Versammelt sind wir ein Feuer; zerstreut sind wir Sterne am Himmel.
Gerade eben hat der Autor von
DeepSeek
V1 und der Projektleiter von
DeepSeek
-VL, Tony Zhang (Zhang Bo), offiziell sein neues Startup-Projekt angekündigt: Linger.
Die Richtung ist genau das, was gerade am heißesten ist: der persönliche Personal Agent.
Der Ansatz ist ebenfalls recht interessant. Während alle anderen Apps bauen, haben sie sich zuerst den Computer ausgesucht.
Das bedeutet, Linger kann die Webseiten, das Postfach und den Kalender bedienen, die bereits auf Ihrem Computer vorhanden sind, ohne den Aufwand einer ganzen Reihe von Anmeldedaten.
Wenn es irgendwo nicht weiterkommt, können Sie auch direkt übernehmen.
Ein weiterer Punkt: Als Mittelschicht unterstützt Linger die Anbindung an verschiedene Drittanbieter-Modelle.
Und es wurde speziell für lokale LLMs optimiert.
Konkret kann eine einzelne RTX 3060 Grafikkarte mit 12GB VRAM ein Qwen3.8-Flash-Next mit 125B Parametern ausführen, mit einer Generierungsgeschwindigkeit von 45,5 Tokens/Sekunde.
Ach ja, es gibt auch etwas ziemlich Wichtiges—
Dieses System ist Open Source...
Und warum?
In dem Ankündigungsbeitrag zitierte Tony Zhang die Geschichte des Aufstiegs des PCs:
In den 1960er Jahren war das Rechnen zentralisiert, bis der PC die Macht in die Hände aller legte. Heute wird KI in Rechenzentren trainiert und dann in Form von Tokens an Sie vermietet.
Wir glauben, dass Intelligenz verteilt sein sollte. Ihr Kontext, Ihre Daten und die Intelligenz, die sie antreibt, sollten vollständig Ihnen gehören.
Deshalb haben sie heute Linger als Open Source veröffentlicht, einen dedizierten Agent, der auf Ihrem persönlichen Computer lebt.
Es führt auch die schöne Tradition des großen fetten Wals fort 😭.
Eine KI, die „Initiative ergreift und selbst lernen kann“
Der Kern von Linger ist ein Agent-System namens „Ein anderes Ich“.
Zunächst einmal ist es ein Gedächtnis-Hub.
Linger liest lokal Ihr Postfach, Ihren Kalender, Ihre Chatverläufe und Besprechungen und organisiert diese Informationen jede Nacht automatisch zu einer persönlichen Wissensdatenbank (Wiki), die alle Agents abfragen können.
Im LoCoMo-Benchmark, der die Fähigkeit zum langfristigen Gesprächsgedächtnis misst, erreichte Linger eine Genauigkeit von 95% und übertraf mehrere gedächtniserweiterte KI-Systeme wie Mem0 und MemOS.
Damit kann Linger proaktiv besser arbeiten.
Es wird deinen Informationsstrom still beobachten und entscheiden, wann es dich basierend auf der Wichtigkeit und Dringlichkeit von Ereignissen erinnert. Wenn es am Montag eine Kunden-E-Mail erhält, die ein Angebot bis Freitag anfordert, wird es dich nicht sofort stören, sondern bis Mittwochmorgen warten, um eine Erinnerung einzublenden.
Wenn es sich jedoch um eine Änderung der Besprechungszeit handelt, wird es dich sofort benachrichtigen.
Dieser Agent lernt auch aus deinem Feedback, was Linger „implizite Verstärkung“ nennt.
Wenn es dich beispielsweise daran erinnert, dass eine Rechnung bald abläuft, und du antwortest: „Ich habe sie letzte Woche erhalten, du hättest mir damals Bescheid sagen sollen.“, wird das System einen Hinweis aufzeichnen.
Wenn beim nächsten Mal eine andere Rechnung eine ähnliche Situation hat und du deine gleiche Präferenz erneut äußerst, wird das System automatisch eine Regel generieren: „Lieferantenrechnung → sofort erinnern“.
Umgekehrt, wenn du zweimal hintereinander Desinteresse an „Liefererinnerungen“ zeigst (zum Beispiel, indem du sie direkt ignorierst oder mit „Sag es mir nicht“ antwortest), wird es auch lernen, in Zukunft still zu bleiben.
Du kannst auch direkte Anweisungen geben, um es auf einmal zu lehren. Sag ihm zum Beispiel: „Benachrichtige mich sofort über Kundenantworten“ oder „Nach 21 Uhr musst du mir keine Besprechungsänderungen sofort mitteilen.“
Diese kontinuierliche Interaktion und das Lernen machen den Agenten zunehmend mit deinen Arbeitsgewohnheiten vertraut und zu einem wirklich personalisierten Assistenten.
Darüber hinaus kann Linger auch:
Den Desktop und den Browser bedienen.
Wie eingangs erwähnt, kann Linger direkt Chrome und verschiedene Apps nutzen, die auf deinem Computer bereits angemeldet sind, ohne dass eine Neukonfiguration erforderlich ist.
Ein Agent-Team aufbauen.
Dies ist das Super-Agent-Prinzip, das
DeepSeek
zuvor erklärt hat.
Wenn du eine komplexe Aufgabe zuweist, wird Another Me Agenten mit unterschiedlichen Funktionen aufrufen oder erstellen, um bei der Arbeit zusammenzuarbeiten.
Und du musst nur in dieser einen Session mit Linger bleiben.
Sprachinteraktion.
Dies dient hauptsächlich Büroszenarien.
Linger kann Besprechungen in Echtzeit transkribieren, und nach der Besprechung kannst du den Agenten direkt nach dem Besprechungsinhalt fragen und ihn To-dos nachverfolgen lassen.
Kurz gesagt, es ist ein Personal Agent, der speziell für Büroszenarien optimiert ist.
Einige Netzbürger verstehen diese Produktpositionierung jedoch nicht ganz:
Warum nicht auf Basis des DeepSeek-Harness entwickeln 🤣 Was ist der Unterschied zu ds-bot?
Darauf antwortete Tony Zhang:
Lingers Fokus liegt auf der gemeinsamen Optimierung von Modell und Harness: Eine 12-GB-Grafikkarte kann ein 125B-Modell lokal ausführen, ohne Kosten pro Token, und die Daten verlassen niemals den lokalen Rechner.
Aus Sicht der Produktpositionierung: Der Kern von DS-Bot ist die Zusammenarbeit zwischen Bots und Bots sowie zwischen Bots und Gruppen; der Kern von Linger ist die Beziehung zwischen einer Person und ihrem eigenen Agenten sowie zwischen dem Agenten und der lokalen Umgebung.
12-GB-Grafikkarte, führt ein 125B-Modell aus
Um es Consumer-Hardware zu ermöglichen, große Modelle im Hundert-Milliarden-Maßstab auszuführen, ist Lingers Kerntechnologie eine MoE-Inferenz-Engine namens PolyStrata.
Ihr Prinzip lässt sich als intelligenter Mechanismus für gestaffelten Speicher verstehen.
Für ein riesiges MoE-Modell (Mixture of Experts) platziert PolyStrata die am häufigsten verwendeten und aktivsten „Expertenmodule“ im schnellsten GPU-Speicher, legt die weniger häufig verwendeten in den Arbeitsspeicher und platziert die am seltensten verwendeten auf der SSD-Festplatte.
Wenn das Modell einen bestimmten Experten aufrufen muss, verschiebt das System Daten dynamisch zwischen GPU, Arbeitsspeicher und SSD. Auf diese Weise ist es nicht nötig, das gesamte Modell von Dutzenden oder Hunderten von GB in den begrenzten GPU-Speicher zu stopfen.
Die Wirkung ist unmittelbar.
Laut offiziellen Daten kann ein Qwen3.8-Flash-Next-Modell mit 125B Parametern auf einem Computer mit einer 12-GB-RTX 3060 und 64 GB Arbeitsspeicher eine Generierungsgeschwindigkeit von 45,5 Tokens/Sekunde erreichen.
Auf der leistungsstärkeren RTX 5090 (32 GB) steigt die Geschwindigkeit auf 179 Tokens/Sekunde.
Um es Nutzern bequemer zu machen, lokale große Modelle zu verwenden, hat Linger außerdem eine Funktion namens „Model Autopilot“ entwickelt.
Sie erkennt automatisch Ihre Hardwarekonfiguration (GPU, GPU-Speicher, Arbeitsspeicher) und empfiehlt und installiert dann das leistungsstärkste Modell für Sie aus Kombinationen von 49 Sprachmodellen, zwei Inferenz-Engines, mehreren Quantisierungsschemata und unterschiedlichen Kontextlängen.
Laut dem Bewertungssystem von SimplexAI können lokale Geräte mit unterschiedlichen Konfigurationen Fähigkeiten erreichen, die mit denen gängiger großer Cloud-Modelle vergleichbar sind:
8-GB-Grafikkarte + 32 GB Arbeitsspeicher: Punktzahl 35,4, ungefähr gleichwertig mit Gemini 2.5 Pro.
Mac 24 GB Unified Memory: Punktzahl 51,9, ungefähr gleichwertig mit Claude Opus 4.5.
12-GB-Grafikkarte + 32 GB Arbeitsspeicher: Punktzahl 57,3, ungefähr gleichwertig mit Claude Opus 4.6.
Das bedeutet, dass Ihr Gaming-Laptop oder MacBook ein wirklich leistungsstarkes KI-Gehirn haben wird, das rund um die Uhr im Standby ist, keine Token-Gebühren verursacht und Daten vollständig lokal hält.
DeepSeek-VL-Lead startet ein weiteres Geschäft
Hinter Linger steht ein Team mit tiefgreifendem technischen Hintergrund, und der Lebenslauf seines Gründers Tony Zhang ist besonders beeindruckend.
(Schließlich ist es
DeepSeek
-bezogen...)
Tony Zhang erhielt seinen Bachelor-Abschluss von der Zhejiang-Universität, promovierte 2019 an der Hong Kong University of Science and Technology und wechselte anschließend zu Microsoft Research Asia (MSRA), wo er sich seit langem mit Computer Vision und generativen Modellen beschäftigt. Er ist Autor mehrerer bekannter Projekte wie VQ-Diffusion und Rodin 3D-Digitalmenschen.
Im Jahr 2023 wechselte er als KI-Wissenschaftler zu
DeepSeek
.
Hier war er nicht nur an der Forschung und Entwicklung der frühen Sprachmodellreihe
DeepSeek
LLM V1 beteiligt, sondern fungierte auch als Projektleiter des großen Vision-Language-Modells
DeepSeek
-VL. Dieses Modell wurde für seine Fähigkeit, Bilder, Dokumente und Diagramme in realen Szenarien zu verstehen, hoch gelobt.
Nach seinem Ausscheiden bei
DeepSeek
trat Tony Zhang als Fakultätsmitglied der Zhejiang-Universität bei, wo er als Forscher im Hundred Talents Program und als Doktorvater tätig ist, und gründete Simplex AI.
Linger ist die neueste Arbeit von Simplex AI.
Und was ist mit dem technischen Kern von Linger, dieser Inferenz-Engine, die speziell für den lokalen Einsatz entwickelt wurde?
Laut Tony Zhang wurde sie von einem 18-jährigen Genie im Team entwickelt.
18 Jahre alt? Gerade die High School abgeschlossen?
Dieser Artikel stammt vom WeChat-öffentlichen Account „Quantum Bit“, Autor: Jay















