Nvidia Blackwell: KI-Training um 93 Prozent schneller
Veröffentlicht: 07.07.2026 um 09:28 Uhr, Redaktion boerse-global.de
Der Chip-Riese Nvidia hat bahnbrechende Software-Tools vorgestellt, die das Training großer KI-Modelle drastisch beschleunigen. Die neuen „Mixture-of-Experts"-Kerne (MoE) steigern den Durchsatz bei der Vorschulung von GPT-Modellen um bis zu 93 Prozent – ein gewaltiger Sprung für die Branche.
Weniger Overhead, mehr Leistung
Nvidias neue Technik zielt auf das Herz des KI-Trainings: die Kommunikation zwischen den Recheneinheiten. Die am Dienstag vorgestellte Hybrid-EP-Bibliothek reduziert den Kommunikations-Overhead bei MoE-Trainings um bis zu 14 Prozent. Das ermöglicht deutlich schnellere Trainingsläufe für Spitzenmodelle wie DeepSeek-V3 auf Nvidias Grace-Blackwell-Hardware.
Bereits am Montag hatte das Unternehmen Nonuniform Tensor Parallelism (NTP) vorgestellt. Diese Technik erlaubt dynamische Anpassungen während des Trainings mit weniger als einem Prozent Overhead. Besonders wichtig: Sie stabilisiert den „Goodput" – also die Rate tatsächlich nutzbarer Datenübertragung – selbst bei GPU-Unterbrechungen auf Systemen mit bis zu 72 Grafikprozessoren.
Blackwell-Architektur: Der Turbo für KI
Die Hardware-Basis für diese Fortschritte liefert die Blackwell-Architektur. Sie übertrifft die Vorgängergeneration Hopper um das Dreifache bei der Trainingsgeschwindigkeit und bietet fast die doppelte Leistung pro investiertem Euro. Die GB200-NVL72-Konfiguration mit 72 Blackwell-GPUs und 130 TB/s NVLink-Verbindungen erreicht 1,4 Exaflops Leistung – und das bei zehnmal schnellerer Token-Generierung zu einem Zehntel der Kosten pro Token im Vergleich zu H200-Systemen.
Wer die 93 % Beschleunigung durch Nvidias neue MoE-Kerne für sein eigenes Training nutzen will, findet im Whitepaper die entscheidenden Hebel: NTP-Optimierung, ROI-Vergleich Blackwell vs. Hopper und Migrationsleitfaden zur Hybrid-EP-Bibliothek. Jetzt Whitepaper anfordern
Die Industrie setzt massiv auf MoE-Architekturen: Über 60 Prozent aller Open-Source-KI-Veröffentlichungen 2026 nutzen diese Technik. Sie gilt inzwischen als Standard für Spitzenmodelle wie DeepSeek-R1 und Mistral Large 3.
Neue Modelle: Wettlauf um Milliarden Parameter
Mehrere Unternehmen haben kürzlich große MoE-Modelle vorgestellt:
Der Kommunikations-Overhead bremst Ihre MoE-Modelle aus – Nvidias Hybrid-EP-Bibliothek senkt ihn um 14 %. Wer den Wettbewerbsdruck spürt, braucht jetzt den Migrationsfahrplan. Dieses Whitepaper liefert Checkliste und ROI-Rechner für den Umstieg auf Blackwell. Blackwell-Migrationsleitfaden sichern
- Tencent veröffentlichte am Montag Hy3, ein 295-Milliarden-Parameter-Modell mit 21 Milliarden aktiven Parametern und einem 256.000-Token-Kontextfenster. Das Modell übertrifft unter Apache-2.0-Lizenz angeblich GPT-5.5 im FrontierScience-Olympiad-Benchmark.
- Meituan brachte Ende Juni LongCat-2.0 heraus – ein offenes MoE-Modell mit 1,6 Billionen Gesamtparametern und einem nativen Kontextfenster von einer Million Token. Pro Token sind etwa 48 Milliarden Parameter aktiv.
- Nemotron-Labs präsentierte mit Nemotron-Labs-3-Puzzle-75B-A9B ein komprimiertes Modell, das von 120,7 auf 75,3 Milliarden Parameter schrumpft und auf einem 8×B200-Knoten etwa den doppelten Serverdurchsatz erreicht.
Nvidias Dominanz zeigt sich auch auf der ICML 2026: 74 angenommene Papers stammen vom Unternehmen selbst, rund 2.000 Papers zitieren Nvidia-GPUs, 145 die Nemotron-Modellfamilie. Große Organisationen wie Merck, Sakana AI, NAVER und Together AI setzen bereits auf Nvidias offene Modelle für Forschung in Robotik, Biowissenschaften und synthetischen Daten.
