# Triff deinen Drachen: Warum ein eigenes Modell trainieren? 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 `cd` herumnavigieren 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 wie qwen3:4b und chatte damit. Achte darauf, was es gut macht — und wo es sich generisch anfuehlt. Genau dieses generische Gefuehl ist es, was Training entfernt.

Checkpoint

Du verstehst den Unterschied zwischen Training von Grund auf (nicht wir) und Fine-Tuning (wir). Du kennst das Kursprojekt: "Ember" trainieren, dein eigenes fine-getuntes Modell, auf deiner eigenen Hardware. Als Naechstes: entscheiden, was dein Drache eigentlich lernen soll.