Der Shop ist online

Wir bauen Workstation AI-Maschinen für Websites, KI-Agenten und LLM-Training – online konfigurieren und kaufen.

Händlerpreise erhalten
KI-Produkte
KI-LabsOpenAI-AgentenClaude-AgentenGrok-BotWorkstation AI-natives CRMMarketingAlle Produkte
KI-Lösungen
Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI-WorkstationsNVIDIA-Hardware & -SoftwareNVIDIA Accelerated ComputingPrivate KIGPU-Private-CloudGPU-ClusterEdge-KIKI nach Branche
KI-Services
PlattformmodernisierungDigital EngineeringDatengrundlagen & KIAutonomer BetriebKI-BeratungDevOps-AutomatisierungCybersicherheitSoftwareentwicklungAgentenentwicklungMLOps-EinrichtungGPU-LeasingGPU-Private-Cloud
Über uns
UnternehmenUnsere GeschichtePartnerKundengeschichten
KI-Rechenzentren
KI-RechenzentrenGPU-Private-CloudGPU-ClusterGPU-Leasing
KI-EinblickeJev-ReiheBenchmark LabModellauswahl
Technische Hinweise
Dokumentation
Linux-BetriebssystemeUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
KI-Cloud-PlattformenAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryGPU-Clouds & Marktplätze
Private KI-RechenzentrenFür AnwaltskanzleienFür Steuer- und WirtschaftsprüfungskanzleienOn-Premises-PlattformenVollständig abgesicherte Cloud
ToolsRing PromoterJobshout
News
Blog
KontaktAnmelden

KI-Workstations, Multi-Agenten-KI-Software, GPU-Infrastruktur und intelligente Agentenlösungen für moderne Unternehmen.

Kontakt

KI-Lösungen

Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI nach Branche

Produkte

Alle ProdukteWorkstation AI-natives CRM & ERPMarketingOpenAI-AgentenRing PromoterJobshout

Unternehmen

Über unsUnternehmenKI-RechenzentrenWarum WorkstationPartnerKundengeschichtenPreiseKontaktTenthMatrix

Ressourcen

KI-EinblickeTechnische HinweiseDokumentationLinux-BetriebssystemeKI-Cloud-PlattformenPrivate KI-RechenzentrenBlogSucheSitemap
Büro Belgien
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Mo – Fr: 9:00 – 18:00 Uhr MEZ
+32 492 45 67 46
Hauptsitz Großbritannien
77-79 Marlowes, Hemel Hempstead HP1 1LFAnfahrt – Ausfahrt 20 der M25 (Outer London)Handelsregisternr.: 11641870Mo – Fr: 9:00 – 18:00 Uhr GMT
+44 7515 356 146
Büro Indien
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Büro Taiwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Mo – Fr: 9:00 – 18:00 Uhr Taiwan-Zeit (GMT+8)
+886 926 892 701+32 492 45 67 46
Büro Estland
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaMo - Fr: 9:00 - 18:00 Uhr estnischer Zeit (EET)
+32 492 45 67 46

© 2026 Workstation AI. Alle Rechte vorbehalten.

DatenschutzDatenlöschungCookiesNutzungsbedingungenWebsite-Sitemap

NVIDIA, das NVIDIA-Logo, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX und HGX sind Marken und/oder eingetragene Marken der NVIDIA Corporation in den USA und anderen Ländern. AMD, das AMD-Arrow-Logo, EPYC, Instinct, Ryzen und Threadripper sind Marken von Advanced Micro Devices, Inc. Dell und PowerEdge sind Marken der Dell Inc. oder ihrer Tochtergesellschaften. Intel und Xeon sind Marken der Intel Corporation oder ihrer Tochtergesellschaften. AMAX, AceleMax und LiquidMax sind Marken der AMAX Engineering Corporation. Alle anderen Produktnamen, Logos und Marken sind Eigentum ihrer jeweiligen Inhaber. Wir verwenden sie ausschließlich, um die Produkte zu kennzeichnen, die wir beschreiben, liefern oder unterstützen; ihre Verwendung bedeutet nicht, dass ihre Inhaber uns empfehlen.

Startseite / Technische Hinweise / Technology
AIAI AgentsData

Die Agent Knowledge Foundation von der GTC Berlin

Nemotron Parse, Embed und Rerank, cuVS, Auto-Ontology, cuDF und Kumo und was Huang über das Post-Training von Nemotron sagte

9. November 2026Technology7 min read

Nach der Sandbox wandte sich Jensen Huangs Keynote auf der GTC Berlin dem zu, was einen Agenten spezifisch für ein Unternehmen macht: seinem Wissen. Die Folie hinter ihm zeigte die Agent Knowledge Foundation. Unstrukturierte Dokumente nehmen einen Weg. Strukturierte Datenbanken einen anderen. Dieser Artikel folgt dieser Folie und danach den Partnerbeispielen, die er für das Post-Training von Nemotron anführte, ohne eines davon als Fallstudie von Workstation zu behandeln.

Warum ein Basismodell nicht das Gedächtnis des Agenten ist

Huangs Reihenfolge der Bausteine war bewusst gewählt. Zuerst der Harness, der in einer OpenShell-Sandbox läuft. Zweitens Nemotron als Sprachmodell. Diese beiden, sagte er, sind nur der Anfang. Was einen Agenten zu dem macht, was er einen Super-Agenten nannte, ist der Zugriff auf das eigene Wissen des Unternehmens. Die Bibliotheken und Modelle für diese Aufgabe hat NVIDIA auf eine Folie gestellt und Agent Knowledge Foundation genannt.

Unternehmensdaten kommen in zwei Formen. Dokumente, PDFs und andere Dateien, die eine KI lesen muss. Und Zeilen in einer Datenbank. Die Foundation ist die Sammlung von Bibliotheken, die aus beidem Bedeutung gewinnen.

Ablauf: unstrukturierte Dokumente über Nemotron Parse, Embed, cuVS und Rerank; strukturierte Daten über Auto-Ontology zu cuDF und Kumo

Der Dokumentenpfad

Von links nach rechts in der unstrukturierten Zeile der Folie:

  1. Nemotron Parse liest die Dokumente. Huang nannte es Weltklasse und „top of leaderboard“. Welches Leaderboard, sagte er nicht. Wir erfinden keines.
  2. Nemotron Embed wandelt eine Anfrage und das geparste Wissen in Vektoren um, damit sie einander zugeordnet werden können. Er verwendete dieselbe Formulierung „top of leaderboard“.
  3. cuVS ist die Vektorsuche. Die Folie platziert sie zwischen Embed und Rerank. cuVS ist NVIDIAs Bibliothek für Ähnlichkeitssuche auf der GPU.
  4. Nemotron Rerank nimmt die vielen Passagen, die die Suche liefert, und ordnet sie nach Relevanz für die Frage.

Das ist eine Retrieval-Pipeline, dargestellt mit Produktnamen statt als generischer „RAG“-Kasten. Parsen, einbetten, suchen, neu ordnen. Der Agent muss trotzdem die Erlaubnis haben, sie aufzurufen. Im Bild mit den fünf Elementen ist diese gesamte Zeile das Wissenselement, erreichbar über ein Werkzeug, das die Sandbox-Richtlinie zulässt.

Der Datenbankpfad

Die strukturierte Zeile beginnt bei Auto-Ontology und teilt sich dann.

  • Analytische Arbeit geht an cuDF, die GPU-Dataframe-Bibliothek.
  • Prädiktive Arbeit geht an Kumo. Das Keynote-Transkript gibt diesen Namen als „QMO“ und „CUMA“ wieder. Die Folie im Saal schreibt Kumo. Wir folgen der Folie.

Huangs Beispiel ist das, was man sich merken sollte, weil es beide Zeilen nutzt. Eine Mitteilung, dass ein Lieferant knapp oder verspätet sein wird, kommt als Dokument. Die Aufträge, die dieser Lieferant beliefert, liegen in SQL. Mit Kumo, sagte er, sagen Sie voraus, welche Aufträge sich verzögern und um wie viel. Ein Ersatzbauteil zu finden ist eine Vektorsuche zurück in die Konstruktionsdokumente. Eine Entscheidung, zwei Datenformen, zwei Werkzeuge.

Offene Gewichte, dann Ihre Daten

Vor der Folie warb Huang für offene Modelle, die Sie prüfen können. Nemotron für Sprache. Cosmos als World Foundation Model. GR00T für humanoide Robotik. Alpamayo für autonomes Fahren. Earth-2 für Physik. Er sagte, NVIDIA veröffentliche die Gewichte, die zum Bau des Modells verwendeten Daten und die Skripte zur Reproduktion, damit ein Labor die Herkunft nachvollziehen kann. „Providence“ im Rohtranskript bedeutet Provenienz, also Herkunft.

Zur Rangfolge äußerte er sich ebenfalls unverblümt. Diese Sprachmodelle sind nicht automatisch die Spitze der Spitze. Anpassung mit Partnern, sagte er, sei der Weg, sie zu einem Spitzenmodell für eine bestimmte Aufgabe zu machen und proprietäre Daten in das zu verwandeln, was er souveräne Intelligenz nannte. „Super Intelligence“ später in derselben Passage ist seine Bezeichnung für das Ergebnis dieses Post-Trainings. Es ist eine Aussage über die Eignung für eine Aufgabe, kein gemessener IQ.

Die Beispiele, die er laut veröffentlichtem Transkript von der Bühne aus nannte, waren diese. Über die Tatsache hinaus, dass er sie genannt hat, haben wir die Kundenprojekte nicht überprüft:

  • A21 unterstützt Alice und macht aus Nemotron ein Modell, das nach seinen Worten bei deren Aufgabe Spitzenfähigkeiten übertrifft.
  • Base10 unterstützt CodeRabbit und führt ein Fine-Tuning von Nemotron auf den Daten dieses Kunden durch.
  • Trajectory und Harvey führen ein Post-Training von Nemotron durch.
  • Scale arbeitet mit Skydance zusammen, nach demselben Muster.
  • Palantir mit dem Tampa General Hospital.

Das Neocloud-Rad später in der Keynote schreibt ein Unternehmen Baseten. Das Transkript dieser Passage sagt Base10. Wir führen diese nicht zu einer Firma zusammen. Wenn Sie CodeRabbit, Harvey, Skydance oder Tampa General sind: Der obige Satz stammt von Huang und ist kein Ergebnis, das wir reproduziert haben.

Werkzeuge sind das letzte Element

Wissen ohne Werkzeuge lässt den Agenten immer noch nur lesen. Huangs letzter Punkt war CUDA-X: Fachbibliotheken, die in Wissenschaft, Ingenieurwesen, Forschung und kreativer Arbeit eingesetzt werden. Er nannte sie die Kronjuwelen, weil ein Assistent, der konstruiert oder berechnet, einen Algorithmus aufrufen muss und nicht nur eine Chat-API. Die RTX-Spark-Demo später in der Keynote fasste das in einem Atemzug zusammen: Hermes als Harness, Nemotron und ein Modell, das das Transkript „OpenAI's GPT-6 Astra“ nennt, sowie CUDA-X-Werkzeuge wie FreeCAD, Blender, Isaac Sim, die Physik-Engine Newton und Isaac Lab. Diese Demo war NVIDIAs, auf der Bühne, für einen Hugging-Face-Roboter namens Microduck. Sie ist kein Benchmark von Workstation.

Was Sie zuerst bauen sollten

Wenn Sie einen Agenten mit Ihren eigenen Dateien ausstatten, ist die Berliner Folie eine Checkliste und keine Bestellung.

  1. Setzen Sie den Harness in eine Sandbox, bevor Sie ihn mit dem Dateispeicher verbinden. Der OpenShell-Artikel behandelt diese Hälfte.
  2. Entscheiden Sie, welches Wissen ein Dokument und welches eine Tabelle ist. Schicken Sie nicht beides durch dieselbe Pipeline in der Hoffnung, dass es klappt.
  3. Parsen und betten Sie die Dokumente ein. Suchen Sie mit einer Vektorbibliothek. Ordnen Sie neu, bevor das Modell den Stapel sieht.
  4. Lassen Sie SQL SQL sein. Nutzen Sie eine Dataframe-Bibliothek für Analysen und ein prädiktives Modell nur dort, wo Sie eine Frage wie Huangs Lieferantenbeispiel haben.
  5. Führen Sie ein Post-Training eines offenen Modells nur durch, wenn das generische Modell auf eine Weise falsch liegt, die Ihre Daten beheben können. Er sagte, die Technologie existiere. Er sagte nicht, dass sie günstig sei oder dass jedes Fine-Tuning gewinne.

Das Lieferantenbeispiel Schritt für Schritt

Bringen Sie Huangs Geschichte in die Reihenfolge, in der ein System sie tatsächlich ausführen würde.

  1. Ein PDF oder eine E-Mail besagt, dass ein Lieferant sich verspätet. Diese Datei landet bei Nemotron Parse.
  2. Nemotron Embed wandelt die Verzögerungsmitteilung und die Anfrage „Welche Aufträge betrifft das?“ in Vektoren um.
  3. cuVS durchsucht den Vektorspeicher. Nemotron Rerank behält die Passagen, die tatsächlich von diesem Lieferanten handeln.
  4. Das Auftragsbuch liegt nicht in diesem Speicher. Es ist SQL. Auto-Ontology ist der Name auf der Folie dafür, diese strukturierte Welt für den Agenten lesbar zu machen. cuDF ist der analytische Schritt über diese Zeilen. Kumo ist der prädiktive Schritt: Wer ist knapp und wie lange.
  5. Ein Ersatzteil ist wieder unstrukturiert: eine Zeichnung oder eine Spezifikation. Die Suche liefert es. Der Harness schlägt eine Aktion vor. Die Sandbox entscheidet, ob diese Aktion erlaubt ist.

Lassen Sie Schritt 5 weg, und Sie haben ein belesenes Modell mit einer Shell. Genau für dieses Versagen gibt es OpenShell.

Wann Sie kein Post-Training durchführen sollten

Huangs Partnerliste ist eine Liste von Teams, die bereits eine Aufgabe und Daten hatten. Sie ist kein Grund, am ersten Tag ein Fine-Tuning durchzuführen. Wenn das generische Modell falsch liegt, weil es Ihre Dateien nicht sehen kann, beheben Sie zuerst das Retrieval. Wenn es die Dateien sehen kann und trotzdem die falschen Begriffe, die falschen Einheiten oder die falsche Richtlinie verwendet, dann ist Post-Training der Schritt, den er beschrieben hat: Beginnen Sie mit Nemotron, bewahren Sie das Rezept auf, damit Sie wissen, was Sie geändert haben, und testen Sie mit Ihren eigenen Traces. Er sagte, das Ergebnis könne für diese Aufgabe die Spitze erreichen. Die Werte hat er nicht veröffentlicht. Wir tun es auch nicht.

CUDA-X ist das Werkzeugregal darunter. Er sagte, ein Computer führe Strömungsdynamik, Teilchenphysik, Quantenchemie, Datenverarbeitung und Raytracing aus, und der GPU-Pfad liege in der Größenordnung des 10-, 50- oder 100-Fachen eines nativen CPU-Laufs. Diese Spanne wurde auf der Bühne genannt. Sie ist kein einzelner Benchmark mit einem benannten Datensatz. Verstehen Sie sie als sein Argument dafür, warum Werkzeuge auf eine GPU gehören, und messen Sie dann die Bibliothek, die Sie tatsächlich aufrufen.

Quellen

  • Keynote-Transkript, einschließlich der Passage zur Knowledge Foundation und der Partnernamen: SB61112
  • Bei der Keynote fotografierte Folie: unstrukturierter Pfad Nemotron Parse, Nemotron Embed, cuVS, Nemotron Rerank; strukturierter Pfad Auto-Ontology, cuDF, Kumo.
  • Begleitartikel: der Überblick über die Keynote
Diesen Artikel teilen

Mehr zu Technology

Laptops für KI-Entwickler: LLMs lokal unter Linux mit GPUs mit 16 GB und 24 GB betreiben (Leitfaden 2026)

Laptops für KI-Entwickler: LLMs lokal unter Linux mit GPUs mit 16 GB und 24 GB betreiben (Leitfaden 2026)

Was auf eine RTX 5080 oder RTX 5090 Laptop GPU passt, die Speicherrechnung, die lohnenden offenen Modelle, die Einrichtung von Ubuntu 26.04 mit dem NVIDIA-Stack, Ollama, llama.cpp und vLLM, Coding-Assistenten, LoRA-Fine-Tuning, Sicherheit und wann Arbeit auf einen Server gehört

Weiterlesen
ML- und LLM-Systeme testen, deren Korrektheit sich nicht beweisen lässt: ein Python-Evidenz-Kit

ML- und LLM-Systeme testen, deren Korrektheit sich nicht beweisen lässt: ein Python-Evidenz-Kit

Evidenz statt Beweise, in etwa 400 Zeilen Python mit echter Ausgabe: Slice-Metriken mit Bootstrap-Intervallen und einem Pass/Fail-Vertrag, Property- und metamorphe Tests mit Hypothesis, Kalibrierung und Conformal Prediction, Pydantic-Verträge und Regressionsevaluierungen für LLM-Ausgaben, Drift-Prüfungen, ein CI-Gate und die exakte Verifikation eines kleinen neuronalen Netzes

Weiterlesen
TorchCurves in der Praxis: lernbare B-Spline- und Legendre-Kurven in PyTorch

TorchCurves in der Praxis: lernbare B-Spline- und Legendre-Kurven in PyTorch

torchcurves installieren, eine Kurve anpassen und dimensionieren, B-Spline oder Legendre und die Eingabeabbildung wählen, eine monotone Kalibrierungskurve und ein additives Modell auf tabellarischen Daten bauen, mit SciPy, scikit-learn, einem KAN und einem MLP vergleichen, Koeffizienten nach JSON exportieren, testen und in der Produktion betreiben, mit echten Ausgaben

Weiterlesen