Prisma AI-News · 17. Oktober 2026

Diese Woche geht es um die nächste Stufe der KI-Infrastruktur und darum, wie neue Modelle tatsächlich zugänglich werden. Meta öffnet die Gewichte eines sehr großen Modells, Google macht sein Frontier-Modell breiter verfügbar, und NVIDIA arbeitet an Standards für immer leistungsdichtere Rechenzentren.

Meta öffnet Muse Spark, aber nicht das Training

Meta hat am Donnerstag die Gewichte von Muse Spark Open veröffentlicht. Das multimodale Modell hat laut Meta 816 Milliarden Parameter, davon sind 42 Milliarden bei einer Anfrage aktiv. Sein Kontextfenster umfasst eine Million Tokens. Meta richtet es auf Coding und agentische Aufgaben aus, also auf Abläufe, bei denen ein Modell mehrere Schritte plant und ausführt. Die Gewichte sind über mehrere Plattformen erhältlich, und das Modell lässt sich mit verschiedenen Inferenzsystemen betreiben.

„Offene Gewichte“ bedeuten hier, dass Entwickler die Modellparameter herunterladen und verändern können. Das ist nicht dasselbe wie eine offene Trainingsbasis: Meta veröffentlicht in der Ankündigung keine Angaben dazu, mit welchen Daten und welchem vollständigen Verfahren das Modell trainiert wurde. Auch die Behauptung, Muse Spark sei das leistungsfähigste offene US-Modell, stammt von Meta. Der Guardian berichtet, Meta zufolge konkurriere das Modell mit führenden chinesischen Modellen und übertreffe sie in manchen Fällen. Unabhängige Vergleichswerte enthält das hier beschriebene Material nicht.

Bemerkenswert ist auch die Hardware-Schwelle: Meta sagt, das Modell lasse sich auf zwei Mac Studios mit M5 Ultra ausführen. Das ist eine konkrete Desktop-Demonstration, aber keine Aussage, dass Muse Spark auf gewöhnlichen Rechnern läuft. Die Lizenz erlaubt vielen Entwicklern die kostenlose Nutzung, enthält laut Meta aber begrenzte kommerzielle Bedingungen. Meta AI Research

Gemini 4 Argon kommt in weitere Produkte

Google hat Gemini 4 Argon am 13. Oktober für Entwickler freigeschaltet. Das Modell ist über die kostenpflichtige Stufe der Gemini API in Google AI Studio und Android Studio nutzbar. Google AI Ultra-Abonnenten können es außerdem in AI Studio und auf der Entwicklungsplattform Google Antigravity ausprobieren. Google beschreibt Argon als Frontier-Modell für komplexe Arbeitsabläufe in Softwareentwicklung, Unternehmenswissen und Cyberabwehr.

Der Start ist ein Follow-up zu Googles früherer Einführung von Argon, die bereits im letzten Digest Thema war. Neu ist hier die konkrete Verfügbarkeit in weiteren Entwicklungsumgebungen. Das verschiebt die Meldung vom Modellversprechen hin zu einem breiteren Zugang für Entwickler und ausgewählte Abonnenten. Die Angaben zu langen, mehrstufigen Aufgaben und tiefem Schlussfolgern stammen allerdings von Google. Unabhängige Tests oder Benchmarks sind in den vorliegenden Angaben nicht enthalten.

Praktisch ist die Produktverteilung wichtiger als eine einzelne Demo: Argon ist nicht auf eine Vorschau in nur einem Produkt beschränkt, sondern in mehreren Google-Entwicklerwerkzeugen eingebunden. Der Zugang ist aber nicht allgemein kostenlos. Für die Gemini API nennt Google die kostenpflichtige Stufe; einen Preis führt die Entwicklerankündigung nicht auf. Google Blog

NVIDIA öffnet Baupläne für KI-Fabriken

Auf dem OCP Global Summit hat NVIDIA Beiträge zur offenen MGX-Architektur vorgestellt. Die aktualisierte Spezifikation MGX 1.2 umfasst unter anderem flüssigkeitsgekühlte Racks, standardisierte Strom- und Kühlanschlüsse sowie Rack-Verbindungen. NVIDIA zufolge unterstützt die Architektur Rack-Leistungen bis zu 250 Kilowatt. Das Unternehmen hat zudem Rack- und Compute-Tray-Entwürfe für Vera Rubin an das Open Compute Project (OCP) übergeben. OCP ist ein Branchenprojekt, in dem Unternehmen gemeinsame Spezifikationen für Rechenzentren entwickeln.

Die Ankündigung reicht über mechanische Rack-Details hinaus. NVIDIA und Partner veröffentlichten offene Spezifikationen für den Bau von KI-Rechenzentren und deren Reaktion auf Störungen im Stromnetz. Eine weitere Zusammenarbeit mit Meta betrifft Netzwerktechnik für große KI-Anlagen. Die Meldung zeigt damit, dass der Ausbau nicht allein davon abhängt, wie leistungsfähig einzelne Beschleuniger sind. Stromversorgung, Kühlung, Netzwerke und Wartung müssen ebenfalls auf die hohe Dichte abgestimmt werden.

NVIDIA stellt offene Standards als Weg zu schnellerem und effizienterem Ausbau dar. Das ist eine Herstellerperspektive, keine unabhängige Bilanz der tatsächlichen Wirkung. Der konkrete Schritt ist trotzdem relevant: Teile der Architektur und des Betriebs werden als Spezifikationen oder Softwarekomponenten zur gemeinsamen Nutzung beigetragen. Damit können andere Anbieter und Betreiber auf gemeinsame Grundlagen hinarbeiten, statt für jeden Ausbau eine vollständig proprietäre Lösung zu entwickeln. NVIDIA Blog

Außerdem diese Woche

• PyTorch meldet Unterstützung für Muse Spark Open in SGLang und vLLM sowie Optimierungen für NVIDIA-, AMD- und Intel-Hardware. PyTorch
• Ein Bericht beschreibt Muse Glimmer als Modell mit 30 Milliarden Parametern für agentische On-Device-Aufgaben. Genannt werden ExecuTorch-Unterstützung für Macs mit Apple Silicon und NVIDIA-GPUs. Batch & Release

Welche Entwicklung verändert eurer Einschätzung nach die KI-Landschaft stärker: offenere Modellgewichte oder gemeinsame Infrastrukturstandards?