BERLIN, 21. Oktober 2026. SPREAD, das AI-for-Engineering-Unternehmen, hat heute auf der NVIDIA GTC Berlin bekanntgegeben, dass es ein offenes NVIDIA Nemotron 3.5 Lightning 30B-A3B Modell mit NeMo Automodel und NVIDIA Model Optimizer zu einem kompakten 4-Bit-Engineering-Modell post-trainiert hat. JLR setzt das Modell ein, um eine der zeitkritischsten Aufgaben in der Fahrzeugentwicklung zu unterstützen: die Bearbeitung von Engineering-Tickets. Der Luxusfahrzeughersteller bringt in den nächsten 18 Monaten fünf neue Fahrzeuge auf den Markt, darunter den Range Rover Electric, den Range Rover Sport Electric und den Jaguar Type 01. Bei 1.200 realen Engineering-Aufgaben übertraf das Modell führende Frontier-Modelle sowie ein viermal größeres Nemotron-Modell bei 9 von 10 Messgrößen.
Warum das wichtig ist
Fahrzeuganläufe werden immer schwieriger. Engineering-Daten verteilen sich auf PLM-, Anforderungs-, E/E- und Software-Tools, in Schemata, die kein General-Purpose-Modell je gesehen hat. Gleichzeitig muss jeder Anlauf seinen Start of Production (SOP) halten und das Kundenerlebnis liefern, das sein Preispunkt verspricht.
Der Use Case: Engineering-Tickets
In Entwicklung, Validierung und Anlauf entstehen Tausende von Tickets: Fehler aus Tests, Änderungsanträge und frühe Feldprobleme. Jedes Ticket braucht schnell drei Antworten. Welche Komponenten, Funktionen und Softwarestände sind betroffen? Wurde ein ähnliches Problem schon gelöst? Wer ist für die Behebung verantwortlich? Heute suchen Engineers diese Antworten oft manuell über verschiedene Tools hinweg.
Das Modell von SPREAD liest jedes Ticket in natürlicher Sprache und durchsucht die Ticket-Historie sowie den Product Twin des Fahrzeugs in SPREAD. Es verknüpft das Ticket mit den betroffenen Teilen des Produkts und zeigt ähnliche, bereits gelöste Fälle an, mit einer medianen Antwortzeit von 0,36 Sekunden. So verbringen Engineers ihre Zeit mit der Lösung von Problemen statt mit der Suche nach Kontext, und weniger Probleme erreichen den SOP oder den Kunden.
Die Ergebnisse
Bei der Ticket-Analyse erreichte das Modell 79 % gegenüber 44 % für das beste Frontier-Modell. Bei Datensatz-Abfragen erzielte es 81 % gegenüber 52 %, und bei Multi-Hop-Fragen über mehrere Systeme hinweg verdoppelte es das beste Frontier-Ergebnis in etwa. Zudem lieferte es doppelt so häufig vollständig korrekte Daten-Mappings, was entscheidend ist, um neue Datenquellen in den Product Twin einzubinden.
So hat SPREAD das Modell gebaut
SPREAD hat das Modell mit NeMo Automodel auf 5.061 Beispielen feinjustiert und mit der Open-Source-Library Model Optimizer in NVIDIAs 4-Bit-Format NVFP4 komprimiert. Ein kurzer Quantization-Aware-Distillation-Schritt stellte anschließend die durch die Kompression verlorene Genauigkeit wieder her. Die gesamte Pipeline dauerte 4,3 Stunden auf NVIDIA H200 GPUs.
Auf einer einzigen NVIDIA Blackwell GPU benötigt das Modell nur 1/35 der Output-Tokens des Basismodells, und seine schnellste Variante verarbeitet 5 Anfragen pro Sekunde. Damit ist es kosteneffizient genug für den Einsatz bei jedem Ticket und klein genug für den Betrieb in der eigenen Umgebung des Kunden.
Philipp Noll, Mitgründer und Geschäftsführer von SPREAD, sagt:
Engineering-Teams brauchen KI, die ihre Produktlogik kennt. Ein kleines Modell, das mit den richtigen Daten trainiert wurde, schlägt einen riesigen Generalisten bei der Arbeit, auf die es ankommt, und ist dabei offen, schnell und kosteneffizient.
Sebastian Scheurle, Regional Industry Lead Automotive EMEA bei NVIDIA, sagt:
Es war beeindruckend und äußerst ermutigend zu sehen, wie post-trainiertes Nemotron und die Engineering-Harness-Technologie von SPREAD führende Frontier-Modelle bei einem wichtigen Use Case im Automotive Engineering übertreffen.
Über SPREAD
SPREAD AI befähigt globale Hersteller, ihre Produktdaten zusammenzuführen, zu verstehen und darauf aufbauend zu handeln. SPREAD wurde 2019 von Philipp Noll und Robert Göbel gegründet, ausgehend von der Überzeugung, dass Engineering-Entscheidungen nur so gut sind wie die Daten dahinter. Dieses Prinzip prägt bis heute, wie das Unternehmen Technologie entwickelt. Führende globale Marken nutzen die Engineering Intelligence Platform von SPREAD, um die Entwicklung zu beschleunigen, Kosten zu senken, die Produktqualität zu verbessern und die Verfügbarkeit zu erhöhen. SPREAD beschäftigt 100 Mitarbeitende, überwiegend am Hauptsitz in Berlin. Weitere Informationen unter www.spread.ai.