Domyn Edge: Italiens offenes 4-Milliarden-Modell erscheint Stück für Stück
Der italienische KI-Anbieter Domyn hat am 20. Oktober 2026 mit dem schrittweisen Release von Domyn Edge begonnen, einem kompakten Agenten-Sprachmodell mit 4 Milliarden Parametern. Es wurde auf dem Supercomputer Leonardo trainiert und wird samt Zwischenständen und Code veröffentlicht – das fertige Modell fehlt aber noch.

Worum es geht
Der italienische KI-Anbieter Domyn (bis Juni 2025 unter dem Namen iGenius bekannt, Gründer und Chef ist Uljan Sharka) hat am 20. Oktober 2026 begonnen, Domyn Edge schrittweise zu veröffentlichen. Es ist ein kompaktes „agentisches“ Sprachmodell mit 4 Milliarden Parametern. Parameter sind grob gesagt die Stellschrauben, die ein Modell beim Training gelernt hat. „Agentisch“ heißt: Das Modell soll Abfolgen von Aktionen ausführen, nicht nur einzelne Prompts beantworten. Alle Angaben stammen laut der Hauptquelle (tech-insider.org) von Domyn selbst, Stand 30. Oktober 2026.
Was schon da ist und was fehlt
Domyn wählt keinen klassischen Einmal-Release, sondern teilt Zwischenstände aus dem Training. Bereits verfügbar sind:
- das vortrainierte Basismodell,
- Zwischen-Checkpoints (gespeicherte Trainingsstände) aus Pre-Training, Mid-Training und überwachtem Feintuning,
- ein „Student“-Checkpoint, was meist ein per Distillation (Lernen von einem größeren Modell) erzeugtes Modell bedeutet,
- der Trainingscode auf GitHub; das Modell liegt auf Hugging Face.
Noch ausstehend sind das finale, nachtrainierte Modell, die vollständigen Daten und weitere Forschungsmaterialien. Eine Versionsbezeichnung wie „Edge 1.0“ gibt es nicht. Domyn kündigt weitere Post-Training-Phasen bis November 2026 an. Die Lizenz ist laut Quelle noch nicht endgültig bestätigt; Domyn spricht von „offenen Lizenzen“. Eine Preisliste oder API existiert nicht.
Training und Zahlen
| Merkmal | Angabe |
|---|---|
| Parameter | 4 Mrd. |
| Trainingsdaten | ca. 13 Billionen Tokens, von Grund auf |
| Rechner | Leonardo (CINECA Bologna, EuroHPC) |
| GPU-Stunden | ca. 2,3 Mio. Pre-Training, ca. 5 Mio. gesamt |
| Kontext | Training bis 1 Mio. Tokens, empfohlen 256.000 |
Für ein so kleines Modell sind 13 Billionen Tokens sehr viel („Übertraining“). Das ist ein verbreiteter Weg, kleine Modelle stark zu machen, die auf eine einzelne Grafikkarte oder einen Firmenserver passen. Nach Domyn kann Edge lokal oder im eigenen Haus laufen, auch in vom Netz getrennten Umgebungen. Das richtet sich an Banken, Behörden und Verteidigung. Benchmarks, auch zum langen Kontext, liegen laut Quelle nicht vor. Ein Token ist ein Textbaustein, in dem das Modell rechnet; der Kontext ist die Textmenge, die es gleichzeitig „im Blick“ behalten kann.
Edge ist nicht EUROPA
Die Quelle betont die Verwechslungsgefahr. EUROPA ist ein separates Großprojekt: Am 19. Juni 2026 wählte die EU-Kommission das von Domyn geführte Konsortium als Sieger der Frontier AI Grand Challenge. Es soll ein offenes Modell für alle 24 EU-Amtssprachen bauen, mit über 400 Milliarden Parametern, und erhält bis zu 2,5 % der EuroHPC-Rechenkapazität für ein Jahr. Presseberichte sprechen von rund 500 Milliarden Parametern, was die Quelle als nicht offiziell einstuft. Als Zeitraum nennt Domyn die zweite Jahreshälfte 2027. Henna Virkkunen, EU-Kommissionsvizepräsidentin, sagte laut Atalayar, Europa könne bei fortgeschrittener KI nach eigenen Regeln führen. Ob Edge alle 24 Sprachen abdeckt, ist nicht belegt.
Hintergrund
Domyn hat 2026 mehrere Schritte gemacht: Im Mai kam Domyn Small (10 Mrd. Parameter, laut Domyn unter MIT-Lizenz), im Juli eine Partnerschaft mit Cognizant, im August debütierte Domyn Large auf Microsoft Foundry. Zudem veröffentlichte Domyn am 15. Oktober eine Arbeit zur Spezialisierung von NVIDIA Nemotron 3.5 Super VL: Auf 353 Testpassagen stieg der Anteil in einem Durchgang gefundener Fakten von 16 % auf 33 %, Regelverstöße sanken von 8,7 % auf 3,8 %. Das sind Herstellerangaben zu einer sehr speziellen Aufgabe.
Was du zum Ausprobieren brauchst
Ein Modell mit 4 Mrd. Parametern läuft quantisiert (also in verkleinerter Zahlengenauigkeit) auf einer Grafikkarte mit etwa 4–6 GB VRAM, auf Macs mit Apple Silicon oder zur Not auf der CPU mit 8–16 GB Arbeitsspeicher. Plane einige GB Speicherplatz ein. Langer Kontext kostet zusätzlich Speicher. Ob schon fertige GGUF-Dateien oder ein Ollama-Eintrag existieren, steht in der Quelle nicht. Die verfügbaren Stände sind Basis- und Zwischenmodelle, keine fertigen Chat-Assistenten.
Einordnung
Der Reiz von Edge liegt weniger in der Leistung als in der Nachvollziehbarkeit: Zwischenstände, Code und angekündigte Daten erlauben Audits, was für regulierte Branchen und den EU AI Act relevant ist. Domyns Behauptung der AI-Act-Konformität ist nicht unabhängig geprüft. Offen sind Lizenz, finales Modell, Benchmarks und Preise. Ein 4-Mrd.-Modell ersetzt keine Spitzenmodelle bei komplexen Aufgaben. Nutze Edge daher vorerst als Experimentier- und Forschungsbasis, nicht als fertiges Produkt.
Quellen
- Google News (IT) tech-insider.org
- atalayar.com atalayar.com
Selbst ausprobieren: Domyn Edge
Schritt für Schritt erklärt, auch ohne Vorkenntnisse – auf deinem Rechner oder kostenlos im Browser.
Was kann ich damit machen?
Domyn Edge ist ein kleines Sprachmodell mit 4 Milliarden Parametern, das für agentische Aufgaben gedacht ist, also für mehrstufige Abläufe mit Werkzeugen. Es lässt sich lokal betreiben, auch ohne Internetverbindung. Bisher sind Basismodell, Zwischen-Checkpoints und ein Student-Checkpoint verfügbar, das fertige nachtrainierte Modell soll bis November folgen. Entsprechend ist es derzeit eher ein Forschungs- und Experimentiermodell als ein Chat-Assistent. Benchmarks liegen noch nicht vor, daher lässt sich die Qualität im Vergleich zu bekannten kleinen Modellen nicht seriös einordnen. Stark ist der Ansatz bei Transparenz: Du kannst nachvollziehen, wie das Modell entstanden ist. Für komplexe Aufgaben bleibt ein so kleines Modell begrenzt.
Für wen lohnt es sich?
Interessant für Entwickler, Forschende und Firmen, die ein kleines, nachvollziehbares Modell lokal testen oder auf eigene Daten anpassen wollen. Wer sofort einen fertigen, gut getesteten Assistenten sucht, sollte auf das finale Modell im November warten.
Ideen: Was du damit anstellen kannst
Lass das Modell lokal Eingangspost oder Tickets in Kategorien sortieren. Das funktioniert ohne Cloud und ist ein guter Test für ein kleines Modell.
Beträge, Namen und Daten aus internen Texten extrahieren und als Liste ausgeben. Eignet sich als erster Praxistest mit sensiblen Daten, die dein Rechner nicht verlassen.
Vergleiche Zwischen-Checkpoints, um zu sehen, wie sich Verhalten zwischen Pre-Training und Feintuning verändert. Das ist für Lehre und Forschung besonders spannend.
Nimm das Basismodell als Ausgangspunkt für ein Feintuning auf eigene Fachtexte. Mit 4 Mrd. Parametern ist das auf einer einzelnen Grafikkarte machbar.
Was dein Rechner braucht
Werte geschätzt aus der Modellgröße – die Model Card kann genauere Angaben enthalten.
Welche Variante passt zu mir?
Viele Modelle gibt es in mehreren Größen oder „Quantisierungen“. Das sind komprimierte Fassungen: kleiner und schneller, dafür minimal ungenauer. Faustregel: Nimm die größte Variante, deren Speicherbedarf in deinen Grafikspeicher (VRAM) passt. Die Skripte unten wählen das automatisch für dich aus.
| Variante | Download | Braucht ca. | Passende Grafikkarten |
|---|---|---|---|
4-bit (Q4) Standard |
2,3 GB | 4 GB | fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050) |
8-bit (Q8) |
4,2 GB | 6 GB | z. B. RTX 2060, RTX 3050 8 GB, RX 6600 |
16-bit (Original) |
7,8 GB | 10 GB | z. B. RTX 3060 12 GB, RTX 4070, RTX 5070, RX 7700 XT |
Verfügbar sind Basismodell, Zwischen-Checkpoints und ein Student-Checkpoint. Zum Ausprobieren eignet sich der am weitesten trainierte verfügbare Stand; quantisierte Fassungen sind in der Quelle nicht genannt. Für Einsteiger lohnt sich das Warten auf das finale Post-Training-Modell.
- Bei 4 Mrd. Parametern reichen quantisiert grob 4–6 GB VRAM; unquantisiert (16 Bit) etwa 8–10 GB.
- CPU-Betrieb mit 8–16 GB RAM ist möglich, aber langsam.
- Apple-Silicon-Macs mit 16 GB eignen sich gut für Tests.
- Der empfohlene Kontext von 256.000 Tokens benötigt deutlich mehr Speicher als kurze Prompts; starte mit kleinen Kontexten.
- Google Colab mit kostenloser GPU sollte für ein 4-Mrd.-Modell genügen.
Wie finde ich heraus, was mein Rechner hat?
- Windows: Strg + Umschalt + Esc drücken → Task-Manager → Reiter Leistung → links GPU anklicken. Unten steht Dedizierter GPU-Speicher (das ist dein VRAM). Den Arbeitsspeicher findest du unter Arbeitsspeicher.
- Mac: Apfel-Menü oben links → Über diesen Mac. Dort stehen Chip (z. B. M2) und Speicher (z. B. 16 GB). Bei Apple-Chips teilen sich Grafik und Prozessor diesen Speicher.
- Linux: Im Terminal
nvidia-smieingeben (zeigt Grafikkarte und Speicher) undfree -hfür den Arbeitsspeicher.
Anleitung
Google Colab (im Browser, ohne Installation)
Google Colab ist ein kostenloser Dienst von Google: Du bekommst für ein paar Stunden einen Rechner mit Grafikkarte im Browser. Du brauchst nur ein Google-Konto. Für dieses Modell: läuft kostenlos – Gratis-GPU Tesla T4 mit 15 GB reicht.
- Notebook herunterladen. Klick auf den Knopf und speichere die Datei.
- Colab öffnen. Geh auf colab.research.google.com und melde dich mit deinem Google-Konto an.
- Notebook hochladen. Im Fenster, das erscheint, links auf Hochladen klicken (oder oben Datei → Notebook hochladen) und die Datei
colab.ipynbauswählen. - Grafikkarte einschalten. Oben im Menü Laufzeit → Laufzeittyp ändern → bei Hardwarebeschleuniger T4-GPU auswählen → Speichern.
- Alles starten. Laufzeit → Alle ausführen (Tastenkürzel Strg + F9). Kommt die Warnung „Dieses Notebook wurde nicht von Google erstellt“, auf Trotzdem ausführen klicken.
- Warten. Die Zellen laufen nacheinander durch. Links neben jeder Zelle erscheint ein grüner Haken, wenn sie fertig ist. Installation und Download dauern hier etwa 5 Minuten.
- Ausprobieren. Das Ergebnis steht unter der letzten Zelle. Um etwas anderes zu testen, den Text in der Zelle ändern und mit Shift + Enter erneut ausführen.
- Aufräumen. Wenn du fertig bist: Laufzeit → Sitzung beenden. Das schont dein kostenloses Kontingent.
Gut zu wissen: Die Gratis-GPU ist begrenzt (meist einige Stunden am Tag). Nach rund 90 Minuten ohne Aktivität trennt Colab die Verbindung, dann alles neu starten.
Windows 10 / 11
Dieses Modell läuft mit Python. Unser Skript erledigt die Einrichtung automatisch: Es legt eine abgeschottete Python-Umgebung an, installiert die nötigen Programme (PyTorch, ca. 3 GB) und lädt das Modell (2,3 GB (bei 100 MBit/s ca. 3 Min.)).
- Grafikkartentreiber aktualisieren (NVIDIA): aktuellen Treiber installieren. Ohne NVIDIA-Karte läuft es auf dem Prozessor – deutlich langsamer.
- Python installieren. Auf python.org Python 3.12 herunterladen und starten. Wichtig: Unten im ersten Fenster das Häkchen bei Add python.exe to PATH setzen, dann Install Now.
- Ordner anlegen und Dateien laden. Einen Ordner erstellen, z. B.
Dokumente\KI-Test, und beide Dateien hineinspeichern: - Terminal im Ordner öffnen. Den Ordner im Explorer öffnen, Rechtsklick auf eine freie Stelle → In Terminal öffnen.
- Starten. Diesen Befehl einfügen und Enter drücken:
Jetzt laufen Installation und Download. Das kann beim ersten Mal 10–30 Minuten dauern.powershell -ExecutionPolicy Bypass -File try_windows.ps1 - Ergebnis. Im Fenster erscheint die Antwort des Modells auf eine Testfrage.
- Nochmal mit eigener Eingabe:
demo.pymit dem Editor öffnen, den Beispieltext ändern, speichern. Dann im Terminal:.\.venv-domyn-edge\Scripts\Activate.ps1 python demo.py
macOS
Ideal sind Macs mit Apple-Chip (M1 bis M5). Ältere Intel-Macs sind sehr langsam.
- Terminal öffnen. Cmd + Leertaste, Terminal eintippen, Enter.
- Entwicklerwerkzeuge installieren (nur beim ersten Mal, liefert Python mit):
Im Fenster auf Installieren klicken. Kommt „already installed“, ist alles schon da.xcode-select --install - Dateien herunterladen – beide landen im Ordner Downloads:
- Starten:
Installation und Download dauern beim ersten Mal 10–30 Minuten.cd ~/Downloads bash try_mac.sh - Ergebnis. Im Fenster erscheint die Antwort des Modells auf eine Testfrage.
Linux
- Grafikkarte prüfen.
nvidia-smisollte deine Karte anzeigen. Wenn nicht, unter Ubuntu den Treiber installieren und neu starten:sudo ubuntu-drivers install - Python-Grundlagen installieren (Ubuntu/Debian):
sudo apt update && sudo apt install -y python3-venv python3-pip git - Dateien in einen Ordner laden und dort ein Terminal öffnen:
- Starten:
bash try_linux.sh - Ergebnis. Im Fenster erscheint die Antwort des Modells auf eine Testfrage.
Das kannst du ausprobieren
Fasse den folgenden Absatz in zwei Sätzen zusammen: …Klassifiziere diese E-Mail als Rechnung, Werbung oder Support-Anfrage und begründe kurz.Extrahiere aus diesem Text alle Datumsangaben und Beträge als Liste.Plane in Schritten, wie du aus einer CSV-Datei die Umsätze pro Monat berechnest.Erkläre den Unterschied zwischen einem Basismodell und einem nachtrainierten Modell in einfachen Worten.
Tipps für bessere Ergebnisse
- Teste zuerst kurze, klar definierte Aufgaben wie Klassifikation oder Extraktion.
- Notiere genau, welchen Checkpoint du nutzt, da sich Stände ändern.
- Vergleiche Ergebnisse mit einem Modell, das du schon kennst.
- Nutze zunächst deutlich kürzere Kontexte als 256.000 Tokens.
Wenn es hakt
Das finale Modell ist noch nicht veröffentlicht; die verfügbaren Dateien sind Basis- und Zwischenstände, die nicht wie ein Chat-Assistent antworten müssen.
Die endgültige Lizenz ist unbestätigt – prüfe sie vor kommerzieller Nutzung.
Fertige GGUF-Dateien oder ein Ollama-Eintrag sind in der Quelle nicht belegt; eventuell musst du das Modell selbst konvertieren oder mit Transformers laden.
Verwechsle Edge nicht mit EUROPA, dem späteren 400-Mrd.-Parameter-Modell.
Ob alle 24 EU-Sprachen unterstützt werden, ist nicht bestätigt; teste Deutsch selbst.
„out of memory“, Absturz oder der Rechner hängt
Das Modell ist zu groß für deinen Grafikspeicher. Nimm eine kleinere Variante aus der Tabelle oben und schließe andere Programme, vor allem Spiele und Browser mit vielen Tabs.
Es läuft, aber extrem langsam
Wahrscheinlich rechnet der Prozessor statt der Grafikkarte. Bei Ollama zeigt ollama ps in der Spalte PROCESSOR, wie viel auf der GPU läuft. Steht dort „100% CPU“, Grafiktreiber aktualisieren oder eine kleinere Variante nehmen, die komplett in den Grafikspeicher passt.
„ollama“ bzw. „python“ wird nicht gefunden
Das Eingabefenster schließen und neu öffnen, damit es das frisch installierte Programm kennt. Bei Python unter Windows: neu installieren und das Häkchen Add python.exe to PATH setzen.
Windows: „Die Ausführung von Skripts ist auf diesem System deaktiviert“
Das Skript genau mit dem Befehl oben starten: powershell -ExecutionPolicy Bypass -File try_windows.ps1. Das erlaubt die Ausführung nur dieses einen Mal.
Fehlermeldung beim Laden des Modells (Version, „trust_remote_code“, unbekannte Architektur)
Ganz neue Modelle brauchen oft die neueste Programmversion. Bei Ollama: Ollama aktualisieren. Bei Python: pip install -U transformers in der aktivierten Umgebung. Die Model Card nennt meist die genaue Version.
Skripte und Notebook erzeugt Tokenstrom automatisch. Bitte vor dem Ausführen kurz ansehen – sie sind lesbarer Klartext. Lizenz des Modells beachten: apache-2.0.
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.