NVIDIA: Vera-Rubin-Plattform trainiert die größten KI-Modelle mit einem Viertel der Blackwell-GPUs dank Codesign

Wie viele GPUs spart die Vera-Rubin-Plattform?

NVIDIA behauptet, dass die Vera-Rubin-Plattform die größten KI-Modelle mit nur einem Viertel der Anzahl an GPUs trainiert, die für die vorherige Blackwell-Generation nötig waren. Die Einsparung ergibt sich aus dem End-to-End-Codesign, einem Ansatz, bei dem Hardware und Software von Anfang an gemeinsam entwickelt werden, statt getrennt. Die Plattform verbindet Vera-CPU-Prozessoren und Rubin-GPUs zu einem einheitlichen Design, sodass Optimierungen auf Ebene des gesamten Systems erfolgen, nicht nur auf Ebene des einzelnen Chips.

Technischer Hintergrund

Nemotron 3 Ultra ist NVIDIAs Modell vom Typ MoE (Mixture of Experts) mit 550 Milliarden Parametern — eine Architektur, bei der für jede Anfrage nur ein Teil der spezialisierten „Experten” innerhalb des Netzwerks aktiviert wird, statt des gesamten Modells. Das Modell erreichte im SWE-bench-Verified-Benchmark, der die Fähigkeit misst, echte auf GitHub gemeldete Bugs zu lösen, ein Ergebnis von 71,7 Prozent.

Testergebnisse

Prime Intellect testete Vera-CPU-Prozessoren in RL-Sandbox-Umgebungen (Reinforcement Learning) und maß einen rund 30 Prozent höheren Durchsatz pro Prozessor im Vergleich zu alternativen x86-Architekturen. Post-Training, die kontinuierliche Verfeinerung eines Modells nach dem ursprünglichen Training durch zusätzliche Daten und Rückmeldungen, stellt NVIDIA als fortlaufenden Prozess dar, nicht als einmaligen Schritt. Das Ergebnis zeigt, dass die Wahl der Prozessorarchitektur direkt die Geschwindigkeit des RL-Sandbox-Zyklus beeinflusst, nicht nur die reine Anzahl der im System verfügbaren GPUs.

Was das für den Markt bedeutet

NVIDIA hebt „Intelligenz pro Dollar” als Schlüsselkennzahl für agentische KI hervor, statt allein die reine Rechenleistung. Sollte sich die Behauptung eines Viertels der Blackwell-GPUs in der Praxis bestätigen, könnten die Kosten für das Training eines Modells vergleichbarer Größe im Vergleich zur vorherigen Generation deutlich sinken. Statt Generationen ausschließlich nach Transistoranzahl oder reinen FLOPs zu vergleichen, schlägt NVIDIA vor, den Fortschritt am Verhältnis der erreichten Modellintelligenz zum investierten Geld zu messen, was direkt bestimmt, wie viele GPUs Unternehmen kaufen müssen, um vergleichbare Modelle zu trainieren.