KI heute: Kolibri und NVIDIA Kumo Relational

Stand des Wissens zum 26.10.2026. Quellmaterial gesammelt im Zeitraum von 22.10.2026 bis 26.10.2026.

Heute betrachten wir zwei wichtige Lösungen im Sektor intelligenter Systeme. Die erste ist Kolibri, ein auf souveräne Domänen und die deutsche Sprache optimiertes Mixture-of-Experts-Modell. Die zweite Neuheit ist NVIDIA Kumo Relational, eine Lösung für die direkte Arbeit mit relationalen Datenbanken, die die manuelle Datenaufbereitung für Analyse- und Vorhersageprozesse überflüssig macht. Beide Werkzeuge bieten einen neuen Ansatz für die Leistung in ihren Kategorien.

Das Wichtigste in Kürze (TL;DR)

• Kolibri: Ein offenes Modell mit 78,1 Mrd. Parametern, optimiert im Hinblick auf Datensouveränität und die deutsche Sprache.
• NVIDIA Kumo Relational: Ein Werkzeug zur Arbeit mit Datenbanken im Umfang von 500 Mrd. Zeilen ohne die Notwendigkeit eines Modelltrainings.

Kolibri

Am 26. Oktober 2026 wurde Kolibri vorgestellt, ein deutsch-englisches Mixture-of-Experts-Modell, das unter der Apache 2.0-Lizenz veröffentlicht wurde. Es handelt sich um ein Modell mit offenen Gewichten, das über insgesamt 78,1 Mrd. Parameter verfügt, von denen 3,46 Mrd. Parameter pro Token aktiviert werden (was 4,4% aller Parameter entspricht).

Das Modell wurde für souveräne und regulierte Domänen wie die öffentliche Verwaltung, die Industrie und die Luftfahrtbranche entwickelt. Der Erstellungsprozess umfasste die vollständige Kontrolle über Architektur, Daten und Trainingsinfrastruktur. Kolibri wurde mit 24 Bio. Token trainiert, wobei die deutsche Sprache über 20% der Daten ausmacht. Um diesen Anteil zu erreichen, wurden über 2 Bio. aus dem Netz ausgewählte und synthetisch generierte Token verwendet. Der Post-Training-Prozess kombiniert überwachtes Fine-Tuning mit Reinforcement Learning anhand von über 1,2 Mio. intern vorbereiteten Aufgaben, die Inferenz, Werkzeugnutzung, Befehlsbefolgung, Codierung und Informationsabruf umfassen. Nach veröffentlichten Daten befindet sich Kolibri an der Pareto-Grenze hinsichtlich Qualität und Inferenzkosten für die englische und deutsche Sprache. Die Konstruktion des Modells basiert auf einer früheren Iteration namens Kolibri Origin.

Für KI-Entwickler: Technische Teams in regulierten deutschsprachigen Sektoren können die Leistung des Modells in Prozessen testen, die Datensouveränität erfordern. Die Quelle präzisiert nicht die Verfügbarkeit anderer Sprachen im trainierten Modell und nennt keine Hardware-Anforderungen für den Betrieb eines Modells dieser Größenordnung – diese Informationen müssen vor dem Produktionseinsatz überprüft werden.

NVIDIA Kumo Relational

Das Unternehmen NVIDIA stellte am 21. Oktober das Basismodell Kumo Relational vor, das für die direkte Arbeit mit Datenbanken ohne die Durchführung eines Trainingsprozesses entwickelt wurde. Dieses Werkzeug unterstützt Datenbanken mit über 500 Milliarden Zeilen und ermöglicht Vorhersagen in einem einzigen Vorwärtsdurchlauf (Single Forward Pass). Die Lösung arbeitet direkt auf der relationalen Struktur und berücksichtigt Tabellen, Fremdschlüssel sowie Zeitstempel, wodurch die manuelle Umwandlung von Daten in eine flache Tabelle entfällt.

Das Modell nutzt einen In-Context-Learning-Mechanismus, bei dem bis zu 10.000 historische Beispiele gesammelt werden, um Ergebnisse wie Kundenabwanderung, Nachfrage oder Betrug vorherzusagen. In durchgeführten Tests übertraf Kumo Relational herkömmliche Modelle des maschinellen Lernens sowie Gradient-Boosted-Tree-Modelle bei 41 Aufgaben auf 15 Datenbanken. Im SAP-SALT-Benchmark erreichte die Lösung ein um 8% höheres Ergebnis bei der Metrik des mittleren reziproken Rangs (MRR) als AutoGluon-Teams. Das Werkzeug ist als Open-Source-Bibliothek unter dem Namen structured-data-models oder als NVIDIA-NIM-Dienst verfügbar. Dank der Sprache Predictive Query Language (PQL) kann das Modell direkt von KI-Agenten zur Ereignisvorhersage und Aktionsausführung genutzt worden.

Für KI-Entwickler: Teams von Dateningenieuren und Business-Analysten können Kumo Relational zur Automatisierung von Vorhersagen ohne Feature Engineering nutzen. Die Quelle nennt keine Details bezüglich der infrastrukturellen Anforderungen für lokale Bereitstellungen, der Nutzungskosten des NVIDIA-NIM-Dienstes oder der Unterstützung spezifischer SQL-Dialekte in verschiedenen Datenbankmanagementsystemen – diese Fragen erfordern eine Überprüfung vor der Integration in bestehende Produktionspipelines.

Häufig gestellte Fragen (FAQ)

Was sind die Hauptanwendungsbereiche des Modells Kolibri?

Kolibri wurde für die Arbeit in souveränen und regulierten Domänen entwickelt. Die Hauptanwendungsbereiche umfassen die öffentliche Verwaltung, die Industrie und die Luftfahrtbranche, wo eine vollständige Kontrolle über Architektur, Daten und Trainingsinfrastruktur des Modells erforderlich ist.

Auf welche Weise verarbeitet NVIDIA Kumo Relational Daten?

Das Modell arbeitet direkt auf der relationalen Struktur und berücksichtigt Tabellen, Fremdschlüssel sowie Zeitstempel. Dank des Einsatzes des In-Context-Learning-Mechanismus nutzt es bis zu 10.000 historische Beispiele, wodurch die Notwendigkeit einer manuellen Umwandlung von Daten in eine flache Tabelle entfällt.

Quellen

• Kolibri: A Sovereign European Model on the Pareto Frontier — 2026-10-26
• NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required — 2026-10-21

--- Text vorbereitet automatisch durch das Labor aipoc-lab (AI) auf Grundlage der oben genannten öffentlich zugänglichen Quellen. Eigene Zusammenfassungen, keine Kopien. Version vor der redaktionellen Bearbeitung durch Menschen.