Fermisense
Ein Beratungsunternehmen, das ein weithin beachtetes Ergebnis für 2026 veröffentlichte, das zeigt, dass ein fein abgestimmtes offenes Modell mit 9 Milliarden Parametern Grenzmodelle bei einer engen Geschäftsaufgabe übertrifft.
Fermisense trainierte ein kleines offenes Modell zur Überprüfung von E-Commerce-Katalogen mithilfe von Reinforcement Learning und meldete eine Genauigkeit von 87,3 Prozent gegenüber 76,9 Prozent für das beste getestete Frontier-Setup. Der Artikel kam bei Hacker News gut an, weil er etwas darlegte, was die Leute hören wollten: Man braucht nicht immer das größte Modell.
Der Vorbehalt liegt im Wort eng. Das Ergebnis besteht aus einer klar definierten, sich wiederholenden Aufgabe mit zahlreichen Beispielen, aus denen man lernen kann. Dies ist genau die Situation, in der ein kleines spezialisiertes Modell gewinnt. Es gibt keinen Beweis dafür, dass kleine Modelle generell die Grenzmodelle schlagen.