Begleitvideos

Der LLM-Stack für 2026 — Modelle, Inferenz, Werkzeuge und Zielkonflikte — Begleitvideos

Der Artikel führt durch die Landschaft, aus der Entwickler 2026 tatsächlich wählen müssen: Frontier-APIs, Open-Weight-Modelle, Inferenzserver, Gateways sowie Werkzeuge für Evaluation und Observability. Er erläutert die Zielkonflikte, die darüber entscheiden, welche Komponenten austauschbar sind und welche nicht. Diese beiden Vorträge liefern den besten persönlichen Kontext zu diesem Entscheidungsraum. Der erste erklärt in einem ruhigen, technischen Durchgang, wie die zur Wahl stehenden Modelle tatsächlich aufgebaut sind. Der zweite zeigt pointierter, wie diese Modelle den übrigen Stack verändern, der um sie herum entsteht.

Hauptauswahl

3:31:24

Tiefeneinblick in LLMs wie ChatGPT

Andrej Karpathy

Dies ist die klarste durchgängige Erklärung auf YouTube, was ein LLM tatsächlich ist: Vortraining, Tokenisierung, SFT, RLHF, Reinforcement Learning für Reasoning, Werkzeugnutzung und Halluzinationen. Die Detailtiefe reicht aus, um als Entwickler Modell-Zielkonflikte fundiert zu bewerten. Nach diesem Vortrag wirken die Entscheidungen im Artikel zwischen GPT-Klasse, Open-Weight- und Reasoning-Modellen nicht mehr wie Markenentscheidungen, sondern wie Entscheidungen über Trainingsverfahren.

Was Sie aus diesem Video mitnehmen sollten: Den modernen LLM-Stack so gut verstehen, dass Sie Tokens, Training, Werkzeuge und Fehlermodi fundiert beurteilen können.

Das sollten Sie zuerst ansehen oder wissen: Technischer Hintergrund ist hilfreich; Vorkenntnisse im maschinellen Lernen sind nicht erforderlich. Planen Sie jedoch die dreieinhalbstündige Laufzeit ein.

Hinweis von AI Expert: Modellnamen, Preise und Fähigkeiten ändern sich schnell. Nutzen Sie das Video für das Entscheidungsmuster und prüfen Sie anschließend das aktuelle Modellverhalten, bevor Sie ein Modell einsetzen.

Videoseite öffnen

Auch sehenswert

39:32

Andrej Karpathy: Software verändert sich (wieder)

Y Combinator

Karpathy beschreibt LLMs in seiner Keynote für die AI Startup School als eine neue Art von Computer: Versorgungsdienst, Chipfabrik und Betriebssystem in einem. Er plädiert für Produkte mit „partieller Autonomie“, deren Spielraum Menschen kontrollieren. Das ist die klarste Darstellung des Denkmodells auf Stack-Ebene, das der Artikel voraussetzt: Sie wählen Inferenzanbieter und Werkzeuge für ein programmierbares Substrat, nicht für einen Chatbot.

Was Sie aus diesem Video mitnehmen sollten: Produktideen mit partieller Autonomie bewerten, bei denen Menschen die Kontrolle über risikoreiche Entscheidungen behalten.

Das sollten Sie zuerst ansehen oder wissen: Keine; der Vortrag ist ohne Vorbereitung verständlich und passt gut im Anschluss an die Grundlagen zu Trainingsverfahren aus dem ersten Video.

Videoseite öffnen