Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Abundant führt jeden Monat mehr als zwei Millionen KI-Rollouts auf Modal aus

19. November 2026Von der KI Nachrichten RedaktionQuelle: Modal
Abundant führt jeden Monat mehr als zwei Millionen KI-Rollouts auf Modal aus
Bild: Modal

Abundant hat seine Plattform für Reinforcement-Learning-Rollouts weitgehend auf Modal aufgebaut und führt dort im November 2026 mehr als zwei Millionen Sandboxes pro Monat aus. Nach Angaben des Unternehmens erleichtert der Aufbau die Erstellung und Bewertung anspruchsvoller Aufgaben für KI-Labore, ohne EC2-Cluster direkt verwalten zu müssen.

Das Wichtigste in Kürze
  • Abundant hat mehr als 75.000 Reinforcement-Learning-Rollouts erstellt.
  • Das Unternehmen führt im November 2026 monatlich mehr als zwei Millionen Modal Sandboxes aus.
  • Der Rollout-Monitor sendet alle 30 Sekunden einen Heartbeat.
  • Modal Bursting ermöglicht es Abundant, Ressourcenspitzen mit geringeren Anforderungen abzudecken.
  • Frontier RSI nutzte mehr als 1.300 Stunden über nahezu 500 Agentenversuche hinweg.

Infrastruktur für Reinforcement-Learning-Aufgaben

Abundant entwickelt Reinforcement-Learning-Umgebungen, die von führenden Laboren wie OpenAI, Anthropic, Google und Meta genutzt werden. Die Aufgaben sollen die Fähigkeiten von Agenten testen: Ein Modell erhält Anweisungen und ein Ziel, versucht die Aufgabe zu lösen und anschließend bewertet ein Prüfer das Ergebnis als bestanden oder nicht bestanden.

Für jede Aufgabe ist außerdem Infrastruktur erforderlich, die Rechenleistung, Dockerfiles, Isolierung und in manchen Fällen Beschleuniger wie GPUs bereitstellt. Abundant hat mehr als 75.000 Rollouts erstellt, die von der Optimierung von GPU-Kerneln bis hin zu Programmieraufgaben mit langen Handlungsketten reichen. Jeder Rollout läuft in einer Modal Sandbox.

Modal Functions treiben die Scheduler-API von Abundant an. Sie starten Aufgaben, räumen fehlerhafte Läufe auf und prüfen Rollouts. Modal Sandboxes stellen die Umgebungen für die Rollouts bereit. Laut Modal führt Abundant im November 2026 mehr als zwei Millionen Sandboxes pro Monat aus.

Ein Monitor in jeder Sandbox

Abundant prüfte zunächst Anbieter von Sandboxes, weil das Unternehmen die direkte Verwaltung von EC2-Clustern vermeiden wollte. Nach eigenen Angaben ermöglichte Modal den Aufbau der Infrastruktur als Code, den Start von Sandboxes über eine API und die Skalierung des Datenverkehrs entsprechend der Nachfrage.

Jeder Rollout startet eine Aufgabe, lässt einen Agenten diese bearbeiten, überprüft die Arbeit und meldet das Ergebnis. Außerdem muss ein Monitor kontrollieren, dass die Sandbox aktiv bleibt. Abundant entschied sich, diesen Monitor innerhalb der Sandbox statt separat zu betreiben, und verwendet kurzlebige Modal Functions zum Starten der Sandboxes.

Der Monitor sendet alle 30 Sekunden einen Heartbeat sowie Live-Ereignisse und das Endergebnis über HTTP-Aufrufe. Wird eine Sandbox still, versucht die Steuerungsebene dreimal, eine Verbindung herzustellen, bevor sie die Sandbox beendet.

„Modal ermöglicht es uns, uns auf unser Kerngeschäft zu konzentrieren, ohne uns Gedanken darüber machen zu müssen, ob unsere Infrastruktur funktioniert. Wir können in Code arbeiten und unseren Datenverkehr auf die jeweiligen Kundenanforderungen skalieren“, sagte Kyle van den Bergh, Member of Technical Staff bei Abundant.

Spitzenlasten verringern den Bedarf an Kapazitätsreserven

Die Aufgaben von Abundant verbrauchten CPU und Arbeitsspeicher nicht gleichmäßig. Das erschwerte die Ressourcenverteilung. Modal empfahl deshalb seine Bursting-Funktion. Damit können Sandboxes ihre Größe automatisch erhöhen und wieder reduzieren, wenn sie zusätzliche Ressourcen benötigen, sofern auf der Maschine Kapazität verfügbar ist.

Durch Bursting konnte Abundant Ressourcen auf Grundlage des durchschnittlichen Verbrauchs anfordern und zugleich Spitzenlasten abdecken. Laut Modal kann dies dazu beitragen, CPU-Drosselungen und Fehler wegen unzureichenden Arbeitsspeichers in Sandboxes zu vermeiden. Geringere Ressourcenanforderungen reduzierten außerdem die ungenutzte Rechenleistung, für die Abundant bezahlte. Zugleich wurde es einfacher, ein breites Aufgabenspektrum zu unterstützen, ohne CPU- und Speicherzuweisungen für jede Sandbox einzeln festlegen zu müssen.

Prüferdesign schützt Benchmark-Ergebnisse

Abundant konzentrierte sich außerdem darauf, seine Prüfer gegen Reward Hacking abzusichern. Dabei findet ein Modell einen Weg zu einem günstigen Ergebnis, ohne die eigentliche Aufgabe zu erledigen. Bei frühen Tests stellte das Unternehmen fest, dass Modelle mitunter Kopien der Aufgabenanweisungen fanden. Dadurch erkannten sie, dass sie bewertet wurden, und die Ergebnisse wurden verzerrt.

Um dem entgegenzuwirken, änderte Abundant den Start der Läufe, sodass die Anweisungen gelöscht werden, bevor die Arbeit abgeschlossen ist. Außerdem ergänzte das Unternehmen den Prüfschritt um einen Reviewer-Agenten. Dieser untersucht die Aufzeichnungen und markiert Anzeichen dafür, dass ein Modell weiß, dass es bewertet wird.

Modal zufolge dauerte die Umsetzung der Rollout-Architektur etwa zwei Wochen. Die daraus entstandene Infrastruktur unterstützt Abundant bei der Überprüfung von Aufgaben und bei der Entwicklung schwieriger, offen formulierter Bewertungen für KI-Labore. Sein Frontier-RSI-Benchmark, der die Fähigkeit eines Agenten zur Selbstverbesserung testet, nutzte mehr als 1.300 Stunden Forschungszeit von Agenten über nahezu 500 Agentenversuche hinweg, um die ersten veröffentlichten Ergebnisse zu erstellen.

Ähnliche Meldungen

GitLab: Credits für Duo Agent Platform reichen bis zu doppelt so weit
Produkte und Tools19. November 2026

GitLab: Credits für Duo Agent Platform reichen bis zu doppelt so weit

GitLab zufolge benötigt die Duo Agent Platform jetzt weniger Modellanfragen für Agenten- und Flow-Aufgaben. Dadurch reichen die GitLab Credits für die meisten Kunden bis…

Mastra startet Gateway für Zugriff auf mehr als 500 KI-Modelle
Produkte und Tools19. November 2026

Mastra startet Gateway für Zugriff auf mehr als 500 KI-Modelle

Mastra hat Mastra Gateway gestartet. Die Plattform bietet Entwicklern über einen einzigen API-Schlüssel und eine Rechnung Zugriff auf mehr als 500 Sprach-…

JetBrains bittet 12 KI-Modelle um 1.200 kontroverse Programmiermeinungen
Forschung15. November 2026, 18:02

JetBrains bittet 12 KI-Modelle um 1.200 kontroverse Programmiermeinungen

Zwölf KI-Modelle teilten in einem Experiment von JetBrains überwiegend gegen Python, Rust und TypeScript aus. Dabei sammelte das Unternehmen 1.200 Meinungen zu…