KI heute: NVIDIA DGX Spark und OpenAI Astra Ultrafast

Stand des Wissens zum 2026-10-03. Das Quellmaterial wurde im Zeitraum von 2026-10-02 bis 2026-10-03 gesammelt.

Die heutige Übersicht umfasst wichtige Aktualisierungen im Hardware- und Modellsektor. NVIDIA führt das DGX Spark-Gerät für lokale KI-Berechnungen ein, während OpenAI die Leistung des Modells GPT-6 Astra Ultrafast erhöht. Im Bereich der offenen Lösungen debütieren das Tool AstaBrief 8B und die Trainingsinfrastruktur Olmo-core 3. Die Zusammenstellung schließt mit Informationen über ein neues Schulungsprogramm für Deployment-Ingenieure, das von Anthropic gestartet wurde.

Das Wichtigste in Kürze (TL;DR)

• NVIDIA DGX Spark: Lokale Recheneinheit basierend auf der Grace-Blackwell-Architektur, die Modelle mit bis zu 100 Milliarden Parametern unterstützt.
• GPT-6 Astra Ultrafast: Neuer Modus des OpenAI-Modells, der NVIDIA-Blackwell-Prozessoren nutzt und eine achtmal schnellere Generierung von Tokens ermöglicht.
• AstaBrief 8B: Open-Source-Modell, das auf die schnelle Generierung wissenschaftlicher Berichte auf Basis der Literatur optimiert ist.
• Olmo-core 3: Infrastruktur des Allen Institute for AI, die das Training von Mixture-of-Experts-Modellen in einem Maßstab von bis zu einer Billion Parametern ermöglicht.
• Claude Frontier Academy: Bildungsprogramm von Anthropic, das darauf abzielt, 10 000 Ingenieure im Bereich der Implementierung von Claude-Modellen in Unternehmen zu schulen.

NVIDIA DGX Spark 64GB

Das Unternehmen NVIDIA hat die Einführung des DGX Spark-Geräts für den 23. Oktober angekündigt, das mit 64 GB vereinheitlichtem Speicher ausgestattet und für den Aufbau sowie die Skalierung lokaler Systeme künstlicher Intelligenz bestimmt ist. Die Hardware basiert auf der Grace-Blackwell-Architektur und enthält den vollständigen NVIDIA-Software-Stack, einschließlich des DGX OS.

Die Plattform ermöglicht das Ausführen von Modellen mit einer Größe von bis zu 100 Milliarden Parametern direkt auf dem Gerät, was die Arbeit an KI-Agenten, Inferenz, Modell-Fine-Tuning und Datenanalyse ohne die Notwendigkeit der Cloud-Nutzung erlaubt. Zum Lieferumfang gehört die Netzwerkkarte ConnectX-7, die das Verbinden von zwei Einheiten zu einem Cluster mithilfe des NVIDIA Sync Cluster Assistant ermöglicht. In einer solchen Konfiguration erhalten die Anwender 128 GB vereinheitlichten Speicher sowie die Unterstützung für Modelle mit bis zu 200 Milliarden Parametern, was in Leistungstests mit dem Modell Qwen 3.8 27B zu einer 1,7-fachen Leistungssteigerung im Vergleich zu einem einzelnen System führte.

Das Gerät unterstützt beliebte Tools und Frameworks wie das NVIDIA Agent Toolkit, Ollama, vLLM, PyTorch mit CUDA sowie CUDA-X-KI-Bibliotheken. Die Hardware wird im Angebot der Hersteller Acer, ASUS, Dell, Gigabyte, HP und MSI zu einem Startpreis ab 4 999 USD erhältlich sein. Bis Ende des Monats ist die Bereitstellung des NVIDIA Sync Model Launcher geplant, einem Tool zur Erleichterung der Modellkonfiguration in Einzel- und Mehrnodenumgebungen.

Für KI-Entwickler: Systemingenieure und Forscher, die sich mit lokalen Agenten befassen, können diese Hardware nutzen, um Modelle in einer vom externen Netzwerk isolierten Umgebung zu testen. Die Ankündigung enthält keine Informationen über die Verfügbarkeit des Geräts in verschiedenen Weltregionen, detaillierte Lizenzbedingungen für die mit der Hardware gelieferte Software oder die Wartungskosten der Infrastruktur in Multiknoten-Clustern – diese Daten sollten vor dem Kauf bei den ausgewählten Herstellern überprüft werden.

OpenAI stellt GPT-6 Astra Ultrafast zur Verfügung

Das Unternehmen OpenAI hat am 1. Oktober das Modell GPT-6 Astra Ultrafast zur Verfügung gestellt, welches NVIDIA-Grafikprozessoren nutzt, um die Leistung bei der Datengenerierung zu steigern. Der neue Modus ist derzeit über die OpenAI API sowie für Benutzer von ChatGPT Work und Codex verfügbar.

GPT-6 Astra Ultrafast bietet eine bis zu 8-mal schnellere Token-Generierung als die Version Astra Standard. Die Nutzung der NVIDIA-Blackwell-Architektur ermöglicht die Erstellung leistungsstarker Kernel, was zu geringeren Latenzen in Betriebsschleifen wie dem Schreiben von Code, der Nutzung von Tools oder dem Testen von Lösungen durch Agenten führt. OpenAI nutzt zudem eigene Modelle zur Optimierung der Inferenz-Software auf der NVIDIA-Infrastruktur, was eine kontinuierliche Verbesserung der Antwortgeschwindigkeit des Modells und eine effektive Verwaltung der Rechenressourcen ermöglicht. Die Programmierbarkeit der NVIDIA-Platform erlaubt Teams die Wiederverwendung der Infrastruktur in den Prozessen von Training, Inferenz und Reinforcement Learning.

Für KI-Entwickler: Ersteller automatischer Programmieragenten können die Antwortgenerierungszeit innerhalb der Zyklen von Bearbeitung, Testen und Debugging überprüfen. Die Mitteilung enthält keine detaillierte Preisliste für die Nutzung des Ultrafast-Modus sowie Informationen zu Token-Verbrauchslimits, was vor der Entscheidung zur Migration der Produktionsumgebung in der technischen Dokumentation überprüft werden muss.

Bereitstellung des Modells AstaBrief

Die Organisatoren der Asta-Plattform haben am 2. Oktober das Modell AstaBrief 8B als Open-Source veröffentlicht, das für die schnelle Generierung wissenschaftlicher Berichte auf Basis von Literatur bestimmt ist. Das Tool wurde so konzipiert, dass es die Erstellungszeit von Dokumentationen verkürzt, indem ein vollständiger Bericht in einem Durchgang generiert wird, was eine Alternative zum bisherigen sequenziellen Arbeitsmodus darstellt, der auf externen Modellen basierte.

Nach Messungen der Entwickler ermöglicht die Implementierung von AstaBrief 8B eine Verkürzung der durchschnittlichen Berichtsgenerierungszeit auf 51,1 Sekunden, was ein etwa 3,5-mal schnelleres Ergebnis im Vergleich zum Thinking-Modus darstellt, der proprietäre Modelle verwendet (178,5 Sekunden). Der Lernprozess des Modells basierte auf 47 Tausend Trainingsbeispielen, die aus 90 Tausend Forschungsabfragen hinsichtlich Qualität und Bezug zur wissenschaftlichen Literatur gefiltert wurden. Das Modell wurde unter Verwendung von Supervised Fine-Tuning (SFT) und der Methode DPO (Direct Preference Optimization) trainiert, wobei auf teurere Methoden basierend auf Reinforcement Learning verzichtet wurde. Benutzer können AstaBrief im Fast-Modus direkt auf der Asta-Plattform nutzen oder die Modellgewichte herunterladen, um es auf der eigenen Infrastruktur auszuführen, was die Verarbeitung vertraulicher oder unveröffentlichter Daten ermöglichen soll.

Für KI-Entwickler: Teams, die an Systemen zur Synthese wissenschaftlicher Literatur arbeiten, können den bereitgestellten Arbeitsablauf (Workflow) zur Generierung von Berichten aus eigenen PDF-Dateien analysieren. Die Ankündigung präzisiert nicht, ob das Modell andere Sprachen als Englisch unterstützt, wie hoch die tatsächlichen Infrastrukturwartungskosten bei einer großen Anzahl von Abfragen sind oder welche Lizenzen genau die freigegebenen Gewichte und Trainingsdaten abdecken – diese Fragen erfordern vor der Implementierung eine eigenständige Überprüfung.

Olmo-core 3

Das Allen Institute for AI hat am 1. Oktober die Trainingsinfrastruktur Olmo-core 3 bereitgestellt, die für das Training großer Mixture-of-Experts-Modelle (MoE) entwickelt wurde. Das System soll die Skalierung von Modell-Llernprozessen auf das Niveau von einer Billion Parametern bei gleichzeitiger Recheneffizienz ermöglichen.

Im Vergleich zu früheren Implementierungen, die auf FSDP (Fully Sharded Data Parallelism) basierten, nutzt die neue Version einen Ansatz, der auf DDP (Distributed Data Parallelism) basiert, was das Halten von Experten im GPU-Speicher und die Eliminierung des wiederholten Sammelns von Gewichten ermöglicht. In Tests, die auf acht NVIDIA-B300-Grafikprozessoren durchgeführt wurden, erreichte ein Modell mit einer Anzahl von 47 Milliarden Parametern einen Durchsatz von 52 000 Tokens pro Sekunde pro GPU, was ein 2,7-mal höheres Ergebnis als in der vorherigen Lösung darstellt.

Olmo-core 3 kombiniert Techniken der Expertenparallelität, Pipeline-Parallelität und des verteilten Optimierers, was die Notwendigkeit der Speicherung des vollständigen Modells und des Trainingszustands im Speicher einer einzelnen Einheit begrenzt. Die Lösung unterstützt das Zahlenformat MXFP8, das in Tests eine Erhöhung des Durchsatzes um etwa 21 % im Verhältnis zum Format BF16 bei gleichzeitiger Senkung des Spitzenspeicherbedarfs von 103 GiB auf 95 GiB ermöglichte. Im Rahmen der Forschungsarbeiten wurden Konfigurationen in einem Maßstab von bis zu 2,38 Billionen Parametern getestet. Die technische Dokumentation enthält auch Analysen zum Phänomen „Token Gerrymandering“ und zu Herausforderungen im Zusammenhang mit der Lastausgleichssteuerung von Experten während des Trainings.

Für KI-Entwickler: Forscher, die sich mit der Skalierung von MoE-Modellen befassen, können den Quellcode und die interaktive Demo auf der Plattform Hugging Face überprüfen. Der veröffentlichte Bericht präzisiert nicht, ob das Tool native Unterstützung für Hardware anderer Hersteller als NVIDIA besitzt oder wie hoch die Energiekosten beim langfristigen Training von Modellen im Billionen-Parameter-Maßstab sind – diese Informationen sollten vor Beginn der Arbeiten an der eigenen Infrastruktur überprüft werden.

Anthropic startet Claude Frontier Academy

Das Unternehmen Anthropic hat 100 Millionen US-Dollar in den Start der Claude Frontier Academy investiert, deren Ziel es ist, bis Ende 2027 10 000 Ingenieure des Typs Frontier Deployed Engineers (FDE) auszubilden. Laut der Ankündigung vom 2. Oktober soll das Programm dem Mangel an qualifizierten Arbeitskräften entgegenwirken, die in der Lage sind, auf Claude-Modellen basierende Lösungen innerhalb großer Unternehmen zu implementieren.

Teilnehmer der ersten Kohorte wurden Ingenieure von Unternehmen wie Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley und Novo Nordisk. Das Bildungsmodell ist der medizinischen Praxis nachempfunden: Die Teilnehmer lernen von Praktikern, arbeiten an realistischen Szenarien und durchlaufen einen Bewertungsprozess, bevor sie ein Zertifikat erhalten.

Der Schulungsprozess besteht aus mehreren Etappen. Das Programm beginnt mit mehrtägigen Präsenzveranstaltungen mit Anthropic-Ingenieuren, während derer die Teilnehmer eine simulierte Implementierung durchlaufen – von der Auswahl des Anwendungsfalls über die Sicherheitsüberprüfung bis hin zur Übergabe des Systems an den Betrieb. Nach Bestehen der praktischen Prüfung erhalten die Teilnehmer das Abzeichen Claude Resident Engineer und beginnen eine 12-wöchige Residenz. Während dieser Zeit leiten sie ein echtes Projekt, das Claude in ihrer Organisation nutzt, unterstützt durch Experten von Anthropic. Der Abschluss der Residenz und eine erneute Endbewertung enden mit der Verleihung des Abzeichens Claude Frontier Deployed Engineer.

Die Teilnahme am Programm ist ausschließlich auf Nominierungsbasis möglich. Derzeit finden die Sitzungen in San Francisco, New York und London statt.

Für KI-Entwickler: Das Programm richtet sich an praktizierende Softwareingenieure, die Erfahrung in der Arbeit mit LLM-Modellen haben und diese in Geschäftsumgebungen implementieren können. Entscheidungsträger in technischen Teams sollten sich an ihren Kundenbetreuer bei Anthropic wenden, um die Qualifikationskriterien für die Nominierung zu überprüfen. Die Ankündigung enthält keine Informationen über die Kosten der Teilnahme an der Schulung für einzelne Organisationen oder über die Verfügbarkeit von Schulungsmaterialien für Unternehmen außerhalb des Partnernetzwerks.

Häufig gestellte Fragen (FAQ)

Welche Möglichkeiten bietet die Verbindung von zwei NVIDIA-DGX-Spark-Geräten?

Dank der Netzwerkkarte ConnectX-7 und der Software NVIDIA Sync Cluster Assistant können Anwender zwei Einheiten zu einem Cluster verbinden. Dies gewährleistet 128 GB vereinheitlichten Speicher sowie die Unterstützung für Modelle mit einer Größe von bis zu 200 Milliarden Parametern, was sich in Tests in einer 1,7-fachen Leistungssteigerung im Vergleich zu einem einzelnen System niederschlägt.

Wer kann am Programm Claude Frontier Academy teilnehmen?

Das Programm richtet sich an Ingenieure mit Erfahrung in der Arbeit mit LLM-Modellen, die in großen Organisationen tätig sind. Die Teilnahme ist ausschließlich auf Nominierungsbasis möglich, und die Schulungssitzungen finden derzeit in San Francisco, New York und London statt. Interessierte sollten sich an ihren Kundenbetreuer bei Anthropic wenden.

Quellen

• NVIDIA DGX Spark 64GB Gives Developers More Ways to Build and Scale Local AI — 2026-10-02
• How NVIDIA GPUs Help Accelerate OpenAI’s GPT-6 Astra Ultrafast — 2026-10-01
• Open-sourcing AstaBrief, the fast report-generation model in Asta — 2026-10-02
• Introducing Olmo-core 3: Open, scalable training infrastructure for large MoEs — 2026-10-01
• Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap — 2026-10-02

--- Text automatisch erstellt durch das Labor aipoc-lab (AI) auf der Grundlage öffentlich zugänglicher Quellen, die oben genannt wurden. Eigene Zusammenfassungen, keine Kopien. Version vor der menschlichen Redaktion.