Nebius (NBIS)-Aktien steigen um 8,5 % aufgrund des Eigen AI-Übernahmevertrags im Wert von 643 Millionen US-Dollar

Inhaltsverzeichnis Am 1. Mai 2026 gab Nebius (NBIS) seine Absicht bekannt, Eigen AI im Rahmen einer Transaktion im Wert von rund 643 Millionen US-Dollar zu kaufen. Die Übernahme wird durch eine Kombination aus Bargeld und Nebius-Klasse-A-Aktien finanziert, berechnet anhand des 30-tägigen volumengewichteten Durchschnittsaktienkurses des Unternehmens zum Zeitpunkt der Unterzeichnung. Die Reaktion des Marktes erfolgte sofort: NBIS stieg um 8,51 % auf 150,00 $. $NBIS KAUFT EIGEN AI FÜR 643 Mio. USD Nebius sagt, dass der Deal die Inferenz- und Modelloptimierungstechnologie von Eigen AI zu seiner Token Factory-Plattform hinzufügen wird, um die Modellleistung und die Einheitenökonomie im großen Maßstab zu verbessern. Der Deal soll in den kommenden Wochen abgeschlossen werden. pic.twitter.com/nxyRrI6L8t – Wall St Engine (@wallstengine) 1. Mai 2026 Der Deal wird voraussichtlich in den kommenden Wochen abgeschlossen, vorbehaltlich der behördlichen Genehmigung aus kartellrechtlichen Bedenken und den üblichen Abschlussanforderungen. Eigen AI ist auf Inferenzoptimierung und Modellleistungssteigerung spezialisiert. Die Lösungen des Unternehmens ermöglichen es KI-Entwicklungsteams, Open-Source-Modelle effizienter und kostengünstiger in Live-Umgebungen bereitzustellen, wodurch die Notwendigkeit einer maßgeschneiderten Optimierungsinfrastruktur entfällt. Nebius Group N.V., NBIS Nebius beabsichtigt, die Technologie von Eigen AI nahtlos in Token Factory, sein verwaltetes Inferenzangebot, zu integrieren. Token Factory bietet API-Endpunkte mit automatischer Skalierung und Feinabstimmungsfunktionen für bekannte Open-Source-Modelle wie Llama, DeepSeek, Qwen, Gemma und weitere Architekturen. Die Partnerschaft zwischen den beiden Organisationen geht dieser Übernahme voraus. Vor der Ankündigung arbeiteten sie an optimierten Modellbereitstellungen zusammen, die führende Positionen bei Artificial Analysis, einer führenden Plattform zur Bewertung der KI-Leistung, erreichten. Eigen AI ist aus der HAN Lab-Forschungsgruppe des MIT hervorgegangen. Die Mitbegründer des Unternehmens, Ryan Hanrui Wang und Wei-Chen Wang, haben zwei äußerst einflussreiche Methoden für die KI-Infrastruktur in der Produktion entwickelt. Ryans Forschung zu Sparse Attention (SpAtten) ist seit 2020 die am häufigsten zitierte HPCA-Publikation. Wei-Chens Entwicklung der aktivierungsbasierten Gewichtsquantisierung (AWQ) wurde mit dem MLSys 2024 Best Paper Award ausgezeichnet und hat sich als Industriestandard für die Bereitstellung von 4-Bit-Modellen etabliert. Der dritte Mitbegründer Di Jin erwarb seinen Doktortitel am MIT CSAIL und war direkt an der Entwicklung der Post-Training-Prozesse Llama 3 und Llama 4 von Meta beteiligt. Zu seinen Aufgaben gehört die Mitautorisierung der CGPO-Methode „Reinforcement Learning from Human Feedback“. Nach Abschluss der Transaktion wird das Eigen AI-Team Niederlassungen in der San Francisco Bay Area eröffnen und damit das erste amerikanische Ingenieur- und Forschungszentrum von Nebius schaffen. Inferenz hat sich zum am schnellsten wachsenden Segment innerhalb der KI-Computing-Landschaft entwickelt. Aktuelle Prognosen deuten darauf hin, dass sie im Laufe des Jahres 2026 etwa zwei Drittel des gesamten KI-Rechenbedarfs ausmachen wird. Eine effiziente Inferenzbereitstellung stellt erhebliche technische Herausforderungen dar. Der Prozess umfasst Modelldarstellung, GPU-Kernel-Optimierung und dynamisches Workload-Management – ​​Funktionen, die den meisten Unternehmen intern fehlen. Open-Source-Modelle verschärfen diese Schwierigkeiten, da sie in der Regel ohne Optimierung veröffentlicht werden. Zeitgenössische Architekturen wie Mixture-of-Experts und Compressed Sparse Attention stellen zusätzliche Hindernisse im Zusammenhang mit der Speichernutzung und der Recheneffizienz dar, die spezielles Fachwissen erfordern. Die umfassende Optimierungsmethodik von Eigen AI umfasst die Verfeinerung nach dem Training, Feinabstimmungsverfahren und Inferenz auf Produktionsniveau für alle führenden Open-Source-Modellfamilien. Die Kernel-Level- und modellspezifischen Techniken des Unternehmens sind darauf ausgelegt, die Leistung der aktuellen Hardware-Infrastruktur zu maximieren, ohne dass zusätzliche Entwicklungsressourcen erforderlich sind.