Xenon Hunmin VLM 397B ist offen, doch Qwen-CUA gewinnt weiterhin den anspruchsvolleren Test

Xenon hat Hunmin VLM 397B als Open Source veröffentlicht und verleiht einem Modell mit 397 Milliarden Parametern nach dem Training auf acht Nvidia-B200-GPUs neue Fähigkeiten zur Computersteuerung. Die Veröffentlichung macht Bildschirm-Erkennung, Klicken, Tippen und mehrstufige Desktop-Arbeit unter einer Apache-2.0-Lizenz verfügbar. Doch Xenons eigene Ergebnisse zeigen eine wichtige Trennung zwischen dem Erkennen von Oberflächenelementen und dem Abschließen längerer Aufgaben.

Xenon Hunmin VLM 397B erzielte 75,6 Punkte bei ScreenSpot-Pro, einem Benchmark, der misst, ob ein Modell Ziele in professionellen Anwendungen lokalisieren kann. Nach Angaben des Unternehmens lag es mit diesem Ergebnis bei der Einführung auf Platz zwei der Hugging-Face-Bestenliste des Benchmarks. Zudem übertraf es sowohl sein Qwen3.5-Basismodell als auch Qwen-CUA in fünf berichteten Evaluierungen zum Interface-Grounding.

Die Rangfolge ändert sich, wenn der Test vom Auffinden einer Schaltfläche zum Abschließen eines gesamten Workflows übergeht. Xenon berichtet von 70,5 Punkten in seiner OSWorld-Evaluierung mit 360 Aufgaben, verglichen mit 77,1 für Qwen-CUA unter demselben reproduzierten Setup. Diese Lücke macht die Veröffentlichung aufschlussreicher als eine bloße Bestenlisten-Ankündigung.

Hunmin zeigt, dass ein Unternehmen eine spezialisierte Fähigkeit mit einem relativ kleinen Trainingscluster auf ein riesiges offenes Modell übertragen kann. Es ist jedoch kein Beleg dafür, dass visuelle Genauigkeit allein den zuverlässigsten Computer-Agenten hervorbringt. Für Entwickler und Unternehmenskäufer ist diese Unterscheidung wichtiger als die prominente Parameterzahl des Modells.

Xenon Hunmin VLM 397B erweitert Qwen3.5 um Computersteuerung

Die Veröffentlichung verwandelt ein allgemeines multimodales Modell in ein offenes Computer-Use-Modell, ohne dessen gesamte Grundlage mit 397 Milliarden Parametern neu zu trainieren.

Xenon, international auch als GenON bekannt, veröffentlichte das Modell am 18. September 2026. Das Unternehmen publiziert seine Modelle über die Organisation mncai auf Hugging Face. Das neue Repository enthält das Modell in voller Präzision, eine FP8-Version, Evaluierungsergebnisse und Implementierungshinweise.

Hunmin basiert auf Qwen3.5-397B-A17B, einem Open-Weight-Mixture-of-Experts-Modell des Qwen-Teams von Alibaba. Es verfügt über insgesamt 397 Milliarden Parameter, aktiviert aber bei jedem Forward Pass nur etwa 17 Milliarden davon. Dieses Design bietet die Wissenskapazität eines sehr großen Modells, ohne jeden Parameter für jedes Token einzusetzen.

Die ursprüngliche Qwen3.5 release führte native multimodale Verarbeitung für Text, Bilder und Videos ein. Xenon behielt diese Grundlage bei und ergänzte Fähigkeiten zur Computernutzung. Sie ermöglichen dem Modell, Screenshots zu interpretieren, Koordinaten zu erzeugen und zu entscheiden, welche Oberflächenaktion als Nächstes erfolgen soll.

Der vollständige öffentliche Name des Modells lautet Hunmin-397B-A17B-CUA. CUA bedeutet Computer-Use Agent, also ein System, das Aufgaben über grafische Benutzeroberflächen erledigt, wie sie Menschen verwenden. Anstatt sich nur auf eine Website-API zu verlassen, kann ein solches Modell Browser, Office-Anwendungen und Desktop-Software über sichtbare Bedienelemente steuern.

Dieser Ansatz erweitert Xenons frühere Hunmin-Arbeit. Das Unternehmen veröffentlichte Hunmin 32B im Jahr 2025 und ließ Anfang 2026 Hunmin VLM 235B folgen. Seine company timeline verknüpft die Hunmin-Serie zudem mit OneAgent, einem handlungsorientierten KI-Produkt für Unternehmen.

Xenon erklärt, das neue Modell bewahre den Großteil der koreanischen Sprachleistung von Qwen3.5. Bei acht berichteten koreanischen Benchmarks blieben seine Werte ungefähr innerhalb von zwei Punkten des Basismodells. Einige Einzelergebnisse stiegen leicht, andere gingen zurück.

Dieses Gleichgewicht ist für Xenon strategisch wichtig. Ein Computer-Use-Modell, das zu viel Sprachfähigkeit verliert, kann bei Anweisungen, Dokumenten und lokalisierten Oberflächen Schwierigkeiten bekommen. Der Erhalt der koreanischen Leistung verschafft dem Unternehmen eine klarere Unternehmenspositionierung als einem Modell, das ausschließlich für englischsprachige Webaufgaben optimiert ist.

Die öffentliche model card liefert mehr Details als die Schlagzeilen zur Einführung. Sie nennt Trainingsdaten, Software-Stack, Hardwarekonfiguration, Vergleichseinstellungen und bekannte Grenzen der Evaluierung. Außerdem kennzeichnet sie die Baseline-Ergebnisse als vom Autor reproduzierte statt vom Anbieter berichtete Werte.

Diese Offenlegung erhöht den Nutzen der Veröffentlichung. Entwickler können erkennen, welche Vergleiche dasselbe Setup teilen, anstatt inkompatible Zahlen aus unabhängigen Bestenlisten zusammenzuführen. Sie legt auch den Zielkonflikt offen, der Hunmins aktuelle Position bestimmt.

Acht B200-GPUs trugen die Post-Training-Arbeit

Xenons folgenreichste Aussage betrifft die Trainingseffizienz, nicht die gesamte Parameterzahl des Modells.

Das Training eines Grundmodells mit 397 Milliarden Parametern von Grund auf würde weit mehr als acht GPUs erfordern. Xenon hat dies nicht versucht. Stattdessen übertrug das Unternehmen eine bestehende Fähigkeit zur Computernutzung auf Qwen3.5 und verfeinerte das resultierende Modell anschließend durch überwachtes Lernen und Reinforcement Learning.

Im ersten Schritt diente Qwen-CUA als Quelle für das Verhalten zur Computersteuerung. Xenon berechnete die Parameterunterschiede zwischen Qwen-CUA und dem entsprechenden Qwen3.5-Basis-Checkpoint. Anschließend näherte es diese Unterschiede mittels abgeschnittener Singulärwertzerlegung an, einer mathematischen Methode zur Komprimierung einer großen Matrix in Komponenten niedrigerer Ordnung.

Diese komprimierten Unterschiede wurden zu LoRA-ähnlichen Adaptern. LoRA, kurz für Low-Rank Adaptation, bildet eine Modellaktualisierung mit kleineren trainierbaren Matrizen ab, anstatt jedes ursprüngliche Gewicht unabhängig zu verändern. Xenon führte diese Adapter mit dem größeren Qwen3.5-397B-A17B-Checkpoint zusammen.

Diese Technik ist relevant, weil herkömmliches Fine-Tuning mit wachsender Modellgröße schwierig wird. Optimizer-Zustände, Gradienten, Aktivierungen und Modellgewichte verbrauchen allesamt GPU-Speicher. Die Aktualisierung einer begrenzten Low-Rank-Repräsentation reduziert die Menge trainierbarer Daten und den damit verbundenen Speicherbedarf.

Xenon quantisierte den übertragenen Checkpoint anschließend auf FP8. FP8 speichert viele numerische Werte mit acht Bit und senkt damit den Speicherbedarf gegenüber 16-Bit-Formaten. Das Team führte weiteres Post-Training mit FP8 QLoRA, überwachtem Fine-Tuning und Agent-Reinforcement-Learning durch.

Überwachtes Fine-Tuning lehrte das Modell anhand von Beispielen mit gewünschten Oberflächenaktionen. Agent-Reinforcement-Learning belohnte anschließend erfolgreiches Verhalten in Computerumgebungen. Xenon nennt GRPO, kurz für Group Relative Policy Optimization, als die in dieser Phase verwendete Reinforcement-Methode.

Der Trainings-Stack umfasste MS-Swift, Ray, Megatron-Core und vLLM. Xenon nennt OpenGVLabs ScaleCUA-Data als überwachten Datensatz. Zudem führt es ScaleCUA und CUA-Gym als Reinforcement-Learning-Umgebungen auf.

Nach Angaben von Xenon lief der vollständige Post-Training-Prozess auf acht Nvidia-B200-GPUs. Diese Aussage bedeutet nicht, dass das vollständige Basismodell auf acht Beschleunigern erstellt wurde. Sie bedeutet, dass die Phasen des Fähigkeitstransfers und Post-Trainings diesen Cluster nutzten, nachdem Qwen das Grundmodell bereits erstellt hatte.

Diese Unterscheidung verhindert, dass ein beeindruckendes Engineering-Ergebnis zu einem irreführenden Compute-Vergleich wird. Xenon profitierte von Qwens ursprünglichem Modell, Qwen-CUAs spezialisiertem Checkpoint, offenen Trainingsdatensätzen und etablierter Optimierungssoftware. Der Beitrag des Unternehmens liegt darin, diese Komponenten effizient zu kombinieren und für die angestrebten Fähigkeiten anzupassen.

Die Methode bietet kleineren KI-Anbietern eine mögliche Vorlage. Statt ein neues Grundmodell zu finanzieren, kann ein Unternehmen mit einem offenen Checkpoint beginnen und eine eng umrissene operative Fähigkeit ergänzen. Es kann dann begrenzte Rechenkapazität in Aufgabendaten, Evaluierung und Reinforcement investieren, anstatt das allgemeine Pretraining zu wiederholen.

Dieser Weg verringert auch die Distanz zwischen akademischer Arbeit und einsetzbaren Unternehmensmodellen. Ein Team kann sich auf Anwendungen, lokale Sprachen und kontrollierte Umgebungen konzentrieren. Das resultierende Modell kann dennoch breite visuelle und sprachliche Fähigkeiten von seiner Grundlage erben.

Allerdings bleibt das Modell bei der Inferenz anspruchsvoll. Eine Mixture-of-Experts-Architektur aktiviert nur einen Teil ihres Parametersatzes, doch alle 397 Milliarden Gewichte benötigen weiterhin Speicherplatz. Xenons FP8-Veröffentlichung halbiert den Speicherbedarf ungefähr, dennoch erfordert der Einsatz weiterhin ernsthafte Multi-GPU-Infrastruktur.

Die Aussage zum Training auf acht GPUs sollte daher nicht als Versprechen eines Betriebs auf acht GPUs gelesen werden. Das Training von Adaptern und das Bereitstellen eines zusammengeführten Modells stellen unterschiedliche Ressourcenanforderungen. Unternehmensteams müssen Speicherkapazität, Interconnect-Bandbreite, Latenz, Parallelität und Energieverbrauch bewerten, bevor sie diese Architektur wählen.

Bildschirmerkennung ist Hunmins klarster Vorteil

Hunmins stärkste Ergebnisse zeigen, dass es Oberflächenziele identifizieren kann, insbesondere auf dichten professionellen Bildschirmen.

Grounding grafischer Benutzeroberflächen verknüpft eine schriftliche Anweisung mit einer konkreten Position auf einem Screenshot. Wenn ein Nutzer einen Agenten bittet, eine Tabellenkalkulationsformel auszuwählen, muss das Modell die relevante Zelle oder das entsprechende Symbol in der Werkzeugleiste finden. Schon ein kleiner Koordinatenfehler kann den Agenten in das falsche Menü führen oder die falsche Datei verändern.

ScreenSpot-Pro testet diese Fähigkeit in hochauflösenden professionellen Anwendungen. Seine Aufgaben umfassen Oberflächen, die dichter und weniger nachsichtig sind als typische Verbraucher-Websites. Der ScreenSpot-Pro benchmark wurde entwickelt, weil frühere Grounding-Tests spezialisierte Desktop-Software nicht ausreichend abbildeten.

Xenon berichtet von 75,6 Punkten bei Single-View-Inferenz und 76,6 mit einer Zoom-in-Methode. Die reproduzierten Qwen3.5-Basiswerte lagen bei 72,7 beziehungsweise 75,1. Qwen-CUA erreichte in derselben berichteten Umgebung 62,2 ohne Zoom und 71,9 mit Zoom.

Hunmin erzielte zudem 96,2 bei ScreenSpot-v2, verglichen mit 95,2 für sein Basismodell und 95,0 für Qwen-CUA. Bei OSWorld-G, einer auf Grounding ausgerichteten Evaluierung, erreichte es 79,9. In der verfeinerten Version OSWorld-G-R lag sein Ergebnis bei 86,8.

Laut Model Card führten diese Grounding-Ergebnisse die von Xenon unter seinem reproduzierten Setup bewertete Vergleichsgruppe an. Diese Formulierung ist wichtig. Sie belegt keine dauerhafte Führungsposition über jedes Modell, jede Evaluierungskonfiguration oder jede spätere Einreichung hinweg.

Die berichteten Ergebnisse zeigen dennoch ein stimmiges Muster. Hunmin verbessert die Oberflächenwahrnehmung in mehreren Tests, statt sich auf eine einzige günstige Zahl zu stützen. Sein größter Vorteil gegenüber Qwen-CUA zeigt sich bei ScreenSpot-Pro, wo der Abstand unter Xenons Setup 13,4 Punkte erreicht.

Für Unternehmenssoftware hat diese Stärke praktischen Wert. Dichte Oberflächen sind in Buchhaltungssystemen, Kundenbeziehungsplattformen, Entwicklungsumgebungen und internen Verwaltungstools weiterhin verbreitet. Viele dieser Produkte bieten unvollständige APIs oder erfordern Aktionen, die mehrere sichtbare Oberflächenzustände umfassen.

Ein geerdetes Modell kann auch mit älteren Anwendungen arbeiten, die nie für KI-Integration entwickelt wurden. Es kann Steuerelemente anhand von Pixeln und Beschriftungen erkennen, statt von strukturierten Webseiten-Elementen abhängig zu sein. Das ermöglicht eine breitere Abdeckung, schafft jedoch auch Herausforderungen für Zuverlässigkeit und Sicherheit.

Xenon weist Nutzer an, Screenshots in nativer Auflösung bereitzustellen und Koordinaten auf einen Bereich von null bis 1.000 zu normalisieren. Die resultierenden Koordinaten müssen anschließend auf die tatsächliche Breite und Höhe des Bildschirms skaliert werden. Diese Details können die Klickgenauigkeit erheblich beeinflussen.

Das Modell verwendet für seine berichteten Computer-Use-Evaluierungen zudem eine Begrenzung der visuellen Historie auf fünf Screenshots. Xenon zufolge kann eine Historie von näherungsweise 20 Bildern den Speicherverbrauch und die Inferenzkosten erhöhen. Das kleinere Fenster spiegelt eine Bereitstellungsentscheidung wider, nicht nur eine Benchmarking-Entscheidung.

Eine Begrenzung des visuellen Verlaufs kann die Serving-Kosten besser beherrschbar halten. Sie kann einem Agenten jedoch auch weniger Belege zu früheren Aktionen, Dialogen oder Seitenzuständen lassen. Diese Spannung gewinnt an Bedeutung, je länger eine Aufgabe wird.

Ein einzelner präziser Klick erfordert kein umfangreiches Gedächtnis. Die Durchführung eines Workflows mit 30 Schritten hingegen schon. Dieser Unterschied erklärt, warum Hunmins starke Grounding-Werte nicht automatisch zur Führungsposition bei vollständigen Computeraufgaben führen.

Qwen-CUA führt weiterhin bei End-to-End-Computeraufgaben

Das zentrale Ergebnis ist ein geteiltes Bild: Hunmin erkennt Interface-Ziele besser, während Qwen-CUA mehr langwierige Aufgaben abschließt.

OSWorld bewertet Agenten innerhalb realer Computeranwendungen, statt isolierte Koordinaten zu testen. Aufgaben können Browser, Dateivorgänge, E-Mail-Clients, Bildbearbeitung, Dokumentenwerkzeuge und mehrere Anwendungen umfassen. Der Agent muss einen Zustand beobachten, eine Aktion auswählen, auf Veränderungen reagieren und bis zum Abschluss fortfahren.

Der offizielle OSWorld benchmark umfasste ursprünglich 369 Computeraufgaben mit reproduzierbaren Ausgangszuständen und ausführungsbasierter Bewertung. Xenon verwendete für die Ergebnisse in seiner Model Card eine Konfiguration mit 360 Aufgaben. Laut Bericht nutzten alle verglichenen Modelle dieselbe Begrenzung des visuellen Verlaufs auf fünf Bilder.

Hunmin erzielte in dieser Bewertung 70,5 Punkte. Das Qwen3.5-Basismodell erreichte 48,2, womit Hunmins Zugewinn bei 22,3 Punkten liegt. Das ist eine deutliche Verbesserung und stützt Xenons Aussage, dass sein Post-Training sinnvolle Fähigkeiten zur Computersteuerung hinzugefügt hat.

Qwen-CUA erzielte jedoch unter demselben reproduzierten Setup 77,1 Punkte und lag damit 6,6 Punkte vor Hunmin. WindowsAgentArena ergibt dieselbe Reihenfolge. Hunmin erreichte 50,9 Punkte, 9,1 Punkte mehr als die 41,8 des Basismodells, während Qwen-CUA auf 57,3 kam.

Die Ergebnisse widerlegen Hunmins Fortschritte beim Grounding nicht. Sie zeigen, dass ein Agent mehr braucht als präzises visuelles Ansteuern. Er muss planen, Fortschritte verfolgen, Fehler handhaben, den Anwendungszustand verstehen und Aktionen vermeiden, die den Workflow aus der Bahn werfen.

Man stelle sich einen Agenten vor, der Zahlen in einer Tabellenkalkulation aktualisieren und das Ergebnis per E-Mail versenden soll. Er kann jedes Menü, jede Zelle und jede Schaltfläche korrekt finden. Dennoch kann er scheitern, indem er die falsche Arbeitsmappe bearbeitet, eine Formel auf den falschen Bereich anwendet oder eine veraltete Datei anhängt.

Bei längeren Aufgaben verstärken sich kleine Fehler. Ein früher Fehler verändert spätere Screenshots und macht den ursprünglichen Plan ungültig. Das Modell muss diese Abweichung erkennen und sich erholen, statt selbstsicher den falschen Weg weiterzugehen.

Hunmins Trainingsergebnisse zeigen, woher ein Teil der Verbesserung stammt. Xenon zufolge erreichte sein per Capability Transfer erzeugter Checkpoint auf OSWorld vor dem späteren Training 66,2 Punkte. Überwachtes Fine-Tuning und Reinforcement Learning steigerten diesen Wert auf 70,5 – ein weiterer Gewinn von 4,3 Punkten.

Diese Entwicklung stützt den Nutzen von Xenons Methode. Capability Transfer lieferte einen großen Teil der anfänglichen Computer-Nutzungsfähigkeit, während aufgabenspezifisches Post-Training sie verbesserte. Der verbleibende Vorsprung von Qwen-CUA deutet jedoch darauf hin, dass manche Verhaltensweisen nur unvollkommen komprimiert wurden oder sich bei der Integration verändert haben.

Auch das koreanischsprachige Ziel könnte diesen Zielkonflikt prägen. Hunmin bewahrt die Leistung über acht koreanische Benchmarks hinweg in mehreren Vergleichen besser als Qwen-CUA. Xenon optimierte nicht ausschließlich auf den höchstmöglichen OSWorld-Wert.

Hunmin erzielte beispielsweise 76,1 auf KMMLU-Pro, gegenüber 71,4 für Qwen-CUA. Auf K-MMStar erreichte es zudem 80,3, gegenüber 75,0. Diese Ergebnisse deuten auf ein ausgewogeneres mehrsprachiges Profil hin, auch wenn es weiterhin unternehmensintern reproduzierte Bewertungen sind.

Diese Ausgewogenheit kann für koreanische Unternehmen relevant sein. Ein Modell muss lokale Anweisungen, Dokumente, Terminologie und Benutzeroberflächen verstehen, bevor seine Klickfähigkeit nützlich wird. Ein höherer englischzentrierter Agentenwert entscheidet nicht jede Beschaffungsentscheidung.

Dennoch sollte Xenon die Führungsposition beim Grounding nicht als gleichbedeutend mit einer Führungsposition bei der gesamten Computernutzung darstellen. Seine Model Card vermeidet diesen Fehler, indem sie den ungünstigen OSWorld-Vergleich veröffentlicht. Die Berichterstattung zum Launch ist weniger hilfreich, wenn sie den zweiten Platz bei ScreenSpot-Pro hervorhebt, ohne die End-to-End-Lücke zu erklären.

Für Käufer hängt der richtige Vergleich von der vorgesehenen Arbeitslast ab. Ein Workflow, der von dichtem Interface-Targeting geprägt ist, könnte Hunmins Profil begünstigen. Eine längere Abfolge, die Wiederherstellung und Planung erfordert, könnte seine aktuelle Schwäche gegenüber Qwen-CUA offenlegen.

Die Offenheit des Modells bietet Teams eine weitere Option. Entwickler können die Veröffentlichung untersuchen, sie anpassen und kontrollierte Bewertungen auf ihrer eigenen Software durchführen. Diese Flexibilität ist wertvoll, beseitigt jedoch nicht die Notwendigkeit anwendungsspezifischer Tests.

Open Weights beseitigen kein Bereitstellungsrisiko

Der Zugang unter Apache 2.0 verbessert die Kontrolle, doch ein herunterladbares Computer-Use-Modell ist noch weit von einem sicheren autonomen Mitarbeiter entfernt.

Xenon veröffentlichte sowohl das ursprüngliche Modell als auch eine FP8-Variante unter Apache 2.0. Diese Lizenz erlaubt im Allgemeinen kommerzielle Nutzung, Modifikation und Weiterverbreitung unter den jeweiligen Bedingungen. Sie gibt Unternehmen mehr Freiheit bei der Bereitstellung als ein geschlossener Agent, der nur über eine gehostete Schnittstelle verfügbar ist.

Offener Zugang ermöglicht auch private Evaluierung. Ein Unternehmen kann Hunmin gegen interne Anwendungen testen, ohne Screenshots an einen Drittanbieter von Modellen zu senden. Teams können sein Verhalten bei lokaler Sprache, spezialisierten Formularen und organisationsspezifischen Workflows messen.

Der Modellzugang ist jedoch nur eine Schicht eines Computer-Use-Systems. Ein Produktionsagent benötigt weiterhin eine Laufzeitumgebung, einen Aktionscontroller, ein Berechtigungsmodell, einen Audit-Trail, eine Strategie für Zugangsdaten und einen Wiederherstellungsprozess. Zudem braucht er Schutzmechanismen gegen bösartige Anweisungen, die in Webseiten oder Dokumenten eingebettet sind.

Ein Computer-Use-Modell kann mit allem interagieren, worauf das Betriebskonto zugreifen kann. Dazu können E-Mails, Kundendaten, Cloud-Speicher, interne Dashboards und Finanzanwendungen gehören. Eine falsche Aktion kann Folgen haben, die eine falsche Chatbot-Antwort nicht hätte.

Screen-Grounding-Benchmarks liefern kaum Hinweise auf Autorisierung oder Absicht. Die korrekte Schaltfläche „Löschen“ zu finden, ist technisch erfolgreich, selbst wenn ihr Betätigen gegen eine Richtlinie verstoßen würde. Der umgebende Agent muss entscheiden, ob die Aktion erlaubt ist und ob menschliche Genehmigung erforderlich ist.

Benchmark-Aufgaben beginnen zudem in kontrollierten Zuständen. Reale Desktops sammeln Benachrichtigungen, Software-Updates, Browser-Erweiterungen, abgelaufene Sitzungen, individuelle Layouts und uneinheitliche Fenstergrößen an. Diese Variationen können sowohl verändern, was das Modell sieht, als auch was eine Aktion bewirkt.

Xenon räumt mehrere Evaluierungsgrenzen ein. Die Ergebnisse hängen laut Unternehmen von Screenshot-Auflösung, Reasoning-Einstellungen, Interaktionslimits, Serving-Software und Benchmark-Versionen ab. Zudem warnt es davor, seine Werte direkt mit Ergebnissen zu vergleichen, die mit deutlich längeren Screenshot-Verläufen erzeugt wurden.

Diese Vorsicht sollte prägen, wie Leser jede Zahl in der Veröffentlichung interpretieren. Das Unternehmen reproduzierte Basismodelle in seiner eigenen Umgebung. Das schafft einen faireren internen Vergleich, doch unabhängige Teams haben die Ergebnisse bislang nicht breit repliziert.

Auch die Platzierung auf Bestenlisten ist mit Unsicherheit verbunden. ScreenSpot-Pro-Ranglisten können sich verändern, wenn neue Modelle und Inferenzmethoden erscheinen. Ein zweiter Platz zum Launch ist eine zeitgebundene Momentaufnahme, kein dauerhafter Status.

Die Parametergröße bringt ebenfalls operative Risiken mit sich. Selbst mit FP8-Quantisierung und sparsamer Aktivierung benötigen Organisationen geeignete Infrastruktur. Ein kleineres spezialisiertes Modell kann ausreichende Genauigkeit bei geringerer Latenz, einfacherer Bereitstellung und leichterem Fine-Tuning liefern.

Teams sollten Systeme daher auf Workflow-Ebene vergleichen. Nützliche Kennzahlen sind Abschlussrate, Häufigkeit menschlicher Eingriffe, durchschnittliche Schrittzahl, Wiederherstellungserfolg, Latenz und die Schwere fehlgeschlagener Aktionen. Ein einzelner aggregierter Benchmark-Wert kann nicht alle diese Dimensionen erfassen.

Dasselbe Prinzip gilt für die Wissensarbeit rund um Agentenbetrieb. Teams benötigen durchsuchbare Aufzeichnungen über Anweisungen, Ergebnisse, Ausnahmen und menschliche Entscheidungen. Eine kontrollierte AI knowledge base kann Prüfern helfen, nachzuvollziehen, warum eine automatisierte Aufgabe ein bestimmtes Ergebnis erzeugt hat.

Das macht einen Agenten nicht von selbst sicher. Es schafft Belege für Überprüfung, Debugging und die Verbesserung von Richtlinien. Computer-Use-Systeme lassen sich leichter steuern, wenn ihre Aktionen mit den Dokumenten und Entscheidungen verbunden bleiben, die sie autorisiert haben.

Xenons Veröffentlichung verdient Anerkennung dafür, Einschränkungen und ungünstige Vergleiche neben den stärksten Ergebnissen zu veröffentlichen. Diese Transparenz ermöglicht Entwicklern bessere Fragen. Der nächste Schritt sind unabhängige Tests, die sowohl Fähigkeiten als auch die Folgen von Fehlern messen.

Drei Signale werden zeigen, ob Hunmin die Lücke schließen kann

Hunmins Bedeutung hängt nun von unabhängiger Reproduktion, besseren Langzeit-Ergebnissen und einer Akzeptanz über ein Modell-Repository hinaus ab.

Das erste Signal ist die unabhängige Replikation der Benchmarks. Externe Forscher müssen Hunmin, Qwen3.5 und Qwen-CUA mit derselben Hardware, demselben Screenshot-Verlauf, denselben Reasoning-Einstellungen und demselben Aufgaben-Harness ausführen. Ähnliche Ergebnisse würden Xenons Behauptung stärken, dass Low-Rank-Transfer nützliche Fähigkeiten zur Computersteuerung bewahrt hat.

Die Replikation sollte mehr als ScreenSpot-Pro abdecken. Forscher sollten Grounding, vollständigen Aufgabenabschluss, Wiederherstellung, Latenz und Ressourcenverbrauch testen. Sie sollten zudem Fehlerkategorien veröffentlichen, nicht nur aggregierte Werte.

Wenn unabhängige Durchläufe das Grounding-Ergebnis von 75,6 und den OSWorld-Wert von 70,5 reproduzieren, wird das Vertrauen in Xenons Bewertung steigen. Große Abweichungen würden die Launch-Erzählung schwächen und auf Konfigurationsempfindlichkeit hinweisen.

Das zweite Signal ist, ob Xenon die Langzeitlücke zu Qwen-CUA verringert. Sein aktuelles Modell findet Ziele bereits präzise, sodass die nächsten Fortschritte aus Planung und Zustandsmanagement kommen müssen. Besseres Gedächtnis, stärkere Reinforcement-Umgebungen oder verbesserte Fehlerbehebung könnten den End-to-End-Abschluss steigern.

Ein künftiger Checkpoint sollte das gemeldete OSWorld-Defizit von 6,6 Punkten reduzieren, ohne die koreanische Leistung zu opfern. Dieses Ergebnis würde Xenons Argument stützen, dass effizientes Post-Training ein ausgewogenes, praxistaugliches Computer-Use-Modell hervorbringen kann. Verbesserungen beim Grounding allein würden die zentrale Einschränkung ungelöst lassen.

Das dritte Signal ist die Bereitstellung innerhalb von OneAgent oder einem anderen Unternehmensprodukt. Ein öffentlicher Checkpoint demonstriert technischen Zugang, aber die Produktnutzung zeigt, ob das Modell Latenzbeschränkungen und unvorhersehbare Interfaces übersteht. Reale Akzeptanz würde außerdem zeigen, ob Unternehmen lokale Sprachkontrolle genug schätzen, um die Infrastrukturanforderungen des Modells zu akzeptieren.

Xenon erklärt, die neuen Fähigkeiten nutzen zu wollen, um OneAgent zu verbessern und den Umfang der von KI ausführbaren Arbeit zu erweitern. Käufer sollten auf namentlich genannte Bereitstellungen, wiederholbare Workflows, Eingriffsraten und Belege achten, dass Aufgaben außerhalb von Benchmark-Umgebungen zuverlässig bleiben.

Die nützlichsten Fallstudien werden Grenzen ebenso klar beschreiben wie Erfolge. Sie sollten benennen, welche Anwendungen der Agent bedienen kann, welche Aktionen Genehmigung erfordern und wie oft ein Mensch eingreifen muss. Ohne diese Details bieten Kundenankündigungen wenig technische Evidenz.

Xenon Hunmin VLM 397B ist bereits eine bemerkenswerte Engineering-Veröffentlichung. Sie zeigt, dass ein relativ fokussiertes Team einem enormen offenen Modell mit acht High-End-GPUs für das Post-Training Computersteuerungsverhalten hinzufügen kann. Die eigenen Zahlen verhindern zugleich eine einfache Sieg-Erzählung.

Entwickler, die das Modell bewerten, sollten mit einem eng abgegrenzten Workflow und einer reversiblen Sandbox beginnen. Messen Sie den vollständigen Aufgabenerfolg, nicht nur die Klickgenauigkeit, und zeichnen Sie jeden Eingriff oder Wiederherstellungsversuch auf. Vergleichen Sie diese Ergebnisse dann unter identischen Bedingungen mit Qwen-CUA und kleineren Alternativen. Die offene Lizenz macht diese Arbeit möglich, doch nur unabhängige Tests werden zeigen, ob Hunmins Grounding-Vorteil zu verlässlichem Handeln wird.