Nvidias SoL-Pi senkt den Token-Verbrauch von Coding-Agenten fast um die Hälfte
Forschende von Nvidia, NTU und MIT senken den Token-Verbrauch von Coding-Agenten um 44,7 bis 49 Prozent – ohne ein besseres Modell. Optimiert wird der Harness, die Steuerungsschicht zwischen KI und Arbeitsumgebung. Auf Terminal-Bench 4 löst das System dafür weniger Aufgaben als zuvor.
Pascal Eugster
GRÜNDER & ENTWICKLER
27. SEPTEMBER 2026
3 MIN. LESEZEIT
INHALT
INHALT
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.
Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.
Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE
Die billigste Effizienzsteigerung bei KI-Agenten steckt womöglich nicht im Modell, sondern in der Software drumherum.
Forschende von Nvidia, der NTU und dem MIT haben ein System vorgestellt, das den Token-Verbrauch von Coding-Agenten um 44,7 bis 49 Prozent senkt – ohne ein besseres Modell. Optimiert wird nicht die KI, sondern der Harness: die Steuerungsschicht zwischen Modell und Arbeitsumgebung. Das Paper zu SoL-Pi liegt seit dem 17. September 2026 als Preprint auf arXiv, der Code steht unter MIT-Lizenz auf GitHub.
Die Schicht zwischen Modell und Maschine
Ein Harness ist der Klebstoff, der aus einem Sprachmodell einen Agenten macht. Er entscheidet, welche Werkzeuge aufgerufen werden, wie Ergebnisse zurück ins Modell fliessen, wann der Kontext zusammengefasst wird und wann eine Aufgabe als erledigt gilt. Claude Code und OpenAIs Codex sind genau das: ein Harness um ein Modell herum.
Bisher drehte die Effizienzforschung vor allem am Preis pro Token – schnellere Kernels, Quantisierung, günstigere Modelle. Die Nvidia-Gruppe nennt ihren Weg ausdrücklich «orthogonal» dazu: Sie fragt, wie viele Tokens überhaupt anfallen.
Ein Agent, der einen anderen Agenten umbaut
Das Verfahren ist rekursiv. Ein Forschungs-Agent liest die Ausführungs-Traces eines zweiten Agenten, schlägt Änderungen am Harness-Code vor und testet sie in vorbereiteten Umgebungen; nur was zwei Gates für Fähigkeit und Effizienz übersteht, bleibt. Laut Paper liefen so rund 150 Ideen durch die Schleife, über 535 ausführbare Umgebungen und mehr als 3'000 Läufe. Vier Mechanismen überlebten – etwa «Action Fusion», die eine Datei-Änderung und den anschliessenden Testbefehl in einem einzigen Aufruf bündelt und damit eine Modell-Runde spart.
