KI SpotlightNewsRevolut baut KI-Stack um Verhaltensmodell PRAGMA auf – Angaben stammen von NVIDIA und Revolut
Laut NVIDIA-Blog zur GTC Berlin bedient das Modell auf Blackwell-Ultra-GPUs zunächst 80 Millionen Kunden. Die Angaben stammen von NVIDIA und Revolut. Leistungszahlen und Kundenzahl stimmen nicht durchgehend mit anderen Quellen überein.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Revolut baut seinen Technologie-Stack auf dem Foundation Model PRAGMA neu auf.
- PRAGMA ist eine transformerbasierte Modellfamilie im Encoder-Stil mit bis zu einer Milliarde Parametern.
- PRAGMA soll Betrugserkennung, Kredit, Engagement und Empfehlungen durch eine gemeinsame Verhaltensintelligenz-Schicht ersetzen.
- PRAGMA erzielt laut Revolut rund 65 % mehr Recall bei Betrugserkennung, gemessen gegen interne Modelle.
- Revolut Research wurde am 25.08.2026 innerhalb der KI-Abteilung offiziell gestartet.
Revolut betreibt PRAGMA laut NVIDIA auf Blackwell Ultra für 80 Millionen Kunden
Revolut baut seinen KI-Stack um ein einziges eigenes Foundation Model neu auf. Das geht aus einem NVIDIA-Blogbeitrag zur GTC Berlin hervor. PRAGMA läuft demnach auf Blackwell-Ultra-GPUs und wird von den NVIDIA-Softwarekomponenten cuDF und Dynamo-Triton unterstützt. In der Produktion bedient es zunächst 80 Millionen Kunden und ist auf eine dreifache Skalierung ausgelegt. Die Angabe stammt von NVIDIA und Revolut. Eine unabhängige Gegenquelle gibt es bislang nicht.
Im selben Beitrag nennt NVIDIA Revolut zusammen mit Lloyds Banking Group (Modell ATUM), Starling Bank und SBS als Beispiele europäischer Finanzinstitute. Sie alle betreiben eigene Modelle auf eigener Infrastruktur.
Im Blog wird Pavel Nesterov, Head of AI bei Revolut, mit der Aussage zitiert, PRAGMA sei „the clearest proof yet“ dafür, dass sich die Lücke zwischen Forschungsdurchbruch und produktivem Banksystem schließen lasse. Das ist eine Selbsteinschätzung und kein Befund.
Ein Verhaltensmodell soll getrennte Systeme zusammenführen
Nach den vorliegenden Quellen ist PRAGMA eine Familie transformerbasierter Modelle im Encoder-Stil. Das Modell behandelt die Finanzhistorie jedes Kunden als zeitliches Signal. Es lernt Verhaltens-Embeddings direkt aus rohen Ereignisströmen. Die Konfigurationen reichen von einigen zehn Millionen bis zu einer Milliarde Parameter. Mehrere getrennte Systeme für Betrugserkennung, Kredit, Engagement und Empfehlungen sollen durch eine gemeinsame Verhaltensschicht ersetzt werden. Die Embeddings fließen dazu in Risiko-, Wachstums- und Produkt-Workflows ein.
Als Ergebnis nennt Revolut rund 65 Prozent (genauer 64,7 Prozent) mehr Recall bei der Betrugserkennung und 130 Prozent bessere Leistung beim Kreditscoring. Verglichen wurde mit internen Spezialmodellen, laut Techtimes auf historischen Daten. Es handelt sich um Herstellerangaben, die nicht unabhängig geprüft sind. Bei der Kreditmetrik weichen die Quellen ab. Mal ist von Precision-Recall-Leistung die Rede, mal von „Effizienz“.
NVIDIA verspricht durch beschleunigtes Computing eine „3–5× schnellere Modellentwicklung“ und einen 2–5× höheren Trainingsdurchsatz. Wogegen verglichen wurde, nennt das Unternehmen nicht.
Zwei Angaben aus dem NVIDIA-Blog weichen von anderen Quellen ab
Erstens liegen die 80 Millionen Kunden über den „mehr als 70 Millionen“, die andere Quellen mit Stand Anfang 2026 nennen. Das Material erklärt die Differenz nicht. Denkbar sind unterschiedliche Stichtage oder Zählweisen. Belegt ist davon nichts.
Zweitens nennt Nebius für Revolut mehr als 200 H100-GPUs und Embeddings aus 40 Milliarden Ereignissen. Andere Quellen sprechen von 24 Milliarden Ereignissen im Vortraining. Der NVIDIA-Blog wiederum spricht von Blackwell Ultra in der Produktion. Möglicherweise trennen die Angaben Training und Produktion oder stützen sich auf unterschiedliche Datenstände. Das bleibt eine Vermutung.
Unabhängige Produktionsergebnisse, etwa aus A/B-Tests, liegen bislang nicht vor. Die genannten Zuwächse beruhen auf historischen Daten. Welche Wirkung PRAGMA im laufenden Betrieb für Kunden hat, ist offen.
