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
epoch23. März 2026 · Q006789

Final training runs account for a minority of R&D compute spending

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Laut den Schätzungen des Beitrags entfielen bei OpenAI, MiniMax und Z.ai jeweils weniger als ein Viertel der F&E-Ausgaben für Rechenleistung auf abschließende Trainingsläufe veröffentlichter Modelle. Die Werte beruhen teils auf Annahmen und messen Ausgaben statt tatsächlich ausgeführter Rechenoperationen; mit nur drei Unternehmen bleibt auch die Deutung der Unterschiede unsicher.

Mittel

Der Beitrag vergleicht, welcher Anteil der F&E-Ausgaben für Rechenleistung auf die abschließenden Trainingsläufe veröffentlichter Modelle entfällt. Neben einer früheren Schätzung zu OpenAI untersuchen die Autoren Börsenangaben von MiniMax und Z.ai. Sie ordnen die Ausgaben Zeiträumen etwa ein Quartal vor den jeweiligen Modellveröffentlichungen zu und schätzen die Trainingskosten anhand von Modelldaten sowie Annahmen zu GPU-Auslastung und Preisen.

Nach ihren Berechnungen machten die abschließenden Trainingsläufe 9,6 Prozent der F&E-Rechenausgaben von OpenAI, 22,6 Prozent bei MiniMax und 12,3 Prozent bei Z.ai aus. In allen drei Fällen sei der Großteil der Ausgaben somit auf andere F&E-Arbeit entfallen, etwa Experimente und Datenerzeugung. Die Werte betreffen Ausgaben, nicht direkt die tatsächlich ausgeführten Rechenoperationen; F&E könne wegen geringerer GPU-Auslastung weniger Rechenleistung je Dollar erbringen. Auch sind Schätzungen, insbesondere für MiniMax’ Hailuo-Modell, unsicher. Die Autoren sehen MiniMax’ höheren Anteil als vereinbar mit der Vermutung, dass Unternehmen durch Lernen von der KI-Spitze weniger experimentieren müssen. Z.ai passt dazu nicht klar. Drei Datenpunkte mit breiten Unsicherheiten reichen laut Beitrag nicht für belastbare Schlussfolgerungen.

Ausführlich lesen

Der Epoch-Beitrag untersucht, welcher Anteil der Forschungs- und Entwicklungs- (F&E-)Ausgaben für Rechenleistung auf die abschließenden Trainingsläufe öffentlich veröffentlichter KI-Modelle entfällt. Die Autoren betonen, dass ein Modell vor seinem letzten Trainingslauf oft durch umfangreiche Experimente, kleinere Skalierungstests, synthetische Datenerzeugung und weitere, teils unveröffentlichte Trainingsvorhaben vorbereitet wird. Wer nur den abschließenden Lauf als Trainingskosten betrachtet, erfasst daher laut Beitrag nicht die gesamten Entwicklungskosten.

Für OpenAI hatten die Autoren zuvor die F&E-Rechenausgaben 2024 auf rund fünf Milliarden US-Dollar geschätzt. Etwa 500 Millionen Dollar beziehungsweise 9,6 Prozent seien auf die abschließenden Trainingsläufe der veröffentlichten Modelle entfallen. Der neue Vergleich ergänzt Angaben aus Börsenunterlagen der chinesischen Unternehmen MiniMax und Z.ai. Für MiniMax werden die Ausgaben von Q4 2024 bis Q3 2025 betrachtet, für Z.ai diejenigen von H2 2024 bis H1 2025. Die Autoren ordnen den Ausgaben jeweils Modellveröffentlichungen ungefähr ein Quartal später zu, weil die Entwicklungskosten typischerweise vor der Veröffentlichung anfallen.

Die F&E-Ausgaben stammen laut Artikel direkt aus den Börsenunterlagen. Die Kosten der abschließenden Trainingsläufe schätzen die Autoren anhand ihrer Modelldatenbank und angenommener GPU-Leistung, GPU-Auslastung sowie Kosten pro GPU-Stunde. Für Auslastung und Preis werden Bandbreiten angesetzt und ihre Unsicherheit per Monte-Carlo-Simulation fortgeschrieben. Bei unvollständigen Modelldaten berechnen sie Konfidenzintervalle. Besonders unsicher ist die Schätzung für MiniMax’ Hailuo 02: Die Autoren geben dafür ein 90-Prozent-Intervall von 5 bis 51 Millionen Dollar und einen Median von 18 Millionen an. Nach ihrer Einschätzung entspricht das rund 40 Prozent der geschätzten Trainingsausgaben von MiniMax 2025.

Als Ergebnis nennen sie Anteile der abschließenden Trainingsläufe an den F&E-Rechenausgaben von 9,6 Prozent bei OpenAI, 22,6 Prozent bei MiniMax und 12,3 Prozent bei Z.ai. Damit sei der Anteil in allen drei Fällen eine Minderheit, obwohl sich die Unternehmen hinsichtlich Größe, Land und Geschäftsmodell unterscheiden. Die Autoren folgern, dass der zuvor für OpenAI beobachtete Befund nicht auf diesen Einzelfall beschränkt zu sein scheint.

Die Zahlen messen jedoch Ausgaben, nicht die tatsächlich ausgeführten Rechenoperationen. F&E-Arbeit könne wegen fehlgeschlagener Jobs, Wartezeiten und Fehlersuche eine geringere GPU-Auslastung haben als ein optimierter abschließender Trainingslauf. Gleiche Ausgaben bedeuteten deshalb nicht zwingend gleich viele FLOP. Zudem umfasst die Analyse vor allem veröffentlichte Modelle; nicht öffentlich bekannt gemachte, kommerziell genutzte Modelle werden ausgelassen. Bei MiniMax würde der Ausschluss der Hailuo-Trainingsläufe den Anteil laut Autoren auf einen Median von 12,2 Prozent senken; diese Vergleichsrechnung berücksichtigt allerdings nicht, dass auch die dafür aufgewendeten F&E-Ausgaben aus dem Nenner herausgerechnet werden müssten.

Der Beitrag erörtert außerdem, ob Unternehmen mit Abstand zur technologischen Spitze mehr von den Erkenntnissen führender Labore übernehmen und deshalb weniger experimentieren müssen. MiniMax’ höherer Anteil passe zu dieser Vermutung, Z.ai’s Anteil dagegen nicht eindeutig. Mit nur drei Unternehmen und breiten Unsicherheiten sei die Datenlage laut Autoren nicht stark genug, um daraus sichere Aussagen über die Ursachen der Unterschiede abzuleiten. Verlässlichere Ausgabedaten seien die zentrale Voraussetzung für Analysen weiterer Unternehmen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu, lässt aber die Hailuo-Sensitivität, die OpenAI-Zahlen und den Anthropic-Bezug aus. Bei den Einordnungen überschätzt Luna SF-T2 (Stufe 3) und unterschätzt SF-P4 (Stufe 3), da der Bericht zur Schätzung von Trainingsrechenleistung teilweise Antwort gibt.

Im Bericht, aber nicht in der Zusammenfassung

  • Ohne das Hailuo-Modell läge MiniMax laut Beitrag bei 12,2 % (90-%-KI 6,4 % bis 23,5 %), was die Hailuo-Schätzung als Unsicherheitsquelle belegt
  • Die OpenAI-Zahlen fehlen: rund 5 Mrd. $ F&E-Compute im Jahr 2024, davon nur etwa 500 Mio. $ (ca. 10 %) für Trainingsläufe
  • Die Anthropic-Meldung über eine großangelegte Destillationskampagne von MiniMax gegen Claude, die der Beitrag als Stütze der Aufholthese nennt

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
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 28 %Hintergrund, keine Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 41 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 22 %Hintergrund, keine Belege
    • Luna 53 %Hintergrund, keine Belege
    • JEV 26 %gleiches Oberthema, hilft nicht
    • amos 33 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 34 %Hintergrund, keine Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 37 %gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 27 %nur am Rande erwähnt
    • Luna 36 %nur am Rande erwähnt
    • JEV 72 %nur am Rande erwähnt
    • amos 39 %einzelne zitierbare Belege
    • SubQ 38 %nur am Rande erwähnt
    • drex 41 %einzelne zitierbare Belege
    • d3-ultra 69 %nur am Rande erwähnt
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 29 %nur am Rande erwähnt
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV 47 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Wirtschaft und Haftung

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 →