Refiant Inc., ein Startup zur Optimierung künstlicher Intelligenz, hat Protea auf den Markt gebracht, eine Suite von KI-Modellen mit langem Kontext, die von einem Kontextfenster mit 10 Millionen Token geleitet werden und nach Angaben des Unternehmens zu den größten gehören, die jemals öffentlich verfügbar gemacht wurden. Die Modelle gingen am 8. Juli 2026 ohne Warteliste und ohne Genehmigungsverfahren auf refiant.ai online.

Kontextfenster bestimmen, wie viele Informationen ein Modell gleichzeitig im Arbeitsspeicher speichern kann. Die meisten führenden KI-Modelle verarbeiten heute nicht mehr als ein paar hunderttausend Token, bevor die Leistung nachlässt, was Entwickler zu Workarounds zwingt, die große Datensätze in Fragmente aufteilen. Refiant sagt, dass Protea diese Obergrenze deutlich anhebt. Für eine fortlaufende Berichterstattung über die Einführung von KI-Modellen und Branchentrends finden Leser die neuesten KI-Nachrichten auf unserer Homepage.

Was 10 Millionen Token in der Praxis bedeuten

Ein Kontextfenster mit 10 Millionen Token ergibt etwa 7,5 Millionen Wörter oder etwa 15.000 Textseiten. Refiant bringt die praktischen Auswirkungen auf den Punkt: Eine gesamte Unternehmenscodebasis kann auf einmal geladen werden, ebenso wie ein komplettes Regulierungsarchiv oder jahrelange Daten klinischer Studien, die zuvor zerstückelt und Stück für Stück einem Modell zugeführt werden mussten.

Das Unternehmen bringt es noch konkreter auf den Punkt. Zehn Millionen Token können bis zu fünf Jahre der E-Mails und Slack-Nachrichten einer Person oder Jahrzehnte ihrer Berichte und Dateien speichern. Ein Ingenieurteam könnte an einem Tag eine vollständige Codebasis laden und eine Analyse durchführen. Ein Versicherer könnte jahrelange Schadensfälle durchsehen, ohne die Daten zunächst in Stücke zu zerlegen.

Protea ist in drei Versionen mit 1 Million, 5 Millionen und 10 Millionen Token verfügbar, was Entwicklern die Flexibilität gibt, die Kontextgröße an ihre Arbeitslast und ihr Budget anzupassen.

Das Lost-in-the-Middle-Problem angehen

Eine der hartnäckigsten Herausforderungen bei großen Kontextfenstern ist das sogenannte Lost-in-the-Middle-Problem, eine dokumentierte Schwachstelle, bei der Modelle am Anfang und am Ende einer Eingabe genau bleiben, aber den Überblick über das zwischen diesen Endpunkten vergrabene Material verlieren. Laut Refiant geht Protea speziell auf dieses Problem ein, obwohl das Unternehmen noch keine detaillierten Benchmark-Ergebnisse veröffentlicht hat, die die Verbesserung belegen.

Das Problem des „Lost-in-the-Middle“ war ein erhebliches Hindernis für die praktische Einführung von Modellen mit langem Kontext. Selbst wenn ein Modell technisch gesehen Millionen von Token akzeptiert, ist seine Zuverlässigkeit in Bezug auf Informationen in diesem Kontext oft fraglich, was den realen Nutzen für Aufgaben wie die vollständige Codebasisanalyse einschränkt.

Basierend auf Schwarmoptimierung und evolutionärer Suche

Refiant wurde 2025 von Viroshan Naicker, Siddharth Gutta und Mathew Haswell gegründet. Naicker ist Quantenmathematiker, während seine Mitbegründer einen Hintergrund in den Bereichen Finanzen und kommerzielle Skalierung haben. Das Team argumentiert, dass moderne KI-Modelle äußerst ineffizient sind und dass es in der Natur bereits bessere Methoden gibt.

Refiants Ansatz basiert auf der evolutionären Suche und dem Schwarmverhalten, den gleichen Prinzipien der kollektiven Intelligenz, die auch bei Vogelschwärmen, Fischschwärmen und Ameisenkolonien beobachtet werden. Das Unternehmen wandte diesen Ansatz zunächst auf die Modellkomprimierung an und verkleinerte erfolgreich den GPT-OSS-120B von OpenAI, sodass er auf einem MacBook Pro mit nur 12 Gigabyte RAM ausgeführt werden konnte. Diese Komprimierungsergebnisse trugen dazu bei, Forschungspartnerschaften mit dem Imperial College London und dem Sargent Centre for Process Systems Engineering des University College London zu sichern.

Finanzierung und Zukunftspläne

Der Start von Protea folgt auf eine 5-Millionen-Dollar-Seed-Runde, die Refiant Anfang 2026 unter der Leitung von VoLo Earth Ventures abschloss. Das in Südafrika gegründete Unternehmen hat seinen kommerziellen Sitz mittlerweile im Vereinigten Königreich.

Vorstandsvorsitzender Viroshan Naicker stellte fest, dass über Long-Context-KI bereits seit über einem Jahr gesprochen wird, diese aber noch nicht wirklich kommerziell verfügbar sei. Mitbegründer und Chief Product Officer Mathew Haswell fügte hinzu, dass Kunden Modelle wünschen, die sie testen und bauen können, und nicht mehr Wartelisten, eine direkte Kritik an dem Gated-Access-Ansatz, den viele größere KI-Labore verfolgen.

Refiant sagte, es habe bereits einen internen Prototyp mit 100 Millionen Token laufen lassen, aber wie man diesen vergleichen und in ein Produkt umwandeln kann, bleibt eine offene Frage. Die Veröffentlichung von Protea ist die erste von drei geplanten Phasen, wobei das Unternehmen innerhalb von drei Monaten weitere verspricht.

Das Rennen um die KI mit langen Kontexten heizt sich auf

Refiant betritt einen zunehmend wettbewerbsintensiven Long-Context-KI-Markt. Während große Labore die Kontextfenster nach und nach erweitert haben, funktionieren die meisten kommerziell erhältlichen Modelle immer noch deutlich unterhalb der 10-Millionen-Token-Schwelle. Die Entscheidung von Refiant, ohne Warteliste und mit sofortigem Zugang zu starten, stellt einen Kontrast zum stufenweisen Rollout-Ansatz dar, der bei größeren Wettbewerbern üblich ist.

Die Schwarmoptimierungsmethodik des Unternehmens unterscheidet es außerdem von Mitbewerbern, die hauptsächlich auf konventionelle Transformatorskalierung setzen. Ob von der Natur inspirierte Algorithmen nachhaltige Leistungsvorteile im Produktionsmaßstab liefern können, bleibt abzuwarten, aber die Erfolgsbilanz von Refiant bei der Komprimierung und die Universitätspartnerschaften verleihen dem Ansatz Glaubwürdigkeit.

Der KI einen Schritt voraus sein

Protea-Modelle sind ab sofort bei refiant.ai erhältlich. Weitere Informationen und Analysen zur KI-Branche finden Sie unter AI Buzz Wire.

Weitere KI-Neuigkeiten lesen →