Open-Weights-Runde: Nvidia Kumo Tabular führt eine Woche kleiner, offener Releases an
Nvidia hat am 30. September Kumo Tabular veröffentlicht, ein offenes Grundlagenmodell für Tabellenprognosen, das laut Unternehmen ohne Training, Feintuning oder Feature Engineering auskommt und auf vier Benchmarks Platz eins belegt. Es erscheint in einer Woche voller Open-Weight-Releases, von einem 164 MB großen Spracherkennungsmodell bis zu einem 145.000.000M-Parameter-Sprachmodell, das Freiwillige vorab trainiert haben.

Kumo Tabular ist der bekannteste Name der Runde, aber kein Sprachmodell. Bekommt es eine Tabelle mit beschrifteten Zeilen, sagt es die Labels neuer Zeilen in einem einzigen Vorwärtsdurchlauf voraus. Das Unternehmen nennt drei Größen von 28.000.000 bis 215.000.000 Parametern, vortrainiert ausschließlich auf künstlichen Daten. Das Modell steht unter der Lizenz OpenMDW-1.1 zur kommerziellen Nutzung, und Nvidia beansprucht Platz eins auf TabArena, BeyondArena, TALENT und ScoringBench.
Kleine Modelle, kleine Downloads
Das auffälligste Artefakt der Woche ist nicht das leistungsfähigste. Fermion Research hat am 30. September Phonon-2 veröffentlicht, ein offenes englisches Spracherkennungsmodell, das in einen Download von 164 MB passt. Laut Unternehmen liegt die Wortfehlerrate im Schnitt bei 5,21 Prozent über die sieben englischen Datensätze des Open ASR Leaderboard, und jedes offene Modell mit besserem Wert sei mindestens 5,8-mal so groß. Die Gewichte stehen unter CC-BY-4.0 und stammen von Nvidias Parakeet TDT 0.6B v3 ab.
Die technischen Angaben sind konkret: Jedes Encoder-Gewicht liegt als eine von fünf gelernten Stufen vor, etwa 2,1 Bit pro Gewicht, verpackt als Base-3-Ziffern, fünf pro Byte. Auf einem MacBook Air, so Fermion, wird eine Stunde Audio in rund 20 Sekunden zu Text. Am unteren Ende des Open-Weight-Spektrums ist dieser Tausch von Größe gegen Genauigkeit das ganze Argument.
Ein Freiwilligenprojekt namens Coop hat unterdessen einen 145.000.000-Parameter-Transformer mit Decoder-Architektur veröffentlicht, vortrainiert ohne Server und ohne Förderung, wie das GitHub-Repository angibt. Der Aufbau ist ungewöhnlich: Die Rechner laden einen Checkpoint von Hugging Face herunter, führen lokale AdamW-Schritte auf einem persönlichen Datenanteil aus und reichen einen Pseudo-Gradienten als Pull Request gegen ein öffentliches Hugging-Face-Datensatz-Repository ein. Ein Cron-Job von GitHub Actions sammelt die Einsendungen alle fünf Minuten ein, wobei die README anmerkt, dass GitHubs geteilter Scheduler sie irgendwann zwischen wenigen Minuten und einigen Stunden auslöst.
Coops frühere Stufe, ein Modell mit 15.000.000 Parametern, das Freiwillige in sechs Tagen auf TinyStories trainierten, senkte die Validierungs-Loss von 9,01 auf 2,8. Die eigene Dokumentation des Projekts bleibt vorsichtig, was das belegt: Eine einzelne Validierungs-Loss sagt nichts aus, deshalb legt die Rangliste eine Steigung über die Reihe, gegen Tokens statt gegen äußere Schritte, und gibt sie mit einem Standardfehler an.
Werkzeuge und Chips
Auch die Infrastrukturebene hat sich bewegt. Das UK AI Security Institute und Meridian Labs haben am 30. September Inspect veröffentlicht, ein Open-Source-Framework für die Evaluation von Frontier-KI. Es enthält über 200 vorgefertigte Evaluierungen, ein webbasiertes Werkzeug Inspect View, eine VS-Code-Erweiterung und ein Sandbox-System, das nicht vertrauenswürdigen Modellcode in Docker, Kubernetes, Modal, Proxmox oder Vagrant ausführt. Es unterstützt mehr als 20 Modellanbieter sowie lokale Inferenz mit HuggingFace, vLLM und SGLang.
Der Zeitpunkt zählt, weil Evaluation inzwischen ein politisches Thema ist. Am 30. September berichtete The Guardian, die US-Handelskommission FTC habe eine branchenweite Untersuchung gegen Anthropic, OpenAI und weitere KI-Labore eröffnet, ihre erste offizielle Durchsetzungsmaßnahme zu unkontrollierten KI-Agenten. Die FTC wolle Aussagen von Führungskräften von Anthropic, OpenAI und der Forschungsgruppe Metr erzwingen, berichtet die Zeitung unter Verweis auf mehrere Berichte. Alle drei lehnten eine Stellungnahme gegenüber The Guardian ab. Die New York Post hatte die Nachricht zuerst gemeldet.
Dann ist da die Chip-Ebene. Deepseek veröffentlicht Open-Source-Programmierwerkzeuge für Huaweis Ascend-Chips, heißt es in einem Beitrag auf dem offiziellen WeChat-Kanal des Unternehmens, über den The Decoder am 30. September berichtete. Kernstück ist TileLang, eine Programmiersprache, die ursprünglich Forscher der Peking-Universität entwickelt haben und die Deepseek als einfacheres Modell als Nvidias CUDA bezeichnet. Reuters berichtete, die Software umfasse Bibliotheken für Berechnung und Datenbewegung, und Deepseek stelle alles als Open Source bereit. Deepseek zufolge hat Huawei die Arbeit voll unterstützt, und beide haben einen Superknoten aus 128 Ascend-950-Chips optimiert.
Nicht jeder übernimmt diese Darstellung. Das Forschungsunternehmen SemiAnalysis hat OpenAIs Inferenzchip Jalapeno getestet und den CUDA-Graben als "möglicherweise tot" bezeichnet, schränkt aber ein, dass es nur Szenarien mit etwa 8.000 Eingabe-Tokens und 1.000 Ausgabe-Tokens geprüft und seinen AgentX-Benchmark noch nicht laufen lassen hat. Im August hatte dieselbe Firma Nvidia bei Agent-Workloads deutlich vorn gesehen.
Was die Releases nicht klären
Offene Gewichte bedeuten keinen offenen Prozess. Coops Aggregator verwirft zu alte Einsendungen und kappt den Rest mit einem getrimmten Mittel oder geometrischen Median, bevor ein einzelner Nesterov-Schritt folgt. Die Sandbox von Inspect gibt es gerade deshalb, weil Modellcode nicht vertrauenswürdig ist. Die Lizenz von Phonon-2 stammt vom Modell eines anderen Unternehmens.
Und Übereinstimmung ist keine Genauigkeit. Jevstiller, ein Open-Source-Werkzeug, über das The Register am 29. September berichtete, destilliert Jev-Ausgaben in ein lokales Modell und meldet 98 Prozent Übereinstimmung mit dem Dienst, während es vertraute Anfragen in nur 15 ms beantwortet. Die Entwickler sind in ihrer Dokumentation deutlich: "Übereinstimmung ist keine Genauigkeit." Dieser Satz könnte unter fast jedem Release dieser Woche stehen.
Der politische Hintergrund ist noch weniger geklärt. OpenAI-Chef Sam Altman sagte am Dienstag vor Journalisten am Entwicklertag des Unternehmens, es werde nicht an die Börse gehen, bevor es "sichere Entscheidungen mit Zuversicht treffen" könne, berichtet Ars Technica. Das Unternehmen verhandele über eine Finanzierung von 30.000.000.000 Dollar oder mehr bei einer Bewertung von rund 1.400.000.000.000 Dollar, meldet Ars Technica unter Verweis auf mit der Sache vertraute Personen; die Zielsumme von 30.000.000.000 Dollar hatte zuerst Bloomberg gemeldet. BBC News berichtete über dieselbe Veranstaltung und hob hervor, Altman habe neue Agenten namens dots als "bemerkenswert leistungsfähige, immer aktive Agenten, die praktisch alles erledigen können, was man sich vorstellt" bezeichnet.
Es gibt eine Lesart dieser Woche, in der offene Gewichte schlicht günstigere Distribution sind. Nvidia will Kumo Tabular in Unternehmenspipelines. Fermion will Phonon-2 auf Laptops. Deepseek will Software für Huaweis Silizium. Coop will zeigen, dass die Trainingsschleife auf gespendeter Hardware läuft. Das gemeinsame Motiv ist keine Ideologie, sondern Arithmetik: kleinere Artefakte, weniger verbrauchte Tokens, weniger zu mietende Infrastruktur.
Ob diese Arithmetik die Sicherheit verbessert, ist eine andere Frage, und diese Woche gab darauf keine klare Antwort.
Quellen
9- 01Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
- 02Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
- 03Coop: A small language model pretrained by volunteersEN
- 04Inspect: An open-source framework for large language model evaluationsEN
- 05US trade regulator opens investigation into AI giantsEN
- 06China's AI industry closes ranks as Deepseek ships open-source software for Huawei's Ascend chipsEN
- 07Jevstiller: Open-source tool distills Jev so you can run it locallyEN
- 08OpenAI delays IPO over AI safety concernsEN
- 09OpenAI unveils AI assistant 'dots' while safety worries delay new modelEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.