Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch25. Juli 2025 · Q006219

Frontier LLM training runs can’t get much longer

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI schätzt, dass Trainingsläufe von mehr als etwa neun Monaten wirtschaftlich ineffizient sein könnten; bei anhaltendem Trend könnten Spitzenmodelle diese Dauer um 2027 erreichen. Weil längere Trainingszeiten laut Bericht rund ein Drittel des Skalierungsfortschritts seit 2018 ausmachten, könnte ihr Ende das Wachstum des Rechenaufwands bremsen, sofern Anbieter nicht mehr Chips oder mehrere Cluster einsetzen.

Mittel

Epoch AI untersucht die Dauer von Trainingsläufen führender Sprachmodelle und deren Bedeutung für das Wachstum des Rechenaufwands. Nach den Angaben des Berichts stieg die Trainingsdauer seit 2020 jährlich um etwa den Faktor 1,4 (90-Prozent-Konfidenzintervall: 1,3 bis 1,5). Die Autoren halten Läufe von mehr als rund neun Monaten aus wirtschaftlichen Gründen möglicherweise für ineffizient: Später begonnene Trainingsläufe könnten bessere Hardware und Algorithmen nutzen. Bei Fortsetzung des Trends könnte die Neun-Monats-Marke etwa 2027 erreicht werden; die Unsicherheitsangaben reichen bis in den Zeitraum 2025–2029.

Da die Trainingsdauer laut Epoch AI etwa ein Drittel des Skalierungsfortschritts seit 2018 beigetragen hat, könnte ein Ende ihres Wachstums den Zuwachs beim Trainingsrechenaufwand nach 2027 bremsen. Anbieter könnten gegensteuern, indem sie mehr Chips einsetzen, Cluster schneller ausbauen oder Trainingsläufe auf mehrere Cluster verteilen. Die Tabelle listet Modelle und Rechenaufwand auf, enthält aber für viele Modelle keine Trainingsdauer. Die Prognose ist eine unsichere Trendfortschreibung; die wirtschaftliche Begründung der Neun-Monats-Grenze wird im Text nicht ausgeführt.

Ausführlich lesen

Der Bericht von Epoch AI behandelt, wie lange Spitzenmodelle trainiert werden und welche Folgen eine mögliche Obergrenze für das Wachstum des Trainingsaufwands hätte. Die zentrale Einschätzung der Autoren lautet: Trainingsläufe, die länger als etwa neun Monate dauern, könnten wirtschaftlich ineffizient sein. Später gestartete Läufe können von leistungsfähigerer Hardware und verbesserten Algorithmen profitieren und dadurch frühere, längere Läufe übertreffen.

Epoch AI zufolge ist die Trainingsdauer von führenden Sprachmodellen seit 2020 im Mittel um etwa den Faktor 1,4 pro Jahr gestiegen. Als 90-Prozent-Konfidenzintervall nennt der Bericht den Faktor 1,3 bis 1,5. Wird dieser Trend fortgeschrieben, könnten Trainingsläufe die angenommene Neun-Monats-Grenze ungefähr 2027 erreichen. Die angegebenen Unsicherheitsbereiche reichen je nach Abschnitt von 2025 bis 2029 beziehungsweise von August 2025 bis September 2029.

Die Autoren ordnen die Dauer in die Entwicklung des Rechenaufwands ein: Längere Trainingsläufe hätten seit 2018 ungefähr ein Drittel des gesamten Skalierungsfortschritts ausgemacht. Falls die Trainingsdauer nicht weiter zunimmt, könnte sich daher nach 2027 das Wachstum des Trainingsrechenaufwands verlangsamen. Das wäre laut Bericht nicht zwangsläufig, denn Modellanbieter könnten die Zahl der eingesetzten Chips erhöhen. Als mögliche Wege nennt Epoch AI einen schnelleren Ausbau größerer Rechencluster oder die Verteilung des Trainings auf mehrere Cluster.

Als Vorgehen präsentiert der Bericht eine Trendanalyse zur Trainingsdauer und verbindet sie mit einer wirtschaftlichen Einschätzung, ab wann längere Läufe ineffizient werden könnten. Eine beigefügte Tabelle führt ausgewählte Modelle von 2020 bis 2025 mit Organisation, Veröffentlichungsdatum und geschätztem Trainingsrechenaufwand auf. Für viele Modelle ist jedoch keine Trainingsdauer angegeben; die Tabelle erlaubt daher keine vollständige Laufzeitprüfung für jedes aufgeführte Modell. Der Text legt zudem die wirtschaftliche Herleitung der Neun-Monats-Grenze nicht näher dar. Die Prognosen sind bedingte Fortschreibungen des beobachteten Trends und werden mit breiten Unsicherheitsintervallen versehen, keine sicheren Vorhersagen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Die Einordnung bezieht sich nur auf den Berichtstext; Lunas Stufen und Anteile wurden nicht übernommen. Die Zusammenfassung entspricht den Zahlen und Aussagen des Berichts.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht nennt die Trainingsdauer-Trendzahl als Grundlage der Prognose, und Luna erwähnt nicht, dass die Neun-Monats-Grenze auf den neuesten Zahlen beruht.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 69 %Hintergrund, keine Belege
    • JEV 47 %gleiches Oberthema, hilft nicht
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 20 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 23 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 30 %gleiches Oberthema, hilft nicht
    • Luna 60 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 29 %Hintergrund, keine Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 67 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 75 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 74 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 58 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →