für den lokalen Einsatz weiter verfeinern. Er sagte zudem, er erwarte, dass Agenten zu dauerhaften „Bewohnern“ der Cloud werden, die Aufgaben mit langem Horizont ausführen und kontinuierlich Rechenleistung verbrauchen.

Warum das wichtig ist

Für regionale Marketer ist das Wettrennen um Billionen Parameter vor allem ein Zuschauersport. Solche Modelle werden Sie, wenn überhaupt, über eine API nutzen. Das offene, lokal einsetzbare Modell ist etwas anderes. Ihr Unternehmen oder Ihr Anbieter kann es auf eigener Infrastruktur betreiben, in einer selbst gewählten Rechtsordnung, feinabgestimmt auf eigene Daten.

Das ist in Asien aus praktischen Gründen wichtig. Die Vorschriften zur Datenresidenz unterscheiden sich in der Region. Viele Unternehmen senden Kundendaten nur ungern an eine ausländische API. Und Sprachen und kulturelle Bezüge in Südost- und Ostasien werden von Modellen, die hauptsächlich auf Englisch abgestimmt sind, schlecht abgedeckt. Ein leistungsfähiges offenes Modell mittlerer Größe, das sich lokal anpassen lässt, adressiert alle drei Punkte.

Wus Bemerkung über Agenten als „Bewohner“ der Cloud ist das andere Signal. Wenn Agenten ununterbrochen laufen, werden die Kosten pro Aufgabe zu einer strategischen Größe. Effiziente Modelle werden den Großteil dieser Arbeit übernehmen.

Was meine Forschung sagt

Ich habe in Forbes dafür argumentiert, dass im Marketing die Technik wichtiger ist als die Modellgröße. Ein kleineres Modell, das gut an Ihre Zielgruppe, Ihre Sprache und Ihre Aufgabe angepasst ist, schlägt meist ein riesiges allgemeines Modell, das unbedacht eingesetzt wird.

Meine Forschung zeigt auch, warum lokale Anpassung wichtig ist. In I Know Where You Are Coming From (AAAI 2020) haben wir festgestellt, dass das soziale Netzwerk, aus dem ein Modell lernt, seine Genauigkeit verändert. In Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022) haben wir gezeigt, dass Menschen ihre Persönlichkeit auf verschiedenen Plattformen unterschiedlich ausdrücken. Der allgemeinere Punkt: Verhalten ist kontextabhängig, und Modelle brauchen kontextspezifische Daten, um es richtig zu deuten. Asiens Plattformen, Sprachen und Kulturen sind Kontext, den ein anderswo trainiertes Modell nicht automatisch mitbringt.

Und effiziente Modelle machen Erklärbarkeit im großen Maßstab bezahlbar. In Fusing Predictive and Large Language Models (ACM TOIS 2025) haben wir Performance-Vorhersagen mit LLM-Erklärungen kombiniert. Die Erklärungsebene jeden Tag auf jedes Creative anzuwenden, ist nur realistisch, wenn das Sprachmodell günstig genug ist, um überall zu laufen.

Was Marketingteams in Asien jetzt tun sollten

• Testen Sie ein offenes Modell mittlerer Größe an einer regionalen Aufgabe, etwa der Klassifizierung von Social-Media-Beiträgen auf Bahasa Indonesia oder Thai, und vergleichen Sie es mit Ihrem aktuellen API-Modell hinsichtlich Genauigkeit und Kosten.
• Legen Sie fest, wohin Ihre Daten dürfen. Halten Sie fest, welche Kundendaten an externe APIs gesendet werden dürfen und welche lokal verarbeitet werden müssen.
• Stimmen Sie auf Ihren eigenen Kontext ab. Schon eine kleine Menge gelabelter lokaler Daten kann Tonalität und Genauigkeit deutlich verbessern.
• Planen Sie für Agenten im Dauerbetrieb. Schätzen Sie die Rechenkosten für kontinuierliches Monitoring und Reporting und wählen Sie die Modelle entsprechend.
• Behalten Sie die Spitze im Blick, ohne von ihr abhängig zu sein. Setzen Sie die größten Modelle dort ein, wo sie klar einen Mehrwert bieten, und überall sonst die effizienten.

Die Schlagzeile aus Hangzhou war eine Zahl mit zwölf Nullen. Die praktische Nachricht für Marketer: Gute kleine Modelle werden immer besser, und sie können näher an Ihren Kunden laufen.

FAQ