LLaDA2.2-mini: Die Diffusion-Agent-Gewichte von Ant inclusionAI erschienen am 5. September leise.

Um 05:16 Uhr UTC am 5. September 2026 entstand ein Hugging-Face-Repository namens inclusionAI/LLaDA2.2-mini, und zum Zeitpunkt dieses Artikels ist das so ziemlich die gesamte Geschichte der Veröffentlichung: Die Gewichte sind hochgeladen, die Modellkarte ist geschrieben, und der Anbieter – inclusionAI, das Labor der Ant Group hinter der LLaDA-Diffusionsmodell-Familie – hat sich dazu nicht geäußert. Kein Ankündigungsbeitrag, keine Social-Media-Einführung, kein Eintrag in der Modelltabelle der GitHub-README von inclusionAI/LLaDA2.X, in der das größere LLaDA2.2-flash allein steht. Vierundzwanzig Stunden nach dem Erscheinen des Repos stand der Downloadzähler auf null. Dies ist ein Artikel darüber, was wir bisher über LLaDA2.2-mini wissen, und die Disziplin dieses Formats ist hier von Bedeutung, denn fast jede interessante Zahl, die mit dem Modell verbunden ist, ist eine Zahl, die inclusionAI selbst auf seiner Karte hinterlegt hat. Dieser Artikel trennt das, was unabhängig über die Veröffentlichung überprüfbar ist, von dem, was vom Anbieter berichtet wird, und er benennt die offenen Fragen, anstatt sie zu übertünchen.

Die Kurzfassung für jemanden, der nur einen Überblick möchte: LLaDA2.2-mini ist das kleine Schwestermodell des Diffusions-Sprachmodells LLaDA2.2-flash, das inclusionAI im Juli 2026 angekündigt hat. Es ist jetzt als Mixture-of-Experts-Checkpoint mit 16 Milliarden Parametern verfügbar, der pro Token nur 1,4 Milliarden Parameter aktiviert, einen 128K-Kontext unterstützt und für agentische Arbeit trainiert wurde – Tool-Aufrufe, Korrekturen über mehrere Runden – mithilfe eines Diffusions-Decoders, der während der Generierung Token einfügen und löschen kann. Es steht unter der Apache-2.0-Lizenz. Und da die Gewichte erst einen Tag alt sind und keine Ankündigung dahintersteht, gibt es noch keinerlei übliches Beiwerk: keine unabhängige Evaluierung, keine gehostete API, die wir finden konnten, keine Serving-Anleitungen über das hinaus, was die Modellkarte selbst empfiehlt. Was man heute überprüfen kann, sind die Architektur, die Lizenz und die Zahlen, die inclusionAI veröffentlicht hat.

Das Release ist ein Repository, kein Ereignis.

Beginnen Sie mit dem, was sich überprüfen lässt, ohne irgendjemandem zu vertrauen. Die Hugging Face API listet inclusionAI/LLaDA2.2-mini mit Erstellungsdatum 5. September 2026 und letzter Änderung am selben Tag auf. Es ist unter Apache-2.0 lizenziert, verwendet das safetensors-Format mit bf16-Tensoren, enthält eine Chat-Vorlage und erfordert trust_remote_code, weil die Diffusionsarchitektur als benutzerdefinierter Modellcode ausgeliefert wird. Das Schwester-Repository, inclusionAI/LLaDA2.2-flash, wurde am 16. Juli 2026 erstellt, hat in den Wochen seitdem Tausende Downloads und Dutzende Likes gesammelt und wurde öffentlich angekündigt. Dem Mini-Modell fehlen sowohl die Ankündigung als auch die Verbreitung — an seinem ersten Tag verzeichnete es einstellige Likes und keinerlei Downloads.

Die einzige Aufmerksamkeit von Drittanbietern, die das Mini bisher erhalten hat, ist eine Aggregator-Seite, die die Modellkarte innerhalb weniger Stunden nach dem Erscheinen des Repos erneut veröffentlichte; sie ist ein Spiegel der Karte, keine unabhängige Quelle, und sie enthält keine Informationen, die das Repository selbst nicht enthält. Das ist der gesamte öffentliche Stand vom 6. September. Der entscheidende Gesichtspunkt für einen Leser, der entscheiden muss, ob er dem Aufmerksamkeit schenkt: inclusionAI hat nun innerhalb derselben Woche zum zweiten Mal leise Diffusionsgewichte ausgeliefert – dieses Modell am 5. September und die LLaDA-Image-Generierungs-Checkpoints am Tag zuvor –, sodass ein stilles Absetzen im Repo wie ein etabliertes Veröffentlichungsmuster des Labs wirkt, nicht wie ein Zufall. Dieses Muster sagt uns nichts darüber, ob eine Ankündigung bevorsteht.

Was LLaDA2.2-mini eigentlich ist

Die Architektur ist der interessanteste Teil des Modells und wird auf der Modellkarte vollständig beschrieben. LLaDA2.2-mini ist ein Diffusions-Sprachmodell mit Mixture-of-Experts-Architektur, das auf dem LLaDA2.0-mini-Backbone basiert. Diffusions-Sprachmodelle kehren die übliche Generierungsschleife um: Statt dass ein autoregressives Modell jeweils nur das nächste Token vorhersagt, startet ein Diffusions-LLM mit einem Block aus maskierten oder verrauschten Tokens und verfeinert den gesamten Block parallel, indem es ihn zu einer kohärenten Sequenz entrauscht. Die LLaDA2.2-Generation ergänzt das Diffusions-Decoding um das, was inclusionAI als Levenshtein-Editing bezeichnet: zwei Steuertokens, DELETE und INSERT, die es dem Decoder ermöglichen, nicht nur den Inhalt der Sequenz, sondern auch deren Länge und Struktur zu verändern – etwa indem er eine redundante Passage entfernt, die er bereits geschrieben hat, oder einen Einfügepunkt öffnet, an dem neuer Kontext (beispielsweise ein Tool-Ergebnis) platziert werden muss. Genau dieser Mechanismus bringt das Diffusions-Decoding in Multi-Turn-Schleifen mit Tool-Nutzung zum Funktionieren: Ein autoregressives Modell kann einfach auf die nächste Benutzereingabe warten, während ein Block-Diffusionsmodell das bereits Generierte überarbeiten muss.

Die relevanten Spezifikationen, alles direkt von der Karte: 16 Milliarden Gesamtparameter ohne Embeddings, 1,4 Milliarden aktive Parameter pro Token über eine 256-Experten-MoE, bei der 8 Experten pro Token geroutet werden; 20 Schichten, 16 Attention-Heads, 4 KV-Heads; ein Vokabular von 157.184 Token; Rotary-Position-Embeddings; und ein 128K-Kontextfenster. Eine Technik namens Block Routing begrenzt, welche Experten auf der Diffusionsblock-Ebene aktiviert werden – genau das macht das 128K-Kontextfenster auf einer einzelnen Consumer-GPU handhabbar. Laut Karte ist das Modell für Grafikkarten mit 24 GB oder mehr ausgelegt, und als Serving-Backend für agentische Workloads mit langem Kontext wird SGLang empfohlen.

Oben ist zu sehen, wo das Release in der Zeitleiste der Modellfamilie sitzt — die Abstammungslinie, die „LLaDA2.2-mini“ verständlich macht. LLaDA2.0 war im November 2025 das erste auf 100 Milliarden Parameter skalierte Diffusions-Sprachmodell; LLaDA2.1 fügte im Februar 2026 Token-Bearbeitung für schnellere Textdiffusion hinzu; die LLaDA2.2-Generation im Juli 2026, die zusammen mit LLaDA2.2-flash und dem zugehörigen technischen Bericht angekündigt wurde, richtete die Familie auf Agenten aus. Das Mini ist der Teil dieser Generation, der bis jetzt ein Versprechen geblieben ist: Die Berichterstattung über das Juli-Release erwähnte bereits eine leichtere 16B-Variante des Flash für kostengünstigere Bereitstellung, doch die eigenständigen Gewichte wurden erst am 5. September verfügbar.

Die Zahlen auf der Karte, beschriftet mit dem, was sie sind.

Die Benchmark-Tabelle auf der Modellkarte stammt von inclusionAI selbst und wurde an dem Tag erstellt, an dem die Gewichte online gingen; kein unabhängiges Labor hat irgendetwas davon reproduziert — Artificial Analysis hat keinen Eintrag für LLaDA2.2-mini, und wir können keinen Testlauf durch Dritte finden. Betrachten Sie die Zahlen als Behauptungen des Anbieters, die eine Richtung vorgeben, nicht als gemessene Fakten. In diesem Rahmen ist die Darstellung auf der Karte stimmig: LLaDA2.2-mini ist ein Spezialist für agentische KI und lange Kontexte und gibt dafür einige Punkte bei allgemeinen Benchmarks auf.

Agentic average — 59,00, von τ²-Bench 57,50, Claw-Eval 57,16 und PinchBench 62,33 (vom Anbieter gemeldet).

• Funktionsaufruf — 47,68 bei BFCL v4, gegenüber 25,05 bzw. 28,44 für LLaDA2.0-mini und LLaDA2.1-mini; 69,02 bei der älteren BFCL v3.

• Langer Kontext – 34,99 bei LongBench v2, mehr als doppelt so hoch wie die 15,51 und 12,13, die die bisherigen Minis erzielten – das ist der konkrete Vorteil des 128K-Fensters.

• Allgemein — ein Gesamtdurchschnitt von 46,47, mit AIME 2026 bei 35,05, OlympiadBench 61,11, LiveCodeBench v6 28,14, GPQA-Diamond 44,41 und IFBench 24,93 — einige davon leicht unter den früheren Minis, die sichtbaren Kosten dafür, das Trainingsbudget stattdessen für agentisches Verhalten auszugeben.

Dieser letzte Punkt verdient es, in Ruhe durchdacht zu werden, denn er ist der ehrliche Grund, warum ein Team dieses Modell einem auf dem Papier stärkeren Generalisten vorziehen würde. LLaDA2.2-mini beansprucht nicht, das beste kleine Modell für Mathematik oder Instruction Following zu sein; es beansprucht vielmehr, all das gut zu können, was Diffusionsmodelle historisch schlecht konnten – anhaltende, mehrschrittige, werkzeugnutzende Arbeit – bei einer aktiven Parameterzahl, die niedrig genug ist, um auf einer einzelnen GPU eine Rolle zu spielen. Der Sprung beim BFCL v4 und der Sprung beim LongBench v2 sind die Werte, die eine unabhängige Ausführung überstehen würden, sofern das Datenblatt im Großen und Ganzen korrekt ist.

Das Ausführen davon und das fehlende Gerüst

Auf dem Papier ist der Weg zum Ausführen von LLaDA2.2-mini unkompliziert, da das Release ein Transformers-natives ist: Die Modellkarte zeigt das Laden mit AutoModelForCausalLM und trust_remote_code=True auf transformers ≥ 5.2.0 und anschließend das Aufrufen von generate mit diffusionsspezifischen Parametern — eine Blocklänge von 32 und eine Temperatur von 0,0 sind die empfohlenen Standardwerte, und die Modellkarte schlägt für die meisten Anfragen eine Ausgabelänge von 32.768 Token vor. Für agentisches Long-Context-Serving verweist sie auf SGLang, und Nutzer auf dem chinesischen Festland erhalten einen ModelScope-Spiegel. Was noch nicht existiert, ist das umgebende Ökosystem: kein gehosteter API-Dienst bei einem Anbieter, den wir verifizieren können, keine GGUF-Builds, die wir finden können, und eine Framework-Unterstützung, die sich noch konsolidiert — die Community-Arbeit an der llama.cpp-LLaDA2-Architektur ist jüngeren Datums, daher sieht es mit der Quantisierung dünn aus.

Diese Kombination – ein wirklich neues Dekodierungsparadigma, einen Tag alt und ausschließlich selbst hostbar – ist genau die Situation, in der eine Routing-Schicht ihren Wert beweist, ohne so zu tun, als wäre das neue Modell produktionsreif. LLaDA2.2-mini verantwortungsvoll auszuprobieren heißt, es selbst auf einem Testpfad auszuführen, während die Produktion auf einem ausgereiften Modell bleibt – und genau dafür ist OrcaRouter da: eine API für über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, automatisches Failover, damit das Stocken des einen Tag alten Checkpoints keinen Workflow lahmlegt, und die Routing-DSL, um einen selbst gehosteten Diffusionsaufruf mit gehosteten autoregressiven Modellen hinter einem einzigen Schlüssel zu kombinieren. Wenn – falls überhaupt – ein Anbieter LLaDA2.2-mini ins Programm nimmt, gilt dieselbe Weitergabe ohne Aufschlag, und der Preis, den Sie sehen, ist der des Anbieters selbst. Bis dahin lautet die ehrliche Aussage zur Verfügbarkeit: Laden Sie die Apache-2.0-Gewichte von Hugging Face oder ModelScope herunter und führen Sie sie selbst aus.

Was als Nächstes ansehen

Drei Dinge würden dieses Was-wir-bisher-wissen zu einer echten Geschichte machen, und alle drei fehlen heute. Erstens eine Ankündigung: Wenn sich das LLaDA2.2-flash-Muster bestätigt, könnten auf das stille Repo-Drop ein Launch-Post und eine technische Berichterstattung folgen, und Letztere würde wahrscheinlich Trainingsdetails hinzufügen, die die Karte auslässt. Zweitens ein unabhängiger Lauf: Der agentische Durchschnitt von 59,00 und der BFCL v4-Wert von 47,68 sind die Behauptungen, die es am ehesten wert sind, reproduziert zu werden, denn agentische Benchmarks sind diejenigen, bei denen die Wahl des Harness die Ergebnisse am stärksten verändert. Drittens Betriebsreife: SGLang-Serving-Anleitungen, ein vLLM-Pfad und Community-Quantisierungen würden zeigen, ob der Footprint mit 1,4 Milliarden aktiven Parametern in der Praxis so günstig zu betreiben ist, wie das Datenblatt vermuten lässt. Nichts davon existiert am 6. September. Die Gewichte sind real, die Lizenz ist permissiv, und die Architektur ist tatsächlich eine andere Art, einen Agenten auszuführen – aber der Beweis, dass es ein guter Agent ist, ist vorerst die Karte eines Anbieters.