Agentische Sprachmodelle gehören zu den wichtigsten Entwicklungen der letzten Modellgenerationen. Sie beantworten nicht mehr nur Fragen, sondern bearbeiten Aufgaben iterativ: Sie rufen Werkzeuge auf, interpretieren deren Ergebnisse, korrigieren Fehler, passen ihren Plan an und bewegen sich Schritt für Schritt auf ein Ziel zu.

Besonders sichtbar ist das bei modernen Coding-Agenten wie Claude Code, Codex oder vergleichbaren Systemen. Ein solches Modell schreibt nicht nur Code, sondern liest Dateien, führt Tests aus, analysiert Fehlermeldungen und entscheidet, welcher nächste Schritt sinnvoll ist. Aus einem Sprachmodell wird ein handelndes System.

Doch diese Fähigkeiten haben bisher einen Preis. (Semi-)Zuverlässige agentische Prozesse gelingen vor allem den größten Modellen. Diese laufen meist in der Cloud, sind teuer im Betrieb und für Anwendungen mit sensiblen Daten oder strengen Unternehmensanforderungen nicht immer geeignet. Gerade dort, wo agentische Systeme besonders nützlich wären - z.B. bei interner Suche, Dokumentenanalyse, Support, Compliance oder IT-Sicherheitsprozessen - stellt sich deshalb eine praktische Frage:

Können kleinere Modelle lernen, sich wie große Agenten zu verhalten?

Das Paper „AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use“ der Alibaba Group setzt genau hier an. Die Autoren trainieren kleinere Qwen-Modelle gezielt auf agentische Werkzeugnutzung. Ihr Ziel ist nicht ein neues universelles Spitzenmodell, sondern ein effizienteres Modell, das in wiederkehrenden industriellen Tool-Use-Szenarien einen großen Teil der Fähigkeiten deutlich größerer Modelle übernimmt.

Ein einzelner Werkzeugaufruf ist selten das eigentliche Problem. Ein Modell kann relativ schnell lernen, wann es eine Suchmaschine, eine Datenbankabfrage oder eine API-Funktion verwenden soll. Schwierig wird es, wenn viele solcher Schritte voneinander abhängen.

Ein Agent muss nicht nur das richtige Werkzeug wählen. Er muss auch erkennen, ob Informationen fehlen, ob eine Nutzerbehauptung mit dem Systemzustand übereinstimmt, ob ein Tool-Ergebnis den Plan verändert und wie er nach einem Fehler weiterarbeitet. Jeder Schritt kann die Grundlage für den nächsten sein. Ein kleiner Fehler am Anfang kann den gesamten weiteren Verlauf verzerren.

Das macht agentische Aufgaben fragiler als einfache Frage-Antwort-Szenarien. Die Qualität entsteht nicht aus einer einzelnen guten Antwort, sondern aus der Stabilität einer ganzen Handlungskette. Kleinere Modelle scheitern hier oft nicht spektakulär, sondern schleichend: ein ungenauer Tool Call, eine nicht überprüfte Annahme, ein übersehener Sonderfall, ein falscher nächster Schritt.

Das AgenticQwen-Paper versucht, genau diese Schwäche systematisch zu adressieren.

AgenticQwen verwendet zwei Trainingsschleifen, die beide demselben Prinzip folgen: Das Modell wird nicht nur auf immer mehr Daten trainiert, sondern gezielt auf den Aufgaben, an denen es noch scheitert.

Reasoning Data Flywheel: Das erste Schwungrad verbessert klassisches Reasoning. Nach jeder Trainingsrunde werden fehlgeschlagene Aufgaben gesammelt und durch ein großes Teacher-Modell erweitert. Aus einfachen mathematischen Problemen werden schwierigere Varianten mit zusätzlichen Bedingungen, mehreren Lösungsschritten oder neuen Kontexten. Mathematik eignet sich dafür besonders gut, weil Lösungen meist eindeutig überprüfbar sind. Um fehlerhafte synthetische Aufgaben auszusortieren, lässt Alibaba das Teacher-Modell jede neue Aufgabe dreimal lösen und behält sie nur, wenn alle drei Lösungen übereinstimmen.

Agentic Data Flywheel: Das zweite Schwungrad trainiert agentisches Verhalten. Hier geht es nicht um einzelne Antworten, sondern um Tool-Use über mehrere Schritte. Die Autoren beginnen mit einfachen linearen Workflows und erweitern sie zu verzweigten Entscheidungsbäumen. Aus „Flug suchen, buchen, bestätigen“ wird ein Ablauf mit Alternativen: Was passiert, wenn der Flug ausverkauft ist? Was, wenn der Nutzer eine Entschädigung fordert? Was, wenn der Anspruch vom Kundenstatus abhängt?

Zusätzlich setzt das Paper adversarielle simulierte Nutzer ein. Diese versuchen, den Agenten zu falschen Entscheidungen zu verleiten, etwa indem sie eine Barauszahlung fordern, obwohl der Systemstatus nur einen Gutschein erlaubt. Das Modell muss dann lernen, nicht der bloßen Behauptung zu folgen, sondern den relevanten Status per Tool zu prüfen und die geltenden Regeln anzuwenden.

So wird aus Fehlern ein Lehrplan. Das Teacher-Modell produziert nicht einfach zusätzliche Beispiele, sondern erweitert genau jene Regionen des Problemraums, in denen das Student-Modell noch instabil ist.

Die Ergebnisse des Papers sind deutlich. AgenticQwen wird in zwei Varianten vorgestellt: als 8B-Modell und als 30B-Mixture-of-Experts-Modell mit nur etwa 3B aktivierten Parametern pro Inferenzschritt.

Auf öffentlichen agentischen Benchmarks verbessert sich AgenticQwen stark gegenüber den jeweiligen Basismodellen. Besonders auffällig ist AgenticQwen-8B: Es erreicht im Durchschnitt 47,4 Punkte, während das ursprüngliche Qwen3-8B bei 23,8 liegt. Die Leistung verdoppelt sich also nahezu.

AgenticQwen-30B-A3B erreicht 50,2 Punkte und kommt damit nahe an Qwen3-235B heran, das bei 52,0 liegt.