Union Alpha ist ein LLM-Ensemble, kein Einzelmodell

Union Alpha kombiniert Antworten mehrerer Modelle

Der zentrale Punkt ist für mich: Union Alpha ist kein weiteres riesiges eigenständiges LLM, sondern ein System, das mehrere Modelle parallel heranzieht und daraus eine einheitliche Antwort synthetisiert. In der öffentlichen Beschreibung nennt Unbiased Union Alpha ein multimodales System für Recherche, Programmierung und agentische Szenarien. Bis September 2026 wurde das frühere Stealth-Modell außerdem mit dem Namen Pareto 26.9 in Verbindung gebracht.

Es handelt sich nicht bloß um einen Router, der vor dem Absenden einer Anfrage einen einzelnen Ausführer auswählt. Nach der verfügbaren Beschreibung bearbeiten mehrere Sprachmodelle dieselbe Anfrage, anschließend werden ihre Ergebnisse zusammengeführt. Welche Modelle genau zum Ensemble gehören, wie die Gewichtung verteilt wird und nach welchen Regeln Widersprüche aufgelöst werden, veröffentlicht Unbiased nicht.

In der OpenRouter-Karte von Union Alpha waren ein Kontextfenster von 262.144 Tokens und eine maximale Ausgabe von 131.072 Tokens angegeben. Das System akzeptierte Text und Bilder, unterstützte Tool-Aufrufe und war mit Clients im OpenAI-Stil kompatibel. Zum Zeitpunkt der Offenlegung kostete eine Million Eingabe-Tokens 2,50 US-Dollar, zwischengespeicherte Eingaben 0,25 US-Dollar und eine Million Ausgabe-Tokens 7,50 US-Dollar.

In der ursprünglichen Diskussion berichtete ein Nutzer, Union Alpha sei das einzige System gewesen, das gültige Fehler eines Opus-basierten Orchestrators gefunden und korrigiert habe. Das ist eine interessante Beobachtung, aber kein Vergleichstest: In den verfügbaren Materialien gibt es keine vollständige Tabelle mit exakten Ergebnissen gegenüber Opus. Sie zeigt dennoch gut einen möglichen Vorteil des Ensembles: Ein Modell kann den Fehler eines anderen erkennen, bevor die finale Antwort entsteht.

Qualität lässt sich nun nicht nur über Größe skalieren

Dieser Ansatz verändert die Lage tatsächlich: Die Verbesserung einer Antwort verlagert sich vom Training eines einzigen gigantischen Modells zur Orchestrierung mehrerer leistungsfähiger Modelle. Für Code und agentische Aufgaben ist das besonders plausibel, weil unabhängige Lösungen verglichen, geprüft und zusammengeführt werden können, bevor ein Fehler in den nächsten Prozessschritt gelangt.

Magie steckt darin allerdings nicht. Parallele Aufrufe erhöhen Latenz und Tokenverbrauch, und die Syntheseschicht kann selbst Fehler machen, eine seltene richtige Hypothese verlieren oder unvereinbare Antworten selbstsicher zusammenfügen. Ich würde nicht nur den Durchschnittswert prüfen, sondern auch die Robustheit bei widersprüchlichen Antworten, komplexen Tool-Aufrufen und langen agentischen Ketten.

Solange Zusammensetzung und Mischpolitik des Ensembles geschlossen bleiben, ist es schwer, einen technischen Durchbruch von einer gut abgestimmten Kombination bereits bekannter Modelle zu trennen. Dennoch zeigt Union Alpha einen wichtigen Wandel: Der nächste Konkurrent eines einzelnen Frontier-Modells könnte nicht ein größeres Modell sein, sondern ein gut zusammengestelltes Team mehrerer Modelle.

Wir haben bereits untersucht, wie LLM-Proxys und Abstraktionsschichten die Abhängigkeit von einem einzelnen Anbieter verringern. In einem Ensemble mit intelligentem Routing wird dieser Ansatz zur Grundlage für die Modellauswahl je Anfrage.