Jedes KI-Modell, das du je benutzt hast — ChatGPT, Claude, Gemini — ist der Drache von jemand anderem. Maechtig, beeindruckend und komplett unter fremder Kontrolle. Dieser Kurs bringt dir bei, deinen eigenen grosszuziehen: ein Sprachmodell, das auf deiner Hardware laeuft, aus deinen Daten lernt und in deiner Stimme antwortet. Keine API-Rechnungen, keine Rate Limits, keine Daten, die deinen Rechner verlassen.
Der Titel ist ein Augenzwinkern in Richtung eines gewissen Films ueber einen Jungen und seinen Drachen — denn die Metapher passt wirklich. Ein Basis-Sprachmodell ist ein wildes Wesen: enorm faehig, aber noch nicht deins. Es zu trainieren — es mit den richtigen Daten zu fuettern, sein Verhalten zu korrigieren, seinen Flug zu testen — macht aus einer Kuriositaet einen Gefaehrten.
Was "ein eigenes Modell trainieren" 2026 wirklich bedeutet
Lass uns praezise sein, denn die Begriffe werden gern missbraucht. Du wirst kein Modell von Grund auf trainieren. GPT-Klasse-Modelle von null zu trainieren kostet zig Millionen Dollar und ein Rechenzentrum. Was du stattdessen machst, ist Fine-Tuning: Du nimmst ein maechtiges Open-Weights-Modell (Qwen, Llama, Gemma, Mistral), das bereits fliessend spricht, und bringst ihm deine spezifische Aufgabe, deinen Ton und dein Wissen bei.
Konzept
Basismodell = ein Drache, den jemand anderes grossgezogen hat (Meta, Alibaba, Google, Mistral) und mit offenen Gewichten in die Wildnis entlassen hat. Fine-Tuning = diesen Drachen adoptieren und fuer deinen Job trainieren: deine Kunden beantworten, in deinem Stil schreiben, deine Domaene kennen.Das ist kein Spielzeug-Workflow. Im Jahr 2026 fine-tunen Unternehmen kleine offene Modelle, weil ein gut trainiertes 4B-Modell, das dein Produkt kennt, ein generisches Riesenmodell bei genau diesem einen Job schlaegt — waehrend es lokal kostenlos laeuft, mit voller Datenprivatsphaere.
Was du in diesem Kurs bauen wirst
In 8 Lektionen trainierst du Ember — dein eigenes fine-getuntes Modell. Konkret wirst du:
- Ein realistisches Trainingsziel waehlen und definieren, wie "Erfolg" aussieht
- Genau verstehen, was deine Hardware trainieren kann und was nicht (wir behandeln zwei reale Setups: ein Mac Studio M3 Ultra mit 96 GB Unified Memory und einen PC mit Intel i9 und einer RTX 4090 mit 24 GB VRAM)
- Einen sauberen Instruction-Datensatz im JSONL-Format aufbauen
- Ein echtes LoRA-Fine-Tuning mit MLX (Mac) oder Unsloth (PC) durchfuehren
- Die Ergebnisse wie ein Ingenieur bewerten, nicht wie ein Fan
- Mit QLoRA, Preference Tuning und Quantisierung aufsteigen
- Dein Modell nach GGUF exportieren und mit Ollama oder LM Studio servieren, oder es auf Hugging Face teilen
Ehrlicher Hinweis
Fine-Tuning gibt deinem Modell keine neuen Reasoning-Superkraefte, und es bringt ihm auch nicht zuverlaessig Fakten bei. Es aendert Verhalten: Ton, Format, Aufgabendisziplin, Domaenen-Vokabular. Wenn du aktuelle Fakten brauchst, ist das ein Job fuer RAG — und Lektion 2 bringt dir bei, den Unterschied zu erkennen, bevor du eine Woche an Trainingslaeufen verschwendest.Warum lokales Training ploetzlich realistisch ist
Drei Dinge kamen zusammen, um diesen Kurs auf einem Schreibtisch statt in einem Rechenzentrum moeglich zu machen:
1. Kleine offene Modelle wurden erschreckend gut. Ein 4B–8B-Modell von 2026 uebertrifft die 70B-Modelle von vor zwei Jahren bei den meisten praktischen Aufgaben. Klein genug fuer Training zu Hause, gut genug, um zu zaehlen.
2. Parametereffizientes Fine-Tuning (LoRA/QLoRA). Statt alle Milliarden Gewichte zu aktualisieren, trainierst du winzige "Adapter"-Matrizen — oft weniger als 1% des Modells. Das senkt den Speicherbedarf um eine Groessenordnung. Dein Drache lernt neue Tricks, ohne sein ganzes Gehirn neu wachsen zu lassen.
3. Consumer-Hardware hat aufgeholt. Apples Unified Memory laesst ein Mac Studio riesige Modelle im RAM halten, den die GPU direkt nutzen kann. NVIDIAs RTX 4090 bringt ernsthafte Trainings-Rechenleistung fuer einen Bruchteil der Rechenzentrumspreise. Beide Setups in diesem Kurs sind echte Maschinen, die Leute besitzen, keine Hypothesen.
Die zwei Maschinen, die wir durchgehend nutzen
Jede Hands-on-Lektion gibt dir zwei Pfade — folge dem, der zu deiner Hardware passt:
- Pfad A — Mac Studio, M3 Ultra, 96 GB Unified Memory. Das Training laeuft auf Apples MLX-Framework. Riesiger Speicher heisst: riesige Modelle passen; die reine Trainingsgeschwindigkeit ist bescheidener.
- Pfad B — PC, Intel i9 + RTX 4090 (24 GB VRAM). Das Training laeuft auf CUDA mit Unsloth und Hugging-Face-Bibliotheken. Weniger Speicher, aber brutale Rechengeschwindigkeit — die 4090 trainiert kleine Modelle schneller als der Mac.
Du brauchst nicht genau diese Maschinen. Jeder Apple-Silicon-Mac mit 32 GB+ oder jede NVIDIA-GPU mit 12 GB+ kann mit kleineren Modellen mitmachen. Lektion 3 gibt dir die exakte Speicher-Mathematik, damit du weisst, was auf deine Maschine passt.
Voraussetzungen
- Vertrautheit mit einem Terminal — du kannst eins oeffnen, mit
cdherumnavigieren und Befehle ausfuehren. Kein Informatikstudium noetig. - Python installiert (3.10+) — wir nutzen
pip, um alles Weitere zu installieren. - Speicherplatz — 50 GB frei. Modelle sind massig.
- Geduld fuer Iteration — dein erstes trainiertes Modell wird mittelmaessig sein. Das ist normal, und Lektion 6 ist ganz dem Ziel gewidmet, es gut zu machen.
Probier es aus
Installiere vor der naechsten Lektion einen lokalen Modell-Runner und fuehle, wie sich "ein Modell auf meiner Maschine" anfuehlt. Lade LM Studio (lmstudio.ai) oder Ollama (ollama.com) herunter, ziehe ein kleines Modell wieqwen3:4b und chatte damit. Achte darauf, was es gut macht — und wo es sich generisch anfuehlt. Genau dieses generische Gefuehl ist es, was Training entfernt.