Huang Renxun will im Open-Source-Modellmarkt eine Flagge hissen
Während viele dachten, NVIDIA verkaufe nur GPUs, hat das Unternehmen leise die gesamte Nemotron-3-Serie veröffentlicht – nicht nur die Modellgewichte, sondern den gesamten 3-Billionen-Token-Vortrainingsdatensatz, Reinforcement-Learning-Pipelines und Evaluierungstools als Open Source.
Die Botschaft dieser Aktion ist klar: NVIDIA will nicht nur der Schaufelverkäufer sein, sondern sich einen Platz im Open-Source-KI-Ökosystem sichern.
Drei Größen, alle mit MoE-Architektur
Die Nemotron-3-Serie verwendet die Hybrid Latent MoE-Architektur und umfasst drei Versionen:
| Modell | Gesamtparameter | Parameter pro Aktivierung | Status |
|---|---|---|---|
| Nano | 30 Milliarden | Ca. 3 Milliarden | Veröffentlicht |
| Super | Ca. 100 Milliarden | Ca. 10 Milliarden | Erste Hälfte 2026 |
| Ultra | Ca. 500 Milliarden | Ca. 50 Milliarden | Erste Hälfte 2026 |
Der Kernvorteil von MoE ist: große Parameteranzahl, aber bei jeder Inferenz wird nur ein kleiner Teil aktiviert, sodass die tatsächlichen Rechenkosten kontrollierbar bleiben. DeepSeek V3 und Llama 4 verfolgen denselben Ansatz, und jetzt zieht NVIDIA nach.
Die Benchmark-Daten von Nano sind interessant
Für die bereits veröffentlichte Nano-Version gibt das Unternehmen folgende Daten an:
- Inferenzgeschwindigkeit ist 4-mal höher als die Vorgängergeneration
- Reduzierung der generierten Inferenz-Token um 60 % (ermöglicht Schlussfolgerungen mit weniger Zwischenschritten)
- Kontextfenster von 1 Million Token
Die Bewertung der unabhängigen Prüfungsorganisation Artificial Analysis lautet: "Das offenste und effizienteste Modell seiner Größenklasse, auch bei der Genauigkeit führend."
Diese Richtung der "effizienten Inferenz" ähnelt dem Ansatz der sparse Attention von DeepSeek V3.2 – der allgemeine Trend ist, die Rechenlast zu reduzieren, ohne die Qualität zu beeinträchtigen.
Vollständig offene Toolchain
NVIDIA hat gleichzeitig eine Reihe von Begleitwerkzeugen als Open Source veröffentlicht:
- NeMo Gym: Framework für Agenten-Reinforcement-Learning-Training
- NeMo RL: Bibliothek für Reinforcement-Learning-Pipelines
- NeMo Evaluator: Evaluierungstool
Modellgewichte, Trainingsdaten und Toolchain sind alle auf Hugging Face und GitHub verfügbar, mit vollständig offener Lizenz. Jeder kann sie herunterladen, feinabstimmen und bereitstellen.
Warum NVIDIA dies tut
Es gibt mehrere mögliche Logiken:
Software bindet Hardware. Wer die Open-Source-Modell-Toolchain von NVIDIA nutzt, wird höchstwahrscheinlich auch NVIDIA-GPUs verwenden. Dies folgt der gleichen Logik wie CUDA damals: Das Ökosystem sichert die Recheninfrastruktur.
Absicherung gegen Open-Source-Konkurrenzdruck. Open-Source-Modelle wie DeepSeek, Llama 4 und Qwen werden immer stärker. Wenn NVIDIA nur auf der Hardware-Ebene agiert, wird sein Einfluss im KI-Ökosystem verwässert. Mit eigenen Open-Source-Modellen steigt das Unternehmen direkt ins Spiel ein.
Unternehmensverkaufsbündelung. Viele große Unternehmen kaufen NVIDIA-GPUs mit Servicepaketen. Die Integration vertrauenswürdiger Open-Source-Modelle ist ein Pluspunkt und Teil des Verkaufsmaterials.
Natürlich ist Open Source für NVIDIA auch mit Kosten verbunden. Angesichts der derzeitigen Finanzkraft des Unternehmens ist dies jedoch kein Problem.
Worauf es sich zu warten lohnt: Super und Ultra
Die derzeit veröffentlichte Nano-Version ist vom Umfang her relativ bescheiden. Was wirklich spannend wird, sind Super (100 Milliarden Parameter) und Ultra (500 Milliarden Parameter) in der ersten Hälfte des Jahres 2026 – wenn die Benchmarks von Nemotron 3 Ultra gut genug sind, dann ist dies nicht einfach nur "NVIDIA macht auch Modelle", sondern ein ernstzunehmender Wettbewerber in der Open-Source-Modell-Rangliste.
Quelle: CocoLoop, NVIDIA Debuts Nemotron 3 Family of Open Models (NVIDIA Newsroom)