KI heute: DeepSeek V4.1 und NVIDIA RTX Spark

Stand des Wissens zum 18.10.2026. Quellmaterial gesammelt im Zeitraum vom 17.10.2026 bis zum 18.10.2026.

Der heutige technische Überblick konzentriert sich auf Neuheiten in der Recheninfrastruktur sowie auf Tools für Entwickler. Wir besprechen die Aktualisierung des Modells DeepSeek-V4.1-Flash-1017 sowie die Markteinführung der NVIDIA RTX Spark Laptops, die mit Grace-Prozessoren ausgestattet sind. Wir prüfen zudem den praktischen Einsatz des Codex-Tools im Finanzsektor, Techniken zur Optimierung von FP16 GEMM-Kerneln für AMD RDNA-Chips sowie das autonome Forschungssystem Athanor zur Automatisierung des Post-Training-Prozesses von Sprachmodellen auf GPUs.

Das Wichtigste in Kürze (TL;DR)

• DeepSeek-V4.1-Flash-1017: Eine neue Such-API und ein aktualisiertes Modell mit verbesserten Benchmark-Ergebnissen wurden bereitgestellt.
• NVIDIA RTX Spark: Laptops mit Blackwell RTX-Grafik und einem Grace-Chip wurden in den Verkauf eingeführt und bieten bis zu 1 Petaflop an KI-Rechenleistung.
• Benefit Street Partners: Das Unternehmen hat das Codex-Tool implementiert, um die Analyse von Kreditverträgen zu unterstützen und den Prozess der Quellcode-Überprüfung zu beschleunigen.
• FP16 GEMM-Optimierung: Es wurde ein technischer Leitfaden zur Optimierung von Matrixberechnungen für AMD RDNA 3- und RDNA 4-Architekturen veröffentlicht.
• Athanor: Es wurde ein System vorgestellt, das KI-Agenten erlaubt, selbstständig Forschungen durchzuführen und den Post-Training-Prozess von Sprachmodellen zu optimieren.

DeepSeek stellt Such-API bereit und aktualisiert das Modell V4.1 Flash

Laut einer Ankündigung vom 17. Oktober hat DeepSeek seine interne Websuch-API bereitgestellt und ein Update des Modells DeepSeek-V4.1-Flash-1017 eingeführt.

Die interne Suchmaschine von DeepSeek indexiert Hunderte Milliarden von Webseiten. Dieses System wurde für die Verarbeitung mehrsprachiger Suchanfragen konzipiert, und sein Betrieb basiert auf Mechanismen, die SEO-Spam, geografische Manipulationen und minderwertige, durch künstliche Intelligenz generierte Inhalte herausfiltern. Das Tool soll Benutzern und großen Sprachmodellen Zugriff auf verifizierte und aktuelle Daten bieten.

Das aktualisierte Modell DeepSeek-V4.1-Flash-1017 ersetzt die vorherige Version auf der offiziellen Website und in der mobilen Anwendung. Bei der API erfolgt der Zugriff auf die neue Version über die Methode deepseek-flash unter Beibehaltung der bisherigen Preisgestaltung. Der Hersteller deklariert einen Leistungszuwachs in Vergleichstests wie HLE (Ergebnis 42.6), Terminal-Bench 4.0 (42.3), DeepSWE v1.1 (77.0), ProgramBench (29.1), NL2Repo-Bench (68.2), Automation-Bench v1.0.6 (60.5), Agents' Last Exam (35.4), Apex Bench v1.1 (72.1), Chartography (83.0), BabyVision (92.5) sowie ZeroBench-main (51.0). Die Änderungen umfassen zudem eine Verkürzung der Aufgabenbearbeitungszeit und der Länge der generierten Antworten. Die Zusammenarbeit mit Plattformen wie DeepSeek Harness, Tencent CodeBuddy und WorkBuddy wurde optimiert – Benutzern wird empfohlen, DeepSeek Harness auf Version 0.2.1-rc.1 oder höher zu aktualisieren.

Für KI-Entwickler: Ein Entwicklerteam, das externe Suchtools integriert, kann die neue API im Hinblick auf die Eignung für seine RAG-Systeme testen. Die für die Infrastruktur verantwortliche Person sollte prüfen, ob das Modell die erforderliche Sprache im für das Projekt notwendigen Umfang unterstützt und ob Durchsatzlimits für die Such-API existieren. In der Mitteilung fehlen Informationen zur Serververfügbarkeit in der Europäischen Union sowie detaillierte Lizenzbedingungen bezüglich der Nutzung von Suchergebnissen in kommerziellen Anwendungen.

NVIDIA RTX Spark

Laut einer Ankündigung vom 17. Oktober hat NVIDIA die RTX Spark Laptops auf den Markt gebracht, die lokale Möglichkeiten der künstlichen Intelligenz bieten. Diese Geräte, die in den Angeboten führender Hersteller wie ASUS, Dell, HP, Lenovo, Microsoft und MSI verfügbar sind, wurden mit Blackwell RTX-Grafik und einem NVIDIA Grace CPU-Prozessor ausgestattet.

Die neue Computergeneration mit dem Windows-System verfügt über bis zu 1 Petaflop an Rechenleistung für künstliche Intelligenz und bis zu 128 GB vereinheitlichten Arbeitsspeicher. Die Laptops sind für Aufgaben im Zusammenhang mit Inhaltserstellung, Spielen und der Ausführung fortgeschrittener KI-Prozesse im lokalen Modus bestimmt. Die Preise für die Geräte beginnen bei 2 399 US-Dollar. Die Premiere wurde von Werbeveranstaltungen in sechs Städten weltweit begleitet, u. a. in Berlin, Peking, Istanbul, Seoul, San Francisco und Taipeh.

Für KI-Entwickler: Ein Desktop-Anwendungsentwickler oder Machine-Learning-Ingenieur kann die Ausführung lokaler Modelle auf der Unified-Memory-Architektur mithilfe von Ressourcen und Rezepten testen, die von NVIDIA bereitgestellt wurden. Die Ankündigung gibt nicht an, ob die Hardware Beschränkungen beim Vertrieb im Gebiet der Europäischen Union aufweist, wie hoch der Energieverbrauch bei voller Rechenlast ist oder ob sie andere als die in der Dokumentation des Herstellers genannten spezifischen Bibliotheken unterstützt – dies muss vor der Implementierung in die Arbeitsumgebung überprüft werden.

Benefit Street Partners nutzt Codex

Das Unternehmen Benefit Street Partners nutzt das Codex-Tool zur Unterstützung täglicher technischer Aufgaben. Anant Kumar setzt diese Lösung ein, um den Code-Review-Prozess sowie die Analyse von Kreditverträgen zu beschleunigen. Der Einsatz von Codex ermöglicht es dem Unternehmen, schneller auf gestellte Fragen zu antworten und unterstützt den Prozess des Aufbaus von Tools zur Kreditbewertung. Diese Informationen stammen aus einem Bericht vom 16. Oktober.

Für KI-Entwickler: Eine Person, die sich mit Vertragsanalyse und Code-Reviews beschäftigt, kann die Eignung des Tools für die Arbeit mit Finanzdokumentationen prüfen. Die Quelle weist nicht darauf hin, ob das Modell bestimmte Sprachen unterstützt, wie die Abfragelimits aussehen oder ob die Lizenz die Verarbeitung von Daten erlaubt, die dem Bankgeheimnis unterliegen – diese Fragen erfordern eine Überprüfung vor dem Einsatz.

FP16 GEMM-Optimierung auf AMD RDNA-Architekturen

Adel Johar, Jan Stephan und Istvan Kiss haben am 16. Oktober einen technischen Leitfaden zur Optimierung von FP16 GEMM-Kerneln für AMD RDNA 3- und RDNA 4-Grafikkarten veröffentlicht. Der Artikel stellt den ersten Teil einer Serie dar, die dem Aufbau effizienterer Implementierungen der Matrixmultiplikation gewidmet ist, welche WMMA-Instruktionen (Wave Matrix Multiply-Accumulate) nutzen. Die Autoren präsentieren einen achtschrittigen Prozess zur Erstellung eines Rechenkernels und messen die Auswirkungen jeder eingeführten Modifikation auf die Ausführungszeit, die Registerauslastung sowie den LDS-Speicher (Local Data Share).

Der Optimierungsprozess umfasst Techniken wie: die Verwendung breiterer 128-Bit-Speicherkopien, Double Buffering, die Vermeidung von LDS-Speicherbankkonflikten sowie das Verschachteln von Datenladeoperationen mit Berechnungen. Die Autoren betonen die Unterschiede zwischen den Architekturen und weisen darauf hin, dass Techniken, die die Leistung auf RDNA 3 steigern, sich negativ auf RDNA 4 auswirken können und umgekehrt. Beispielsweise behandelt die WMMA-Instruktion auf RDNA 3 eine 32-Thread-Gruppe (Wave) als zwei kooperierende Hälften mit replizierten Daten, während auf RDNA 4 jede Hälfte einen anderen K-Datenbereich verarbeitet. Die Tests wurden auf Radeon PRO W7800, Radeon RX 9070 XT und Radeon 8060S Karten unter Verwendung der ROCm 10 Umgebung durchgeführt.

Für KI-Entwickler: Ein Systementwickler, der sich mit Low-Level-Berechnungsoptimierung auf AMD-Karten beschäftigt, kann den im Projektrepository verfügbaren Quellcode analysieren, um die Tiling-Technik zu verstehen. Der Artikel präzisiert nicht, ob die vorgeschlagenen Lösungen zu einer Leistungssteigerung in spezifischen Produktionseinsätzen außerhalb der getesteten TN-Operationen (Transposed/Non-transposed) führen – dies ist in der eigenen Umgebung zu verifizieren. Es wurde ebenfalls nicht angegeben, wie sich diese Techniken bei der Verwendung anderer Bibliotheken als hipBLASLt skalieren.

Athanor für autonome Forschungen zum Post-Training von Modellen

Ein Forschungsteam hat am 16. Oktober das System Athanor vorgestellt, das der Durchführung autonomer Forschungen zum Post-Training von Sprachmodellen dient. Das System ermöglicht KI-Agenten die selbstständige Steuerung des Forschungszyklus auf realen GPUs. Im Rahmen eines 104-stündigen Experiments unternahm ein aus vier Claude Opus 5.5-Agenten bestehendem Team die Verbesserung des Basismodells Qwen3-4B-Base. Die Agenten agierten in einer Sandbox-Umgebung ohne Nutzung externer Lehrer-Modelle, und ihre Arbeit umfasste die Analyse von Datensätzen, die Modifikation von Trainingsalgorithmen, die Hyperparameter-Anpassung sowie die Analyse von Ergebnissen zur Bestimmung weiterer Forschungsschritte.

Als Ergebnis verbesserte das Modell Qwen3-4B-Base sein Ergebnis in sechs Testaufgaben von 15,9 auf 67,3 und in einem Held-out-Testdatensatz von 9,2 auf 48,2. Zum Vergleich erreichte das offizielle Modell Qwen3-4B-Instruct-2507 entsprechend 66,5 und 47,9. Die Agenten erreichten diese Ergebnisse durch die Kombination bekannter Methoden, darunter SFT (Supervised Fine-Tuning) auf Inferenzdaten, RL (Reinforcement Learning) unter Berücksichtigung von Änderungen im Rollout-Prozess, die Kombination von Modellgewichten zwischen Agenten sowie die Anwendung von Selbstdestillationstechniken. Die Autoren betonen, dass Athanor eingefrorene Evaluierungstools, Aufgabenmanagement, Daten-Dekontamination und eine dauerhafte Aufzeichnung der durchgeführten Forschungen bietet. Dies ist die erste Demonstration eines Systems, in dem ein Agententeam ein Basismodell autonom in ein generalistisches System umwandelt, das offiziellen Instruktionsversionen gleicht oder diese übertrifft.

Für KI-Entwickler: Ingenieurteams, die sich mit dem Modelltraining beschäftigen, können das System Athanor testen, um Forschungsarbeiten auf ihrer eigenen GPU-Infrastruktur zu automatisieren. Die Publikation präzisiert weder die Betriebskosten der Recheneinheiten für so lange Kampagnen noch die Lizenzverfügbarkeit für kommerzielle Anwendungen – dies muss vor der Implementierung verifiziert werden.

Häufig gestellte Fragen (FAQ)

Welche Hauptverbesserungen wurden im Modell DeepSeek-V4.1-Flash-1017 eingeführt?

Das aktualisierte Modell sorgt für einen Leistungszuwachs in Vergleichstests wie HLE oder Chartography. Die Änderungen umfassen zudem eine Verkürzung der Aufgabenbearbeitungszeit und die Optimierung der Länge generierter Antworten. Die neue Version ersetzt die vorherige in der mobilen Anwendung und auf der offiziellen Website, und der Zugriff per API erfolgt mithilfe der Methode deepseek-flash.

Wodurch zeichnet sich das System Athanor bei Forschungen an KI-Modellen aus?

Athanor ist ein System, das KI-Agenten die autonome Steuerung des Forschungszyklus auf GPUs ermöglicht. Im Rahmen eines Experiments passte ein Team von vier Claude Opus 5.5-Agenten das Modell Qwen3-4B-Base durch Algorithmenmodifikation, Hyperparameter-Auswahl und Datensatzanalyse selbstständig an und erzielte dabei Ergebnisse, die mit offiziellen Instruktionsversionen von Modellen vergleichbar sind.

Quellen

• DeepSeek: Opening up the in-house search API / DeepSeek-V4.1-Flash-1017 Update — 2026-10-17
• RTX Spark Ignites Global Celebration as New Windows PCs Arrive — 2026-10-17
• Benefit Street Partners answers questions faster with Codex — 2026-10-16
• FP16 GEMM Optimization on AMD RDNA™ 3 and RDNA™ 4 Architectures — 2026-10-16
• Athanor: An Agent-Native System for Autonomous Post-Training Research — 2026-10-16

--- Text vorbereitet automatisch durch das Labor aipoc-lab (AI) auf Basis der öffentlich zugänglichen Quellen, die oben genannt wurden. Eigene Zusammenfassungen, keine Kopien. Version vor menschlicher Redaktion.