Thesys veröffentlicht OUI-1: Erstes Diffusionsmodell für generative UI

Thesys veröffentlicht OUI-1: Erstes Diffusionsmodell für generative UI

Thesys hat am 8. September 2026 OUI-1 veröffentlicht, ein Modell, das nach Angaben des Unternehmens das erste Diffusionsmodell ist, das speziell für generative UI entwickelt wurde, und zugleich das erste Open-Weight-Modell für diesen Zweck. Generative UI bezeichnet die automatische Erzeugung von Benutzeroberflächen durch KI – statt dass Entwickler jede Komponente manuell codieren, beschreibt das Modell aus einer textuellen Anforderung ein vollständiges Interface. OUI-1 ist ein Fine-Tune von Googles DiffusionGemma 26B-A4B-it, einem experimentellen Diffusions-Sprachmodell. Anders als autoregressive Modelle, die Text Token für Token von links nach rechts erzeugen, arbeitet OUI-1 mit Block-Diffusion: Es startet von Rauschen und verfeinert einen ganzen Block von 256 Token gleichzeitig, bis jeder Token sicher ist. Das Ergebnis ist eine Ausgabe in openui-lang, einer deklarativen UI-Sprache, die von OpenUI verwendet wird und kompakter ist als JSON oder HTML. Die Gewichte sind auf Hugging Face unter der Apache-2.0-Lizenz verfügbar, derselben Lizenz wie das Basismodell. Damit können Entwickler das Modell frei herunterladen, verändern und kommerziell nutzen. Die Veröffentlichung erfolgte durch Thesys, das Team hinter OpenUI Lang. Die Ankündigung wurde vom CEO Rabi Shanker Guha auf X verbreitet. OUI-1 positioniert sich als Baustein für agentengetriebene Interfaces, die lokal und in Echtzeit generiert werden sollen. Das Modell ist kein Konversationsassistent, sondern darauf trainiert, aus Komponentensignaturen im Systemprompt und einer natürlichsprachlichen Beschreibung eine deklarative UI-Struktur zu erzeugen. Damit ist es ein spezialisiertes Werkzeug für Entwickler, die generative UI in eigene Anwendungen integrieren wollen.

Technische Eckdaten: 26B Parameter, 71,7% Benchmark, Sekundenschnelle Generierung

OUI-1 hat 26 Milliarden Gesamtparameter, von denen pro Token nur 4 Milliarden aktiv sind. Das Modell arbeitet mit 256-Token-Blöcken: Statt einzelne Token sequenziell zu erzeugen, wird ein ganzer Block parallel verarbeitet. Standardmäßig durchläuft es 48 Denoising-Schritte, wie in der Generierungskonfiguration des Checkpoints festgelegt. Diese Kombination aus Block-Diffusion und wenigen aktiven Parametern ermöglicht hohe Geschwindigkeit. Auf einer Nvidia A100 mit 80 GB VRAM dauert die Generierung eines einfachen Screens etwa eine Sekunde, ein dichterer Screen mit vielen Komponenten drei bis sechs Sekunden – inklusive Prompt-Verarbeitung. Gemessen wurde mit vLLM 0.24, FP8-Quantisierung und einer Anfrage zur Zeit. Im Generative UI Benchmark erreicht OUI-1 eine Trefferquote von 71,7 Prozent. Das Protokoll umfasst 46 Screen-Beschreibungen in fünf Größenklassen, jeweils vier Generationen pro Modell, also 184 mögliche Punkte. Alle Modelle wurden mit demselben Systemprompt und ohne Thinking-Modus getestet, um Vergleichbarkeit zu gewährleisten. OUI-1 erzielte 132 korrekte Ausgaben, das Basismodell DiffusionGemma nur 24 – entsprechend 13,0 Prozent. Das ist eine Verbesserung um den Faktor 5,5. Der Benchmark bewertet, ob die generierte UI-Struktur den Anforderungen entspricht, und nutzt einen eigenen Validator. Die Rohausgaben von OUI-1 sind im Benchmark-Repository hinterlegt, sodass die Ergebnisse offline nachvollzogen werden können. Diese Zahlen stammen aus der Veröffentlichung von Thesys und wurden mit den genannten Serving-Einstellungen gemessen. Sie belegen, dass das Fine-Tuning die Fähigkeit des Basismodells zur UI-Generierung massiv gesteigert hat. Die hohe Punktzahl bei gleichzeitig geringer aktiver Parameterzahl zeigt, dass Diffusion für strukturierte, vorlagenbasierte Ausgaben wie UI-Bäume besonders geeignet ist.

Lokale Ausführung: RTX 5090 möglich, aber VRAM-Angaben widersprüchlich

Das Modell kann auf einer Nvidia RTX 5090 in FP8 ausgeführt werden, also mit 8-Bit-Quantisierung der Gewichte. Das ist bemerkenswert, weil die RTX 5090 eine Consumer-Grafikkarte ist und damit deutlich günstiger als Rechenzentrums-Hardware. Allerdings sind die Angaben zum tatsächlichen VRAM-Bedarf widersprüchlich. Eine Quelle berichtet, dass im vorgeführten Setup etwa 77 GB VRAM benötigt wurden – inklusive KV-Cache. Eine andere Quelle nennt für Inferenz bei FP16 rund 56 GB VRAM, ebenfalls inklusive Gewichten, Aktivierungen und KV-Cache bei einer Kontextlänge von 4096 Token und Batch-Größe 1. Die Differenz von über 20 GB lässt sich durch unterschiedliche Annahmen erklären: Quantisierung reduziert die Größe der Modellgewichte, während Batch-Größe und Kontextlänge den Speicherbedarf für KV-Cache und Aktivierungen erhöhen. Die 77 GB stammen aus einem Demo-Setup, das möglicherweise einen größeren Kontext oder eine andere Quantisierung verwendet hat; die 56 GB beziehen sich explizit auf FP16 mit Standardparametern. Für Nutzer, die OUI-1 lokal betreiben wollen, bedeutet das: Die tatsächlichen Anforderungen hängen stark vom gewählten Setup ab. Die Aussage, dass eine RTX 5090 ausreicht, bezieht sich auf FP8 und vermutlich eine reduzierte Kontextlänge. Wer das Modell in voller Präzision oder mit langen Prompts nutzen will, benötigt deutlich mehr Speicher, möglicherweise mehrere GPUs oder eine A100 mit 80 GB. Die widersprüchlichen Angaben machen deutlich, dass eine pauschale Aussage zum VRAM-Bedarf nicht möglich ist.

Erstes Open-Weight-Modell für generative UI: Konkurrenz für proprietäre Dienste

OUI-1 ist nach Angaben von Thesys das erste Open-Weight-Modell für generative UI. Open-Weight bedeutet, dass die trainierten Gewichte des neuronalen Netzes öffentlich zugänglich sind, nicht nur eine API. Entwickler können das Modell also vollständig kontrollieren, anpassen und auf eigener Hardware betreiben. Die Apache-2.0-Lizenz erlaubt auch kommerzielle Nutzung und Modifikation. Mit einem offenen Modell entsteht eine Alternative zu gehosteten Diensten, die unabhängig von einzelnen Anbietern funktioniert. Wenn ein leistungsfähiges Modell lokal auf einer Consumer-GPU läuft, können Entwickler UI-Generierung in ihre eigenen Anwendungen integrieren, ohne auf externe APIs angewiesen zu sein. Dadurch entfällt die Notwendigkeit, UI-Generierungsanfragen an externe Cloud-Dienste zu senden, was Netzwerk-Latenz und Kosten reduziert. Zudem adressiert OUI-1 ein spezifisches Problem: Generative UI ist besonders latenzsensitiv, weil Interfaces in Echtzeit erscheinen sollen. Ein lokales Modell vermeidet Netzwerk-Latenz und Datenschutzbedenken. Thesys positioniert OUI-1 als Baustein für agentengetriebene Interfaces, die mit der Geschwindigkeit traditioneller Software generiert werden. Die Block-Diffusion-Architektur reduziert die Latenz auf etwa eine Sekunde pro Screen, was für interaktive Software-Interfaces entscheidend ist, und der Generative UI Benchmark bestätigt mit 71,7% eine hohe Zuverlässigkeit. Ob sich das in der Praxis bewährt, müssen unabhängige Tests zeigen, aber die Veröffentlichung markiert einen Wendepunkt: Erstmals steht ein speziell für UI-Generierung trainiertes Diffusionsmodell mit offenen Gewichten zur Verfügung. Anbieter gehosteter UI-Generierungsdienste und proprietärer Modelle müssen sich nun mit einer offenen Alternative messen, die ohne Lizenzkosten und ohne Abhängigkeit von einer Cloud-Infrastruktur auskommt.

Offene Fragen: Parameterzahl gerundet, VRAM-Bedarf unklar

Trotz der klaren Leistungsdaten bleiben zwei Punkte unklar. Erstens die Parameterzahl: In einigen Quellen wird OUI-1 mit 25,8 Milliarden Parametern angegeben, in anderen mit 26 Milliarden. Das ist eine Rundungsdifferenz – 25,8 Milliarden ist vermutlich die exakte Zahl, 26 Milliarden die gerundete. Die Differenz von 0,2 Milliarden Parametern entspricht bei FP16 etwa 0,4 GB Speicher, was im Kontext von 56–77 GB VRAM vernachlässigbar ist. Zweitens der VRAM-Bedarf: Die Angaben reichen von etwa 56 GB bei FP16 bis zu 77 GB im Demo-Setup inklusive KV-Cache. Diese Spanne ist für Nutzer relevant, die entscheiden müssen, ob ihre Hardware ausreicht. Die Unterschiede resultieren aus verschiedenen Annahmen zu Quantisierung, Kontextlänge, Batch-Größe und ob der KV-Cache einbezogen wird. Eine RTX 5090 kann das Modell nur in FP8 und mit begrenztem Kontext ausführen; für FP16 oder längere Prompts sind mehrere GPUs oder eine A100 nötig. Thesys selbst gibt an, dass das Modell auf einer RTX 5090 in FP8 läuft, nennt aber keinen exakten VRAM-Bedarf. Solange keine verbindlichen Spezifikationen veröffentlicht sind, müssen Anwender mit unterschiedlichen Anforderungen rechnen und ihre Setups entsprechend testen. Es bleibt abzuwarten, ob Thesys in Zukunft genauere Spezifikationen veröffentlicht oder ob die Community durch Tests zu belastbaren Werten kommt. Für die praktische Nutzung ist das derzeit die größte Hürde. Diese Unklarheit schmälert nicht die technische Leistung, erschwert aber die Planung lokaler Deployments. Insbesondere für Entwickler, die OUI-1 in Produktivumgebungen einsetzen wollen, ist eine verlässliche Angabe des Speicherbedarfs essenziell.