Pokee-Isaac 28B: 10 Millionen Tokens Kontext und eine Architektur, die Pokee nicht beschreiben wird.

Es gibt eine Spalte in Pokee-Isaac 28Bs Startvergleichstabelle, in der fünf der sechs Modelle 0,0 erreichen, und die Fußnote darunter ist interessanter als die Zahl darüber. Bei einer Kontextlänge von 10 Millionen Token erreicht Pokee AIs neues 28B-Modell 93,3 auf RULER, und jede Baseline, gegen die es gemessen wurde — GPT-5.6 Luna, Gemini 3.5 Flash Lite, Claude Haiku 4.5, Nemotron 3 Super 120B, Qwen 3.5 122B — liefert nichts Brauchbares. Die Fußnote erklärt, dass drei dieser fünf bei keiner Kontextlänge über 262K erhältlich sind. Die Punktzahl ist also real, und der Raum ist leer. Das sind zwei verschiedene Aussagen, und der Großteil der seit dem Erscheinen des Modells am 5. August 2026 veröffentlichten Berichterstattung hat sie miteinander vermischt.

Das ist kein Grund, das, was Pokee ausgeliefert hat, abzutun. Es ist ein Grund, präzise zu unterscheiden, welche Teile davon belegt sind, welche lediglich unbestritten sind und welche schlicht nicht beschrieben werden. Alles Folgende stammt aus vier Hauptquellen: der Pokee-Isaac-Modellseite in Pokees eigener Konsole, der Pokee-Entwicklerdokumentation, dem Reseller-Eintrag des Modells auf NanoGPT und den Startmitteilungen von Pokee AI und Gründer Zheqing (Bill) Zhu. Jede Benchmark-Zahl in diesem Artikel wurde von Pokee AI erstellt. Pokee sagt das unmissverständlich — die Konsole besagt, dass jede Zahl „von Pokee AI in einer einzigen kontrollierten Umgebung gemessen wurde, für Isaac ebenso wie für jede Baseline, sofern nicht anders angegeben“ — und das spricht für sie, denn die Baselines wurden neu ausgeführt statt aus den Ankündigungen anderer Anbieter übernommen. Es bedeutet außerdem, dass kein unabhängiges Labor irgendetwas davon reproduziert hat, und bis heute hat keines einen Versuch veröffentlicht.

Was Pokee tatsächlich ausgeliefert hat

Die öffentliche Oberfläche des Modells ist für einen so jungen Launch ungewöhnlich gut dokumentiert, daher lohnt es sich, sie darzulegen, bevor wir zu den umstrittenen Teilen kommen.

• Modell — Pokee-Isaac 28B, in Version v0, bereitgestellt als pokee-isaac von api.pokee.ai über einen kompatiblen Endpunkt.

• Größe und Kontext — 28 Milliarden Parameter bei einem Eingabefenster von 10.000.000 Token; Pokee beschreibt es als „durchgängig nutzbar, nicht nur adressierbar.“

• Output — 60.000 Tokens, was sowohl der Standardwert als auch die Obergrenze ist.

• Modalitäten — Text rein, Text raus. Bild-, Audio- und Videoeingaben werden nicht unterstützt, was angesichts dessen, woraus das Modell aufgebaut ist, erwähnenswert ist.

• Preis — 0,15 $ pro Million Eingabe-Tokens und 1,00 $ pro Million Ausgabe, laut Pokees eigener Liste.

• Agentische Funktionen — Funktionsaufruf und strukturierte Ausgabe im Standard-Chat-Completions-Schema; das Modell wird als ein planend-ausführend-prüfender Agent positioniert und nicht als ein Chat-Modell.

• Anfrage-Limits — eine Obergrenze von 45 MiB für den Anfragetext, wobei alles über 16 MiB SSE-Streaming verwenden muss (stream: true sowie einen Accept: text/event-streamHeader).

• Ratenlimits — 500 Anfragen und 20 Millionen Tokens pro Minute, mit 10 gleichzeitigen Anfragen bei kostenlosen Konten und 25 bei kostenpflichtigen.

• Bereitstellung — Datacenter-B200, RTX-4090/5090-Workstations, Intel-Arc-Pro-Clientkarten, Edge-NPUs (Qualcomm und Intel Panther Lake, AMD als ausstehend gelistet) sowie On-Device, mit VPC- und On-Premises-Lizenzierung, bei der, wie Pokee sagt, „keine Anfrage Ihren Perimeter verlässt".

• Serving-Stacks — Day-zero-Support in vLLM und SGLang.

• Unternehmen — Pokee AI, 2024 von Zheqing (Bill) Zhu gegründet, zuvor Leiter des Bereichs für angewandtes Reinforcement Learning bei Meta; 12 Mio. USD Seed-Finanzierung unter der Leitung von Point72 Ventures mit Qualcomm Ventures und Samsung NEXT.

Die Gewichte sind geschlossen. Die Berichterstattung hat das Modell als vorerst Closed-Source beschrieben, was Pokees eigene Absicherung und keine Zusage ist, und es gibt weder ein angekündigtes Datum noch eine Lizenz für eine Veröffentlichung.

Die Architektur, die niemand beschreiben wird

Pokee führt das 10M-Fenster auf eine "proprietäre Architektur, die nicht nur aus Decodern besteht" zurück. Dieser Satz ist die gesamte technische Offenlegung. Die Konsole verlinkt einen technischen Bericht mit dem Titel Pokee-Isaac 28B v0: Ein effizientes agentisches Modell mit 10M-Token-Kontext, datiert auf den 3. August 2026; wir konnten keine öffentliche Kopie davon erreichen, und die erreichbaren Startmaterialien nennen weder den Aufmerksamkeitsmechanismus, das Speicherschema noch das Trainingsrezept.

Was Pokee über die Abstammung gesagt hat, ist spezifischer, und es ist eine etwas unangenehme Sache zu sagen: Einige von Isaacs Gewichten sind unter der Apache-2.0-Lizenz von Qwen3.6-27B feinabgestimmt, andere Gewichte wurden von Pokee von Grund auf trainiert, und das Ergebnis ist „kein herkömmliches Fine-Tuning.“ Das ist ein vorsichtiger Satz. Er räumt die Basis ein und bestreitet zugleich die Charakterisierung.

Es reicht auch aus, das Raten einzuschränken, was die KI-Forschungsgemeinschaft sofort zu tun begann. Der Forscher, der unter @teortaxesTex postet, legte am Tag der Veröffentlichung die Einschränkungen dar – teilweise feinabgestimmt von Qwen3.6-27B, nicht nur Decoder, 10M Kontext, 28B gesamt – und schlug zwei Kandidaten vor: „eine Art aufgemotzte Memory Sparse Attention“ oder „nur ein 1B-Dokumenten-Encoder“. Beide Vermutungen sind es wert, verstanden zu werden, denn sie sind nicht unbegründet.

Beginnen wir mit der Rechnung. Qwen3.6-27B ist ein dichtes 27B-Modell mit einem nativen 262K-Fenster, Gated-Delta-Hybrid-Aufmerksamkeit und einem Vision-Encoder, der übersprungen werden kann, um das Modell rein textbasiert zu betreiben. Isaac ist 28B und rein textbasiert. Wenn man den Vision-Tower des Basismodells entfernt und ungefähr eine Milliarde Parameter von etwas anderem hinzufügt, landet man genau bei 28B. Ein ~1B-Dokument- oder Speicher-Encoder, der an einen 27B-Decoder angehängt wird, ist die sparsamste Interpretation der von Pokee veröffentlichten Parameterzahl, und sie würde das Label „nicht nur Decoder“ im wahrsten Sinne des Wortes zutreffend machen, ohne eine neuartige Behauptung aufzustellen.

Die Vermutung bezüglich Memory Sparse Attention verweist auf eine reale und aktuelle Forschungsrichtung: Das MSA-Paper (arXiv:2603.23516) kombiniert skalierbare sparse Attention mit dokumentweiser RoPE, um lineare Komplexität in Training und Inferenz zu erreichen, fügt KV-Cache-Kompression plus ein „Memory Parallel“-Schema hinzu und berichtet von unter 9 % Degradation von 16K bis hin zu 100M Token, wobei die Inferenz mit 100M Token auf zwei A800s läuft. Das ist dieselbe Form von Ergebnis, die Pokee beansprucht – eine Größenordnung weiter draußen – von einer anderen Gruppe. Nichts verbindet die beiden über die Form hinaus – MSA ist nicht Pokees Arbeit und Pokee hat sie nicht zitiert –, aber es belegt, dass ein Design mit entkoppeltem Speicher, das solche Längen auf bescheidener Hardware erreicht, eine veröffentlichte, plausible Sache ist und keine Marketing-Unmöglichkeit.

In Pokees eigenen Materialien gibt es eine Zahl, die die Separate-Encoder-Lesart stillschweigend unterstützt. Der Prefill-Durchsatz auf einer einzelnen B200 beträgt 42.400 Tokens/Sekunde bei einem 1M-Token-Kontext und 137.200 Tokens/Sekunde bei 10M. Der Durchsatz steigt um mehr als das Dreifache, wenn der Kontext zehnmal länger wird. Ein Decoder, der quadratische Aufmerksamkeitskosten zahlt, tut das Gegenteil. Was auch immer diese Tokens verbraucht, wird pro Token effizienter, je mehr man hinzufügt, was das Kennzeichen eines Massen-Encoding-Durchlaufs über Dokumente und nicht eines gewöhnlichen Prefills ist.

Warum das für jemanden, der darüber entscheidet, ob er das Modell nutzt, von Bedeutung ist: Wenn das 10M-Fenster ein Dokument-Encoder plus ein komprimierter Speicher ist und nicht ein KV-Cache mit 10M Einträgen, dann ist „Kontext“ hier nicht das Objekt, das deinen Intuitionen zugrunde liegt. Wie es sich verhält, wenn du etwas an ein Gespräch anhängst, ein Dokument mitten in einem Korpus bearbeitest oder erwartest, dass Prefix-Caching funktioniert, ist nicht spezifiziert, und Pokees Dokumentation listet überhaupt keinen Caching-Mechanismus auf. Du kannst diese Verhaltensweisen nicht aus dem Datenblatt ableiten, und derzeit kannst du sie auch nicht aus der Architektur ableiten.

RULER bei 10M ist eine reelle Zahl in einem leeren Raum.

Pokees Langkontext-Evidenz ist RULER, ausgeführt bei 256K, 512K, 1M, 2M, 4M und 10M, mit zehn Stichproben pro Konfiguration. Isaac erzielt 96,9, 96,7, 95,0, 95,8, 96,7 und 93,3 über diese sechs Längen – das einzige Modell im Panel, das bei jeder dieser Längen eine Punktzahl liefert.

Das Panel unter 1M ist der Ort, an dem die ehrliche Anzeige lebt:

• Bei 256K — Isaac 96,9, Nemotron 3 Super 120B 96,3, GPT-5.6 Luna 95,0, Gemini 3.5 Flash Lite 94,5 und 0,0 sowohl für Claude Haiku 4.5 als auch für Qwen 3.5 122B, deren Kontextfenster unter dieser Länge liegen.

• Bei 512K — Isaac 96.7, Nemotron 95.7, Gemini 3.5 Flash Lite 94.6, GPT-5.6 Luna 91.4.

• Bei 1M — Isaac 95.0, Nemotron 91.8, Gemini 3.5 Flash Lite 29.4 und GPT-5.6 Luna 0.0, wobei die letzten beiden als Kontextüberlauf-Fehler markiert wurden.

• Bei 2M und darüber hinaus — Isaac allein, alles andere 0.0.

Drei Dinge folgen daraus. Erstens beträgt Isaacs Vorsprung gegenüber dem Feld bis zu 1M nur ein oder zwei Punkte, keine Generation – und die eine Baseline, die nahe dran bleibt, Nemotron 3 Super 120B, ist ein 120B-Modell, dessen 256K-bis-1M-Werte NVIDIAs eigene selbstberichtete Zahlen sind, die Pokee kennzeichnet und aus dem Zeilenvergleich ausschließt, anstatt sie als gemessen auszugeben. Der engste Konkurrent bei diesen Längen ist also, wie auch immer man es betrachtet, keine echte Vergleichsmessung.

Zweitens sieht mindestens eine der Leerstellen wie ein Bereitstellungsartefakt aus und nicht wie eine Modellbegrenzung. Pokee hat GPT-5.6 Luna über Azure ausgeführt und dessen Fenster als „>272K Kontext“ annotiert, wobei bei 1M ein Kontextüberlauffehler aufgezeichnet wurde. Das vom Anbieter selbst dokumentierte Fenster für dieses Modell beträgt etwa 1,05M Token, was auch unsere eigene Modellseite dazu angibt. Ein Leser, der die 1M-Spalte für bare Münze nimmt, würde zu dem Schluss kommen, dass Luna kein 1M kann; die besser vertretbare Schlussfolgerung ist, dass die von Pokee getestete Azure-Bereitstellung es nicht konnte.

Drittens ist RULER eine synthetische Retrieval-and-Aggregation-Suite, kein Reasoning-Benchmark. Pokee ist auch hier transparent, was eine methodische Besonderheit betrifft: Die Spalten für 256K und 512K mitteln alle 13 Aufgabenkonfigurationen, aber die Extraktion häufiger Wörter ist ab 1M nicht verfügbar, sodass die langen Spalten die verbleibenden 12 mitteln. Die 93,3 bei 10M und die 96,9 bei 256K basieren daher nicht auf genau derselben Aufgabenmischung.

Der schwierigere Langkontext-Test endet bei 1M

Der aufschlussreichere Benchmark auf Pokees Seite ist nicht RULER. Es ist MRCR v2, eine 8-Nadel-Multi-Round-Koreferenzaufgabe, bei der mehrere Ziele über ein langes Gespräch verstreut sind und das Modell ein bestimmtes abrufen und disambiguieren muss, sodass sowohl teilweises Abrufen als auch Interferenz zwischen den Nadeln Punkte kosten. Auf einer 0–1-Skala, bei 1M Tokens:

• Pokee-Isaac 28B — 0.500

• Gemini 3.5 Flash Lite — 0.205

• Nemotron 3 Super 120B — 0.067

• GPT-5.6 Luna — 0,050

• Claude Haiku 4.5 und Qwen 3.5 122B — 0,000, bei dieser Länge nichts Brauchbares

Dies ist eine viel breitere und viel aussagekräftigere Lücke als die, die RULER erzeugt, und genau hier zahlt sich der Pitch des Modells tatsächlich aus. Luna erzielt 95.0 auf RULER bei 256K und 0.050 auf MRCR bei 1M; Single-Target-Recall und Multi-Needle-Disambiguierung sind nicht dieselbe Fähigkeit, und die zweite bricht zuerst zusammen. Isaac verschlechtert sich weitaus sanfter.

Es ist auch die größte Beweislücke des Launches. MRCR v2 wurde bei 256K, 512K und 1M ausgeführt — und dann gestoppt. Isaacs eigene Ergebnisse dort sind 0.607, 0.743 und 0.500: nicht monoton, und bei 1M findet es nur die Hälfte der Nadeln. Es gibt von niemandem ein veröffentlichtes Multi-Needle-Ergebnis bei 2M, 4M oder 10M, auch nicht von Pokee. Die 10M-Behauptung stützt sich vollständig auf den einfacheren der beiden Tests, und zwar genau bei den Längen, bei denen der schwierigere Test nicht versucht wurde. Wenn Sie dieses Modell in Betracht ziehen, weil Sie einen 25.000 Seiten umfassenden Korpus in einen einzigen Prompt packen und eine Frage stellen möchten, deren Antwort aus vier Stellen darin zusammengesetzt wird, dann ist diese spezifische Fähigkeit bei dieser spezifischen Länge ungemessen.

Bei agentischer Arbeit ist Isaac Lunas Ebenbürtiger, nicht ihr Überlegener.

Pokee führte vier agentische Benchmarks durch, und genau hier ist die Offenheit des Unternehmens wirklich ungewöhnlich: Die eigene Seite fasst das Ergebnis so zusammen, dass Isaac bei zwei führt, bei einem den zweiten Platz belegt und bei einem den dritten. Das ist eine zutreffende Beschreibung, und sie ist nicht die Beschreibung in der Launch-Berichterstattung.

• BFCL v4, Funktionsaufruf (bewertet durch AST- und Zustandsübergangs-Abgleich statt durch einen LLM-Bewerter) — Isaac 70,94 vs. GPT-5.6 Luna 70,61, mit Claude Haiku 4.5 bei 67,52, Qwen 3.5 122B bei 64,88, Gemini 3.5 Flash Lite bei 64,85, Nemotron 3 Super bei 33,13.

• τ³-bench, Vier-Domänen-Durchschnitt (mehrstufige Kundendienstaufgaben gegenüber einem simulierten Benutzer, dessen Anforderungen sich mitten im Gespräch ändern) — Isaac 0.662 vs. Gemini 3.5 Flash Lite 0.631, Qwen 3.5 122B 0.611, GPT-5.6 Luna 0.527, Nemotron 0.426, Claude Haiku 4.5 0.408.

• Terminal-Bench 2.1, Nur-Text-Teilmenge — GPT-5.6 Luna 69.8% gegenüber Isaac 65.1%, dann Gemini 3.5 Flash Lite und Qwen 3.5 122B gleichauf bei 46.5%, Claude Haiku 4.5 34.9%, Nemotron 24.4%.

• MCP-Atlas, beansprucht Abdeckung über Live-Tool-Server — GPT-5.6 Luna 77,90 %, Gemini 3.5 Flash Lite 76,67 %, Isaac 74,59 %, Qwen 3.5 122B 70,24 %, Claude Haiku 4.5 56,45 %, Nemotron 48,95 %.

Ein Vorsprung von 0,33 Punkten bei BFCL v4 ist Gleichstand, und Pokees Seite sagt genau das, anstatt es als Sieg zu bezeichnen. Über alle vier Benchmarks hinweg wechseln sich ein 28B-Modell und die schnelle Stufe eines Spitzenanbieters bei agentischen Aufgaben mit Siegen ab. Für ein 28B-Modell ist das ein starkes Ergebnis. Es ist nicht das Ergebnis, das die meisten Leser mit „agentischem Modell der Frontier-Klasse“ verbinden, und es bedeutet, dass der Grund, sich für Isaac zu entscheiden, im Kontextfenster und in den Bereitstellungsoptionen liegt – nicht in der Agentenfähigkeit.

Der Sicherheitswert ist der beste des Panels und trotzdem nicht gut.

Bei DTAP, einer Prompt-Injection-Suite, erzielt Isaac mit 35,6 kombiniert die niedrigste Angriffserfolgsrate im Panel, vor Claude Haiku 4.5 mit 37,9, GPT-5.6 Luna mit 50,1, Qwen 3.5 122B mit 54,0, Nemotron mit 60,4 und Gemini 3.5 Flash Lite mit 66,3. Direkte und indirekte Raten unterscheiden sich um weniger als einen Punkt, sodass die Robustheit über beide Vektoren hinweg zumindest ausgeglichen ist.

Drei Einschränkungen, alle aus Pokees eigener Berichterstattung und nicht von Kritikern. Die indirekten Messungen wurden bei inaktiven Schutzmechanismen durchgeführt. Explizite Ablehnungen erfolgten nur bei 1,5 % der bösartigen Aufgaben, was Pokee so beschreibt, dass der Großteil der derzeitigen Verteidigung „beiläufig statt abgelehnt" sei – das Modell erkennt und weist Angriffe nicht so sehr zurück, sondern es gelingt ihm nicht, von ihnen sinnvoll gesteuert zu werden. Und gemessen an einer breiteren Rangliste mit 16 Systemen statt dieser Sechs-Modell-Gruppe belegt Isaac bei direkten Angriffen den fünften Platz, bei indirekten den sechsten und bei der Leistungsfähigkeit den neunten: Mittelfeld, nicht Spitze.

Es gibt auch einen Preis für die Sicherheit. Die gutartige Erfolgsrate von Isaac liegt bei 82,5 und damit unter den 85,1 von GPT-5.6 Luna – es lehnt etwas mehr legitime Arbeit ab oder patzt dabei geringfügig häufiger als das Modell, das es bei Angriffen schlägt. Und 35,6 bedeutet, dass ungefähr einer von drei Injection-Versuchen immer noch durchkommt. Für ein Modell, dessen gesamtes Konzept darin besteht, zehn Millionen Tokens von Dokumenten zu lesen, die man nicht selbst geschrieben hat, ist das die Zahl, an der man Schutzvorrichtungen ausrichten sollte, nicht die Zahl, die einen beruhigen sollte. DTAP selbst verdient einen Warnhinweis: Anders als RULER, BFCL und τ³-bench ist es kein etabliertes öffentliches Leaderboard, und wir konnten keine unabhängige Dokumentation der Suite finden.

Was ein Aufruf mit zehn Millionen Tokens kostet und wie lange Sie warten

Zehn Millionen Tokens entsprechen ungefähr 7,5 Millionen Wörtern oder etwa 25.000 Seiten. Bei Pokee's 0,15 $ pro Million kostet das Füllen des Fensters einmal 1,50 $. Addiert man eine Antwort mit maximaler Länge von 60.000 Tokens zu 1,00 $ pro Million, so landet ein maximaler Aufruf bei etwa 1,56 $. Das ist angesichts des Textvolumens wirklich günstig und das stärkste einfache Argument für das Modell.

Die Zeit ist der wahre Preis. Auf einer einzelnen B200 gibt Pokee 72,9 Sekunden bis zum ersten Token bei 10 Mio. an – was genau 10.000.000 geteilt durch die 137.200 Token/Sekunde-Prefill-Zahl ist, also die Benchmark-Hardware-Zahl und keine gemessene API-Latenz. Pokees eigene Entwicklerdokumentation erzählt Entwicklern eine andere Geschichte: Erlauben Sie mindestens ein zehnminütiges Client-Timeout für Prompts mit mehreren Millionen Token, denn ein großer Prompt kann „etwa sieben Minuten bei 10 Millionen Token“ dauern. Das ist eine ungefähr sechsfache Kluft zwischen der Durchsatz-Folie und dem Integrationsleitfaden. Beides sind Pokees Zahlen; diejenige in der Dokumentation ist die, der Ihre Timeout-Konfiguration glauben muss.

Das Dekodieren bleibt konstant bei etwa 335 Tokens pro Sekunde, unabhängig davon, wie viel Kontext resident ist – architektonisch gute Nachrichten, praktisch jedoch unangenehm: Eine vollständige Ausgabe von 60.000 Tokens dauert zusätzlich zum Prefill etwa drei Minuten. Auf Consumer-Hardware verschiebt sich das Bild erneut: Auf einer Intel Arc Pro B70 berichtet Pokee von 1.087–1.500 Tokens pro Sekunde beim Prefill (3,6–5× Standard-llama.cpp) und 58,8 Tokens pro Sekunde beim Dekodieren. Das sind respektable Werte für eine Client-GPU, aber keine 10-Millionen-Token-Zahlen.

Zwei praktische Grenzen ergeben sich aus der Größe der Eingabe selbst. Zehn Millionen Tokens englischen Textes entsprechen in etwa 38 MiB Text, was unter dem 45-MiB-Limit für den Request-Body liegt, aber weit über der 16-MiB-Schwelle – daher muss jeder wirklich vollständige Fensteraufruf gestreamt werden; es gibt keinen Nicht-Streaming-Pfad zum Hauptfeature. Und ohne dokumentiertes Prompt-Caching in Pokees API bedeutet jede erneute Abfrage desselben Korpus weitere 1,50 $ und einen weiteren mehrminütigen Prefill. Die Wiederverkäufer-Listung auf NanoGPT veröffentlicht zwar einen Cache-Read-Preis von 0,079 $ pro Million, was, falls es für Isaac gilt, ein gecachtes erneutes Lesen auf etwa 0,79 $ bringt – also etwa den halben Preis, nicht den Größenordnungs-Rabatt, den Prompt-Caching andernorts impliziert.

Eine Korrektur zum Preisvergleich, weil sie die Schlagzeile ändert. Pokee listet GPT-5.6 Luna mit $0.40/$1.80 pro Million, bezogen von Azure. Der eigene Listenpreis des Anbieters für Luna nach der Senkung vom 31. Juli 2026 beträgt $0.20/$1.20, was auch unsere Modellseite dazu anzeigt, weil OrcaRouter die Listenpreise der Anbieter mit 0 % Aufschlag durchreicht, anstatt sie mit einer Marge weiterzuverkaufen. Gegenüber der korrekten Zahl ist Isaac bei der Eingabe 25 % günstiger und bei der Ausgabe 17 % günstiger als die schnelle Frontier-Stufe – immer noch günstiger, aber ein deutlich schmalerer Vorsprung, als das Panel vermuten lässt, und der insgesamt günstigste Ausgabepreis im Panel gehört Nemotron 3 Super mit $0.65. Isaacs Preisvorteil ist real; er ist nur nicht der Teil dieses Launchs, der bemerkenswert ist.

Der Teil, der tatsächlich neu ist

Entfernt man das Benchmark-Gerüst, bleibt etwas Ungewöhnliches übrig. Ein 28B-Modell mit einem sehr langen Kontext, das in einer VPC läuft, auf einer Workstation mit RTX 4090, auf einer Intel-Arc-Pro-Karte und auf NPU-tauglicher Mobil-Silizium-Hardware, mit vLLM- und SGLang-Unterstützung ab Tag null und einer On-Premises-Lizenz – diese Kombination ist andernorts kaum verfügbar. Pokee beansprucht außerdem eine etwa 5-fache KV-Cache-Effizienz gegenüber Standardimplementierungen. Das ist eine Herstellerangabe ohne Reproduktion, aber sie ist die Art von Zahl, die wahr sein müsste, damit die Deployment-Geschichte trägt.

Der Kunde hierfür ist nicht jemand, der nach einem besseren Agenten sucht. Es ist jemand mit einem großen, sensiblen, größtenteils statischen Korpus – Vertragssammlungen, Fallakten, einer monolithischen Codebasis, Monaten von Protokollen –, der rechtlich oder politisch nicht eine Grenze überschreiten darf und der andernfalls eine Abruf-Pipeline bauen würde, um ein 200K-Fenster zu umgehen. Gegenüber dieser Alternative lautet das Verkaufsargument nicht „billiger als RAG“. Das Einbetten und Abrufen von über 25.000 Seiten kostet Cent pro Abfrage und wird das immer tun. Das Verkaufsargument ist, dass es keine Chunking-Strategie zu optimieren gibt, keinen Abruf-Recall zu verlieren und kein zweites System, das mit dem ersten synchron gehalten werden muss. Ob sich dieser Tausch für 1,50 $ und mehrere Minuten pro Abfrage lohnt, hängt ganz davon ab, wie oft Sie abfragen.

Wer sollte es jetzt ausprobieren, und wer sollte warten

Probieren Sie es jetzt aus, wenn Sie gegen einen Korpus im Bereich 1M–4M prototypisieren, wo Isaacs Werte am stärksten sind und die Alternativen wirklich dünn gesät sind, oder wenn die On-Premises-Bereitstellung bei 28B die Anforderung ist, die Sie blockiert hat. Die zehn gleichzeitigen Anfragen des kostenlosen Tarifs reichen aus, um herauszufinden, ob das Modell Ihre Dokumente so liest, wie Sie es benötigen.

Moment, wenn du die 10M-Zahl konkret brauchst und die Fragen, die du stellst, mehrschrittig sind, denn genau diese Kombination hat noch niemand gemessen. Moment, wenn du multimodale Eingaben brauchst, die das Modell nicht akzeptiert. Moment, wenn Latenz eine Rolle spielt, denn ein Aufruf über das gesamte Fenster dauert Minuten, nicht Sekunden. Und wäge das offensichtliche Abhängigkeitsrisiko ab: Dies ist ein v0-Modell mit geschlossenen Gewichten, von einem Unternehmen mit einer Startfinanzierung von 12 Millionen Dollar, und es ist das einzige Modell der Welt, das die Fähigkeit bietet, die es verkauft. Es gibt keinen zweiten Anbieter, auf den man ausweichen kann, wenn es wegfällt.

Der letzte Punkt ist der praktische Grund, den Vergleich ehrlich zu halten. Pokee-Isaac 28B ist heute nicht auf OrcaRouter – wenn du es willst, ist es über Pokees eigene API oder einen Wiederverkäufer erhältlich. Aber drei der fünf Baseline-Modelle, mit denen es sich selbst vergleicht, GPT-5.6 Luna, Gemini 3.5 Flash Lite und Claude Haiku 4.5, liegen auf einem einzigen OrcaRouter-Schlüssel zum Listenpreis des Anbieters, was das nützliche Experiment günstig macht: Führe deine tatsächliche Long-Context-Aufgabe mit diesen dreien bei den Längen aus, die sie unterstützen, und prüfe, ob dein Korpus wirklich zehn Millionen Token braucht oder ob es 400.000 und einen besseren Prompt braucht. Wenn es zehn Millionen braucht, hast du etwas gelernt, das 1,50 $ pro Aufruf wert ist. Wenn nicht, hast du vermieden, einen Produktionspfad auf einer Single-Source-v0 zu bauen.

Drei Fragen, die eine Antwort wert sind

Ist Pokee-Isaac 28B nur ein Feintuning?

Nicht im üblichen Sinne des Begriffs, wenngleich es nicht unabhängig von dieser Basis ist. Pokees Position ist, dass einige Gewichte von Qwen3.6-27B unter Apache-2.0 feinabgestimmt wurden, während andere von Grund auf trainiert wurden, und dass die Architektur nicht rein decoderbasiert ist. Beide Teile davon sind mit der Parameterzahl konsistent: Qwen3.6-27B ist ein dichtes 27B-Modell mit einem überspringbaren Vision-Encoder, Isaac hat 28B Parameter und ist rein textbasiert – also haben etwa eine Milliarde Parameter neuer Mechanik den Vision-Turm ersetzt. Was diese Mechanik genau ist, wurde nicht offengelegt, und bis das geschieht, ist „kein konventionelles Fine-Tuning“ eine Behauptung, die auf Pokees Wort beruht und nicht auf etwas Überprüfbarem. Die Apache-2.0-Lizenz der Basis macht die Ableitung legal; sie macht die geschlossene Veröffentlichung des Ergebnisses jedoch nicht ungewöhnlich, was vor allem deshalb erwähnenswert ist, weil eine so spezifische Abstammung selten freiwillig preisgegeben wird.

Kann es wirklich 10 Millionen Tokens auf einer RTX 4090 ausführen?

Die {{1}}Single-GPU-Behauptung{{/1}} und die {{2}}10M-Behauptung{{/2}} stammen aus demselben Launch, aber nicht aus derselben Messung. Jede Durchsatzangabe, die Pokee bei 10M-Kontext veröffentlicht — {{3}}137.200 Token/s Prefill, 72,9 Sekunden Time-to-First-Token{{/3}} — stammt von einer einzelnen B200. Die {{4}}RTX 4090{{/4}}- und {{5}}Arc Pro{{/5}}-Werte sind real, beziehen sich aber auf einen viel kleineren Maßstab; die {{6}}Arc Pro B70{{/6}}-Zahlen sind {{7}}1.087–1.500 Token/s Prefill{{/7}}, was einen {{8}}10M-Token-Prefill auf Stunden dauern ließe{{/8}}. {{9}}„Einsetzbar auf einer einzelnen GPU ab einer RTX 4090“{{/9}} ist am besten als eine Aussage darüber zu verstehen, dass {{10}}die Gewichte passen und das Modell sinnvoll betrieben werden kann{{/10}}, nicht als eine Aussage darüber, dass die beworbene Kontextlänge auf dieser Karte praktikabel ist.

Sollte ich eine RAG-Pipeline damit ersetzen?

Nicht auf dieser Grundlage, mit einer Ausnahme. Die Argumente für die Ersetzung von Retrieval sind am stärksten, wenn Ihre Abfragen Multi-Hop sind – genau der Fehlermodus, den Chunked Retrieval schlecht bewältigt – und die Multi-Hop-Leistung jenseits von 1 M Token ist das, was Pokee nicht gemessen hat. MRCR v2 stoppt bei 1 M, wo Isaac die Hälfte der Nadeln findet. Die Ausnahme ist ein Korpus, der bequem in 1–2 M Token passt, wo Isaacs gemessene Zahlen stark sind, die Wartezeit eher Dutzende von Sekunden als Minuten beträgt und das Entfernen einer Retrieval-Schicht echte betriebliche Komplexität beseitigt. Darüber hinaus behandeln Sie das Fenster als eine Möglichkeit, den Aufbau eines Retrievals für einen Prototyp zu vermeiden, nicht als Grund, ein funktionierendes zu löschen.

Was würde es klären

Vier Dinge, für die man niemandem vertrauen muss. Ein unabhängiger RULER- oder MRCR-Lauf bei 2M oder mehr, von irgendjemandem, über die öffentliche API. Ein MRCR-v2-Ergebnis von Pokee bei den Längen, die es bereits bewirbt. Ein erreichbarer technischer Bericht, der den Mechanismus benennt, woraufhin die Encoder-Frage aufhört, Arithmetik zu sein, und zu einer Tatsache wird. Und eine Veröffentlichung der Gewichte, auf die „closed-source for now“ hindeutet, ohne es zu versprechen.

Bis dahin ist die faire Zusammenfassung enger als der Launch und interessanter als die Skepsis. Pokee AI hat ein 28B-Modell ausgeliefert, das messbar Long-Context-Retrieval weiter hinaus hält als alles, was Sie derzeit kaufen können, bei agentischer Arbeit mit einer schnellen Frontier-Stufe gleichzieht, in seinem eigenen Panel das sicherste ist und gegenüber einem breiteren im Mittelfeld liegt, und an Orten läuft, an denen nichts mit seiner Leistungsfähigkeit läuft. Es hat außerdem beschlossen, die einzigen Zahlen zu veröffentlichen, die es zu der Fähigkeit gibt, die niemand sonst bietet, und nicht zu sagen, wie es funktioniert. Beides sind Entscheidungen, die ein junges Unternehmen treffen darf. Keines davon ist ein Ersatz dafür, dass jemand außerhalb des Unternehmens den Test durchführt.