Suche
Datalog im GPU-Turbomodus: So wird Logik endlich rasend schnell
Datalog, die oft unterschätzte Sprache für komplexe rekursive Queries, bekommt endlich ihren wohlverdienten Performance-Boost. Eine neue Studie zeigt, wie man Datalog-Programme auf GPUs optimieren kann, um selbst anspruchsvolle Logik-Abfragen massiv zu beschleunigen. Das ist ein Game-Changer für Bereiche wie statische Code-Analyse oder Datenbanken, wo Geschwindigkeit entscheidend ist.
KI-Inferenz: 10% schneller dank cleverem GPU-Cache in SGLang
Multimodale KI-Modelle sind vielversprechend, aber ihre Inferenz-Engines noch nicht optimiert. Modal.com demonstriert, wie SGLang’s Performance um über 10% gesteigert wurde, indem aufwendige Buchhaltung für geteilten GPU-Speicher durch einen einfachen Cache-Lookup im Scheduler ersetzt wurde. Dieser sogenannte 'Handle Cache' führte zu signifikanten Verbesserungen bei Durchsatz und Latenz auf multimodalen Workloads.
Wasm & Apple Silicon: KI-Turboboost dank Zero-Copy-GPU-Power
Ein cleverer Trick macht KI-Inferenzen auf Apple Silicon blitzschnell: Statt Daten zwischen CPU und GPU zu kopieren, nutzen Entwickler jetzt Apples Unified Memory Architektur direkt aus WebAssembly. Das bedeutet Zero-Copy-Power, die Performance-Engpässe bei ML-Modellen radikal eliminiert und eine neue Ära für effiziente KI-Anwendungen einläutet.
Bio-IT im Eigenheim: DNA-Sequenzierung mit DGX Spark & Mac Studio
Die Tage, in denen DNA-Sequenzierung ausschließlich Großlaboren vorbehalten war, könnten gezählt sein. Ein Enthusiast demonstriert, wie man mit einer Kombination aus leistungsstarker NVIDIA DGX-Technologie (DGX Spark) und einem Mac Studio komplexe Bio-IT-Aufgaben direkt zu Hause löst. Das unterstreicht eindrucksvoll die zunehmende Demokratisierung von Hochleistungsrechnen für wissenschaftliche Zwecke und das enorme Potenzial für Citizen Science und personalisierte Medizin.
Unsloth & NVIDIA: 25% Boost für dein LLM-Feintuning!
Unsloth und NVIDIA haben ihre Kräfte gebündelt, um das Feintuning von Large Language Models (LLMs) auf NVIDIA GPUs zu optimieren. Durch gezielte Verbesserungen beseitigen sie versteckte Engpässe und erzielen eine kombinierte Beschleunigung der Trainingsgeschwindigkeit um bis zu 25%. Die Optimierungen konzentrieren sich darauf, redundante Buchungsvorgänge zu reduzieren und Kopiervorgänge parallel zur eigentlichen Rechenarbeit ablaufen zu lassen.
Utilyze: Misst, wie nützlich deine GPU-Arbeit wirklich ist
Utilyze ist ein auf GitHub gehostetes Projekt, das laut Titel dazu dient, die Effizienz von GPUs bei der Verrichtung 'nützlicher Arbeit' zu messen. Es zielt darauf ab, Klarheit über die tatsächliche Auslastung und den Output von Grafikkarten zu schaffen.
GPU-Monitoring wird endlich präziser: Utilyze sticht nvtop aus
Keine Lust mehr auf Rätselraten bei der GPU-Auslastung? Utilyze ist ein neues Open-Source-Tool, das Schluss machen will mit ungenauen Messungen beliebter Tools wie `nvtop`. Es verspricht, deutlich präzisere Daten zu liefern, was nicht nur für KI-Entwickler, sondern für jeden, der seine teuren GPU-Ressourcen effizient nutzen will, ein Game-Changer sein könnte.
AMDs ROCm auf Strix Halo: BIOS- & GRUB-Tweaks für PyTorch-KI
Marco Inacio teilt seine ersten Erfahrungen mit der Einrichtung von AMDs ROCm auf einer Strix Halo APU unter Ubuntu 24.04 LTS. Um PyTorch zum Laufen zu bringen, waren spezifische BIOS-Updates, angepasste Einstellungen für den Shared-Video-Speicher und GRUB-Konfigurationsänderungen erforderlich. Die PyTorch-Installation selbst wurde als "somewhat tricky" beschrieben, konnte aber letztendlich erfolgreich abgeschlossen werden.
KI-Compute-Knappheit ist real: Preise steigen, Zugang begrenzt
Die AI-Branche erlebt erstmals seit den 2000ern eine echte Lieferkettenkrise bei Rechenleistung. GPU-Mietpreise für Nvidia Blackwell Chips stiegen in nur zwei Monaten um 48%, während CoreWeave seine Preise um 20% anhob und Vertragslaufzeiten verlängerte. Der Zugang zu modernsten KI-Modellen wird zum privilegierten Gut, da selbst große Player wie OpenAI Compute-Grenzen spüren und Startups vor noch größere Hürden gestellt werden.
Swift: Von GFLOP/s zu TFLOP/s für LLM-Training auf Apple Silicon
Ein Entwickler zeigt, wie er die handgeschriebene Matrix-Multiplikation für LLM-Training in Swift auf Apple Silicon von GFLOP/s zu TFLOP/s katapultiert. Dies geschieht explizit ohne Frameworks oder Bibliotheken, um die CPU, SIMD, AMX und GPU direkt zu nutzen. Das Ziel: Swift schneller als die C-Referenzimplementierung llm.c zu optimieren.
antirez' ds4: Lokale DeepSeek 4 Flash AI-Inferenz für Metal
GitHub-Nutzer antirez hat das Projekt `ds4` veröffentlicht, eine lokale Inferenz-Engine für DeepSeek 4 Flash. Es wurde für die Ausführung auf Systemen mit Metal-Unterstützung entwickelt. Damit wird DeepSeek 4 Flash direkt auf kompatibler Hardware verfügbar.
Apple's ml-sharp im Browser: Gaussian Splats via ONNX Runtime Web
Ein neues GitHub-Projekt präsentiert ein Web-Playground, das Apples ml-sharp Modell im Browser zum Laufen bringt. Ziel ist die Erstellung von Gaussian Splats direkt im Browser, realisiert mithilfe von ONNX Runtime Web. Damit wird eine spezifische 3D-Rekonstruktions-Technologie von Apple clientseitig zugänglich gemacht.
Bio-Computing: Der Titel allein ist schon furchteinflößend.
Auf kuber.studio ist ein Blogbeitrag mit dem Titel 'I'm scared about biological computing' erschienen. Obwohl der konkrete Inhalt des Artikels im vorliegenden Auszug nicht ersichtlich war, signalisiert schon der Titel eine tiefe Besorgnis über das Potenzial dieser Technologie.
Google schärft die Krallen: Neue AI-Chips gegen Nvidias Dominanz
Google hat die nächste Generation seiner Custom-AI-Chips, die Tensor Processing Units (TPUs), vorgestellt, die sowohl fürs Training als auch die Inferenz von KI-Modellen gedacht sind. Damit zielen sie direkt auf Nvidias Marktbeherrschung ab und zeigen Googles Entschlossenheit, seine Abhängigkeit von externen Chip-Herstellern zu reduzieren. Es ist ein klares Signal: Der Kampf um die Vorherrschaft in der KI-Hardware-Landschaft wird immer intensiver.
Indien subventioniert H100-GPUs: KI-Zukunft für fast nichts?
Indien bietet H100-GPUs über die IndiaAI Mission für unglaubliche 78 Cent pro Stunde an, während Startups, die „indigene foundational models“ entwickeln, diese sogar kostenlos erhalten. Im krassen Gegensatz dazu liegen kommerzielle Preise im Land bei bis zu vier Dollar pro Stunde für dieselbe Hardware. Der Artikel hinterfragt, ob dies eine smarte Industriepolitik ist, die GPUs als öffentliche Güter behandelt, aber gleichzeitig traditionelle Profitberechnungen indischer KI-Startups massiv verzerrt.
TorchTPU: PyTorch fliegt jetzt nativ auf Google TPUs – endlich!
Bislang war PyTorch auf Google TPUs eher ein Fall für Workarounds und Hacks. Mit TorchTPU schließt Google diese Lücke und lässt PyTorch jetzt nativ und im Google-Maßstab auf den eigenen KI-Beschleunigern performen. Das ist ein Befreiungsschlag für PyTorch-Entwickler, die nun die volle Power der TPUs ohne Umwege nutzen können und Google damit zum ernsthaften Player für die dominante AI-Framework-Community macht.
DeepMind DiLoCo: KI-Training endlich robust & dezentral skalierbar
Aktuelle KI-Modelle zu trainieren ist eine Sisyphusarbeit: Es dauert oft Wochen oder Monate, und ein einziger Serverausfall kann alles zunichtemachen. DeepMind zeigt mit „DiLoCo“ jetzt, wie man verteiltes KI-Training robuster macht: Indem Berechnungen entkoppelt werden, laufen die Modelle auch bei Ausfällen weiter und sind effizienter. Das ist kein triviales Detail, sondern ein Game Changer für alle, die wirklich große Modelle zuverlässig und schnell entwickeln wollen – ein echter Schritt nach vorn in der Infrastruktur von morgen.
KI-Modelle: Parameter und Compute entkoppeln für mehr Performance
Häufig werden Parameterzahl und Rechenaufwand bei KI-Modellen gleichgesetzt. Doch eine Studie von 2021 zeigt, dass beides entkoppelt betrachtet werden sollte. Mittels Hash Layers lassen sich Modelle vergrößern, ohne mehr Rechenleistung zu benötigen, während Staircase Attention mehr Compute ohne neue Parameter ermöglicht. Dies eröffnet neue Wege, um leistungsfähigere Modelle ressourceneffizient zu bauen.
ZAYA1-8B: Mathe-Meister auf AMD – mit weniger als 1 Mrd. Parametern
Zyphras neues Modell ZAYA1-8B überzeugt auf mathematischen Benchmarks und erreicht die Leistung von DeepSeek-R1. Das Bemerkenswerte daran: Es operiert mit unter einer Milliarde aktiver Parameter, bleibt bei Reasoning mit Claude Sonnet 4.5 wettbewerbsfähig und nähert sich Gemini 2.5 Pro im Coding an. Ein weiterer Durchbruch ist das Training des Modells, welches vollständig auf AMD-Hardware erfolgte und somit eine Abkehr vom de facto NVIDIA-Monopol signalisiert.
WebGPU-Power: Gemma 4 E2B zeichnet Excalidraw direkt im Browser
Diese neue Demo zeigt, wie Googles Gemma 4 E2B KI direkt im Browser – powered by WebGPU – Text-Prompts in Excalidraw-Zeichnungen verwandelt. Das 3.1 GB große Modell läuft komplett lokal auf dem Desktop (Chrome 134+). Es erzeugt kompakten Code anstelle von umfangreichen JSON-Daten für effiziente Diagramme.