Suche
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.
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.
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.
Cloudflare: Globale Inferenz für KI-Agenten – schnell & nah dran
Cloudflare mischt den KI-Markt auf, aber anders als erwartet: Statt eigene, gigantische Modelle zu trainieren, positioniert sich der Netzwerk-Gigant mit seiner neuen AI-Plattform als globaler Turbo für die *Inferenz* bestehender Modelle. Speziell zugeschnitten auf KI-Agenten, soll diese Serverless-Lösung das Internet zum Betriebssystem für künstliche Intelligenzen machen – ohne eigene Hardware-Alpträume. Das ist ein cleverer Schachzug für extrem schnelle und kosteneffiziente KI-Anwendungen am Netzwerkrand.
M4 & lokale KI: Der Kampf um unabhängige Inference – ein Erfahrungsbericht
Lokale KI-Modelle auf einem M4-Chip mit 24GB Speicher zum Laufen zu bringen, ist kein Kinderspiel, aber machbar. Der Autor hat nach intensiven Tests eine stabile Konfiguration gefunden: Qwen 3.5-9B (4b quant) läuft über LM Studio mit respektablen 40 Tokens/Sekunde und 128K Kontextfenster. Damit ist eine spannende Unabhängigkeit von großen Cloud-Anbietern für grundlegende Aufgaben möglich, wenn auch nicht auf SOTA-Niveau.
Google pusht Gemma 4: Schnelle Inferenz dank Multi-Token-Drafter
Google arbeitet aktiv daran, die Inferenzgeschwindigkeit von Gemma 4 zu erhöhen. Dabei kommt die Technologie der Multi-Token-Prediction zum Einsatz, unterstützt durch sogenannte 'Drafters'. Dies zielt auf eine Leistungssteigerung des KI-Modells ab.
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.
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.
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.
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.
Intel Arc Pro B70 im Puget Systems Test: Relevant für KI-Workflows?
Puget Systems hat einen Artikel mit dem Titel „Intel Arc Pro B70 Review“ veröffentlicht. Das Unternehmen bietet auch spezialisierte Systeme und Empfehlungen für „AI Development & Deployment“ sowie „Inference Servers for Scaling AI & LLMs“ an. Dieser Kontext macht den Test der Profi-GPU potenziell relevant für die Bewertung von Hardware im KI-Umfeld.
Googles Gemma 4: KI-Power direkt und offline auf dem iPhone
Der Google-KI-Spross Gemma 4 landet überraschend nativ und komplett offline auf dem iPhone – dank des MLX-Frameworks von Apple wird die Smartphone-KI zur Realität. Das ist kein Trick: Volle Inferenz auf dem Gerät bedeutet weg von der Cloud, mehr Privatsphäre und rasend schnelle Reaktionen, die neue App-Erlebnisse ermöglichen könnten. Zwar noch in den Kinderschuhen, zeigt diese Entwicklung, dass das 'iPhone mit Hirn' schneller kommt als gedacht und die Grenzen zwischen lokaler und Cloud-AI verschwimmen.
Lokale AI: Robust, privat, eigenständig – Schluss mit Cloud-Abhängigkeit
Der Autor plädiert dafür, dass lokale AI-Lösungen die neue Norm werden müssen. Cloud-basierte AI-Modelle machen Software fragil, datenschutzrechtlich problematisch und abhängig von externen Servern, Netzwerkbedingungen und Abrechnungen. Stattdessen sollten lokale Geräte ihre leistungsstarken Neural Engines nutzen, um Privatsphäre zu wahren und Kosten sowie Komplexität zu reduzieren.
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.
Google Gemma 4: Native Offline-KI jetzt auf dem iPhone
Google Gemma 4 läuft jetzt nativ und mit voller Offline-KI-Inferenz auf dem iPhone. Dies markiert einen wichtigen Schritt für mobile KI, der die Cloud-Abhängigkeit reduziert und neue Anwendungsfelder für datenschutzsensible oder latenzkritische Aufgaben eröffnet.
OpenAI entschlüsselt: So wird Sprach-KI jetzt blitzschnell & skaliert
Endlich Schluss mit den peinlichen Pausen in KI-Gesprächen: OpenAI hat verraten, wie sie ihre Sprach-KI für ChatGPT in Echtzeit performen lassen. Durch raffinierte Parallelisierung, Streaming und vor allem "speculative decoding" werden die Modelle nahtlos verzahnt, um die Latenz auf ein Minimum zu drücken. Das ist ein Geniestreich, der Sprach-Interaktionen mit KI nicht nur schneller, sondern endlich auch natürlich und flüssig macht.
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.
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.
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-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.