Absurd! Das als „in Indien hergestellt“ angepriesene KI-Modell, das nun als verkleidete Version von Qwen 3.5 enttarnt wurde, erleidet einen massiven Ausrutscher: es zwingt die KI zudem, sich selbst als „aus Indien stammend“ auszugeben.
Ein KI-Modell, das nicht einmal seine eigene „Herkunft“ erklären kann, ohne dass andere Menschen fertige Prompts dafür schreiben, ist mehr als peinlich.
Kürzlich hat das indische KI-Unternehmen 169Pi ein multimodales Inferenzmodell namens Alpie Seed 9B vorgestellt, das angeblich lokal auf Smartphones und Laptops laufen kann, und eine Reihe von beeindruckenden Leistungswerten veröffentlicht. Sogar nutzte 169Pi die Gelegenheit des indischen Lichterfestes Diwali, um dieses Modell als neues Ergebnis im Bereich der indischen KI-Forschung der Öffentlichkeit vorzustellen.
Kurz nach der Veröffentlichung des Modells fanden Entwickler anhand der Konfigurationsdatei seine wahre Herkunft heraus: Das Grundgerüst stammt tatsächlich von Alibabas Qwen3.5-9B!
Das wäre an sich nichts Besonderes, schließlich ist die Weiterentwicklung, Feinabstimmung und Optimierung auf Basis hervorragender Open-Source-Modelle eine sehr gängige Praxis in der Open-Source-KI-Gemeinschaft – das Problem liegt darin, dass die ursprüngliche Werbung von 169Pi die Herkunft des Modells nicht ausreichend und auffällig angegeben hat, sondern nur betonte, dass Alpie Seed „Built in India (in Indien hergestellt)“ sei.
Noch interessanter ist, dass die Entwickler außerdem feststellten, dass 169Pi dem Modell nicht nur einen neuen Namen gegeben hat, sondern absichtlich einen Identitäts-Prompt in die Konfigurationsdatei eingefügt hat: Es verlangt von dem Modell, bei Fragen nach seiner Identität standhaft zu behaupten, dass es vom indischen Unternehmen 169Pi stammt.
Auf der einen Seite steht ein chinesisches Open-Source-Modell, auf der anderen Seite die Werbung für eine einheimische indische Entwicklung, dazu noch dieser „direkte und humorvolle“ Identitäts-Prompt – Alpie Seed wurde innerhalb kürzester Zeit zu einem heiß diskutierten Thema in der Entwicklergemeinschaft.
Angeblich in Indien selbst entwickelt, bei der Überprüfung stellte sich heraus, dass das Grundgerüst Qwen3.5 ist
Die Angelegenheit begann am 8. November, als das indische KI-Forschungsunternehmen 169Pi Alpie Seed 9B offiziell vorstellte.
Laut offizieller Beschreibung handelt es sich um ein multimodales Inferenzmodell mit 9 Milliarden Parametern, das Text-, Bild- und Videoeingaben unterstützt und komplexe Aufgaben wie Schlussfolgerungen, Programmierung und visuelle Verarbeitung bewältigen kann. Es unterstützt außerdem ein Kontextfenster von 262K und bietet quantisierte Versionen mit unterschiedlicher Genauigkeit, mit dem Ziel, Nutzern die Ausführung von KI offline auf Workstations, Laptops und sogar Smartphones zu ermöglichen.
Um die Stärke des Modells zu beweisen, veröffentlichte 169Pi eine Reihe von Testergebnissen:
Dabei prüft GPQA Diamond hauptsächlich die Fähigkeit des Modells, schwierige wissenschaftliche Probleme zu lösen, und SWE-Bench Verified konzentriert sich darauf, ob das Modell Fehler und Entwicklungsaufgaben in echten Softwareprojekten bewältigen kann – aus diesen Zahlen scheint das kleine 9B-Modell Alpie Seed durchaus wettbewerbsfähig zu sein.
Aber schon bald überprüften viele Entwickler auf X wie etwa „Dongxi Dongxi NLP“ die Modell Dateien und fanden ein zentrales Problem: Alpie Seed ist kein neues Modell, das von Grund auf neu trainiert wurde, seine zugrundeliegende Architektur stammt direkt von Qwen3.5-9B.
Laut der veröffentlichten Analyse weisen Alpie Seed und Qwen3.5-9B eine hohe Übereinstimmung auf: Die Modellarchitektur ist identisch, das Vokabular des Tokenizers ist im Wesentlichen gleich, und die Gewichtsstruktur sowie die Werte sind sehr ähnlich. Einfach ausgedrückt ist Alpie Seed eine weiterentwickelte Version, die auf Qwen3.5-9B aufbaut, oder wie es „Dongxi Dongxi NLP“ ausdrückt:
„Es (Alpie Seed) ist eine völlige ‚Hommage‘ an Qwen3.5-9B.“
Aber wie eingangs erwähnt, ist das eigentlich nichts Verwerfliches. Die Feinabstimmung (Fine-tuning) auf Basis von Open-Source-Modellen ist heute eine sehr verbreitete Entwicklungsmethode in der KI-Branche – was die Sache wirklich interessant macht, ist das, was anschließend entdeckt wurde.
Der absurdeste Punkt: Das Modell wird bei jeder Antwort dazu aufgefordert, zu betonen, dass es aus „Indien“ stammt
In der Chat-Vorlage (Chat Template) des Alpie-Seed-Modells fanden Entwickler eine Variable namens identity_policy, die eine englische Anweisung enthält, die speziell die Identität des Modells regelt:
Dieser Prompt ist nicht kompliziert, aber die Kernaussage ist sehr eindeutig: Das Modell muss Fragen zu seiner eigenen Identität gemäß den voreingestellten Regeln beantworten.
● Wenn jemand fragt, wie das Modell heißt, antwortet es, dass es Alpie Seed 9B ist und vom indischen Forschungsunternehmen 169Pi entwickelt wurde.
● Wenn jemand fragt, wer es erstellt hat, antwortet es 169Pi AI.
● Wenn jemand fragt, woher es stammt, antwortet es Indien.
Das heißt, 169Pi hat Alpie Seed seine eigene „Herkunft“ im Voraus festgelegt.
Zur Erklärung: Die Chat-Vorlage ist ein Satz von Formatregeln, die große Sprachmodelle bei der Verarbeitung von Dialogen verwenden. System-Prompts können dazu genutzt werden, die Rolle, das Verhalten und die Antwortweise des Modells festzulegen. Zum Beispiel können wir verlangen, dass ein KI-Assistent immer auf Deutsch antwortet, oder dass er die Rolle eines Programmierungsexperten einnimmt – das sind alles normale Vorgänge.
Aber der Prompt, den 169Pi für Alpie Seed festgelegt hat, regelt speziell die Entwickleridentität und Herkunft des Modells. Außerdem wird er nicht manuell bei jedem Dialog von Nutzern eingegeben, sondern in die Modellkonfigurationsdatei geschrieben und automatisch mit jedem Dialog eingeblendet.
So entsteht eine ziemlich komische Szene: Wenn der Nutzer das Modell fragt „Wer bist du?“, antwortet es ernsthaft, dass es vom indischen Unternehmen 169Pi stammt; aber wenn man die Modellgewichte weiter prüft, stellt sich heraus, dass sein technisches Grundgerüst tatsächlich von Alibabas Qwen3.5-9B stammt.
Aber der System-Prompt kann die echte technische Herkunft des Modells nicht ändern. Er kann nur beeinflussen, wie das Modell Fragen beantwortet, aber er kann die ursprüngliche Modellarchitektur nicht aus dem Nichts in eine andere Technologie verwandeln – das hat viele Entwickler dazu gebracht, scherzhaft zu sagen: Die Parameter des Modells haben sich kaum verändert, aber die Selbstvorstellung wurde gründlich überarbeitet.
Hat 169Pi wirklich gar nichts getan? Tatsächlich wurde auch ein Post-Training durchgeführt
Aber um fair zu sein: Es wäre auch ungerecht, 169Pi direkt zu bescheinigen, keinerlei technischen Beitrag geleistet zu haben, nur weil Alpie Seed Qwen3.5-9B verwendet.
Laut dem später von 169Pi veröffentlichten technischen Bericht hat das Team tatsächlich ein gewisses Maß an Post-Training auf Basis von Qwen3.5-9B durchgeführt, das hauptsächlich überwachte Feinabstimmung und Reinforcement Learning umfasst:
Zuerst die überwachte Feinabstimmung (SFT). Das Team nutzte die DoRA-Technologie, um auf Basis des ursprünglichen Modells zu trainieren, und passte hauptsächlich einzelne Parameter wie die Aufmerksamkeitsschichten und Feedforward-Netze an. Einfach ausgedrückt behält man die Hauptstruktur von Qwen3.5-9B bei, muss nicht das gesamte Modell neu trainieren, sondern nutzt nur wenige zusätzliche Parameter, damit das Modell bestimmte Aufgaben besser bewältigen kann.
In der zweiten Phase wurde das GRPO-Reinforcement Learning angewendet. Durch einen Belohnungsmechanismus wird das Modell zur Optimierung seiner Antworten angeleitet, wobei sieben Dimensionen berücksichtigt werden: Richtigkeit der Antwort, Bestrafung von Halluzinationen, Selbstkonsistenz, Qualität der Erklärung, Beibehaltung der Struktur, Bestrafung von Wiederholungen und Länge der Antwort. Laut offiziellen Angaben wurden in dieser Phase 8 NVIDIA H100 GPUs verwendet, insgesamt 3034 Trainingsschritte absolviert und etwa 3472 GPU-Stunden verbraucht.
Alpie Seed ist also nicht einfach nur ein heruntergeladenes Qwen-Modell mit neuem Namen: 169Pi hat tatsächlich Trainingsressourcen investiert und gezielte Modelloptimierungen vorgenommen. Trotzdem veröffentlichte der unabhängige Entwickler Satyajit am 9. November einen technischen Analyseartikel, in dem er die Modellgewichte von Alpie Seed und Qwen3.5-9B direkt verglich.
Er prüfte die Safetensors-Dateien der beiden Modelle, verglich eine Stichprobe aller 760 Tensoren und führte vollständige Hash-Prüfungen sowie eine wertweise Dekodierung für einige Tensoren durch: Die Ergebnisse zeigen, dass Alpie Seed die ursprüngliche Architektur von Qwen3.5-9B beibehält, einige Parameter wie der visuelle Encoder und die Worteinbettungsschicht haben sich nicht verändert, die tatsächlichen Anpassungen konzentrieren sich hauptsächlich auf einzelne Aufmerksamkeitsschichten und Feedforward-Netze.
Das heißt, obwohl zwei Trainingsrunden durchgeführt wurden, behält Alpie Seed die überwiegende Mehrheit der ursprünglichen Parameter von Qwen3.5-9B bei, der Anteil der tatsächlich veränderten Parameter ist nicht sehr hoch. Daher ist die genaue Einstufung von Alpie Seed eher ein abgeleitetes Modell, das auf Basis von Qwen3.5-9B nachtrainiert wurde, als ein in Indien selbst entwickeltes Grundmodell, das von Grund auf neu erstellt wurde.
Nach der Kritik hat 169Pi endlich zugegeben: Das Grundgerüst ist Qwen
Als die Kritik der Entwickler immer stärker wurde, reagierte 169Pi sehr schnell.
Am 9. November veröffentlichte 169Pi eine Erklärung auf sozialen Plattformen und bestätigte ausdrücklich: Alpie Seed wurde tatsächlich auf Basis von Qwen3.5-9B entwickelt und ist kein Grundmodell, das das Team von Grund auf vortrainiert hat.
169Pi erklärte, dass das Team den Beitrag des Qwen-Entwicklerteams und der gesamten Open-Source-Gemeinschaft anerkennt und zugibt, dass die Herkunft des Grundmodells in der früheren Werbung nicht ausreichend hervorgehoben wurde – das war ihr Versäumnis.
Zu den tatsächlichen Entwicklungsarbeiten gab 169Pi eine eigene Erklärung ab: Der Hauptfokus des Teams lag nicht auf dem Neuaufbau des Grundmodells, sondern auf dem Post-Training und der technischen Optimierung, einschließlich überwachter Feinabstimmung, DoRA-Training, GRPO-Reinforcement Learning sowie Optimierung der Inferenzfähigkeit, Programmierfähigkeit und Bereitstellung in verschiedenen Hardwareumgebungen.
169Pi betonte außerdem ausdrücklich, dass die Fähigkeit, ein multimodales 9B-Modell auf Workstations, Laptops, Smartphones und sogar in reinen CPU-Umgebungen auszuführen, an sich eine Aufgabe ist, die viel technischen Aufwand erfordert. Für die Zukunft kündigte 169Pi an, die technische Herkunft des Modells in allen relevanten Einführungen klarer zu kennzeichnen und gleichzeitig die Möglichkeit der eigenständigen Entwicklung von Grundmodellen zu erkunden.
Auf der offiziellen Forschungsseite von 169Pi steht inzwischen ausdrücklich, dass das Grundmodell von Alpie Seed Qwen3.5-9B ist, und das spezifische Post-Training-Programm wurde offengelegt. Das Modell ist unter der Apache-2.0-Lizenz veröffentlicht, sodass Entwickler es herunterladen, nutzen und weiterentwickeln können.
Diskussion unter Nutzern: Open-Source-Feinabstimmung ist kein Problem, aber kann man das schon als indische Eigenentwicklung bezeichnen?
Die Diskussion, die diese Angelegenheit in der Entwicklergemeinschaft ausgelöst hat, ist ebenfalls sehr interessant.
Ein Teil der Nutzer ist mit dem Vorgehen von 169Pi sehr unzufrieden und meint: Die Nutzung von Open-Source-Modellen ist kein Problem, aber man sollte zumindest die Arbeit der ursprünglichen Autoren respektieren. Schließlich ist Qwen3.5-9B selbst ein Modell, das das Alibaba-Team mit viel Aufwand entwickelt und veröffentlicht hat. 169Pi kann es auf dieser Grundlage weiter trainieren, optimieren und sogar Versionen erstellen, die besser für bestimmte Szenarien geeignet sind – aber man darf die Öffentlichkeit in der Werbung nicht irreführen, dass das gesamte Grundmodell von Grund auf selbst entwickelt wurde.
Besonders der Prompt, der das Modell zwingt, zu behaupten, es stamme aus Indien, wirkt auf einige Leute absichtlich: „Anstatt Zeit darauf zu verwenden, die Selbstvorstellung des Modells zu ändern, sollte man lieber mehr Zeit in echte technische Verbesserungen investieren.“ Sogar indische Nutzer zeigten sich enttäuscht und meinten, dass dieses Vorgehen der indischen KI-Branche keinen Ruhm einbringt, sondern das Vert