Unternehmen, die KI-Agenten für eigene Prozesse einsetzen wollen, standen bisher meist vor derselben Entscheidung: Entweder man nutzt die Schnittstelle eines Cloud-Anbieters und gibt Daten aus dem Haus, oder man verzichtet auf aktuelle Modellqualität. Zwei Veröffentlichungen vom 15. Oktober 2026 verschieben diese Abwägung. Nvidia erweitert seine Nemotron-Familie um ein offenes Agentenmodell, Meta meldet sich mit einem Open-Weight-Modell für lokalen Betrieb zurück.
Nemotron 3.5 Super VL: Agenten mit Blick für Dokumente
Nvidia veröffentlicht mit Nemotron 3.5 Super VL ein offenes multimodales Modell mit 120 Milliarden Parametern. Multimodal heißt hier: Das Modell verarbeitet nicht nur Text, sondern auch Bilder. Der erklärte Einsatzzweck sind Unternehmensagenten – also Software, die Aufgaben eigenständig in mehreren Schritten abarbeitet, statt nur einzelne Fragen zu beantworten.
Gerade die Kombination aus Text und Bild ist für betriebliche Abläufe interessant. Eingescannte Lieferscheine, Screenshots aus Fachanwendungen, Formulare mit Tabellenstruktur oder Produktfotos lassen sich damit grundsätzlich im selben Verarbeitungsschritt erfassen wie der zugehörige Fließtext.
Ergänzend stellt Nvidia zwei kompakte Modelle unter dem Namen Bolt bereit. Sie sollen Agenten auf lokale Rechner bringen – also auf Arbeitsplätze oder Server im eigenen Netz, statt auf gemietete Rechenzeit bei einem Anbieter. Dass das Konzept Resonanz findet, zeigt die Nachnutzung: Laut Bericht trainieren bereits Dutzende Organisationen Super VL nach, passen es also mit eigenen Daten an ihre Fachdomäne an.
Eine Einschränkung nennt der Bericht allerdings ausdrücklich: Wer das Modell optimal nutzen will, landet bei Nvidia-Hardware. Offene Gewichte bedeuten in diesem Fall also Unabhängigkeit vom Anbieter auf Softwareebene, nicht zwingend auf der Infrastrukturebene.
Muse Spark Open: große Kontextfenster, Apple als Zielplattform
Meta geht mit Muse Spark Open einen anderen Weg. Das Open-Weight-Modell – also ein Modell, dessen Gewichte frei verfügbar sind – umfasst 816 Milliarden Parameter und verarbeitet Text, Bild, Video und Audio. Unterstützt werden Kontextfenster von bis zu einer Million Token. Das Kontextfenster beschreibt die Menge an Material, die das Modell gleichzeitig im Blick behalten kann; eine Million Token entspricht einer sehr umfangreichen Dokumentensammlung in einem einzigen Durchlauf.
In Benchmarks liegt Muse Spark Open laut Bericht in etwa auf Augenhöhe mit den leistungsfähigsten offenen chinesischen KI-Modellen. Optimiert ist es für den lokalen Betrieb auf Apples M5 Ultra.
Auch hier gilt die gleiche Einschränkung wie bei Nvidia, nur mit umgekehrten Vorzeichen: Das Modell ist offen, der Leistungsvorteil ist aber an eine konkrete Hardwareplattform geknüpft.
Was die beiden Meldungen gemeinsam zeigen
Beide Veröffentlichungen deuten in dieselbe Richtung, setzen aber unterschiedliche Schwerpunkte:
- Größenordnung: 120 Milliarden Parameter bei Super VL gegenüber 816 Milliarden bei Muse Spark Open. Das kleinere Modell ist damit deutlich näher an Hardware, die in Unternehmen realistisch verfügbar ist.
- Modalitäten: Super VL deckt Text und Bild ab, Muse Spark Open zusätzlich Video und Audio.
- Zielbild: Nvidia adressiert explizit Unternehmensagenten und liefert mit den Bolt-Varianten kompakte Modelle für lokale Rechner mit. Meta betont Modellbreite und Kontextlänge.
- Hardwarebindung: Nvidia-Beschleuniger auf der einen, Apples M5 Ultra auf der anderen Seite.
Die Gemeinsamkeit ist entscheidender als die Unterschiede: Leistungsfähige Modelle sind nicht mehr ausschließlich als Cloud-Dienst verfügbar. Für Datenschutz, laufende Kosten und die Abhängigkeit von einem einzelnen Anbieter verändert das die Ausgangslage.
Einordnung für die Praxis
Aus den vorliegenden Angaben lassen sich keine Rückschlüsse auf Betriebskosten, Lizenzdetails oder konkrete Antwortzeiten ziehen. Wer eine Entscheidung vorbereitet, sollte daher weniger auf Parameterzahlen schauen als auf drei Punkte.
Erstens die Anschaffungsfrage. Lokaler Betrieb heißt immer auch: Hardware, Strom, Betrieb und Wartung liegen im eigenen Haus. Die Hardwarebindung beider Modelle macht das zu einer Investitionsentscheidung, nicht nur zu einer Softwarefrage.
Zweitens der Zuschnitt auf den Anwendungsfall. Für die Verarbeitung von Dokumenten mit Text- und Bildanteilen ist ein kompakteres, auf Agenten ausgerichtetes Modell oft die praktikablere Wahl als das größtmögliche Modell. Dass Super VL bereits von zahlreichen Organisationen nachtrainiert wird, spricht für eine wachsende Basis an Erfahrungswerten.
Drittens die Architektur der eigenen Anwendung. Wer Modellaufrufe hinter einer klar definierten internen Schnittstelle kapselt, kann das Modell später wechseln – zwischen Cloud und lokalem Betrieb ebenso wie zwischen Anbietern. Diese Entkopplung ist die wirksamste Absicherung gegen eine Festlegung, die man in zwei Jahren bereut.
Für Web- und Softwareprojekte heißt das: Die Frage lautet künftig seltener „Cloud oder gar nicht“, sondern „welches Modell an welcher Stelle“. Schnittstellen, Datenflüsse und Berechtigungen sollten deshalb von Anfang an so geschnitten werden, dass ein Modellwechsel kein Umbau der Anwendung ist. Wer heute eine Integration plant, gewinnt mehr durch saubere Abstraktion als durch die Festlegung auf ein bestimmtes Modell.
