Baseten und Genspark trainieren offenes Modell, das Opus 5.5 übertrifft

Höhere Punktzahl im Bewertungstest von Genspark

Das nachtrainierte Modell erreichte im Qualitäts-Bewertungstest von Genspark 0.759 Punkte, verglichen mit 0.612 Punkten für das Basismodell. Baseten zufolge lag dieses Ergebnis über Opus 5.5 mit 0.738, Sonnet 5.5 mit 0.742, GPT-5.6 Sol mit 0.637, Kimi K3 mit 0.724 und DeepSeek V4 Pro mit 0.675.

Baseten zufolge durchsucht das Modell für jede Nutzeranfrage außerdem fünfmal mehr Quellen als das Basismodell. Es erstellt längere, besser belegte Berichte und läuft mit NVFP4-Gewichten auf 2×B200-GPUs pro Replikat.

Gensparks Deep-Research-Agent plant eine Recherche, führt Suchvorgänge durch, liest relevante Seiten und liefert einen langen, mit Quellen belegten Bericht zurück. Genspark zufolge verarbeitet das System lange Kontexte und Dutzende Tool-Aufrufe pro Frage. Modelle mit geschlossenen Gewichten waren bei dem Anfragevolumen des Unternehmens teuer und konnten nur durch Prompting verändert werden.

Recherche und Schreiben als getrennte Aufgaben trainieren

Baseten und Genspark untersuchten zunächst die Abläufe des Agenten, anstatt sofort mit Reinforcement Learning zu beginnen. Sie teilten die Arbeit in eine Recherchephase, in der der Agent Quellen sucht und liest, und eine Synthesephase, in der er mehr als 50.000 Token an Belegen in einen mit Quellen belegten Bericht umwandelt.

In einem diagnostischen Vergleich stieg die Punktzahl von 0.58 auf 0.73, als die vom Basismodell zusammengetragenen Belege einem leistungsfähigeren Schreibmodell vorgelegt wurden. Baseten zufolge zeigte dies, dass das Schreiben von Berichten der größere Engpass war, auch wenn sowohl Recherche als auch Synthese verbessert werden mussten.

Anschließend verwendeten die Teams für die beiden Phasen unterschiedliche Trainingsmethoden. Reinforcement Learning trainierte das Rechercheverhalten, wobei Belohnungen Strategien fördern sollten, die zu besseren Berichten führten. Für das Schreiben lieferte überwachtetes Fine-Tuning hochwertige Berichte, die auf den eigenen Recherchebelegen des Modells basierten. Ein auf das Schreiben ausgerichteter Reinforcement-Learning-Versuch kam laut Baseten zunächst zum Stillstand, weil fast jeder Bericht eine ähnliche Bewertung erhielt. Ein Warm-up durch überwachtes Fine-Tuning führte Verhaltensweisen wie Stil, Prägnanz und strukturierte Prosa ein. Anschließend wurde Reinforcement Learning eingesetzt, um diese Fähigkeiten mit den Recherchekompetenzen des Modells zu verbinden.

Produktiveinsatz und Kontrolle über das Modell

Genspark bewertete Kandidatenmodelle anhand eigener Rechercheanfragen, eines LLM-Bewerters, eines zurückgehaltenen Testsatzes, direkter Vergleichstests und manueller Prüfungen. Das Unternehmen untersuchte Abdeckung, Tiefe, Quellenangaben und Vertrauenswürdigkeit. Das Feedback bezog sich außerdem auf die Qualität der Quellenangaben, die Bestätigung durch mehrere Quellen und die Einhaltung mehrteiliger Anweisungen.

Baseten zufolge führten Gensparks Prüfungen dazu, dass die Teams eine breitere Recherche sowie längere und vollständigere Berichte anstrebten. Das Unternehmen beschreibt sein Baseten Loops SDK außerdem als Infrastruktur für überwachtes Fine-Tuning und Reinforcement Learning, die Einblick in und Kontrolle über den Trainingsprozess bietet. Baseten Applied Research arbeitete direkt mit Genspark an den Trainingsläufen, diagnostischen Experimenten, dem Belohnungsdesign und der Fehleranalyse.

Kay Zhu, Mitgründer von Genspark, sagte, das Unternehmen werde „die Gewichte, die Bewertungen und den Trainingscode“ behalten. Damit kontrolliert Genspark ein Modell, das mit den eigenen Rechercheaufgaben und Qualitätsstandards trainiert wurde. Zugleich demonstriert der Einsatz das erklärte Ziel des Unternehmens, Deep Research mit einem offenen Modell in großem Maßstab bereitzustellen.