KI:KUBE

Modelle

Vier Ausbaustufen. Eine Architektur.

KI:KUBE 2 für kleinere Teams, KI:KUBE 4 als Standard, KI:KUBE 6 für sehr große Lasten und KI:KUBE 8 als Top-Modell für die größeren Frontier-Modelle in höherer Präzision. Alle laufen mit demselben Software-Stack, gleichem Compliance-Profil und gleichem Update-Regime, sie skalieren in der Hardware, nicht in der Bedienung.

Kompakte Variante · 2× DGX Spark

KI:KUBE 2-slim

Gleiche Compute wie die KI:KUBE 2 im kompakten 10-Zoll-Gehäuse, ohne 400GbE-Inference-Switch, der günstigste Einstieg.

ab 18.900 €
System-Kauf · oder Managed ab 1.611 €/Mo
Neu · Optional Zusatzmodul

KI:KUBE Companion

Optional zu jeder KI:KUBE: der persönliche KI-Agent je Nutzer, auf der eigenen Inferenz.

Zum Companion →

Direkter Vergleich

Was unterscheidet die vier Ausbaustufen?

Was identisch ist: Software-Stack, Compliance-Wirkung, Bedienung. Was sich unterscheidet: Kapazität, Modell-Tiefe und Reserven.

Eigenschaft KI:KUBE 2 KI:KUBE 4 KI:KUBE 6 KI:KUBE 8
DGX-Spark-Knoten 2× 4× 6× 8×
GPU-Memory (Unified) 256 GB 512 GB 768 GB 1024 GB
Formfaktor 19-Zoll-Rack, 18 HE - alternativ als KI:KUBE 2-slim im kompakten 10-Zoll-Gehäuse 19-Zoll-Rack, 18 HE 19-Zoll-Rack, 18 HE 19-Zoll-Rack, 18 HE
Leistungsaufnahme ~0,3 kW unter Inferenz-Volllast (skaliert aus 4-Node-Lauf) ~0,6 kW unter Inferenz-Volllast (gemessen) ~0,9 kW unter Inferenz-Volllast (skaliert aus 4-Node-Lauf) ~1,2 kW unter Inferenz-Volllast (skaliert aus 4-Node-Lauf)
Kapazität 5–10 Chat-User parallel · 20+ Async-Streams 10–30 Chat-User parallel · 80+ Async-Streams 30–60 Chat-User parallel · 150+ Async-Streams 60–90 Chat-User parallel · 200+ Async-Streams
Preis-Indikation ab ~22.900 € (System-Kauf) ab 29.900 € (System-Kauf) ab ~39.900 € (auf Anfrage konfiguriert) ab ~49.900 € (auf Anfrage konfiguriert)
Managed (mtl.) ab 1.790 € / Mo ab 2.490 € / Mo ab 3.290 € / Mo ab 4.090 € / Mo
Status verfügbar verfügbar auf Anfrage auf Anfrage

Gemessene Performance

Was die KI:KUBE 4 wirklich liefert.

Gemessen auf 4× NVIDIA DGX Spark (GB10) mit SGLang, spekulatives Decoding wo unterstützt. n=1/4/8/16/32 ist die Zahl gleichzeitiger Anfragen.

Modell Stärke n=1 tok/s n=4 tok/s n=8 tok/s n=16 tok/s n=32 tok/s
Qwen3.8-27B-NVFP4 Dense, höchster Durchsatz auf der KI:KUBE 4 117 366 576 791 1.109
Qwen3.8-Flash-Next-NVFP4 Allround-Standardempfehlung: Reasoning + Tool-Calling, 262K Kontext, GSM8K 95,8–97,9 % (mit spekulativem Decoding) 84 254 356 504 762
Qwen3.6-35B-A3B-NVFP4 Allround + Coding, ~2× kleinerer Memory-Footprint ~80 – – – –
Qwen3.6-35B-A3B-FP8 Allround + Coding (offene FP8-Variante) 77 – – – –
Qwen3.6-27B-FP8 Dense, höchste Single-Antwort-Qualität 44 – – – –
Nemotron-3-Nano-Omni-30B-A3B-Reasoning-NVFP4 Multimodal (Text + Bild verifiziert, Video/Audio), 262K Kontext, schnellster multimodaler Pfad im Single-Stream 119 – – – –
Gemma 4 26B-A4B-it-BF16 Multimodal (Vision + Audio) 50 – – – –
Gemma 4 31B-it-BF16 Dense multimodal (Vision + Audio) 23 – – – –
Qwen3.5-397B-A17B-NVFP4 Frontier-Reasoning 40 – – – –
Nemotron-3-Super-120B-A12B-NVFP4 Frontier-Reasoning (Mamba2-Hybrid), 512K Kontext 85 205 307 482 704
Nemotron-3-Ultra-550B-A55B-NVFP4 Größtes validiertes Modell (550B), Frontier-Reasoning, 512K Kontext validiert 10 – – – –
GLM-5.3-Flash-NVFP4 (W4A4) Reasoning + Tool-Calling (glm47-Parser), 262K Kontext, hybrid KDA + DSA, 288 Experten, GSM8K 96,6 % mit, 98,7 % ohne spekulatives Decoding ~50 – – – –
GLM-4.7-NVFP4 Math-Spitzenmodell 24 – – – –

Wie zu lesen: n=1 = Einzelstrom, also eine Anfrage allein, schnellste Antwort. n=8 = acht gleichzeitige Anfragen, angegeben ist der Gesamtdurchsatz über alle acht. Bei Nemotron-3-Super-120B liefert die Box also rund 300 Token pro Sekunde, verteilt auf acht Anfragen. Ein Strich bedeutet: für diese Stufe liegt kein Wert vor.

Gemessen auf 4× NVIDIA DGX Spark (GB10) mit SGLang, NVFP4-Modelle, Mathe-Aufgaben (GSM8K) als Last. Gesamtdurchsatz bei der angegebenen Zahl gleichzeitiger Anfragen; Einzelstrom = eine Anfrage allein. Werte schwanken je nach Last und Prompt um etwa 15 %.

Modell Einzelstrom 32 parallel
1 DGX Spark KI:KUBE 2 / 2-slim KI:KUBE 4 1 DGX Spark KI:KUBE 2 / 2-slim KI:KUBE 4
Qwen3.8-27B-NVFP4 49 78 117 558 785 1.109
Qwen3.8-Flash-Next-NVFP4 34 55 84 285 485 762
Nemotron-3-Super-120B-A12B-NVFP4 32 57 85 236 422 704

Mehr Knoten, mehr Durchsatz: Der 4-Knoten-Cluster ist je nach Modell und Last etwa 2- bis 3-mal so schnell wie ein einzelner DGX Spark, bei einzelnen Anfragen ebenso wie bei vielen gleichzeitigen (Tokens/s, jeweils beste Einstellung des Modells). Die KI:KUBE 2 liegt dazwischen: Je nach Modell ist sie etwa 1,4- bis 1,8-mal so schnell wie ein einzelner DGX Spark und erreicht rund 60 bis 70 % des Durchsatzes der KI:KUBE 4. Spekulatives Decoding beschleunigt einzelne Anfragen um etwa das Dreifache und lohnt sich auf dem Cluster auch bei hoher Parallelität.

KI:KUBE 2 und 2-slim: Qwen3.8-27B, Qwen3.8-Flash-Next und kleinere Modelle wie Nemotron-3-Nano-Omni-30B-A3B laufen komfortabel. Mit Qwen3.8-27B liefern beide rund 785 Tokens/s bei 32 gleichzeitigen Anfragen, mit Nemotron-3-Super-120B rund 420 Tokens/s. KI:KUBE 6: ermöglicht Frontier-Modelle mit mehr Parallelität/Gesamtdurchsatz oder parallele Modell-Bestückung ohne Reload.

Lesehilfe Kapazitätsangaben

  • n (Benchmark): parallele Inference-Requests, wie sie SGLang sieht. Direkt gemessen.
  • Chat-User parallel: Mitarbeiter, die gleichzeitig auf eine Antwort warten (Latenz-SLO: p95 TTFT < 2s). KI:KUBE 4 ≈ 10–30, KI:KUBE 6 ≈ 30–60.
  • Async-Streams queueable: Hintergrund-Workloads (E-Mail-Triage, Agent-Workflows, PR-Reviews). Hier zählt Tagesdurchsatz, nicht Latenz. KI:KUBE 4 ≈ 80+, KI:KUBE 6 ≈ 150+.
  • Live User / Headcount: Mitarbeiter mit Zugriff im LAN. Typischer Duty-Cycle: 20–40 % gleichzeitig aktiv im Tagesgeschäft. Eine KI:KUBE 4 eignet sich darum für Mittelstands-Teams von rund 80–150 MA (bei typischem Duty-Cycle).

Indikative Werte: die tatsächliche Kapazität hängt sehr von der Modellwahl ab und ist zusätzlich use-case-abhängig (Coding-Agent ≠ Mandantenakte zusammenfassen ≠ RAG-Query). Im Erstgespräch verfeinerbar.

Sie denken in Aufgaben, nicht in Modellnamen?

Empfehlungsmatrix nach Anwendungsfall: Vertragsanalyse, Coding, Vision, Agentic, Helpdesk …

Welches Modell für welchen Job? →

Begriffsklärung

‚Modelle' meint die KI:KUBE-Hardware, nicht die Sprachmodelle.

Die vier Ausbaustufen KI:KUBE 2 / 4 / 6 / 8 beschreiben unsere Hardware-Konfigurationen, ähnlich wie Auto-Modelle einer Baureihe. Die Sprachmodelle (Qwen, Nemotron, GLM, Gemma, Llama, DeepSeek …), die darauf laufen, sind etwas anderes, sie kommen aus der Open-Weight-Welt und werden auf jeder KI:KUBE kuratiert eingespielt.

Welche Sprachmodelle auf welcher KI:KUBE-Ausbaustufe laufen, ist im jeweiligen Produkt-Detail beispielhaft gelistet, mit gemessenen Throughput-Zahlen. Die ausführlichen Validated Profiles (Engine-Konfiguration, Sampling-Parameter, exakte Backend-Wahl pro Modell) sind Bestandteil der Lieferung, wir veröffentlichen die Performance-Ergebnisse, behalten aber die Tuning-Arbeit dahinter als kuratiertes Asset. Wenn Sie für eine Pre-Sales-Einschätzung wissen möchten, ob ein bestimmtes Modell auf einer bestimmten Ausbaustufe sinnvoll läuft, fragen Sie einfach.

Welche Ausbaustufe passt zu Ihnen? Im Erstgespräch klären wir das in 20 Minuten.

Erstgespräch vereinbaren