// Modelle & Forschung 27.10.2026 · 18:42 Uhr 7 Min. Lesezeit

Udgam Labs veröffentlicht Telugu-Basismodell Vemana mit 278 Millionen Parametern

Mindverse News

KI-gestützt erstellt 4 Quellen Arbeitsweise

KI-generierte Illustration: Udgam Labs veröffentlicht Telugu-Basismodell Vemana mit 278 Millionen Parametern — KI-generierte Illustration

Das Wichtigste in Kürze

Vemana ist ein mit 278 Millionen Parametern von Grund auf trainiertes Telugu-Basismodell. Es setzt Text fort, folgt aber keinen Anweisungen und beantwortet keine Fragen. [1]
In einem von Udgam Labs durchgeführten Test mit neu angelegten Telugu-Wikipedia-Seiten erreichte Vemana 0,361 Bits pro Byte und lag damit vor den getesteten offenen Basismodellen unter einer Milliarde Parametern. [1][5]
Der Test misst die Vorhersage von Text, nicht unmittelbar die Qualität eines Chatbots oder die Eignung für Geschäftsanwendungen. Udgam Labs weist bei Wissens- und Reasoning-Tests auf Ergebnisse nahe Zufallsniveau hin. [2][5]
Das Modell wurde laut Anbieter mit 5,1 Milliarden eindeutigen Webtext-Tokens trainiert und soll auf einer Laptop-CPU laufen. Sein Kontextfenster umfasst 1.024 Tokens. [1][2]
Die Gewichte und der Tokenizer stehen unter Apache-2.0; die verwendeten Trainingsdatensätze unterliegen unterschiedlichen Lizenzen. [1][5]

// Inhalt · 7 Abschnitte

Ein kleines Modell für eine einzelne Sprache
Was der Benchmark zeigt – und was nicht
Der Befund ist ein Anbieterbenchmark
Tokenizer und Kontextfenster sind auf Telugu zugeschnitten
Training und offene Artefakte
Betrieb: lokal möglich, aber kein fertiger Dienst
Lizenzierung und mögliche Nutzung im Unternehmen
Quellen

Ein kleines Modell für eine einzelne Sprache

Udgam Labs hat am 27. Oktober 2026 Vemana veröffentlicht, ein Telugu-Sprachmodell mit 278 Millionen Parametern. Das Unternehmen gibt an, das Modell von zufälliger Initialisierung aus trainiert zu haben, statt dafür Gewichte eines bereits vortrainierten Modells zu verwenden. Zum Release gehören die Modellgewichte und ein eigens entwickelter Tokenizer; Udgam Labs stellt außerdem Zwischenstände des Trainings und den Auswertungscode bereit. [1][2][5]

Vemana ist ein Basismodell, kein fertiger Assistent. Es erzeugt eine Fortsetzung zu einem vorgegebenen Text, ist aber weder auf das Befolgen von Anweisungen noch auf Frage-Antwort-Aufgaben trainiert. Udgam Labs weist zudem darauf hin, dass dem Modell Sicherheitsabstimmung fehlt und es falsche, beleidigende oder schädliche Texte erzeugen kann. [1][2]

Damit richtet sich der Release zunächst an Entwickler und Forschungsteams, die Telugu-Textverarbeitung untersuchen oder auf dem Modell aufbauen möchten. Udgam Labs nennt als mögliche Weiterverwendung unter anderem Feinabstimmung für Chat, Zusammenfassungen und Klassifikation sowie weiteres Vortraining. Das sind vorgesehene Einsatzrichtungen, keine im Quellenmaterial nachgewiesenen Anwendungsergebnisse. [1][2]

Was der Benchmark zeigt – und was nicht

Der zentrale Vergleich des Anbieters misst, wie gut Modelle bisher ungesehene Telugu-Texte vorhersagen. Auf 416 Telugu-Wikipedia-Seiten, die zwischen dem 1. September und dem 22. Oktober 2026 angelegt wurden, erreichte Vemana laut Udgam Labs 0,361 Bits pro Byte. Der nächstplatzierte getestete offene Basiskandidat unter einer Milliarde Parametern, nanochat-telugu-560M, kam auf 0,383. Bei dieser Kennzahl ist ein niedrigerer Wert besser. [1][2][5]

Der Abstand blieb in zwei weiteren Testsätzen bestehen: Auf 477 im Juli und August angelegten Seiten meldet der Anbieter 0,385 für Vemana und 0,408 für nanochat-telugu-560M. Auf 29 Seiten vom 23. bis 26. Oktober waren es 0,346 gegenüber 0,364. Der letzte Satz ist deutlich kleiner als die beiden anderen und sollte deshalb als ergänzende Prüfung, nicht als gleich umfangreiche Bestätigung gelesen werden. [1][2]

Udgam Labs beschreibt die Auswertung als gepaarten Vergleich: Für beide Modelle werden dieselben Seiten herangezogen; durch wiederholtes Ziehen von Seiten wird ein 95-Prozent-Intervall für den Ergebnisabstand berechnet. Für den Haupttest gibt der Anbieter für den Vorsprung von Vemana gegenüber nanochat-telugu-560M ein Intervall von 0,021 bis 0,024 Bits pro Byte an. Auch alternative Prüfungen mit kürzerem Kontext und ohne die Seiten eines besonders aktiven Wikipedia-Autors änderten dem Bericht zufolge den Vorsprung nicht. [1][2][5]

Die Kennzahl erfasst die Vorhersage von Text, nicht, ob ein Modell verlässliche Antworten gibt, komplexe Aufgaben löst oder sich in einen Unternehmensprozess integrieren lässt. Sie ermöglicht laut technischer Dokumentation Vergleiche zwischen Tokenizern, weil die Modellfehler auf die Bytezahl des Textes bezogen werden. Eine gute Platzierung in diesem Test ist daher ein spezifischer Befund zur Telugu-Textmodellierung und kein allgemeiner Qualitätsnachweis. [2][5]

Im Haupttest lag das größere Modell Sarvam-1 mit 2,5 Milliarden Parametern bei 0,356 Bits pro Byte; Udgam Labs wertet den Abstand zu Vemana als statistisch nicht eindeutig. Auf den Juli-August-Seiten schnitt Sarvam-1 besser ab. [2][5]
Für Vemana meldet Udgam Labs bei den Tests Belebele-te und MILU-te Werte nahe dem jeweiligen Zufallsniveau. Auch bei IndicXNLI-te und IndicCOPA-te beschreibt der Anbieter die Ergebnisse als schwach und mahnt bei der Interpretation einzelner Werte zur Vorsicht. [1][2]

Der Befund ist ein Anbieterbenchmark

Die Zahlen stammen aus den von Udgam Labs beschriebenen eigenen Modellläufen und Auswertungen. Der technische Bericht legt Testaufbau, Seitenmengen, Kennzahl, Vergleichsverfahren und mehrere Robustheitsprüfungen offen; die verfügbaren Quellen enthalten jedoch keine unabhängige Reproduktion durch eine externe Prüfstelle. Die Ergebnisse sind deshalb als dokumentierte Anbieterangaben einzuordnen, nicht als unabhängig bestätigter Branchenvergleich. [2][5]

Der Testaufbau enthält eine ausdrücklich benannte Einschränkung: Dhee-Pravega-OG Atom wurde am 8. Oktober 2026 veröffentlicht, doch Udgam Labs zufolge ist dessen Datenstichtag nicht angegeben. Dadurch könnten ältere Seiten aus dem Test in den Trainingsdaten dieses Modells enthalten sein. Die Seiten vom 23. bis 26. Oktober seien dagegen nach der Veröffentlichung aller verglichenen Modelle entstanden. [2][3][5]

Das Unternehmen berichtet außerdem, die Testregeln und den angestrebten Mindestabstand vor dem Training festgelegt und den finalen Checkpoint im Voraus als Release-Modell bestimmt zu haben. Der technische Bericht beschreibt zwei vorab formulierte Vergleichsregeln und erklärt, dass Vemana beide erfüllte. Diese Dokumentation erhöht die Nachvollziehbarkeit des Vorgehens, ersetzt aber keine externe Überprüfung der Implementierung oder der Resultate. [2][3][5]

Tokenizer und Kontextfenster sind auf Telugu zugeschnitten

Ein technischer Schwerpunkt ist der eigene Telugu-Tokenizer mit einem Vokabular von 32.000 Einheiten. Udgam Labs begründet die sprachspezifische Auslegung mit der Struktur vieler Telugu-Wörter: Ein Wort kann aus einem Wortstamm und mehreren Endungen bestehen. Tokenizer, die für viele Sprachen zugleich ausgelegt sind, zerlegen solche Wörter nach Darstellung des Unternehmens häufig in mehr Einheiten. [2][3][5]

In eigenen Vergleichen misst Udgam Labs für den Vemana-Tokenizer auf Telugu-Webtext rund 38 Prozent weniger Tokens pro Wort als für den Gemma-3-Tokenizer; über mehrere geprüfte Textsammlungen hinweg nennt der technische Bericht eine Spanne von 36 bis 41 Prozent. Weniger Tokens pro Wort können bei begrenztem Kontext mehr Telugu-Text in denselben Tokenumfang bringen. Das ist ein möglicher technischer Vorteil, aber kein direkter Beleg für bessere Ergebnisse bei einer konkreten Geschäftsaufgabe. [2][5]

Vemana verwendet eine Architektur im Gemma-4-Textlayout mit 18 Schichten, einer Breite von 1.024 und insgesamt 278.214.144 Parametern. Das Modell wurde laut Bericht mit einem Kontext von 1.024 Tokens trainiert und getestet, den Udgam Labs mit ungefähr 570 Telugu-Wörtern vergleicht. Zwar erlaubt die Konfiguration technisch einen längeren Kontext, doch der Anbieter macht keine Aussage, dass das Modell jenseits der trainierten Länge zuverlässig arbeitet. [1][2][5]

Training und offene Artefakte

Als Trainingsgrundlage nennt Udgam Labs 5,1 Milliarden eindeutige Tokens aus öffentlichen Telugu-Webtexten. Verwendet worden seien der von AI4Bharat bereitgestellte, menschlich geprüfte Telugu-Teil von Sangraha, FineWeb-2 von Hugging Face und HPLT 3.0. Die Daten seien nach Telugu-Schrift und Textlänge gefiltert und auf nahe Duplikate geprüft worden. Der Bericht nennt zudem Maßnahmen, mit denen Testseiten und mehrere Testsätze aus dem Trainingsmaterial ausgeschlossen werden sollten. [1][2][5]

Das Modell habe diese Daten während des Trainings insgesamt etwa 2,4-mal gelesen, entsprechend rund 12 Milliarden Tokenpositionen. Für den Lauf nennt Udgam Labs eine einzelne H100-GPU, ungefähr 16 Stunden und rund 69 US-Dollar an GPU-Zeit. Das ist die vom Anbieter ausgewiesene Rechenzeit beziehungsweise GPU-Kostenschätzung, keine vollständige Bilanz der Entwicklung, Datenaufbereitung oder späteren Betriebsaufwände. [1][2][5]

Nach Angaben des Unternehmens wurden Zwischenstände in regelmäßigen Abständen veröffentlicht. Das zugängliche Material umfasst außerdem GGUF-Dateien für llama.cpp, eine Web-Demo, den Code und einen technischen Bericht. Solche Artefakte können eine eigene Prüfung und Weiterarbeit erleichtern; sie belegen für sich genommen weder, dass jede Umgebung die gleiche Leistung erreicht, noch dass ein bestimmter Unternehmenseinsatz reibungslos funktioniert. [1][2][5]

Betrieb: lokal möglich, aber kein fertiger Dienst

Udgam Labs gibt an, Vemana könne auf einer Laptop-CPU ausgeführt werden. Für einen Mac mini nennt das Unternehmen eine Geschwindigkeit von ungefähr 65 Tokens pro Sekunde; die Modellseite weist zugleich darauf hin, dass die tatsächliche Geschwindigkeit vom Gerät abhängt. In einer Browser-Demo werde das Modell lokal geladen und die Eingabe bleibe nach Angaben des Anbieters auf dem Gerät. Diese Angaben stammen vom Anbieter und sind nicht als allgemeine Leistungszusage für beliebige Hardware zu verstehen. [1][2]

Die Modellkarte auf Hugging Face zeigte zum Abrufzeitpunkt keine Bereitstellung durch einen Inference-Provider. Für Unternehmen, die einen verwalteten API-Zugang, Service-Level-Zusagen oder zentralen Betrieb benötigen, folgt daraus: Der Release allein stellt noch keinen solchen Dienst bereit. Ein lokaler oder selbst gehosteter Betrieb kann zwar geprüft werden, erfordert aber eigene technische Bewertung und Integration. [1]

Besonders wichtig ist die Trennung zwischen Textfortsetzung und Assistenz. Vemana kann flüssig formulieren und zugleich Fakten erfinden oder in Wiederholungen geraten; Udgam Labs illustriert beides mit eigenen Beispielausgaben und weist auf die fehlende Sicherheitsabstimmung hin. Für Anwendungen, in denen sachliche Richtigkeit oder kontrolliertes Verhalten erforderlich ist, reichen die hier dokumentierten Benchmarkwerte deshalb nicht als Eignungsnachweis. [1][2][3]

Lizenzierung und mögliche Nutzung im Unternehmen

Udgam Labs veröffentlicht Gewichte und Tokenizer unter Apache-2.0. Die Trainingsdaten folgen jedoch nicht einheitlich dieser Lizenz: Der Bericht nennt für den verwendeten Sangraha-Teil CC-BY-4.0, für FineWeb-2 ODC-By 1.0 mit zusätzlichem Hinweis auf die Nutzungsbedingungen von Common Crawl und für die Verpackung von HPLT 3.0 CC0. Das Unternehmen verweist für Einzelheiten auf die NOTICE-Datei. [1][2][5]

Für eine kommerzielle Prüfung sollten Sie daher Modelllizenz und Herkunftsbedingungen der Trainingsdaten getrennt betrachten. Die Freigabe der Gewichte beantwortet nicht automatisch alle Fragen zu Datenrechten, internen Vorgaben oder den Anforderungen eines konkreten Einsatzes. Welche Prüfungen im Einzelfall nötig sind, hängt von der geplanten Nutzung ab; die vorliegenden Quellen enthalten keine Rechtsberatung. [1][5]

Analytisch liegt der mögliche Nutzen vor allem in der spezialisierten Ausgangsbasis: Ein vergleichsweise kleines Telugu-Modell kann laut Anbieter lokal laufen und ist für eine Feinabstimmung oder weiteres Training vorgesehen. Dem stehen die kurze trainierte Kontextlänge, fehlende Instruktions- und Sicherheitsabstimmung sowie die schwachen Ergebnisse bei den berichteten Wissens- und Reasoning-Tests gegenüber. Für Sie ist Vemana daher eher als Forschungs- oder Entwicklungsbaustein zu bewerten als als unmittelbar einsetzbarer Telugu-Assistent. [1][2][5]

Quellen

[1] udgamlabs/Vemana-Base · Hugging Face — https://huggingface.co/udgamlabs/Vemana-Base (abgerufen am 2026-10-27)
[2] Vemana | Udgam Labs — https://udgamlabs.com/models/vemana (abgerufen am 2026-10-27)
[3] Vemana, a small Telugu model trained live in public | Udgam Labs — https://udgamlabs.com/blog/vemana (abgerufen am 2026-10-27)
[5] Vemana: a 278M Telugu language model trained from scratch | Udgam Labs — https://udgamlabs.com/research/vemana (abgerufen am 2026-10-27)