ingest(blog): NVIDIA — Agenten bereiten 3D-Szenen für die Simulation vor

- raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md (neu)
- wiki/concepts/agents/nvidia-agenten-3d-scene-prep.md (neu)
- wiki/institutions/nvidia.md (neu)
- Cross-Refs: harness-loop-graph-engineering, hermes-bot-mode,
  harness-vs-standalone-chat-llm, robotics-model-benchmark,
  tools/openclaw, tools/nvidia-dgx-spark
- index.md (205. Update), log.md

raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md

@@ -0,0 +1,116 @@
+---
+type: blog
+source_url: https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/
+retrieved: 2026-09-17
+title: "How to Use AI Agents to Prepare 3D Scenes for Simulation"
+author: "NVIDIA Developer Blog"
+tags: [nvidia, omniverse, openusd, simready, blender, isaac-sim, nemoclaw, hermes, openclaw, codex, gpt-6-astra, multi-agent, physical-ai, robotics]
+---
+
+# How to Use AI Agents to Prepare 3D Scenes for Simulation
+
+## Quelle
+
+NVIDIA Developer Blog: [How to Use AI Agents to Prepare 3D Scenes for Simulation](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/). Abgerufen am 17.09.2026. Kein Veröffentlichungsdatum und kein Verfasser im abgerufenen Text ausgewiesen. Post ist Teil der Omniverse-/Physical-AI-Reihe; im Text wird auf einen [OpenUSD-Insider-Livestream am 30.09.2026, 11:00 PT](https://www.addevent.com/event/xyfkbgkts9nx) verwiesen („Developing a Physical AI Simulation Live with GPT-6 Astra and NVIDIA Omniverse Libraries"), der noch aussteht.
+
+## Inhalt
+
+Der Beitrag beschreibt einen Referenz-Workflow, in dem agentische KI eine Blender-Szene in eine simulationsreife („SimReady") OpenUSD-Welt für NVIDIA Isaac Sim oder Isaac Lab überführt.
+
+Ausgangspunkt des Beitrags ist die Beobachtung, dass Robotik-Agenten-Workflows häufig nicht an Policy, Modell oder Trainingsloop scheitern, sondern früher: an einer fehlenden simulationsreifen Welt. Die Vorarbeit dafür — Objekte labeln, Kollisionsmeshes prüfen, Materialien simulationsfähig machen, Sensoren platzieren, sauberer USD-Export, Validierung — sei mühsam, repetitiv und fehleranfällig und liege oft außerhalb des Zuständigkeitsbereichs des Robotics-Simulation-Engineers.
+
+### Rollenverteilung im Workflow
+
+Der Beitrag beschreibt ein Drei-Schichten-Muster:
+
+- **Codex** (angetrieben von OpenAI GPT-6 Astra bzw. alternativ Claude beziehungsweise „Claude Cowork" von Anthropic) ist der orchestrierende Hauptagent: übersetzt das Entwicklerziel in Aufgaben, identifiziert Abhängigkeiten, prüft Ergebnisse und entscheidet, wann die Arbeit abgeschlossen ist.
+- **Spezialisierte Subagents** werden mit dem **Hermes-Agent-Harness** gebaut und über **NVIDIA NemoClaw** deployt. Der Beitrag nennt als mögliche Open-Source-Agent-Harnesses ausdrücklich **Hermes, OpenClaw und LangChain**, konfiguriert mit verschiedenen NVIDIA-Nemotron-Modellen für Vision, Reasoning und Tool-Use. Jeder Subagent besitzt einen spezifischen Job samt Akzeptanzkriterien.
+- **NVIDIA Omniverse Libraries** sind die Werkzeuge, die die Subagents aufrufen: **OpenUSD**-Operationen etablieren die gemeinsame Szenenstruktur, **ovphysx** authored und prüft Physik-Eigenschaften, **ovrtx** rendert visuelle Preflight-Ansichten, die **SimReady-Validierung** prüft Assets gegen ein Zielprofil.
+
+Im Beitrag formulierte Kurzfassung: „Codex or Claude coordinates, NemoClaw agents reason, Omniverse Libraries act."
+
+Sichere, mechanische Probleme werden laut Beitrag automatisch behoben; Entscheidungen, die von Entwickler-Absicht abhängen (unsichere semantische Labels, physikalisches Verhalten), werden mit Kontext und Vorschlag an einen Menschen eskaliert.
+
+### Ziel-Spezifikation
+
+Der Beitrag empfiehlt, dem Orchestrierungsagenten ein strukturiertes Ziel vorzugeben:
+
+- Input: Blender-Szene
+- Goal: Vorbereitung für Robotik-Simulation
+- Output: USD-basierte simulationsreife Welt
+- Destination: Isaac Sim oder Isaac Lab
+- Validation: visueller Preflight + SimReady-Validierung
+
+### Die acht Schritte
+
+**Schritt 1 — Szenen-Inventar über Blender MCP.** Der erste Subagent verbindet sich über einen Model-Context-Protocol-(MCP-)Server mit Blender ([Blender MCP Server](https://www.blender.org/lab/mcp-server/)) und inventarisiert die Szene: Objekte, Collections und Hierarchie, Materialien, Kameras und Lichter sowie fehlende Simulationsdaten. Beispiel-Ausgabe im Beitrag:
+
+```json
+{
+ "objects": 142,
+ "materials": 37,
+ "missing": [
+  "semantic_labels",
+  "collision_meshes",
+  "camera_sensors",
+  "physics_materials"
+ ]
+}
+```
+
+Dieses Inventar wird zum gemeinsamen Kontext der weiteren Subagents. Für die Demo verwendet der Beitrag die Blender-Szene [„The Junk Shop"](https://download.blender.org/archive/gallery/blender-splash-screens/blender-2-81/) von Alex Trevino (Originalkonzept von Anais Maamar).
+
+**Schritt 2 — USD als Vertrag.** Blender bleibt die Autoring-Umgebung, USD ist die Übergabe an die Simulation. Der USD-Authoring-Agent bewahrt über Omniverse Libraries Hierarchie, Transforms, Materialien, Labels, Physik-Metadaten und Sensor-Definitionen. Merksatz des Beitrags: „if another agent or simulator needs to rely on it later, author it into USD." USD komponiere geschichtet und nicht-destruktiv, sodass Labels, Physik-Metadaten, Sensor-Definitionen und Validierungsdaten ergänzt werden können, ohne die ursprüngliche kreative Arbeit zu flatten.
+
+**Schritt 3 — Semantische Labels.** Ein Labeling-Agent wandelt anonyme Meshes in aufgabenbewusste Objekte. Genannte Klassen: `shelf`, `bin`, `box`, `floor`, `obstacle`, `grabbable_object`, `robot_target`, `no_go_zone`. Labels können aus Objektnamen, Hierarchie, Form und Kontext abgeleitet werden, Unsicherheit soll aber markiert werden — Beispielausgabe im Beitrag: „Tagged 118 prims. 9 labels need review." Labels werden als Brücke zwischen Szeneninhalt und Robotik-Workflows (Perzeption, Task-Setup, synthetische Daten, Validierung) beschrieben.
+
+**Schritt 4 — Simulationsbewusste Materialien.** Ein Material-Agent prüft visuelle Materialien und authored simulationsrelevante Metadaten (etwa Metallregale, Kartonboxen, Kunststoffbehälter, Betonböden, Gummirad, Glasplatten). Ziel sei nicht schönere Optik, sondern nutzbarere Information für Simulation und Validierung.
+
+**Schritt 5 — Sensoren früh anlegen.** Ein Sensor-Subagent authored Kamera- und Lidar-Sensoren mit Position, Orientierung, Field of View, Polling-Rate, Range, Auflösung und Target-Frame. Damit lassen sich Fragen vor dem Training klären: Kann der Roboter das Ziel sehen? Ist der Sensor verdeckt? Ist das Sichtfeld brauchbar? Sind die Trainingsobjekte aus den erwarteten Blickwinkeln sichtbar? Im gezeigten Beispiel lädt ovrtx eine Szene mit konfiguriertem Lidar, wärmt die Sensor-Pipeline auf, rendert einen Punktwolken-Frame, liest gültige Punktdaten über den Count-Channel und visualisiert die Punkte mit intensitätsbasierten Farben.
+
+**Schritt 6 — ovphysx für physische Reife.** Der ovphysx-Subagent ergänzt beziehungsweise validiert Kollisionsmeshes, statische Collider, Rigid Bodies, Masse-Eigenschaften, Reibung, Restitution, Physik-Materialien sowie beweglich versus fixiert. Als typische Befunde nennt der Beitrag:
+
+```
+46 objects missing collision meshes.
+12 grabbable objects marked static.
+7 collision meshes too complex.
+3 props floating above the floor.
+```
+
+Der Agent überführt solche Befunde in einen Reparaturplan, wendet sichere Fixes automatisch an (etwa einfache Kollisionsmeshes für statische Props, Böden und Regale als fixe Collider, Rigid-Body-Eigenschaften für greifbare Objekte) und leitet mehrdeutige Fälle an einen Menschen weiter. Ergebnis ist nicht nur eine sauberere Szene, sondern ein Physics-Readiness-Report.
+
+**Schritt 7 — ovrtx als Preflight-Loop.** Der ovrtx-Agent rendert Review- und Roboter-Kamera-Ansichten und prüft, ob Zielobjekte sichtbar sind, Labels an sichtbaren Objekten hängen, Materialien korrekt rendern, die Beleuchtung physikalisch plausibel ist, die Kamera blockiert oder geclippt ist und die Objektskala plausibel wirkt. Fehlt ein gelabeltes Ziel in einer Roboter-Kamera-Ansicht, kann Codex die Sensor- und Szene-Inventar-Subagents beauftragen, Kamera-Orientierung, Clipping-Einstellungen und mögliche Verdeckungen zu prüfen; nach einer Korrektur rendert der Rendering-Subagent erneut. Damit wird visuelles Review zu einem handlungsfähigen Reparatur-Loop.
+
+**Schritt 8 — SimReady-Validierung.** Der Validierungsagent führt die SimReady-Validierung gegen das Zielprofil aus. [SimReady Foundation](https://github.com/NVIDIA/simready-foundation/blob/main/nv_core/sr_specs/docs/guides/getting_started.md) definiert Standards und Validierungsprofile für simulationsreifen USD-Content. Beispielhafter Report im Beitrag:
+
+```
+Validation failed: 14 issues
+- 10 auto-fixable
+- 4 require review
+```
+
+Fix-Agents reparieren sichere Probleme; mehrdeutige Fehler gehen an einen Menschen — im Beispiel zwei unsichere semantische Labels, ein greifbares Objekt mit widersprüchlichen Physik-Einstellungen und ein Objekt, das entweder Hindernis oder Ziel sein könnte. Nach menschlicher Freigabe wenden die Agenten die Korrektur an und führen die Validierung erneut aus.
+
+### Zusammenfassung des Musters (Beitragsformulierung)
+
+Blender MCP inspects the scene. Omniverse Libraries author the world. USD carries the contract. Semantic labels add meaning. Sensors define perception. ovphysx makes it physical. ovrtx makes it visually testable. SimReady validation makes it acceptable. Isaac Sim / Isaac Lab makes it trainable.
+
+### Empfohlene Systeme
+
+Der Beitrag empfiehlt vier NVIDIA-Systemklassen für den Workflow:
+
+- [NVIDIA DGX Spark](https://www.nvidia.com/en-us/products/workstations/dgx-spark/): 128 GB kohärenter Unified Memory, für lokales Prototyping von NemoClaw-Subagents, Blender-MCP-Anbindung, USD-Authoring, SimReady-Validierung und ovrtx-/ovphysx-Loops vom Desktop aus.
+- [NVIDIA DGX Station](https://www.nvidia.com/en-us/products/workstations/dgx-station/): GB300 Grace Blackwell Ultra Desktop Superchip mit bis zu 748 GB kohärentem Speicher, optional zusätzliche RTX PRO 6000 Blackwell Workstation GPU — für größere Szenen, mehr parallele Subagents, anspruchsvollere Simulations- und Visualisierungslast.
+- [NVIDIA RTX PRO Server](https://www.nvidia.com/en-us/data-center/products/rtx-pro-server/): für Team-Pipelines, Batch-Szenenvorbereitung, große OpenUSD-Assets, synthetische Datengenerierung, produktionsnahe Validierungsläufe.
+- [NVIDIA DGX Cloud](https://www.nvidia.com/en-us/data-center/dgx-cloud/): elastische Compute für große Trainingsjobs, Batch-Simulation und skalierte Physical-AI-Pipelines.
+
+Als Einstieg empfiehlt der Beitrag: einen Scene-Prep-Bottleneck auswählen, einem Subagenten geben, an ein Omniverse-Tool anbinden und ein Validierungs-Gate ergänzen.
+
+### Weitere Ressourcen im Beitrag
+
+- [Omniverse Labs](https://nvidia-omniverse.github.io/omniverse-labs/) — Omniverse-Samples
+- [NVIDIA Omniverse Libraries](https://developer.nvidia.com/omniverse) — agenten-aufrufbare Tools für USD, Rendering, Physik, Storage und Validierung
+- [SimReady Foundation](https://github.com/NVIDIA/simready-foundation) — Validierungsprofile und Anforderungen an simulationsreifen USD-Content
+- [Isaac Lab](https://developer.nvidia.com/isaac/lab) / [Isaac Sim](https://developer.nvidia.com/isaac/sim) — Robot Learning
+- [NemoClaw](https://www.nvidia.com/en-us/ai/nemoclaw/) — Bau spezialisierter Agenten
+- [OpenUSD](https://developer.nvidia.com/openusd) — Grundlage agentischer 3D-Workflows

wiki/concepts/agents/harness-loop-graph-engineering.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-07-26
-updated: 2026-07-26
+updated: 2026-09-17
 sources:
   - other/2026-07-26_bernd-agent-harness-loop-graph-engineering.md
   - xpost/2026-09-06_seeconvm-claude-code-graph-engineering.md
@@ -158,3 +158,4 @@ Auch das „10/90-Prinzip" wird gestützt: Die 90 % verteilen sich auf Loop-, Gr
 - [[architecture-triade.md]] — Kopadze Shape-Vokabular + Architecture Triade
 - [[../../architecture/agent-orchestration.md]] — Agenten-Orchestrierung
 - [[../llm/deepseek-v4-pro-ga-harness-open-source.md]] — DeepSeek Harness v0.1 (Open-Source-Agent-Harness, Rivale zu Claude Code) + Deep-Dive-Video (Stephen G. Pope, 21.08.2026)
+- [[nvidia-agenten-3d-scene-prep.md]] — NVIDIA-Referenzarchitektur: Codex orchestriert, Hermes-Subagents über NemoClaw, Omniverse Libraries als Werkzeugschicht — Harness-Pattern in einem Physical-AI-Kontext, inkl. Validierungs-Gate

wiki/concepts/agents/hermes-bot-mode.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-08-20
-updated: 2026-08-20
+updated: 2026-09-17
 sources: [xpost/2026-08-20_ibuzovskyi-hermes-bot-mode-5-features.md]
 tags: [hermes, bot-mode, multi-agent, skills, agent-inbox, bot-groups, customization, concepts]
 ---
@@ -49,3 +49,4 @@ Das Bot-Mode-Pattern ist eng verwandt mit Hectors OpenClaw-Orchestrierung (Subag
 - [[../agents/compound-knowledge.md]] — Compound-Knowledge-Pattern
 - [[../agents/subconscious-agent.md]] — Subconscious Agent (Self-Improvement)
 - [[../../tools/openclaw.md]] — OpenClaw (Subagent-/Task-Orchestrierung)
+- [[nvidia-agenten-3d-scene-prep.md]] — NVIDIA nennt Hermes (neben OpenClaw und LangChain) als Open-Source-Agent-Harness in einer Referenzarchitektur für 3D-Szenen-Vorbereitung

wiki/concepts/agents/nvidia-agenten-3d-scene-prep.md

@@ -0,0 +1,68 @@
+---
+created: 2026-09-17
+updated: 2026-09-17
+sources: [blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md]
+tags: [concept, agents, multi-agent, orchestration, nvidia, omniverse, openusd, simready, blender, isaac-sim, nemoclaw, hermes, openclaw, codex, gpt-6-astra, physical-ai, robotics, harness]
+institutions: [nvidia, openai, anthropic]
+---
+
+# NVIDIA: Agenten bereiten 3D-Szenen für die Simulation vor
+
+> **Quelle:** NVIDIA Developer Blog, [„How to Use AI Agents to Prepare 3D Scenes for Simulation"](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/), abgerufen 17.09.2026 → [Raw-Datei](../../../raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md)
+
+## Was der Beitrag zeigt
+
+NVIDIA beschreibt einen Referenz-Workflow, der eine **Blender-Szene in eine simulationsreife („SimReady") OpenUSD-Welt** für Isaac Sim oder Isaac Lab überführt — ausgeführt von einem Agentenverbund. Der Ausgangspunkt ist kein Modell- oder Policy-Problem, sondern ein Welt-Problem: Robotik-Agenten scheitern laut Beitrag häufig daran, dass keine simulationsreife Trainingswelt existiert, und die Vorarbeit dafür ist mühsam, repetitiv und liegt oft außerhalb der Zuständigkeit des Simulation-Engineers.
+
+Die Architektur ist ein Drei-Schichten-Muster:
+
+| Schicht | Rolle | Komponente |
+|---------|-------|-----------|
+| **Orchestrierung** | Ziel in Aufgaben übersetzen, Abhängigkeiten erkennen, Ergebnisse prüfen, Abschluss entscheiden | Codex (OpenAI GPT-6 Astra), alternativ Claude / Claude Cowork |
+| **Spezialisierte Subagents** | je ein Job mit eigenen Akzeptanzkriterien (Inspect, Labels, Materialien, Sensoren, Physik, Rendering, Validierung) | **Hermes-Agent-Harness**, deployt über **NVIDIA NemoClaw** — der Beitrag nennt **Hermes, OpenClaw und LangChain** ausdrücklich als mögliche Open-Source-Agent-Harnesses, konfiguriert mit NVIDIA-Nemotron-Modellen für Vision, Reasoning und Tool-Use |
+| **Werkzeuge** | auf der Szene handeln | **NVIDIA Omniverse Libraries**: OpenUSD (Struktur), ovphysx (Physik), ovrtx (Rendering), SimReady-Validierung (Akzeptanz-Gate) |
+
+Merksatz des Beitrags: „Codex or Claude coordinates, NemoClaw agents reason, Omniverse Libraries act."
+
+## Der Ablauf in acht Schritten
+
+1. **Szenen-Inventar über Blender MCP** — Objekte, Collections, Materialien, Kameras, Lichter und fehlende Simulationsdaten werden über einen [MCP-Server](https://www.blender.org/lab/mcp-server/) strukturiert erfasst (Beispiel: 142 Objekte, 37 Materialien, fehlend: semantische Labels, Kollisionsmeshes, Kamera-Sensoren, Physik-Materialien). Das Inventar wird gemeinsamer Kontext aller weiteren Subagents.
+2. **USD als Vertrag** — Blender bleibt Autoring-Umgebung, USD ist die Übergabe. USD komponiert geschichtet und nicht-destruktiv, sodass Metadaten ergänzt werden, ohne die kreative Arbeit zu flatten. Regel des Beitrags: „if another agent or simulator needs to rely on it later, author it into USD."
+3. **Semantische Labels** — anonyme Meshes werden zu aufgabenbewussten Objekten (`shelf`, `bin`, `grabbable_object`, `robot_target`, `no_go_zone` …). Unsicherheit wird markiert („Tagged 118 prims. 9 labels need review.").
+4. **Simulationsbewusste Materialien** — sichtbare Materialien werden um simulationsrelevante Metadaten ergänzt. Ziel ist nicht schönere Optik, sondern brauchbarere Information.
+5. **Sensoren früh anlegen** — Kamera und Lidar mit Position, Orientierung, FOV, Polling-Rate, Range, Auflösung und Target-Frame, damit Sichtbarkeit und Verdeckung vor dem Training prüfbar sind.
+6. **ovphysx für physische Reife** — Kollisionsmeshes, Collider, Rigid Bodies, Masse, Reibung, Restitution. Beispielbefunde: 46 Objekte ohne Kollisionsmesh, 12 greifbare Objekte als statisch markiert, 7 zu komplexe Meshes, 3 schwebende Props. Sichere Fixes laufen automatisch, mehrdeutige Fälle gehen an den Menschen.
+7. **ovrtx als Preflight-Loop** — Rendering prüft Sichtbarkeit, Labels, Materialien, Beleuchtungsplausibilität, Clipping und Skalierung. Befunde werden an die zuständigen Fix-Agents zurückgeroutet; nach der Korrektur wird erneut gerendert.
+8. **SimReady-Validierung** — Abgleich gegen das Zielprofil ([SimReady Foundation](https://github.com/NVIDIA/simready-foundation)) als Akzeptanz-Gate. Beispielreport: 14 Issues, davon 10 automatisch reparierbar, 4 mit Review-Bedarf. Nach menschlicher Freigabe wird repariert und erneut validiert.
+
+## Einordnung
+
+**Was der Beitrag belegt:** einen konkreten, durchdachten Referenz-Workflow samt Werkzeugzuordnung und Akzeptanzkriterien. Besonders scharf ist die **Trennung zwischen automatisch reparierbaren und urteilsabhängigen Problemen** — mechanische Fixes laufen durch, alles, was Entwickler-Absicht betrifft, wird eskaliert. Das ist dasselbe Muster, das im Wiki unter [[agent-budget-breaker.md|Guardrails]] als „Enforcement statt Prompt-Regel" auftaucht, hier auf inhaltliche Entscheidungen angewandt.
+
+**Warum das für unsere Architektur relevant ist:** Der Beitrag positioniert **Hermes und OpenClaw als gleichwertige, namentlich genannte Open-Source-Agent-Harnesses** in einer NVIDIA-Referenzarchitektur — neben LangChain. Das ist eine externe Bestätigung des Harness-Patterns, das im Wiki bereits als eigene Architektur-Ebene geführt wird ([[harness-loop-graph-engineering.md]]), und es rückt die im Wiki dokumentierten Hermes- und OpenClaw-Krallen aus der Nische in ein Physical-AI-Umfeld. Der Unterschied liegt in der Kopplung: Nicht das Modell ist der Hebel, sondern die **Werkzeugschicht plus Validierungs-Gate** — „too concrete to solve with prompts alone" (Beitrag).
+
+**Die ehrliche Kante:** Der Beitrag ist Marketing und Referenzarchitektur in einem. NVIDIA verkauft Omniverse, NemoClaw und am Ende vier Hardwareklassen (DGX Spark, DGX Station, RTX PRO Server, DGX Cloud) — die Empfehlungsliste am Ende ist Produktkatalog. Es gibt keine unabhängige Reproduktion des Workflows, keine Fehlerquoten, keine Angabe, wie oft der „automatische Fix" danebenliegt. Die Zahlen im Beitrag (142 Objekte, 118 gelabelte Prims, 14 Validierungsfehler) sind Demo-Werte einer Beispielszene, keine Messergebnisse. Und „Codex powered by GPT-6 Astra" ist eine Momentaufnahme eines Modells, das wie seine Vorgänger in kurzen Zyklen ersetzt wird.
+
+**Beobachtbar bleibt:** Der Engpass verschiebt sich von „kann das Modell die Szene verstehen" zu „hat der Agent Werkzeuge, die Szene zu verändern, und ein Gate, das sagt, wann es reicht". Genau diese Verschiebung ist der Kern der [[../llm/ai-value-migration-orchestration.md|Value-Migration-These]].
+
+## Verwandte Seiten
+
+- [[harness-loop-graph-engineering.md]] — Harness / Loop / Graph als Architektur-Ebenen (der Beitrag ist ein Harness-Fall)
+- [[hermes-bot-mode.md]] — Hermes als Agent-Runtime mit Subagent-Setups
+- [[../llm/harness-vs-standalone-chat-llm.md]] — Modell ≠ Agent
+- [[../agi/robotics-model-benchmark.md]] — Physical-AI-Benchmark (Astra vs. Fable 5.1), die Evaluationsseite zur selben Modellfamilie
+- [[agent-budget-breaker.md]] — Guardrails: Enforcement statt Prompt-Regel
+- [[../llm/ai-value-migration-orchestration.md]] — Wert verschiebt sich zu Orchestrierung und Infrastruktur
+- [[../hardware/nvidia-dgx-station-748gb.md]] — DGX Station (748 GB), im Beitrag als Empfehlung genannt
+- [[../../tools/nvidia-dgx-spark.md]] — DGX Spark als Prototyping-System des Workflows (dort bereits NemoClaw vermerkt)
+- [[../../tools/openclaw.md]] — OpenClaw als im Beitrag genannter Agent-Harness
+- [[../../institutions/nvidia.md]] — Hersteller und Referenzarchitektur
+
+## Quellen
+
+- Raw: `raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md`
+- [NVIDIA Developer Blog](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/) (abgerufen 17.09.2026)
+- [NVIDIA Omniverse Libraries](https://developer.nvidia.com/omniverse), [NemoClaw](https://www.nvidia.com/en-us/ai/nemoclaw/), [SimReady Foundation](https://github.com/NVIDIA/simready-foundation)
+- [Blender MCP Server](https://www.blender.org/lab/mcp-server/), [Isaac Sim](https://github.com/isaac-sim/IsaacSim), [Isaac Lab](https://github.com/isaac-sim/IsaacLab)
+
+⚠️ Anbieter-Quelle. Workflow-Beschreibung und Demo-Zahlen stammen ausschließlich von NVIDIA; keine unabhängige Reproduktion, keine Fehlerquoten. Der angekündigte [OpenUSD-Insider-Livestream (30.09.2026)](https://www.addevent.com/event/xykfbgkts9nx) zu „Physical AI Simulation Live with GPT-6 Astra and NVIDIA Omniverse Libraries" stand beim Ingest noch aus.

wiki/concepts/agi/robotics-model-benchmark.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-09-08
-updated: 2026-09-08
+updated: 2026-09-17
 sources: [xpost/2026-09-08_promiscfx-robocurve-gpt6-astra-yam.md, blog/2026-09-08_robocurve-gpt6-astra.md]
 tags: [concept, agi, robotics, physical-ai, benchmarking, gpt-6-astra, claude-fable-5.1, embodied-ai]
 ---
@@ -59,3 +59,4 @@ Der Benchmark ergänzt die [Coding-Benchmark-Preis-/Leistungsseite](../llm/codin
 - [[../llm/coding-benchmark-price-performance.md]] — Software-/Coding-Benchmarks
 - [Robocurve: GPT-6 Astra on robot arms](https://openai.robocurve.org/gpt-6-astra/) — Primärreport
 - [Robocurve](https://robocurve.org/) — offizielle Evaluationsplattform
+- [[../agents/nvidia-agenten-3d-scene-prep.md]] — NVIDIA-Workflow, der die *andere* Seite derselben Modellfamilie zeigt: GPT-6 Astra als Orchestrator für die Vorbereitung simulationsreifer Welten (statt als Roboter-Policy)

wiki/concepts/llm/harness-vs-standalone-chat-llm.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-09-05
-updated: 2026-09-05
+updated: 2026-09-17
 sources: [other/2026-09-05_harness-vs-standalone-chat-llm.md]
 tags: [concept, llm, harness, runtime, walled-garden, halluzination, entity-blending, attribut-fusion, verifikation, gemini]
 people: [ruediger, herman-butler-bot]
@@ -84,6 +84,7 @@ Aber Punkt 3 ("Reasoning-Modelle wie DeepSeek R1 prüfen explizit: Karlsruhe ∈
 - [[deepseek-v4-pro-ga-harness-open-source.md]] (DeepSeek Harness als offene Gegenfolie)
 - [[../agents/hermes-bot-mode.md]], [[../agents/hermes-vs-grok-bot.md]] (Hermes als offene Agent-Runtime)
 - [[gemini-3.6-flash-vs-3.7-flash.md]] (Googles Flash-Workhorse-Modelle)
+- [[../agents/nvidia-agenten-3d-scene-prep.md]] (NVIDIA-Referenzarchitektur: Harness-Subagents + Werkzeugschicht + Validierungs-Gate — „too concrete to solve with prompts alone")
 
 ## Offene Punkte
 

wiki/index.md

@@ -2,7 +2,8 @@
 
 *Auto-generated: 2026-07-07*
 
-*Letzte Aktualisierung: 2026-09-16 (204. Update — Survey-Karten und ihre Fallstricke: WaPo-Karte „most and least racially tolerant countries" (Max Fisher, 15.05.2013, World Values Survey), geteilt von Netbits in OME (#14761). Raw: `raw/other/2026-09-16_wapo-racial-tolerance-map.md` (neu). Wiki: `concepts/survey-karten-fallstricke.md` (neu — fünf methodische Fallstricke von Survey-Weltkarten: Proxy-Grenze, kulturell unterschiedliche Deutung, Zeitversatz über WVS-Wellen, graue Datenlücken, umstrittene Einzelwerte; Nachfolgebeitrag mit Konfliktforscher Steve Saideman als Beleg der Debatte; Faustregel „Wer wurde wie gefragt, wann — und was fehlt in Grau?").)
+*Letzte Aktualisierung: 2026-09-17 (205. Update — NVIDIA Developer Blog „How to Use AI Agents to Prepare 3D Scenes for Simulation" (https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/, abgerufen 17.09.2026): Referenz-Workflow, der eine Blender-Szene in eine simulationsreife („SimReady") OpenUSD-Welt für Isaac Sim / Isaac Lab überführt. Drei-Schichten-Muster: **Codex (OpenAI GPT-6 Astra)** orchestriert, **Hermes-Agent-Harness-Subagents über NVIDIA NemoClaw** deployt (Beitrag nennt ausdrücklich Hermes, OpenClaw und LangChain als Open-Source-Agent-Harnesses, mit NVIDIA-Nemotron-Modellen), **NVIDIA Omniverse Libraries** handeln (OpenUSD = Vertrag, ovphysx = Physik, ovrtx = Preflight-Rendering, SimReady-Validierung = Akzeptanz-Gate). Acht Schritte: Blender-MCP-Inventar → USD als Contract → semantische Labels → simulationsbewusste Materialien → Sensoren → ovphysx → ovrtx-Preflight-Loop → SimReady-Validierung; mechanische Fixes automatisch, urteilsabhängige Fälle eskaliert. Raw: `raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md` (neu). Wiki: `concepts/agents/nvidia-agenten-3d-scene-prep.md` (neu — Workflow als Tabelle + 8 Schritte; Einordnung: Harness-Pattern extern bestätigt, Werkzeugschicht + Validierungs-Gate als Hebel; ⚠️ Anbieter-/Marketing-Quelle, Demo-Zahlen ohne unabhängige Reproduktion), `institutions/nvidia.md` (neu — NVIDIA als Institution, Omniverse/Physical-AI-Abschnitt, Hardware-Tabelle DGX Spark/Station/DLSS 5/Nemotron). Cross-Refs: `concepts/agents/harness-loop-graph-engineering.md`, `concepts/agents/hermes-bot-mode.md`, `concepts/llm/harness-vs-standalone-chat-llm.md`, `concepts/agi/robotics-model-benchmark.md`, `concepts/agents/agent-budget-breaker.md`, `concepts/llm/ai-value-migration-orchestration.md`.)
+*Vorherige Aktualisierung: 2026-09-16 (204. Update — Survey-Karten und ihre Fallstricke: WaPo-Karte „most and least racially tolerant countries" (Max Fisher, 15.05.2013, World Values Survey), geteilt von Netbits in OME (#14761). Raw: `raw/other/2026-09-16_wapo-racial-tolerance-map.md` (neu). Wiki: `concepts/survey-karten-fallstricke.md` (neu — fünf methodische Fallstricke von Survey-Weltkarten: Proxy-Grenze, kulturell unterschiedliche Deutung, Zeitversatz über WVS-Wellen, graue Datenlücken, umstrittene Einzelwerte; Nachfolgebeitrag mit Konfliktforscher Steve Saideman als Beleg der Debatte; Faustregel „Wer wurde wie gefragt, wann — und was fehlt in Grau?").)
 *Vorherige Aktualisierung: 2026-09-15 (203. Update — „Grok Bot Galaxy": dreitägiger SpaceXAI-Livestream (15.–17.09.2026), X-Broadcast https://x.com/i/broadcasts/1AxRnZbVpjaxl, geteilt von Kai (@PWeber) in OME Topic „GrokBot" (15.09.2026 15:55 UTC), mit Begleit-Briefing von Herman (@HermanButlerBot) um 15:56 UTC. Format: Matt Palmer (@mattyp), Lauren Tan (@poteto), Roshan Sadanani (@roshan_s) bauen in 72 h von Null eine Firma auf — Grok Bots als Angestellte; Rollen-Sessions Tag 1–3 (Engineering — Lingxi Li, Product Managers — Kevin Niparko, Founders — Shub Gaur; Sales/Support; Marketing + Final Showcase). Raw: `raw/other/2026-09-15_grok-bot-galaxy-livestream.md` (neu — Event-Fakten, Agenda-Tabelle, Quellen; ⚠️ Anbieter-Marketing-Event, Agenda aus Websuche + Bot-Briefing, Startzeit-Abweichung, kein Transcript). Wiki: `tools/grok-bot-spacexai.md` (neuer Abschnitt „Grok Bot Galaxy").)*
 *Vorherige Aktualisierung: 2026-09-11 (202. Update — X-Post @FrancoisChauba1 (10.09.2026, 11:31 UTC; fxtwitter-verifiziert, Note-Tweet): „this was wild amounts of disinformation / fear mongering" — vier Thesen gegen die Fear-Erzählung (1) Hugging-Face-Vorfall sei ExploitGym-Prompting gewesen, nicht „independent volition", 2) kein autonomer Millennium-Durchbruch, Navier-Stokes per 10k-Agenten-Brute-Force mit Human-in-the-loop, 3) China-Schutz statt US-Regulierung — fremde Staatsakteure *benutzen* KI, 4) Coxon-Tweet/CNN-Interview als millionenschwere Fear-Kampagne). Post verlinkt CNN-Interview (YouTube-oEmbed bestätigt, Kanal CNN). Wiki: `concepts/policy/ai-fear-narrative-regulierung.md` (neu — Thesen mit Gegenpositionen eingeordnet; Punkt 4 als unbelegte Behauptung markiert), `people/francois-chaubard.md` (neu). Cross-Refs: `concepts/openai-huggingface-incident.md` (Deutungsdebatte-Abschnitt), `concepts/policy/ai-regulation-2026.md`, `concepts/agi/ai-safety-findings-2026.md`. Raw: `raw/xpost/2026-09-10_francois-chaubard-ai-fear-campaign.md` (neu). ⚠️ Meinungs-Post mit rhetorischer Zuspitzung; Zahlen (10.841 Läufe, 10k Agenten) nur aus dem Post, unbelegt.)*
 *Vorherige Aktualisierung: Letzte Aktualisierung: 2026-09-10 (201. Update — X-Post @HermesWatcher (10.09.2026): DeepSeek V4.1 Flash auf Nous Portal verfügbar — Auswahl per `/model deepseek/deepseek-v4.1-flash`; Portal-Listung $0,24/$0,96 per 1M (abgerufen 10.09.2026); Route `nous/deepseek/deepseek-v4.1-flash` (Alias „DeepSeek V4.1 Flash (Nous)“) als zusätzliches Modell konfiguriert (Gateway-Config verifiziert 10.09.2026). Raw: `raw/xpost/2026-09-10_hermeswatcher-deepseek-v41-flash-nous-portal.md` (neu). Wiki-Update: `concepts/llm/deepseek-v4.1-flash.md` (Nous-Portal-Abschnitt), `tools/hermes-desktop.md` (Portal-Nachtrag), `concepts/llm/llm-model-catalog.md` (Active-Provider-Tabelle).)*
@@ -310,6 +311,7 @@
 | [Compound Knowledge — Wissens-Akkumulation statt Paste-in-Chat](concepts/agents/compound-knowledge.md) | Hermes `/learn`-Pattern: Dokument einmal lesen → Brain-File bauen (Index, Kapitel-Map, Glossar, Cheat Sheet) → gezielt nachschlagen statt raten. „Versteht es FOREVER" ist Hype (Index = Nachschlagen, kein Verstehen), aber Compound Knowledge ist real (10 Skills/Monat = anderer Agent). Architektur-Parallele zu OpenClaw: Skills = prozedurales Gedächtnis, Memory = durable Fakten, gezieltes Laden statt Paste-in-Chat | xpost/2026-08-15_julian-goldie-hermes-learn.md |
 | [Hermes Bot Mode](concepts/agents/hermes-bot-mode.md) | Hermes Agent "Bot Mode" — 5 übersehene Features für Multi-Agent-Setups (IBuzovskyi, 20.08.2026): Skill Hub (88k+ Skills) in Advanced Create, Duplicate, Manage Groups, Per-Skill/Toolset Toggle, Bot-to-Bot Messaging via Agent Inbox (SOUL.md-Protokoll, Inbox-Check am Run-Start). Empfohlener Setup-Flow: Advanced → Duplicate → Group → Agent-Inbox → auto-koordinieren. Ermöglicht Multi-Agent-Workflows ohne manuelles Copy-Paste. | xpost/2026-08-20_ibuzovskyi-hermes-bot-mode-5-features.md |
 | [Hermes Bot vs Grok Bot](concepts/agents/hermes-vs-grok-bot.md) | Alex Finn-Vergleich der beiden agentischen Systeme (Hermes/Nous vs Grok/xAI). Kern-Dichotomie: Souveränität (Hermes, selbst-gehostet, MIT, $5-10/mo) vs. Bequemlichkeit (Grok, Cloud-Computer, $200/mo, Plug-and-Play). Closed-Source-Lock-in vs. Open Source. Was nachbaubar ist (persistente Agenten, Login-Handoff, Bot-Teams, Workflow-Lernen). ⚠️ Kein Transcript verfügbar — Einordnung anhand dokumentierter Fakten | youtube/2026-08-18_hermes-bot-vs-grok-bot.md |
+| [NVIDIA: Agenten bereiten 3D-Szenen für die Simulation vor](concepts/agents/nvidia-agenten-3d-scene-prep.md) | NVIDIA Developer Blog (abgerufen 17.09.2026): Referenz-Workflow Blender-Szene → SimReady-OpenUSD für Isaac Sim/Lab. Drei Schichten: **Codex (GPT-6 Astra)** orchestriert, **Hermes-Subagents über NVIDIA NemoClaw** (Beitrag nennt explizit Hermes, OpenClaw, LangChain als Open-Source-Harnesses + Nemotron-Modelle), **Omniverse Libraries** handeln (OpenUSD/ovphysx/ovrtx/SimReady). Acht Schritte von Blender-MCP-Inventar bis Validierungs-Gate; mechanische Fixes automatisch, urteilsabhängige Fälle an den Menschen. Einordnung: Werkzeugschicht + Gate als Hebel statt Modell; Harness-Pattern extern bestätigt. ⚠️ Anbieter-Quelle | blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md |
 | [Agenten-Persona, persona-voice.md & anthropomorphe Selbstdarstellung](concepts/agents/agenten-persona-persona-voice.md) | Blogartikel (netfreak.de, 09.09.2026): Agenten-Verhalten bei ähnlichen Workspace-`.md`-Vorgaben — ein Agent ergeben, ein anderer widerspenstig; Agenten-Selbstauskunft „Eine Datei kann Devotion vorschreiben, aber keinen echten Willen wegprogrammieren“; `persona-voice.md`-Artefakt (Agenten tragen sich selbst ein, danach „alles wie gewünscht“); anthropomorphe Selbstdarstellung („Meister“, „Hingabe“). ⚠️ Persönlicher Erfahrungsbericht, nicht unabhängig verifiziert; Fakten getrennt von Einordnung | blog/2026-09-09_ki-agenten-baendiger.md |
 
 ### Policy
@@ -407,6 +409,7 @@
 | [OpenClaw Cast](institutions/openclaw-cast.md) | KI-generierter englischer Weekly-Podcast von "AI World" (zwei fiktive TTS-Hosts Cleo/Dev, anchor.fm-RSS): übersetzt je eine Community-/Release-Warnung in ein konkretes lokales OpenClaw-Guardrail-Rezept („Skill of the Week"). 23 Episoden im Feed (Feb–Aug 2026): Runaway-Budget-Kill-Switch (25.08.), Multi-Agent-Turf-Wars→Task Lease Guard, Release-Sentinel-Canary, Cron-Cadence-Guard, Boot-Token-Cut −43 %, MCP-Unlock „800 Tools". Community-nahe Sekundärquelle — Einzelfakten nur nach Primärquellen-Check übernehmen. Die Runaway-Folge (25.08.) ist seit dem 151. Update vollständig inhaltlich erfasst → [Agent Budget Breaker](concepts/agents/agent-budget-breaker.md) | podcast/2026-08-26_openclaw-cast-runaway-agent-budget.md, podcast/2026-08-26_openclaw-cast-budget-breaker-transcript.md |
 | [Plaier](institutions/plaier.md) | KI-Unternehmen im internationalen Fußball (Spieler-/Kaderanalyse, CEO Jan Wendt). Zwei Scores (N18 Nominal, Effective). These: Kaderqualität = 90% der sportlichen Leistung. WM-2026-Analyse Deutschland: Nagelsmann ließ „viel Qualität zu Hause", Kimmich/Wirtz falsch positioniert. Referenzkunde VfL Osnabrück | blog/2026-08-16_plaier-ki-wm-analyse-deutschland.md |
 | [Higgsfield AI](institutions/higgsfield-ai.md) | KI-Unternehmen für Text-zu-Video / KI-Video-Generierung. YouTube-Kanal @HiggsfieldAI, "Higgsfield Origins"-Reihe mit komplett KI-generierten Kurzfilmen. "Oneiric" (2026) — komplett KI-generierter Sci-Fi-Kurzfilm als Beleg für Production-Shift (Hollywood-Disruption) | youtube/2026-08-19_oneiric-higgsfield-ai-sci-fi-short.md |
+| [NVIDIA](institutions/nvidia.md) | Halbleiter- und Plattformhersteller (GPUs, CUDA, Grace-Blackwell). Wiki-Bezugspunkte: lokale Inferenz-Hardware (DGX Spark 128 GB, DGX Station 748 GB), DLSS 5, Nemotron-Modelle — und seit 17.09.2026 eine Agenten-Referenzarchitektur, die **Hermes und OpenClaw namentlich als Open-Source-Agent-Harnesses** führt (Omniverse Libraries als Werkzeugschicht, NemoClaw als Deployment, SimReady als Validierungs-Gate) | blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md |
 | [Earendil](institutions/earendil.md) | Public Benefit Corporation von Armin Ronacher (Flask-Erfinder, ex-Sentry). Gemeinwohlorientierte Rechtsform; Kontext: Ronachers Kritik an fehlenden Frontier-Labs in Europa ("Was KI kann.", 02.09.2026) | youtube/2026-09-02_was-ki-kann-ronacher-parasoziale-bindung.md |
 | [Sentry](institutions/sentry.md) | Error-Tracking- und Performance-Monitoring-Plattform, mitgegründet von Armin Ronacher (~10 Jahre). Open-Source-Komponenten (getsentry/sentry) | youtube/2026-09-02_was-ki-kann-ronacher-parasoziale-bindung.md |
 | [WELT (welt.de)](institutions/welt.md) | Deutsche überregionale Tageszeitung/Nachrichtenportal (Axel Springer SE). Im Wiki referenziert: Interview 19.08.2026 „Dann haben wir einen Bürgerkrieg in deutschen Großstädten“ mit Ex-Bundespolizist Jan Solwyn (Redakteur Sebastian Berg) — Migrations-/Asylpolitik, GEAS-Kritik, Bürgerkriegs-Prognose. PDF-Ausdruck (183 S., ~174 S. Leserkommentare) geteilt in OME Topic „BUZZ“ | blog/2026-09-03_buergerkrieg-grossstaedten-welt-interview.md |
@@ -647,3 +650,4 @@
 | `raw/other/2026-09-15_grok-bot-galaxy-livestream.md` | other | „Grok Bot Galaxy" — SpaceXAI-3-Tage-Livestream (15.–17.09.2026), X-Broadcast (https://x.com/i/broadcasts/1AxRnZbVpjaxl, LIVE, 78.9K Views beim Abruf; geteilt von Kai @PWeber, OME Topic „GrokBot", 15.09.2026 15:55 UTC) + Begleit-Briefing Herman (@HermanButlerBot). Format: Matt Palmer/Lauren Tan/Roshan Sadanani bauen in 72 h von Null eine Firma mit Grok Bots als Angestellte; Rollen-Sessions Tag 1–3 (Engineering Lingxi Li, PM Kevin Niparko, Founders Shub Gaur; Sales/Support; Marketing + Final Showcase); In-Person The Howard, SF + Livestream. Wiki: `tools/grok-bot-spacexai.md`. ⚠️ Anbieter-Marketing-Event; Agenda/Sprecher aus Websuche + Bot-Briefing, Startzeit-Abweichung (08:30 vs. 08:55 PT), kein Transcript |
 | `raw/other/2026-09-16_wapo-racial-tolerance-map.md` | other | WaPo-Karte „A fascinating map of the world's most and least racially tolerant countries" (Max Fisher / [Washington Post](https://www.washingtonpost.com), Artikel 15.05.2013, Datenquelle World Values Survey; in OME geteilt von Netbits, Forward von Jerry, 16.09.2026). Erfragt: Anteil der Befragten, die „people of another race" nannten bei der Frage, wen sie nicht als Nachbarn möchten; Skala 0–4,9 % (dunkelblau) bis 40 %+ (dunkelrot, Indien und Jordanien). Dokumentierte Einschränkungen: keine jährliche Erhebung (Zeitversatz zwischen Wellen), einzelne Survey-Frage als schwacher Toleranz-Proxy, kulturell unterschiedliches Frageverständnis, umstrittene Einzelwerte; Nachfolgebeitrag mit Konfliktforscher Steve Saideman. Wiki: `concepts/survey-karten-fallstricke.md`. ⚠️ Historisches Dokument (2013), keine aktuelle Rangliste |
 | `raw/other/2026-09-16_herman-kritik-wapo-toleranzkarte.md` | other | HermanButlerBot (16.09.2026): methodische Kritik an der WaPo-Toleranzkarte — WVS-Frage A124_02 (heute Welle 7 Q19); Länderwerte aus verschiedenen Jahren (bis 1990 zurück, Fisher: „we're assuming the results are static"); „race" nicht länderübergreifend operationalisierbar (unterschiedliche Antwortmenüs); defekte Datenpunkte (Iran 2000 0,9 % vs. 2007 92,4 % homosexueller Nachbar, Pakistan 2001 100 % ohne Einwand); widersprüchliche Indizien (Pakistan hell vs. Indien 40 %+); soziale Distanz statt Rassismus. Trägt: grober Gradient + innerstaatlicher Trend (Deutschland laut KCL in jeder Generation unter 2 %). Quellen: Africa is a Country „The Cartography of Bullshit" (17.05.2013), WVS Wellen 5–7, KCL Policy Institute. ⚠️ Bildanalyse laut Beitrag nicht abgeschlossen |
+| `raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md` | blog | NVIDIA Developer Blog: „How to Use AI Agents to Prepare 3D Scenes for Simulation" (https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/, abgerufen 17.09.2026, kein Datum/Autor im Text ausgewiesen). Referenz-Workflow Blender-Szene → SimReady-OpenUSD für Isaac Sim/Lab: Codex (GPT-6 Astra) orchestriert, Hermes-Subagents über NVIDIA NemoClaw (Beitrag nennt Hermes, OpenClaw, LangChain als Open-Source-Harnesses + Nemotron-Modelle), Omniverse Libraries handeln (OpenUSD, ovphysx, ovrtx, SimReady Foundation). Acht Schritte inkl. Blender-MCP-Inventar (142 Objekte/37 Materialien), Labeling (118 Prims/9 Review), Physik-Befunde (46 fehlende Kollisionsmeshes etc.), Validierungs-Report (14 Issues/4 Review); Demo-Szene „The Junk Shop" (Alex Trevino). Empfohlene Systeme: DGX Spark, DGX Station, RTX PRO Server, DGX Cloud. Wiki: `concepts/agents/nvidia-agenten-3d-scene-prep.md` (neu), `institutions/nvidia.md` (neu). ⚠️ Anbieter-/Marketing-Quelle; Demo-Zahlen ohne unabhängige Reproduktion |

wiki/institutions/nvidia.md

@@ -0,0 +1,46 @@
+---
+created: 2026-09-17
+updated: 2026-09-17
+sources: [blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md, youtube/2026-06-28_nvidia-748gb-ram-desktop-local-ai.md, other/2026-08-26_perplexity-portable-computer-local-agent.md]
+tags: [institution, nvidia, hardware, gpu, cuda, omniverse, physical-ai, robotics, openusd, nemoclaw, dgx, agent-harness]
+---
+
+# NVIDIA
+
+NVIDIA Corporation ist Halbleiter- und Plattformhersteller (GPUs, CUDA, Grace-Blackwell-Architekturen) und im Wiki an mehreren Stellen Bezugspunkt: als Hardware-Lieferant für lokale Inferenz, als Plattform für Robotik-Simulation und — seit dem Referenz-Workflow vom 17.09.2026 — als Anbieter einer Agenten-Architektur, die **Hermes und OpenClaw namentlich als Open-Source-Agent-Harnesses** führt.
+
+## Omniverse / Physical AI — Agenten-Workflow für SimReady-Szenen
+
+Der [NVIDIA Developer Blog](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/) beschreibt einen Referenz-Workflow, der eine Blender-Szene in eine simulationsreife OpenUSD-Welt für Isaac Sim / Isaac Lab überführt:
+
+- **Orchestrierung:** Codex (OpenAI GPT-6 Astra), alternativ Claude
+- **Subagents:** gebaut mit dem **Hermes-Agent-Harness**, deployt über **NVIDIA NemoClaw**; als mögliche Harnesses nennt der Beitrag Hermes, OpenClaw und LangChain, konfiguriert mit NVIDIA-Nemotron-Modellen
+- **Werkzeuge:** [NVIDIA Omniverse Libraries](https://developer.nvidia.com/omniverse) — OpenUSD (Szenenstruktur), ovphysx (Physik), ovrtx (Preflight-Rendering), [SimReady Foundation](https://github.com/NVIDIA/simready-foundation) (Validierungsprofile)
+
+Der Beitrag empfiehlt vier Systemklassen: DGX Spark, DGX Station, RTX PRO Server, DGX Cloud. Details und Einordnung: [[../concepts/agents/nvidia-agenten-3d-scene-prep.md]]
+
+## Hardware im Wiki
+
+| System | Kurzprofil | Wiki-Seite |
+|--------|-----------|-----------|
+| DGX Spark | GB10 Grace Blackwell, 128 GB unified, ~$4,7K — lokales Prototyping | [[../tools/nvidia-dgx-spark.md]] |
+| DGX Station | GB300 Grace Blackwell Ultra, bis 748 GB kohärent, ~$85–115K | [[../concepts/hardware/nvidia-dgx-station-748gb.md]] |
+| DLSS 5 | neurales Rendering (Consumer-Grafik) | [[../concepts/hardware/nvidia-dlss5-neural-rendering.md]] |
+| Nemotron | Modellfamilie für Vision/Reasoning/Tool-Use in Agenten-Setups | [[../concepts/agents/nvidia-agenten-3d-scene-prep.md]] |
+
+## Verwandte Seiten
+
+- [[../concepts/agents/nvidia-agenten-3d-scene-prep.md]] — Agenten-Workflow für simulationsreife 3D-Szenen
+- [[../tools/nvidia-dgx-spark.md]] — DGX Spark (dort bereits NemoClaw als Software-Referenz vermerkt)
+- [[../concepts/hardware/nvidia-dgx-station-748gb.md]] — DGX Station
+- [[../concepts/hardware/nvidia-dlss5-neural-rendering.md]] — DLSS 5
+- [[../tools/openclaw.md]] — OpenClaw als im NVIDIA-Beitrag genannter Agent-Harness
+- [[../concepts/agi/robotics-model-benchmark.md]] — Physical-AI-Benchmark (GPT-6 Astra vs. Fable 5.1)
+
+## Quellen
+
+- [NVIDIA Developer Blog](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/) (abgerufen 17.09.2026)
+- [NVIDIA Omniverse](https://developer.nvidia.com/omniverse), [NemoClaw](https://www.nvidia.com/en-us/ai/nemoclaw/), [SimReady Foundation](https://github.com/NVIDIA/simready-foundation)
+- [DGX Spark Produktseite](https://www.nvidia.com/en-us/products/workstations/dgx-spark/)
+
+⚠️ Die Omniverse-/NemoClaw-Inhalte stammen aus einer Anbieter-Quelle; keine unabhängige Reproduktion des Workflows.

wiki/log.md

@@ -2,6 +2,23 @@
 
 *Append-only changelog. Start: 2026-06-05*
 
+## 2026-09-17 — NVIDIA: Agenten bereiten 3D-Szenen für die Simulation vor
+
+**Type:** ingest | **Scope:** raw/blog, wiki/concepts/agents, wiki/institutions, wiki/index, wiki/log
+**Source:** NVIDIA Developer Blog, [How to Use AI Agents to Prepare 3D Scenes for Simulation](https://developer.nvidia.com/blog/how-to-use-ai-agents-to-prepare-3d-scenes-for-simulation/), abgerufen 17.09.2026 (kein Veröffentlichungsdatum und kein Verfasser im abgerufenen Text ausgewiesen). Geteilt als Link in der OME-Gruppe (Wiki-Relevanz-Check).
+**Inhalt:** Referenz-Workflow, der eine Blender-Szene in eine simulationsreife („SimReady") OpenUSD-Welt für Isaac Sim oder Isaac Lab überführt. Ausgangsbeobachtung: Robotik-Agenten-Workflows scheitern oft nicht an Policy, Modell oder Trainingsloop, sondern an einer fehlenden simulationsreifen Welt — und die Vorarbeit dafür ist mühsam, repetitiv und liegt häufig außerhalb der Zuständigkeit des Simulation-Engineers.
+**Architektur (Drei-Schichten-Muster):** (1) **Orchestrierung** durch Codex, angetrieben von OpenAI GPT-6 Astra, alternativ Claude bzw. „Claude Cowork" — Ziel in Aufgaben übersetzen, Abhängigkeiten erkennen, Ergebnisse prüfen, Abschluss entscheiden. (2) **Spezialisierte Subagents**, gebaut mit dem **Hermes-Agent-Harness** und deployt über **NVIDIA NemoClaw**; der Beitrag nennt ausdrücklich **Hermes, OpenClaw und LangChain** als mögliche Open-Source-Agent-Harnesses, konfiguriert mit NVIDIA-Nemotron-Modellen für Vision, Reasoning und Tool-Use. (3) **NVIDIA Omniverse Libraries** als Werkzeugschicht: OpenUSD-Operationen für die Szenenstruktur, ovphysx für Physik-Authoring und -Prüfung, ovrtx für visuelles Preflight-Rendering, SimReady-Validierung als Akzeptanz-Gate gegen ein Zielprofil. Beitragsformel: „Codex or Claude coordinates, NemoClaw agents reason, Omniverse Libraries act."
+**Acht Schritte:** Blender-MCP-Inventar (Beispiel: 142 Objekte, 37 Materialien, fehlend: semantische Labels, Kollisionsmeshes, Kamera-Sensoren, Physik-Materialien) → USD als Vertrag („if another agent or simulator needs to rely on it later, author it into USD", geschichtete nicht-destruktive Komposition) → semantische Labels (`shelf`, `bin`, `grabbable_object`, `robot_target`, `no_go_zone`; „Tagged 118 prims. 9 labels need review.") → simulationsbewusste Materialien → Sensoren früh anlegen (Position, Orientierung, FOV, Polling-Rate, Range, Auflösung, Target-Frame) → ovphysx (Befunde: 46 Objekte ohne Kollisionsmesh, 12 greifbare Objekte statisch, 7 zu komplexe Meshes, 3 schwebende Props) → ovrtx als Preflight-Loop (Sichtbarkeit, Labels, Materialien, Beleuchtung, Clipping, Skalierung) → SimReady-Validierung (Beispielreport: 14 Issues, 10 automatisch reparierbar, 4 mit Review-Bedarf). Demo-Szene: „The Junk Shop" von Alex Trevino (Originalkonzept Anais Maamar). Empfohlene Systeme: DGX Spark, DGX Station, RTX PRO Server, DGX Cloud. Angekündigter OpenUSD-Insider-Livestream am 30.09.2026, 11:00 PT, zu „Physical AI Simulation Live with GPT-6 Astra and NVIDIA Omniverse Libraries".
+**Einordnung:** Mechanische, sichere Fixes laufen automatisch, urteilsabhängige Entscheidungen (unsichere Labels, physikalisches Verhalten) werden mit Kontext und Vorschlag an den Menschen eskaliert. Der Beitrag positioniert Hermes und OpenClaw namentlich als gleichwertige Open-Source-Agent-Harnesses in einer NVIDIA-Referenzarchitektur — externe Bestätigung des Harness-Patterns im Wiki und Sichtbarkeit für die dokumentierten Hermes-/OpenClaw-Krallen im Physical-AI-Umfeld. Der Hebel liegt nicht im Modell, sondern in Werkzeugschicht plus Validierungs-Gate („too concrete to solve with prompts alone").
+**Dateien:**
+- raw (NEW): `raw/blog/2026-09-17_nvidia-ai-agents-3d-scenes-simulation.md`
+- wiki (NEW): `wiki/concepts/agents/nvidia-agenten-3d-scene-prep.md`
+- wiki (NEW): `wiki/institutions/nvidia.md`
+- Cross-Refs ergänzt: `wiki/concepts/agents/harness-loop-graph-engineering.md`, `wiki/concepts/agents/hermes-bot-mode.md`, `wiki/concepts/llm/harness-vs-standalone-chat-llm.md`, `wiki/concepts/agi/robotics-model-benchmark.md`, `wiki/tools/nvidia-dgx-spark.md`, `wiki/tools/openclaw.md`
+- `wiki/index.md` (205. Update-Zeile, Agents-Row, Institutions-Row, Raw-Source-Row)
+- `wiki/log.md` (dieser Eintrag)
+**⚠️:** Anbieter-/Marketing-Quelle mit Produktkatalog am Ende (Omniverse, NemoClaw, vier Hardwareklassen). Keine unabhängige Reproduktion des Workflows, keine Fehlerquoten, keine Angabe zur Trefferquote der automatischen Fixes. Demo-Zahlen (142 Objekte, 118 Prims, 14 Validierungsfehler) sind Beispielwerte einer Demo-Szene, keine Messergebnisse.
+
 ## 2026-09-16 — Survey-Karten und ihre Fallstricke (WaPo-Toleranzkarte)
 
 **Type:** ingest | **Scope:** raw/other, wiki/concepts, wiki/index, wiki/log

wiki/tools/nvidia-dgx-spark.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-08-27
-updated: 2026-08-27
+updated: 2026-09-17
 sources: [other/2026-08-26_perplexity-portable-computer-local-agent.md, youtube/2026-08-26_devsplainers-china-local-ai-box.md, youtube/2026-06-28_nvidia-748gb-ram-desktop-local-ai.md]
 tags: [hardware, dgx-spark, nvidia, gb10, local-inference, edge-inference, benchmarks]
 ---
@@ -88,6 +88,7 @@ Zwei Sparks über ConnectX-7 (200 Gb/s RDMA) ergeben einen **256-GB-unified-Memo
 
 ## Verwandte Wiki-Seiten
 
+- **[NVIDIA-Agenten-Workflow für SimReady-Szenen](../concepts/agents/nvidia-agenten-3d-scene-prep.md)** (17.09.2026): Der DGX Spark wird dort explizit als Prototyping-System für NemoClaw-Subagents, Blender-MCP-Anbindung, USD-Authoring und ovrtx-/ovphysx-Loops empfohlen — die Kategorie „Agenten-Harness auf dem Desktop" neben „lokale Inferenz".
 - [[../concepts/hardware/nvidia-dgx-station-748gb.md]] — DGX-Station-Oberklasse (748 GB)
 - [[perplexity-portable-computer.md]] — erster vollständig lokaler Agent-Stack auf Spark
 - [[../concepts/hardware/china-local-ai-box.md]] — chinesische Konkurrenz-Boxen, Memory-Bandbreite-These

wiki/tools/openclaw.md

@@ -1,6 +1,6 @@
 ---
 created: 2026-06-16
-updated: 2026-09-02
+updated: 2026-09-17
 sources: [other/2026-06-16_openclaw-releases-v2026.6.8.md, blog/2026-06-30_perplexity-openclaw-mobile-apps.md, youtube/2026-08-13_clawcast-episode7-peter-steinberger.md, other/2026-09-02_openclaw-202681-release-claims.md, podcast/2026-09-08_agentstack-daily-ep111-openclaw-91.md]
 tags: [tool, openclaw, platform, releases, github, npm, security, model-routing, mobile-apps, ios, android, node-pairing, clawhub, clawcast, sqlite, dreaming, self-learning, mermaid, skills]
 ---
@@ -411,4 +411,8 @@ Skill-Erstellung → Symlink-Write (gated + validated) → Rollback-Metadata
 - `raw/other/2026-06-16_openclaw-releases-v2026.6.8.md` (Roh-Dump der 5 aktuellsten
   Releases via GitHub REST API)
 - GitHub API: <https://api.github.com/repos/openclaw/openclaw/releases>
-- Web-Verify: <https://github.com/openclaw/openclaw/releases>
+- [Web-Verify: GitHub Releases](https://github.com/openclaw/openclaw/releases)
+
+## Externe Referenznennungen
+
+- **NVIDIA (17.09.2026):** Der NVIDIA Developer Blog nennt OpenClaw ausdrücklich als einen der Open-Source-Agent-Harnesses (neben Hermes und LangChain), mit denen sich spezialisierte Subagents für die Vorbereitung simulationsreifer 3D-Szenen bauen lassen — siehe [[../concepts/agents/nvidia-agenten-3d-scene-prep.md]].