750 Milliarden Parameter klingen nach einer KI, die alles überragt. Bei K-EXAONE 2.0 ist die Zahl aber nur die halbe Erklärung: Pro Token sind laut LG AI Research rund 37 Milliarden Parameter aktiv. Genau dieser Unterschied macht den neuen Release interessant – und schützt vor falschen Erwartungen.
Das Wichtigste in 30 Sekunden
- LG AI Research veröffentlichte K-EXAONE 2.0 am 31. Juli 2026 auf Hugging Face.
- Das Modell hat 750 Milliarden Gesamtparameter; pro Token aktiviert es laut Modellkarte rund 37 Milliarden.
- Deutsch gehört zu zehn dokumentierten Sprachen, die Gewichte stehen unter Apache 2.0 bereit.
- Öffentliche Gewichte erleichtern Tests und Anpassungen, ersetzen aber weder einen fertigen Dienst noch eine belastbare Kostenrechnung.
- Die im Technical Report beschriebenen Risiken falscher, verzerrter oder widersprüchlicher Ausgaben bleiben bestehen.
Warum 750 Milliarden nicht 37 Milliarden sind
Bei großen Sprachmodellen wird die Parameterzahl gern wie eine Leistungsrangliste behandelt. K-EXAONE 2.0 zeigt, warum das zu kurz greift. Das Modell ist als Mixture-of-Experts-System aufgebaut: Es hält viele spezialisierte Teilnetze vor, schaltet für einen einzelnen Verarbeitungsschritt aber nur einen Teil davon zu. Laut Modellkarte verteilt sich die Architektur auf 256 Experten; in den Sparse-MoE-Schichten werden jeweils acht ausgewählt.
So stehen den 750 Milliarden Gesamtparametern rund 37 Milliarden aktivierte Parameter pro Token gegenüber. Die 750 Milliarden beschreiben also die Größe des gesamten Modells. Sie sagen nicht, dass bei jeder Anfrage die gesamte Parameterzahl rechnet. Das macht die Architektur verständlicher, beantwortet aber noch nicht die praktische Frage, wie aufwendig sich die Gewichte bereitstellen, testen und betreiben lassen.
| Angabe | Was sie beschreibt | Was daraus nicht folgt |
|---|---|---|
| 750 Milliarden | Gesamtumfang des Expertenmodells | 750 Milliarden aktive Parameter pro Token |
| rund 37 Milliarden | Pro Token aktivierte Parameter laut Modellkarte und Report | Eine Aussage über Kosten oder Hardwarebedarf |
| 256 Experten, acht aktiv | Das Routing in den Sparse-MoE-Schichten | Eine Garantie für bessere Antworten in jeder Aufgabe |
Die offizielle Dokumentation nennt außerdem bis zu 256K Token Kontext. Das ist eine technische Obergrenze, kein Versprechen, dass jede Anwendung mit langen Eingaben gleich gut funktioniert. Für einen Vergleich mit anderen Modellen zählen deshalb nicht nur Architekturwerte, sondern auch die konkrete Aufgabe, die Sprache und die Art, wie ein Team das Modell evaluiert.
Ein frischer Release mit mehreren veröffentlichten Varianten
LG AI Research veröffentlichte K-EXAONE 2.0 am 31. Juli 2026 auf Hugging Face. In der öffentlichen Collection stehen das Basismodell sowie FP8-, NVFP4- und DSpark-Varianten. Das ist relevant, weil Interessierte damit nicht allein auf eine Ankündigung angewiesen sind: Die Modellartefakte können geprüft und die Varianten für eigene Tests gegenübergestellt werden.
Die Collection ist öffentlich und nicht gegated. Beim Dossier-Readback war dort jedoch kein verfügbarer Inference Provider ausgewiesen. K-EXAONE 2.0 ist damit nicht automatisch ein fertiger Chatdienst oder eine verwaltete API. Wer es nutzen möchte, muss zunächst klären, welche Umgebung für die eigenen Tests passt und welche Aufgaben überhaupt einen Vergleich rechtfertigen.
Apache 2.0 öffnet die Gewichte, nicht den ganzen Entwicklungsprozess
Die Modellkarte führt Apache 2.0 als Lizenz. Der Technical Report beschreibt die Veröffentlichung als Grundlage für unabhängiges Evaluieren, Bereitstellen, Anpassen und Weiterentwickeln. Das ist ein konkreter Unterschied zu Modellen, die nur über einen Anbieterzugang ausprobiert werden können.
Aus dieser Lizenz lässt sich aber nicht ableiten, dass Trainingsdaten, vollständiger Trainingscode oder der gesamte Entwicklungsprozess offenliegen. Der Report beschreibt K-EXAONE 2.0 vielmehr als Weiterentwicklung des Vorgängers durch Upcycling und weitere Trainingsphasen. Offen zugänglich sind die veröffentlichten Modellgewichte und die dokumentierten Varianten; über Herkunft und vollständige Aufbereitung aller Trainingsdaten sagt das allein nichts aus.
Deutsch ist gelistet – die Prüfung bleibt trotzdem nötig
Deutsch gehört neben Koreanisch, Englisch, Spanisch, Japanisch, Vietnamesisch, Französisch, Italienisch, Polnisch und Portugiesisch zu den zehn Sprachen, die LG dokumentiert. Für deutsche und europäische Teams ist das ein brauchbarer Anlass, K-EXAONE 2.0 in einer eigenen Evaluierung zu berücksichtigen. Gerade bei Fachsprache, internen Dokumenten oder mehrsprachigen Abläufen zeigt sich die Qualität eines Modells jedoch erst an echten Aufgaben.
Eine gelistete Sprache ist keine Zusage, dass Antworten in jeder Sprache und für jede Aufgabe gleich stark ausfallen. Der Technical Report enthält mehrsprachige Evaluierungstabellen und auch deutschbezogene Ergebnisse. Diese Werte stammen aber aus dem Herstellerbericht; eine unabhängige Reproduktion der Benchmarks lag im Dossier nicht vor. Praktisch heißt das: Teams sollten bei ihren eigenen Aufgaben genau hinsehen.
Für einen ersten Test reichen einfache Vergleichsfragen nicht. Sinnvoller sind typische Eingaben aus dem späteren Einsatz: Zusammenfassungen mit Fachbegriffen, strukturierte Extraktion, mehrsprachige Übergaben oder Aufgaben, bei denen falsche Antworten besonders teuer wären. Erst dann lässt sich einschätzen, ob die sprachliche Unterstützung zum eigenen Kontext passt.
Die Grenzen des Releases gehören zur Einordnung
LG berichtet für K-EXAONE 2.0 einen Durchschnitt von 70,1 über 24 Benchmarks in neun Kategorien; beim Vorgänger nennt das Unternehmen 63,3. Das sind nützliche Hinweise auf die Richtung der Entwicklung, aber keine unabhängig bestätigte Rangliste. Aussagen über einen Vorsprung oder eine allgemeine Spitzenposition sollten deshalb bei der Herstellerangabe bleiben.
Der Technical Report benennt selbst weitere Grenzen. Das Modell kann unangemessene, verzerrte, semantisch oder syntaktisch falsche, veraltete oder widersprüchliche Antworten erzeugen. Das ist keine Fußnote. Wer das Modell in einem sensiblen Prozess prüft, braucht weiterhin fachliche Kontrolle, klare Testfälle und Regeln dafür, wann eine Ausgabe nicht ohne Prüfung weiterverwendet werden darf.
Auch aus den Quantisierungsvarianten lässt sich keine fertige Betriebsempfehlung ableiten. Das Dossier enthält keine belastbaren Angaben zu VRAM, Durchsatz, Kosten oder Hardware. Es gibt ebenfalls keinen Beleg für eine sofort nutzbare europäische Cloud-Alternative oder für Datenhoheit. Die offene Verfügbarkeit schafft eine Möglichkeit zur Prüfung – nicht automatisch die passende Infrastruktur.
Was der Release für Teams praktisch verändert
K-EXAONE 2.0 erweitert die Auswahl großer offen verfügbarer Modellgewichte um ein mehrsprachiges MoE-Modell mit dokumentiertem Deutsch-Support. Für Teams, die Modelle nicht nur über eine Oberfläche testen, sondern gegen eigene Aufgaben und Anforderungen vergleichen wollen, ist das ein echter neuer Prüfgegenstand.
Der vernünftige Ablauf ist überschaubar: zuerst Qualität und Fehlermuster an eigenen deutschen Aufgaben prüfen, dann die notwendige Bereitstellungsumgebung und den Aufwand bewerten. Die große 750-Milliarden-Zahl und die Apache-Lizenz liefern dafür einen Anlass, aber keine Abkürzung. Der Nutzen zeigt sich erst, wenn das Modell unter den Bedingungen arbeitet, für die es später gedacht ist.
Quellen und weiterführende Informationen
- K-EXAONE-2.0-750B-A37B model card – LG AI Research / Hugging Face
- K-EXAONE 2.0 Technical Report – LG AI Research
- K-EXAONE-2.0 collection – LG AI Research / Hugging Face
- LG AI Research Unveils K-EXAONE 2.0 – LG AI Research
- LG unveils Korea’s largest AI model with 750 billion parameters – The Korea Herald
- LG unveils 750 bil.-parameter frontier AI model K-EXAONE 2.0 – The Korea Times
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-08-02
