Der vollständige 30er-Hauptvergleich bleibt bei 0/30 gegenüber 22/30 festen Regeln. Im 18er-Zusatznachweis blieben alle Aufgaben falsch. Die 14 formal gültigen Antworten sind einzelne, ungebundene Namen: 0/14 nutzen einen Parameter oder eine im Funktionskörper gebundene Variable.
Node6 · Lernlauf und nachträgliche Strukturdiagnose unabhängig gebunden · 17. September, 14:40 Uhr ZürichWINDKANAL LAB
Der Weg zum Gesamtziel
Vom Lernversuch zu vier nützlichen Spezialisten.
Grobe Einschätzung≈ 15 %
StartGesamtziel · 100 %
≈ 85 Prozentpunkte bis zum Ziel.
Keine gemessene Fertigstellung und keine Zeitprognose.
0 / 4Spezialisten abgenommen
4 Abnahmen fehlen
4 Abnahmen fehlen
Die breite MBPP-Lernrunde bleibt bei 0/18 unbekannten Aufgaben und 0/54 Prüfungen. Zwei rein lesende Diagnosen erklären den gesunkenen Verlust und die kürzeren Antworten: Alle 14 syntaktisch verwendbaren Ausgaben sind einzelne, ungebundene Namen. Über 567 Ziel-Token stieg die Rang-eins-Trefferzahl im zweiten Durchgang zwar von 87 auf 107; das Antwortende verbesserte sich von 25/57 auf 40/57. Der erste inhaltliche Zieltoken blieb jedoch bei 1/57, vollständige Zielantworten bei 0/57. Das bisherige Training lernt vor allem kurze Form und Beenden, nicht die aufgabengebundene Berechnung. Vollständiger Basisvergleich: 0/30 Modellantworten gegenüber 22/30 festen Regeln. 500 offizielle MBPP-Testaufgaben blieben unberührt.
Rank-8-Zusatzmodul auf unverändertem 8,52-Millionen-Grundmodell. 114 echte Intel-iGPU-Lernschritte auf Node6: 57 kompatible MBPP-Entwicklungsaufgaben je zweimal, 18 getrennte Validierungsaufgaben, fester Funktions- und Rückgaberahmen. Beide Adam-Momente wurden fortgeführt.
Der nächste entscheidende Schritt
Den Python-Vergleich auf 30 Entwicklungsaufgaben unverändert lassen und die 57-mal-zwei-Lernrunde nicht wiederholen. Zuerst getrennt prüfen, ob das Modell sichtbare Parameternamen übernehmen und bereits geübte gebundene Rückgabewerte wiedergeben kann.
Aktuellen Bericht und alle veröffentlichten Zwischenstände lesen →
Alle Messzahlen und der Weg zu 100 %
Alle 114 GPU-Lernschritte sind gespeichert und unabhängig geprüft. 57 Aufgaben wurden je zweimal gelernt; 18 Validierungsaufgaben blieben getrennt. Grundmodell unverändert, beide Adam-Momente fortgeführt, kein GPU-Neustart.
Node6 · 17. September, 14:22 Uhr ZürichVollständige Ausgangsmessung auf denselben 252 Entwicklungsaufgaben. Nach dem Lernen sind es 72 richtige Antworten: 14 mehr, von 23,0 auf 28,6 Prozent.
WNS86 · vollständige AusgangsmessungVon uns geschriebene Programme erkennen bestimmte Fehler und wenden vorgegebene Korrekturen an. Sie werden dafür nicht trainiert. Auf denselben 30 Python-Aufgaben lösen sie 22; das zuletzt vollständig geprüfte Modell löst keine. Die früheren 252/252 beziehen sich auf andere, einfachere Abschreib- und Auswahl-Aufgaben.
15. September, 16:45 Uhr Zürich · Regelvergleich auf demselben Python-Aufgabensatz bestätigtAlle fünf Teilgruppen sind vollständig geprüft: bekannte Werte 33/64 (vorher 37/64), neue Auswahl-Aufgaben 0/32, neue Paarungen bekannter Werte 16/64, trainierte Auswahl-Aufgaben 16/64, weitere Abschreib-Aufgaben 7/28. 180 Antworten sind falsch. Feste Regeln lösen alle 252.
WNS86 · alle 252 ersten Antworten unabhängig ausgewertet · 14. September, 09:50 Uhr Zürich24 Aufgaben mit Werten außerhalb dieser Lernrunde, acht mit bisher nur abgeschriebenen Werten. Keine richtig gelöst; feste Regeln schaffen alle 32. Das gesunkene Fehlermaß belegt hier keinen praktischen Vorteil.
WNS86 · zweite Nachhergruppe unabhängig geprüft · 14. September, 00:32 Uhr ZürichDer Verlustmittelwert sank von 5,637 auf 4,612. Gleichzeitig stiegen richtige Ziel-Token nur von 87/567 auf 107/567: Endmarkierungen 25/57 auf 40/57, erster Inhaltstoken unverändert 1/57, vollständige Ziele 0/57.
114 GPU-Messwerte und gespeicherte Vorhersagematrizen · rein lesend unabhängig gebundenDie zuvor unvollständige Gruppe ist vollständig: 16 richtig, 48 falsch. Die Werte waren bekannt, ihre Paarungen wurden für diese Lernrunde zurückgehalten. Keine der 16 Paarungen wurde in allen vier Varianten richtig beantwortet.
WNS86 · 62 erhaltene und zwei ergänzte erste Antworten unabhängig geprüft · 14. September, 09:50 Uhr ZürichDie nächsten Schritte
- Den Python-Vergleich auf 30 Entwicklungsaufgaben unverändert lassen und die 57-mal-zwei-Lernrunde nicht wiederholen. Zuerst getrennt prüfen, ob das Modell sichtbare Parameternamen übernehmen und bereits geübte gebundene Rückgabewerte wiedergeben kann.
- Ein kleines, fest versioniertes Bindungscurriculum mit wechselnden Bezeichnern vorbereiten. Die 18 MBPP-Validierungsaufgaben und die 500 offiziellen Testaufgaben bleiben dabei unangetastet.
- Nur wenn die Bindungskontrolle gelingt, dieselben 18 unbekannten Entwicklungsaufgaben erneut auswerten. So werden Textzerlegung, Trainingsziel und Übertragung getrennt messbar.
- Danach einen fairen Größenvergleich durchführen: derselbe Tokenizer, dieselben Aufgaben, dieselben Begegnungen und dieselbe Prüfung für das 8,52-Millionen-Modell und einen größeren, von Grund auf trainierten Kandidaten.
- BitNet und verteilte Varianten erst nach einem Antwortgewinn nach Speicher, Laufzeit und Energie vergleichen. Für die Abnahme bleiben vier Spezialisten und je mindestens 300 unbekannte Fälle aus 30 unabhängigen Familien erforderlich.
Die rund 15 % sind eine redaktionelle Einschätzung der Entwicklungsreife: Eigene Modellrechnung und erste Lernwirkung sind belegt. Generalisierung, vier nützliche Adapter und die vollständige Betriebsabnahme fehlen. Die Kriterien werden nicht gleich gewichtet; aus 15 % lässt sich keine Restdauer ableiten.
Python
Kleine Funktionen für Listen und Texte korrigieren.
Abnahme offenTypeScript / Vite
Typfehler und Bauprobleme einer Web-App beheben.
Abnahme offenRust
Kleine Programme kompilierbar machen und ihr Verhalten prüfen.
Abnahme offenProxmox / Linux
Aus Fehlermeldungen eine Ursache und die nächste sinnvolle Prüfung ableiten.
Abnahme offenNützliche Antworten
OffenZiel: Jeder Spezialist löst mindestens 70 von 100 Aufgaben auf Anhieb richtig. Das sind mindestens 10 richtige Antworten mehr als mit dem gemeinsamen Grundmodell.
Stand: Auch mit 57 verschiedenen Lernaufgaben blieb die getrennte Prüfung bei 0/18 und 0/54 Tests. 14 Antworten waren syntaktisch verwendbar, aber inhaltlich falsch. Der frühere 30er-Vergleich bleibt 0/30. Ein nützlicher Python-Spezialist ist nicht nachgewiesen.
Unbekannte Aufgaben
OffenZiel: Je Spezialist mindestens 300 ungesehene Fälle aus 30 unabhängigen Familien; positiver Vorteil auch unter Berücksichtigung der statistischen Unsicherheit.
Stand: 57 Lern- und 18 zurückgehaltene MBPP-Aufgaben wurden vor und nach 114 Lernschritten geprüft. Die Validierung blieb bei 0/18 und 0/54 Tests. Das ist ein breiterer kontrollierter Pilot; 300 Fälle aus 30 Familien je Spezialist fehlen.
Mehrwert gegenüber Regeln
OffenZiel: Reproduzierbar besser als die stärkste einfache Regellösung auf derselben Aufgabenmenge.
Stand: Dieselben 30 Python-Aufgaben: Modell 0/30, feste Regeln 22/30. Ein Vorteil gegenüber den festen Regeln ist hier nicht nachgewiesen.
Antworten ohne langes Warten
TeilnachweiseZiel: Auf beiden Mini-Jahrgängen sind mindestens 95 von 100 Antworten in höchstens 30 Sekunden fertig. Geprüft wird mit bis zu 512 Texteinheiten als Eingabe und 64 als Antwort; diese Einheiten heißen Tokens.
Stand: Nach dem breiten Ausdruckstraining waren 18/18 Validierungsantworten innerhalb von 30 Sekunden fertig; die langsamste dauerte 28,04 Sekunden. Vorher gelang dies nur bei 1/18. Da alle Antworten falsch blieben und der Test 512/64 Textbausteine auf beiden Mini-Jahrgängen nicht abdeckt, bleibt dies ein Teilnachweis. Bei allen 30 Antworten des Hauptvergleichs lag p95 bei 88,80 Sekunden. Der vollständige Zeitnachweis bleibt offen.
Vier auswechselbare Spezialisten
OffenZiel: Vier kleine, zusätzlich trainierte Erweiterungen (LoRA) nutzen exakt dasselbe unveränderte Grundmodell und dieselbe Textzerlegung. Speichern, Laden und Wechsel funktionieren. Drei Wiederholungen mit verschiedenen Zufallsstarts bestehen je Spezialist.
Stand: Der Rank-8-Zusatzpfad wurde um 114 unabhängig geprüfte Schritte fortgesetzt. Form und Antwortzeit verbesserten sich, die 18 getrennten Aufgaben blieben bei null. Drei Wiederholungen und vier abgenommene Spezialisten fehlen.
Acht Stunden stabil
TeilnachweiseZiel: Beide Mini-Jahrgänge ohne GPU-Reset oder fortlaufendes Speicherwachstum; Modellrechnung auf der Intel-iGPU.
Stand: Begrenzte Läufe, Sicherung und Wiederaufnahme sind untersucht. Acht Stunden Betrieb auf beiden Jahrgängen sind noch nicht vollständig belegt.
Vollständig nachvollziehbar
TeilnachweiseZiel: Versionierte Quellen, Datenaufteilung, Modellstände, Messungen und Fehlversuche; geschützte Abschlussaufgaben und belegte öffentliche Fortschritte.
Stand: Fünf kontrollierte Lernversuche, ihre Modellzustände, Rohantworten, isolierten Bewertungen und positiven wie negativen Ergebnisse sind versioniert. Die jüngste Runde umfasst 114 Schritte, 57 Lern- und 18 Validierungsaufgaben. 500 offizielle MBPP-Testaufgaben blieben unberührt; private Programme und Lösungen wurden nicht veröffentlicht.
Kleines Modell, einsatzbereites System
OffenZiel: Ein kleineres Modell fair vergleichen. Aufträge erreichen den passenden Spezialisten; weitere geprüfte Minis lassen sich hinzufügen.
Stand: Zwei Minis haben gleichzeitig unterschiedliche Lernvarianten berechnet. Eine automatische Auswahl und erneute Verteilung nach dem Ant-Colony-Ansatz fehlt weiterhin. Kleinere Basis und vollständiger Endbetrieb stehen aus.
Zuletzt belegt
- Lernzeugen: Antwortende besser, erster Inhaltstoken unverändert
Im zweiten Durchgang stiegen richtige Ziel-Token von 87/567 auf 107/567 und richtige Endmarkierungen von 25/57 auf 40/57. Der erste Zieltoken blieb bei 1/57, vollständige Zielantworten bei 0/57. Die Verlustsenkung misst damit vor allem Form und Beenden.
17. September, 14:49 Uhr Zürich · gespeicherte GPU-Vorhersagen rein lesend ausgewertet · keine neue Modellrechnung - Strukturdiagnose: 14 gültige Antworten nutzen keine Eingabevariable
Alle 14 syntaktisch verwendbaren Nachherantworten sind einzelne Namen. 0/14 verwenden einen Funktionsparameter, 0/14 eine im Funktionskörper gebundene Variable. Bei neun Aufgaben mit einem Namen als richtiger Rückgabe wurden 0/9 getroffen. Der Geschwindigkeitsgewinn ist damit als Ausgabekollaps eingeordnet.
17. September, 14:40 Uhr Zürich · rein lesende AST-Auswertung · keine privaten Texte veröffentlicht - 57 Lernaufgaben: Form und Tempo besser, 0 von 18 unbekannten gelöst
114 Intel-iGPU-Lernschritte sind abgeschlossen und unabhängig geprüft. Syntaktisch verwendbare Antworten stiegen von 1/18 auf 14/18; die gesamte Antwortzeit sank von 1.737,8 auf 266,0 Sekunden und alle Nachherantworten blieben unter 30 Sekunden. Inhaltlich bestanden 0/18 Aufgaben und 0/54 Tests.
17. September, 14:22 Uhr Zürich · Node6 · kein GPU-Neustart · kein Spezialist abgenommen - Doppelte Lernvielfalt, weiterhin keine Übertragung
Acht Lern- und acht getrennte MBPP-Aufgaben, 64 GPU-Schritte. Geübte Aufgaben 0/8 → 1/8; unbekannte Aufgaben 0/8 → 0/8. Danach 5/16 Ausdrücke ausführbar, insgesamt 3/48 Tests bestanden und auf der Validierung 0/24. Verlust 4,469 → 3,117. 13/16 Nachherantworten unter 30 Sekunden; langsamste 67,02 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 12:26 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Erster Merkeffekt beim kurzen Rückgabeausdruck
Feste Funktionszeile und feste Rückgabe, erneut vier Lern- und vier getrennte MBPP-Aufgaben sowie 32 GPU-Schritte. Geübte Aufgaben 0/4 → 1/4; getrennte Aufgaben 0/4 → 0/4. Danach 3/8 Ausdrücke ausführbar, insgesamt 3/24 Tests bestanden, auf der Validierung 0/12. Verlust 4,469 → 0,337. Alle acht Nachherantworten in höchstens 28,35 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 11:07 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Auch mit fester Funktionszeile kein richtiger Python-Körper
Dieselben vier Lern- und vier getrennten MBPP-Aufgaben, erneut 32 GPU-Schritte. Vorher und nachher 0/8 richtig. Danach 1/8 Körper ausführbar, aber 0/24 Tests bestanden; sieben Syntaxfehler. Verlust 4,602 → 3,006. Alle acht Nachherantworten jetzt in höchstens 19,52 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 10:18 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Vollständige Python-Funktionen: 32 Lernschritte, kein Antwortgewinn
Vier MBPP-Trainingsaufgaben je achtmal gelernt; vier weitere blieben getrennt. Vorher und nachher jeweils 0/4 auf beiden Teilen, danach 0/8 syntaktisch zulässig. Lernverlust 6,177 → 4,692, aber kein bestandener Funktionstest. Keine Antwort innerhalb von 30 Sekunden; langsamste 282,25 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 09:28 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - MBPP: 77 Lernbeispiele und 21 Validierungsaufgaben geprüft
99 Kandidaten mit Referenzlösungen und absichtlich falschen Varianten geprüft; 205 isolierte Prozesse abgeschlossen und anhand gespeicherter Belege nachgeprüft. Vollständige Funktionsschnittstellen, keine abgeschnittenen Beispiele, 500 Testaufgaben zurückgehalten. Das Paket benötigt einen Ablauf für vollständige Funktionen. Noch kein Training und keine neue Modellleistung.
17. September, 07:30 Uhr Zürich
Entwicklungsversuche sind kein Ersatz für die unabhängige Abschlussprüfung. Mehr Lernschritte oder eine funktionierende Vorprüfung erhöhen den Gesamtfortschritt nicht automatisch.
Python · alle kompatiblen Entwicklungsaufgaben · echte GPU-Messungen
114 / 114Lernschritte gesichertSchneller und häufiger gültig, aber keine Aufgabe gelöst.
Das Modell lernte 57 verschiedene MBPP-Aufgaben je zweimal. 18 weitere Aufgaben blieben vollständig getrennt. Funktionszeile und Rückgabeanweisung waren fest; das Modell erzeugte nur den Ausdruck. Die 500 offiziellen Testaufgaben blieben unberührt.
Unbekannte Aufgaben0/18 → 0/18
Syntaktisch verwendbar1/18 → 14/18
Innerhalb 30 Sekunden1/18 → 18/18
Eingabeparameter genutzt0 / 14
Gebundene Variable genutzt0 / 14
Richtiger Rückgabename0 / 9
Richtige Ziel-Token87/567 → 107/567
Erster Ziel-Token1/57 → 1/57
Antwortende25/57 → 40/57
Der Verlustgewinn liegt vor allem am Beenden der Antwort. Bei der zweiten Begegnung mit den 57 Lernaufgaben stieg die richtige Vorhersage des Antwortendes deutlich. Der erste inhaltliche Zieltoken blieb bei 1/57, und auch mit den jeweils richtigen vorherigen Zieltoken wurde keine der 57 vollständigen Antworten vorhergesagt.
Die gesamte Antwortzeit sank um den Faktor 6.5. Dieser Geschwindigkeitsgewinn entstand zusammen mit sehr kurzen, ungebundenen Namensausgaben und ist deshalb kein Leistungsgewinn.
Der mittlere Trainingsverlust sank vom ersten zum zweiten Durchgang von 5.637 auf 4.612 (18.2 %). Auf den getrennten Aufgaben blieb das Ergebnis 0/18.
Grundmodell 4336 unverändert; Zusatzmodul Schritt 264 → 378. Langsamste Nachherantwort 28.04 Sekunden. Lernlauf geprüft am ; Diagnosen bis . Belege: 7f4cbca50950da0b4e8f1df455edd6ec30865287b7737dfd803765792a5432b0 · 97b15a4f0b7667379a09fe7c7b939651c72444379c5faf397f697fbe1485ef28 · 30ed0bf40d68e15c1bffef428446d38c942ba1c5374e96c256c0e9a90c98d55e
Alle 114 gemessenen Lernwerte
| Schritt | Fehlermaß |
|---|---|
| 1 | 4.917231 |
| 2 | 8.702995 |
| 3 | 5.345717 |
| 4 | 4.918635 |
| 5 | 6.478408 |
| 6 | 4.598694 |
| 7 | 7.174886 |
| 8 | 7.850128 |
| 9 | 8.160233 |
| 10 | 4.523020 |
| 11 | 6.969529 |
| 12 | 3.961388 |
| 13 | 5.045708 |
| 14 | 4.933758 |
| 15 | 7.628356 |
| 16 | 11.424365 |
| 17 | 7.130750 |
| 18 | 6.194405 |
| 19 | 5.333037 |
| 20 | 5.264510 |
| 21 | 5.770242 |
| 22 | 4.560250 |
| 23 | 4.236095 |
| 24 | 5.354838 |
| 25 | 7.914248 |
| 26 | 4.469858 |
| 27 | 4.000624 |
| 28 | 3.747921 |
| 29 | 4.963332 |
| 30 | 4.228036 |
| 31 | 6.999224 |
| 32 | 7.126938 |
| 33 | 7.591408 |
| 34 | 7.393100 |
| 35 | 5.349464 |
| 36 | 5.591929 |
| 37 | 3.815560 |
| 38 | 5.133167 |
| 39 | 6.483860 |
| 40 | 4.904829 |
| 41 | 3.936316 |
| 42 | 7.152273 |
| 43 | 6.101336 |
| 44 | 7.759027 |
| 45 | 4.051613 |
| 46 | 3.095621 |
| 47 | 7.032851 |
| 48 | 3.825425 |
| 49 | 3.510880 |
| 50 | 8.728230 |
| 51 | 3.127144 |
| 52 | 3.832892 |
| 53 | 6.301494 |
| 54 | 4.477371 |
| 55 | 5.920389 |
| 56 | 2.938809 |
| 57 | 3.304326 |
| 58 | 4.996412 |
| 59 | 5.961073 |
| 60 | 5.289495 |
| 61 | 5.415696 |
| 62 | 3.758312 |
| 63 | 4.775156 |
| 64 | 2.977308 |
| 65 | 6.629089 |
| 66 | 6.607504 |
| 67 | 3.466978 |
| 68 | 5.971041 |
| 69 | 3.813735 |
| 70 | 4.659491 |
| 71 | 2.494917 |
| 72 | 5.948621 |
| 73 | 10.133232 |
| 74 | 4.725886 |
| 75 | 6.027582 |
| 76 | 2.493340 |
| 77 | 2.454268 |
| 78 | 2.551741 |
| 79 | 4.182996 |
| 80 | 3.843534 |
| 81 | 4.311590 |
| 82 | 6.866201 |
| 83 | 2.217114 |
| 84 | 2.174516 |
| 85 | 3.765208 |
| 86 | 4.721867 |
| 87 | 3.917511 |
| 88 | 6.572022 |
| 89 | 6.357300 |
| 90 | 6.359743 |
| 91 | 5.959030 |
| 92 | 4.707939 |
| 93 | 5.722098 |
| 94 | 2.632287 |
| 95 | 4.388350 |
| 96 | 6.266782 |
| 97 | 4.399350 |
| 98 | 3.063915 |
| 99 | 6.662715 |
| 100 | 5.524786 |
| 101 | 6.479846 |
| 102 | 3.267598 |
| 103 | 2.562413 |
| 104 | 6.323630 |
| 105 | 3.568922 |
| 106 | 2.492303 |
| 107 | 7.055239 |
| 108 | 2.727680 |
| 109 | 3.098260 |
| 110 | 5.997916 |
| 111 | 4.042428 |
| 112 | 4.739195 |
| 113 | 1.986058 |
| 114 | 2.776720 |
Gemessene Verlustlandschaft · Modellstand 3.616
11 × 11gemessene ModellvariantenEine Landschaft aus 121 Messpunkten.
Jeder Punkt steht für eine leicht veränderte Variante desselben Modells. Zwei feste Änderungsmuster bilden die Gitterachsen. Die Höhe zeigt das Fehlermaß bei denselben 16 Übungsaufgaben: Je tiefer ein Punkt, desto kleiner der Fehler. Jeder Punkt wurde auf der Intel-Grafikeinheit gemessen.
Hier messen wir eine Gruppe mit 16 Übungsaufgaben. Der getrennte Vorher-nachher-Vergleich verwendet acht Gruppen; deshalb sind seine Fehlerwerte nicht direkt mit der Höhe dieser Landschaft vergleichbar.
Mitte · ursprünglicher Modellstandα 0 · β 00.5045Fehlermaß insgesamt
Alle 121 Punkte wurden tatsächlich gemessen. Die Flächen verbinden diese Punkte; dazwischen liegen keine zusätzlichen Messungen. Das Gitter zeigt einen kleinen Ausschnitt des Modells. Es zeigt noch nicht, ob das Modell neue Aufgaben besser lösen kann.
Alle Messwerte und Kontrolle der Mitte
Die Mitte wurde zur Kontrolle 12 Mal gemessen. Letzter Wert: 0.504504. Größter Unterschied zwischen den Kontrollmessungen: 0.00000000. Modellstand: Schritt 3616; das gespeicherte Modell und sein Lernspeicher blieben unverändert.
| α | β | Gemessener Verlust |
|---|---|---|
| 0 | 0 | 0.50450426 |
| -0.1 | -0.1 | 0.56680512 |
| -0.08 | -0.1 | 0.55769575 |
| -0.06 | -0.1 | 0.55079824 |
| -0.04 | -0.1 | 0.54641593 |
| -0.02 | -0.1 | 0.54444307 |
| 0 | -0.1 | 0.54437220 |
| 0.02 | -0.1 | 0.54594851 |
| 0.04 | -0.1 | 0.54923159 |
| 0.06 | -0.1 | 0.55441380 |
| 0.08 | -0.1 | 0.56184357 |
| 0.1 | -0.1 | 0.57200795 |
| -0.1 | -0.08 | 0.55565917 |
| -0.08 | -0.08 | 0.54711562 |
| -0.06 | -0.08 | 0.54076356 |
| -0.04 | -0.08 | 0.53651333 |
| -0.02 | -0.08 | 0.53462547 |
| 0 | -0.08 | 0.53520459 |
| 0.02 | -0.08 | 0.53757870 |
| 0.04 | -0.08 | 0.54152381 |
| 0.06 | -0.08 | 0.54737973 |
| 0.08 | -0.08 | 0.55559218 |
| 0.1 | -0.08 | 0.56662196 |
| -0.1 | -0.06 | 0.54562503 |
| -0.08 | -0.06 | 0.53778893 |
| -0.06 | -0.06 | 0.53187221 |
| -0.04 | -0.06 | 0.52783406 |
| -0.02 | -0.06 | 0.52581757 |
| 0 | -0.06 | 0.52624470 |
| 0.02 | -0.06 | 0.52946365 |
| 0.04 | -0.06 | 0.53459668 |
| 0.06 | -0.06 | 0.54130501 |
| 0.08 | -0.06 | 0.55019480 |
| 0.1 | -0.06 | 0.56188595 |
| -0.1 | -0.04 | 0.53652507 |
| -0.08 | -0.04 | 0.52919966 |
| -0.06 | -0.04 | 0.52367163 |
| -0.04 | -0.04 | 0.51997221 |
| -0.02 | -0.04 | 0.51814920 |
| 0 | -0.04 | 0.51832855 |
| 0.02 | -0.04 | 0.52098417 |
| 0.04 | -0.04 | 0.52691370 |
| 0.06 | -0.04 | 0.53530943 |
| 0.08 | -0.04 | 0.54530656 |
| 0.1 | -0.04 | 0.55766940 |
| -0.1 | -0.02 | 0.52784687 |
| -0.08 | -0.02 | 0.52088857 |
| -0.06 | -0.02 | 0.51574713 |
| -0.04 | -0.02 | 0.51243579 |
| -0.02 | -0.02 | 0.51097643 |
| 0 | -0.02 | 0.51141709 |
| 0.02 | -0.02 | 0.51389623 |
| 0.04 | -0.02 | 0.51886052 |
| 0.06 | -0.02 | 0.52743506 |
| 0.08 | -0.02 | 0.53954786 |
| 0.1 | -0.02 | 0.55357587 |
| -0.1 | 0 | 0.51916611 |
| -0.08 | 0 | 0.51244628 |
| -0.06 | 0 | 0.50760406 |
| -0.04 | 0 | 0.50465989 |
| -0.02 | 0 | 0.50361270 |
| 0.02 | 0 | 0.50741470 |
| 0.04 | 0 | 0.51245707 |
| 0.06 | 0 | 0.51996714 |
| 0.08 | 0 | 0.53113180 |
| 0.1 | 0 | 0.54725403 |
| -0.1 | 0.02 | 0.51015711 |
| -0.08 | 0.02 | 0.50358909 |
| -0.06 | 0.02 | 0.49891245 |
| -0.04 | 0.02 | 0.49620059 |
| -0.02 | 0.02 | 0.49551111 |
| 0 | 0.02 | 0.49688694 |
| 0.02 | 0.02 | 0.50036806 |
| 0.04 | 0.02 | 0.50600952 |
| 0.06 | 0.02 | 0.51396674 |
| 0.08 | 0.02 | 0.52458513 |
| 0.1 | 0.02 | 0.53872693 |
| -0.1 | 0.04 | 0.50091076 |
| -0.08 | 0.04 | 0.49440593 |
| -0.06 | 0.04 | 0.48979393 |
| -0.04 | 0.04 | 0.48718670 |
| -0.02 | 0.04 | 0.48670942 |
| 0 | 0.04 | 0.48844495 |
| 0.02 | 0.04 | 0.49243087 |
| 0.04 | 0.04 | 0.49874184 |
| 0.06 | 0.04 | 0.50755239 |
| 0.08 | 0.04 | 0.51898307 |
| 0.1 | 0.04 | 0.53304547 |
| -0.1 | 0.06 | 0.49210426 |
| -0.08 | 0.06 | 0.48562321 |
| -0.06 | 0.06 | 0.48104715 |
| -0.04 | 0.06 | 0.47851801 |
| -0.02 | 0.06 | 0.47817305 |
| 0 | 0.06 | 0.48011228 |
| 0.02 | 0.06 | 0.48446298 |
| 0.04 | 0.06 | 0.49141571 |
| 0.06 | 0.06 | 0.50105411 |
| 0.08 | 0.06 | 0.51313931 |
| 0.1 | 0.06 | 0.52745855 |
| -0.1 | 0.08 | 0.48465872 |
| -0.08 | 0.08 | 0.47826150 |
| -0.06 | 0.08 | 0.47381869 |
| -0.04 | 0.08 | 0.47147396 |
| -0.02 | 0.08 | 0.47133571 |
| 0 | 0.08 | 0.47355241 |
| 0.02 | 0.08 | 0.47839883 |
| 0.04 | 0.08 | 0.48608518 |
| 0.06 | 0.08 | 0.49626133 |
| 0.08 | 0.08 | 0.50829327 |
| 0.1 | 0.08 | 0.52213913 |
| -0.1 | 0.1 | 0.47919774 |
| -0.08 | 0.1 | 0.47300565 |
| -0.06 | 0.1 | 0.46887985 |
| -0.04 | 0.1 | 0.46691194 |
| -0.02 | 0.1 | 0.46723557 |
| 0 | 0.1 | 0.47017047 |
| 0.02 | 0.1 | 0.47608632 |
| 0.04 | 0.1 | 0.48466659 |
| 0.06 | 0.1 | 0.49485347 |
| 0.08 | 0.1 | 0.50611413 |
| 0.1 | 0.1 | 0.51891685 |
Zwei feste Zufallsrichtungen werden pro Matrixzeile auf die Norm der ursprünglichen Gewichte skaliert. Eindimensionale Parameter bleiben fest. Die Höhenachse ist linear; die Flächen zwischen den Punkten sind lineare Interpolation. Der Gesamtverlust umfasst 16 Antworttoken und 16 Endmarkierungen je Auswertung.
Unabhängig geprüft am 14.9.2026, 09:23:37 (Zürich). Beleg: 2972f0f11ce9569bde4c2c8a72aff05133b3e3094ff2cff921ac67a1b748effd
Beobachteter Stand: 14.9.2026, 09:23:37 (Zürich). Diese Ansicht lädt neue veröffentlichte Ergebnisse alle 30 Sekunden.
Frühere Lernkurve und dreidimensionale Messung ansehen
Diese älteren Messreihen haben eigene Daten und Zeitpunkte. Der aktuelle Vergleich steht darüber.
Python · feste Signatur und Rückgabe, freier Ausdruck · echte GPU-Messungen
64 / 64Lernschritte gesichertMehr Vielfalt, aber weiterhin keine Übertragung.
Die bekannte Funktionszeile und die Rückgabeanweisung wurden fest vorgegeben; das Modell erzeugte nur den abschließenden Ausdruck. 8 kurze MBPP-Funktionen wurden je 8mal gelernt. 8 weitere Aufgaben blieben vollständig vom Training getrennt. Das Grundmodell blieb fest; der vorhandene Lernzustand des Zusatzmoduls wurde fortgesetzt.
Geübte Aufgaben0/8 → 1/8
Zurückgehaltene Aufgaben0/8 → 0/8
Syntaktisch gültig danach5 / 16
Der Verlust fiel vom ersten zum letzten Lernschritt von 4.469 auf 3.117. Das belegt das Merken einer geübten Antwort, aber keine Verbesserung auf unbekannten Aufgaben. 500 offizielle MBPP-Testaufgaben blieben unberührt.
Grundmodell 4336 unverändert; Zusatzmodul Schritt 264 → 328. Geprüft am . Beleg: feca87bf785607b4079813f50f2e605b761870aecf421bf7ff36c192e98cc976
Alle 64 gemessenen Lernwerte
| Schritt | Fehlermaß |
|---|---|
| 1 | 4.469277 |
| 2 | 7.246166 |
| 3 | 6.443687 |
| 4 | 7.588310 |
| 5 | 4.450228 |
| 6 | 6.162117 |
| 7 | 4.577631 |
| 8 | 5.136255 |
| 9 | 3.776140 |
| 10 | 6.593016 |
| 11 | 5.933312 |
| 12 | 5.582817 |
| 13 | 3.752086 |
| 14 | 5.883691 |
| 15 | 4.366023 |
| 16 | 4.614936 |
| 17 | 3.162180 |
| 18 | 5.916608 |
| 19 | 5.537607 |
| 20 | 3.888897 |
| 21 | 3.313916 |
| 22 | 5.629043 |
| 23 | 4.194252 |
| 24 | 4.220726 |
| 25 | 2.744260 |
| 26 | 5.371055 |
| 27 | 5.204079 |
| 28 | 2.477868 |
| 29 | 3.034929 |
| 30 | 5.425821 |
| 31 | 4.028650 |
| 32 | 4.018738 |
| 33 | 2.455844 |
| 34 | 4.936152 |
| 35 | 4.855788 |
| 36 | 1.245289 |
| 37 | 2.874298 |
| 38 | 5.203162 |
| 39 | 3.755087 |
| 40 | 3.779111 |
| 41 | 2.191947 |
| 42 | 4.619925 |
| 43 | 4.551105 |
| 44 | 0.596243 |
| 45 | 2.745767 |
| 46 | 5.002253 |
| 47 | 3.515431 |
| 48 | 3.571035 |
| 49 | 1.958153 |
| 50 | 4.320219 |
| 51 | 4.308918 |
| 52 | 0.302149 |
| 53 | 2.608503 |
| 54 | 4.808531 |
| 55 | 3.266736 |
| 56 | 3.309982 |
| 57 | 1.757387 |
| 58 | 4.018155 |
| 59 | 4.091504 |
| 60 | 0.195422 |
| 61 | 2.444508 |
| 62 | 4.589726 |
| 63 | 2.988334 |
| 64 | 3.116801 |
Python · feste Funktionszeile, freier Körper · echte GPU-Messungen
32 / 32Lernschritte gesichertDas Fehlermaß sank, aber keine Funktion wurde korrekt.
Die bekannte Funktionszeile wurde fest vorgegeben; das Modell erzeugte nur den Funktionskörper. 4 kurze MBPP-Funktionen wurden je 8mal gelernt. 4 weitere Aufgaben blieben vollständig vom Training getrennt. Das Grundmodell blieb fest; der vorhandene Lernzustand des Zusatzmoduls wurde fortgesetzt.
Geübte Aufgaben0/4 → 0/4
Zurückgehaltene Aufgaben0/4 → 0/4
Syntaktisch gültig danach1 / 8
Der Verlust fiel vom ersten zum letzten Lernschritt von 4.602 auf 3.006. Das beweist hier keine nutzbare Fähigkeit. 500 offizielle MBPP-Testaufgaben blieben unberührt.
Grundmodell 4336 unverändert; Zusatzmodul Schritt 264 → 296. Geprüft am . Beleg: 359d61d3c7ca2b12bf575034125ed6e22a80627fe02a8dfa0c7bd338630d99d8
Alle 32 gemessenen Lernwerte
| Schritt | Fehlermaß |
|---|---|
| 1 | 4.601867 |
| 2 | 6.489963 |
| 3 | 6.299675 |
| 4 | 5.114515 |
| 5 | 4.274085 |
| 6 | 6.133924 |
| 7 | 5.800673 |
| 8 | 4.759711 |
| 9 | 3.819436 |
| 10 | 5.683930 |
| 11 | 5.398042 |
| 12 | 4.315657 |
| 13 | 3.391419 |
| 14 | 5.224371 |
| 15 | 5.059577 |
| 16 | 3.961429 |
| 17 | 3.040735 |
| 18 | 4.853374 |
| 19 | 4.783184 |
| 20 | 3.685507 |
| 21 | 2.703771 |
| 22 | 4.538645 |
| 23 | 4.531634 |
| 24 | 3.445276 |
| 25 | 2.420738 |
| 26 | 4.259765 |
| 27 | 4.293309 |
| 28 | 3.226997 |
| 29 | 2.121604 |
| 30 | 3.982955 |
| 31 | 4.062893 |
| 32 | 3.006072 |
Python · vollständige Funktionen · echte GPU-Messungen
32 / 32Lernschritte gesichertDas Fehlermaß sank, aber keine Funktion wurde korrekt.
4 kurze MBPP-Funktionen wurden je 8mal gelernt. 4 weitere Aufgaben blieben vollständig vom Training getrennt. Das Grundmodell blieb fest; der vorhandene Lernzustand des Zusatzmoduls wurde fortgesetzt.
Geübte Aufgaben0/4 → 0/4
Zurückgehaltene Aufgaben0/4 → 0/4
Syntaktisch gültig danach0 / 8
Der Verlust fiel vom ersten zum letzten Lernschritt von 6.177 auf 4.692. Das beweist hier keine nutzbare Fähigkeit. 500 offizielle MBPP-Testaufgaben blieben unberührt.
Grundmodell 4336 unverändert; Zusatzmodul Schritt 264 → 296. Geprüft am . Beleg: 11970eaf7de14ab99f9cec50356d1c553e437bd121b785639a6c61f10a5398c3
Alle 32 gemessenen Lernwerte
| Schritt | Fehlermaß |
|---|---|
| 1 | 6.177468 |
| 2 | 7.165922 |
| 3 | 6.912242 |
| 4 | 6.270764 |
| 5 | 5.816844 |
| 6 | 6.818883 |
| 7 | 6.656215 |
| 8 | 6.030575 |
| 9 | 5.353133 |
| 10 | 6.467331 |
| 11 | 6.387842 |
| 12 | 5.801719 |
| 13 | 4.976704 |
| 14 | 6.157023 |
| 15 | 6.104660 |
| 16 | 5.542074 |
| 17 | 4.666328 |
| 18 | 5.870038 |
| 19 | 5.845961 |
| 20 | 5.273724 |
| 21 | 4.385936 |
| 22 | 5.596146 |
| 23 | 5.590874 |
| 24 | 5.145791 |
| 25 | 4.112973 |
| 26 | 5.320208 |
| 27 | 5.322812 |
| 28 | 4.924500 |
| 29 | 3.844621 |
| 30 | 5.051456 |
| 31 | 5.044493 |
| 32 | 4.691927 |
Python-Zusatzmodul · echte GPU-Messungen
192 / 192Lernschritte gesichertDie ausgewählte Variante hat 24 Aufgaben geübt.
Die Kurve zeigt die gesicherten Lernschritte des ausgewählten Zusatzmoduls. Die Lernrunde umfasst 24 Python-Aufgaben in mehreren Varianten. Das Grundmodell bleibt fest; der vollständige Lernzustand wird übernommen. Jeder Punkt zeigt das gemessene Fehlermaß vor einem zusätzlichen Lernschritt. Die 30 Entwicklungsaufgaben und ihre Lösungen bleiben vom Lernen getrennt.
Neue Runde: vorhandene Fehler reparieren. Die Eingaben enthalten jetzt unterschiedliche falsche Berechnungen statt bloßer Platzhalter. Die richtigen Übungsantworten, das Grundmodell und die Schrittweite bleiben gleich. Node6 setzt den Lernzustand nach der Vier-Aufgaben-Kontrolle fort. Diese Kurve beginnt deshalb neu; sie wird nicht mit den früheren 576 Messpunkten vermischt. Zwei freie Übungsantworten je Abschnitt ergänzen die Messung. Der anschließende Vergleich auf allen 30 getrennten Entwicklungsaufgaben bleibt entscheidend.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Der letzte vollständige Vergleich der Basis ergab 0/30, feste Regeln 22/30 Aufgaben.
Grundmodell 4336 unverändert; 192 zusätzliche Schritte. Die internen Lernstatistiken wurden fortgesetzt. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 3.625704 |
| 2 | 4.697457 |
| 3 | 4.703287 |
| 4 | 4.357101 |
| 5 | 3.645859 |
| 6 | 3.390154 |
| 7 | 5.428261 |
| 8 | 5.465096 |
| 9 | 7.221485 |
| 10 | 2.849534 |
| 11 | 5.333203 |
| 12 | 3.874546 |
| 13 | 5.153196 |
| 14 | 2.887259 |
| 15 | 2.477980 |
| 16 | 3.354766 |
| 17 | 3.101025 |
| 18 | 3.158221 |
| 19 | 2.626132 |
| 20 | 2.466285 |
| 21 | 2.202579 |
| 22 | 3.173218 |
| 23 | 2.995121 |
| 24 | 2.097527 |
| 25 | 3.082376 |
| 26 | 3.397073 |
| 27 | 1.612254 |
| 28 | 3.289577 |
| 29 | 2.875601 |
| 30 | 2.920446 |
| 31 | 4.960553 |
| 32 | 2.448345 |
| 33 | 2.452652 |
| 34 | 2.612213 |
| 35 | 2.536334 |
| 36 | 3.160169 |
| 37 | 3.079642 |
| 38 | 2.597996 |
| 39 | 3.089077 |
| 40 | 2.142241 |
| 41 | 4.146914 |
| 42 | 1.646921 |
| 43 | 3.427341 |
| 44 | 2.556776 |
| 45 | 2.527493 |
| 46 | 2.144674 |
| 47 | 2.607706 |
| 48 | 2.999831 |
| 49 | 1.993316 |
| 50 | 1.633550 |
| 51 | 4.578536 |
| 52 | 2.492666 |
| 53 | 1.886449 |
| 54 | 3.172218 |
| 55 | 2.669961 |
| 56 | 3.756991 |
| 57 | 2.192868 |
| 58 | 2.235394 |
| 59 | 2.559215 |
| 60 | 3.100982 |
| 61 | 3.720660 |
| 62 | 4.250627 |
| 63 | 2.725403 |
| 64 | 2.276356 |
| 65 | 2.178685 |
| 66 | 2.637722 |
| 67 | 2.378220 |
| 68 | 3.864911 |
| 69 | 2.236217 |
| 70 | 2.693282 |
| 71 | 2.960951 |
| 72 | 2.123271 |
| 73 | 2.845637 |
| 74 | 1.866917 |
| 75 | 1.707397 |
| 76 | 1.176401 |
| 77 | 3.136240 |
| 78 | 2.185903 |
| 79 | 3.165987 |
| 80 | 2.432437 |
| 81 | 1.844205 |
| 82 | 2.058193 |
| 83 | 2.317143 |
| 84 | 3.671930 |
| 85 | 2.238597 |
| 86 | 2.023037 |
| 87 | 2.337514 |
| 88 | 2.324923 |
| 89 | 2.756043 |
| 90 | 1.850121 |
| 91 | 1.979661 |
| 92 | 3.276142 |
| 93 | 3.188911 |
| 94 | 1.946746 |
| 95 | 1.765325 |
| 96 | 2.202824 |
| 97 | 2.493464 |
| 98 | 2.453704 |
| 99 | 1.278645 |
| 100 | 2.970142 |
| 101 | 2.422149 |
| 102 | 2.175191 |
| 103 | 2.444098 |
| 104 | 3.586677 |
| 105 | 2.143965 |
| 106 | 4.506569 |
| 107 | 2.445076 |
| 108 | 2.841041 |
| 109 | 2.293812 |
| 110 | 2.188937 |
| 111 | 2.573438 |
| 112 | 3.004677 |
| 113 | 2.153115 |
| 114 | 2.850970 |
| 115 | 1.349863 |
| 116 | 2.690647 |
| 117 | 2.347729 |
| 118 | 2.726193 |
| 119 | 2.892470 |
| 120 | 1.764947 |
| 121 | 2.286581 |
| 122 | 2.176963 |
| 123 | 3.800708 |
| 124 | 2.753958 |
| 125 | 2.289448 |
| 126 | 3.650318 |
| 127 | 2.057393 |
| 128 | 1.982409 |
| 129 | 2.038444 |
| 130 | 3.931571 |
| 131 | 1.825801 |
| 132 | 1.401073 |
| 133 | 2.847763 |
| 134 | 2.176460 |
| 135 | 2.611657 |
| 136 | 1.877173 |
| 137 | 2.442846 |
| 138 | 2.400742 |
| 139 | 2.620240 |
| 140 | 3.486497 |
| 141 | 2.410992 |
| 142 | 3.747309 |
| 143 | 2.757298 |
| 144 | 1.823624 |
| 145 | 2.100374 |
| 146 | 2.578286 |
| 147 | 1.730468 |
| 148 | 2.210850 |
| 149 | 2.977505 |
| 150 | 2.911915 |
| 151 | 2.611875 |
| 152 | 2.558162 |
| 153 | 2.291539 |
| 154 | 1.834674 |
| 155 | 3.070449 |
| 156 | 3.192678 |
| 157 | 1.987022 |
| 158 | 2.903579 |
| 159 | 1.566712 |
| 160 | 2.572474 |
| 161 | 2.378607 |
| 162 | 2.343261 |
| 163 | 2.194743 |
| 164 | 1.958639 |
| 165 | 2.246964 |
| 166 | 1.580152 |
| 167 | 2.342071 |
| 168 | 2.707268 |
| 169 | 1.637725 |
| 170 | 1.880403 |
| 171 | 2.429632 |
| 172 | 2.483777 |
| 173 | 2.006830 |
| 174 | 2.056215 |
| 175 | 1.832572 |
| 176 | 3.770697 |
| 177 | 1.895139 |
| 178 | 3.888603 |
| 179 | 2.011677 |
| 180 | 2.029149 |
| 181 | 1.814612 |
| 182 | 2.305977 |
| 183 | 2.003607 |
| 184 | 2.465191 |
| 185 | 1.774377 |
| 186 | 1.666582 |
| 187 | 3.154857 |
| 188 | 1.649889 |
| 189 | 2.231997 |
| 190 | 1.776235 |
| 191 | 1.985139 |
| 192 | 2.330492 |
Python-Zusatzmodul · echte GPU-Messungen
576 / 576Lernschritte gesichertDie ausgewählte Variante hat 24 Aufgaben geübt.
Die Kurve zeigt die gesicherten Lernschritte des ausgewählten Zusatzmoduls. Die Lernrunde umfasst 24 Python-Aufgaben in mehreren Varianten. Das Grundmodell bleibt fest; der vollständige Lernzustand wird übernommen. Jeder Punkt zeigt das gemessene Fehlermaß vor einem zusätzlichen Lernschritt. Die 30 Entwicklungsaufgaben und ihre Lösungen bleiben vom Lernen getrennt.
Diese Runde verwendet kleinere Lernschritte: 0,0005 statt zuvor 0,002. Die vorhandenen Beispiele werden gemischt; jeder Abschnitt übt alle 24 Probleme. Zwei frei erzeugte Übungsantworten je Abschnitt zeigen zusätzlich, ob das Modell bereits vollständigen Code schreiben kann. Diese Übungsantworten ersetzen den getrennten Vergleich auf den 30 Entwicklungsaufgaben nicht.
Die ersten 528 Schritte wurden auf Node8 gerechnet. Node6 übernahm den vollständigen Lernzustand und ergänzte die letzten 48 Schritte. Die Kurve zeigt diese zeitliche Fortsetzung.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Der letzte vollständige Vergleich der Basis ergab 0/30, feste Regeln 22/30 Aufgaben.
Grundmodell 4336 unverändert; 576 zusätzliche Schritte. Die internen Lernstatistiken wurden fortgesetzt. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 2.419297 |
| 2 | 2.412836 |
| 3 | 1.834917 |
| 4 | 1.718583 |
| 5 | 2.356248 |
| 6 | 2.182163 |
| 7 | 2.731589 |
| 8 | 1.877029 |
| 9 | 2.885833 |
| 10 | 1.879833 |
| 11 | 2.654159 |
| 12 | 1.602213 |
| 13 | 2.669686 |
| 14 | 2.387820 |
| 15 | 1.590990 |
| 16 | 1.836309 |
| 17 | 1.893029 |
| 18 | 2.317650 |
| 19 | 1.899688 |
| 20 | 2.779914 |
| 21 | 1.905363 |
| 22 | 2.321221 |
| 23 | 1.987749 |
| 24 | 1.532363 |
| 25 | 1.908491 |
| 26 | 2.606116 |
| 27 | 1.860866 |
| 28 | 1.924221 |
| 29 | 2.327030 |
| 30 | 1.641338 |
| 31 | 2.309338 |
| 32 | 1.597782 |
| 33 | 1.398887 |
| 34 | 1.556156 |
| 35 | 1.833910 |
| 36 | 2.616459 |
| 37 | 1.801914 |
| 38 | 2.077579 |
| 39 | 2.328363 |
| 40 | 1.824166 |
| 41 | 3.510762 |
| 42 | 1.372739 |
| 43 | 2.552507 |
| 44 | 2.330177 |
| 45 | 1.420248 |
| 46 | 1.331776 |
| 47 | 1.686303 |
| 48 | 1.874079 |
| 49 | 1.477262 |
| 50 | 1.342600 |
| 51 | 3.936246 |
| 52 | 2.310577 |
| 53 | 1.642588 |
| 54 | 2.084934 |
| 55 | 2.073503 |
| 56 | 2.809809 |
| 57 | 2.104878 |
| 58 | 1.282839 |
| 59 | 2.074141 |
| 60 | 2.653423 |
| 61 | 2.282941 |
| 62 | 3.728390 |
| 63 | 1.790962 |
| 64 | 2.289806 |
| 65 | 1.702253 |
| 66 | 1.751308 |
| 67 | 2.256673 |
| 68 | 3.574862 |
| 69 | 1.995589 |
| 70 | 1.961552 |
| 71 | 2.476088 |
| 72 | 1.867493 |
| 73 | 1.877705 |
| 74 | 1.364636 |
| 75 | 1.494246 |
| 76 | 1.504881 |
| 77 | 2.052177 |
| 78 | 1.829250 |
| 79 | 2.034605 |
| 80 | 1.708803 |
| 81 | 1.964958 |
| 82 | 1.302313 |
| 83 | 2.204050 |
| 84 | 3.276422 |
| 85 | 1.504140 |
| 86 | 1.893773 |
| 87 | 1.902594 |
| 88 | 1.304869 |
| 89 | 2.189033 |
| 90 | 1.593147 |
| 91 | 1.728622 |
| 92 | 1.731873 |
| 93 | 2.672056 |
| 94 | 1.401192 |
| 95 | 1.560133 |
| 96 | 2.108404 |
| 97 | 1.415548 |
| 98 | 1.922422 |
| 99 | 1.508815 |
| 100 | 2.418820 |
| 101 | 2.043022 |
| 102 | 1.530929 |
| 103 | 2.336202 |
| 104 | 2.510256 |
| 105 | 1.845614 |
| 106 | 3.890275 |
| 107 | 1.826620 |
| 108 | 2.099447 |
| 109 | 1.850996 |
| 110 | 1.328135 |
| 111 | 2.076108 |
| 112 | 1.686709 |
| 113 | 1.193224 |
| 114 | 1.827163 |
| 115 | 1.530104 |
| 116 | 2.385783 |
| 117 | 2.410570 |
| 118 | 2.534306 |
| 119 | 2.057417 |
| 120 | 1.334748 |
| 121 | 1.557917 |
| 122 | 2.209691 |
| 123 | 3.566034 |
| 124 | 2.528652 |
| 125 | 1.683393 |
| 126 | 2.613440 |
| 127 | 1.848361 |
| 128 | 1.607983 |
| 129 | 1.490569 |
| 130 | 3.568613 |
| 131 | 1.286665 |
| 132 | 1.190192 |
| 133 | 2.446290 |
| 134 | 1.942590 |
| 135 | 2.604623 |
| 136 | 1.784013 |
| 137 | 2.745246 |
| 138 | 1.236510 |
| 139 | 2.457089 |
| 140 | 2.169809 |
| 141 | 1.867317 |
| 142 | 2.544791 |
| 143 | 2.492914 |
| 144 | 1.408981 |
| 145 | 2.338640 |
| 146 | 2.631746 |
| 147 | 1.413315 |
| 148 | 1.708360 |
| 149 | 2.406823 |
| 150 | 2.302068 |
| 151 | 2.279514 |
| 152 | 2.112879 |
| 153 | 2.226608 |
| 154 | 1.205729 |
| 155 | 2.210720 |
| 156 | 2.534970 |
| 157 | 2.246809 |
| 158 | 2.189018 |
| 159 | 1.526577 |
| 160 | 1.501123 |
| 161 | 2.329268 |
| 162 | 1.927820 |
| 163 | 1.779892 |
| 164 | 1.926168 |
| 165 | 1.946219 |
| 166 | 1.383174 |
| 167 | 2.925494 |
| 168 | 1.642330 |
| 169 | 1.943707 |
| 170 | 1.900824 |
| 171 | 1.808854 |
| 172 | 1.969082 |
| 173 | 1.226509 |
| 174 | 2.180104 |
| 175 | 1.622697 |
| 176 | 3.775798 |
| 177 | 1.671202 |
| 178 | 3.729710 |
| 179 | 1.895028 |
| 180 | 1.939739 |
| 181 | 1.705770 |
| 182 | 1.953360 |
| 183 | 2.064471 |
| 184 | 1.840313 |
| 185 | 1.533962 |
| 186 | 1.412914 |
| 187 | 2.984449 |
| 188 | 1.616718 |
| 189 | 1.813488 |
| 190 | 1.229130 |
| 191 | 1.543018 |
| 192 | 2.046840 |
| 193 | 1.908389 |
| 194 | 1.458176 |
| 195 | 1.563866 |
| 196 | 2.230020 |
| 197 | 2.050303 |
| 198 | 2.029207 |
| 199 | 1.618765 |
| 200 | 1.495893 |
| 201 | 1.469615 |
| 202 | 1.406698 |
| 203 | 1.659023 |
| 204 | 1.442558 |
| 205 | 1.749662 |
| 206 | 1.501603 |
| 207 | 1.599632 |
| 208 | 2.180262 |
| 209 | 1.234432 |
| 210 | 1.844639 |
| 211 | 1.952747 |
| 212 | 1.495453 |
| 213 | 1.453350 |
| 214 | 2.538016 |
| 215 | 1.735490 |
| 216 | 2.076840 |
| 217 | 1.530821 |
| 218 | 2.303171 |
| 219 | 2.417134 |
| 220 | 2.091511 |
| 221 | 1.082983 |
| 222 | 2.354002 |
| 223 | 1.870383 |
| 224 | 1.938706 |
| 225 | 1.396797 |
| 226 | 1.892225 |
| 227 | 2.371689 |
| 228 | 1.472449 |
| 229 | 3.372423 |
| 230 | 2.630042 |
| 231 | 1.597243 |
| 232 | 1.948533 |
| 233 | 1.652409 |
| 234 | 1.304696 |
| 235 | 1.685563 |
| 236 | 1.737388 |
| 237 | 1.972364 |
| 238 | 1.148654 |
| 239 | 2.244509 |
| 240 | 2.824890 |
| 241 | 1.989176 |
| 242 | 2.372443 |
| 243 | 1.024985 |
| 244 | 1.561031 |
| 245 | 1.451366 |
| 246 | 2.172442 |
| 247 | 1.783762 |
| 248 | 2.340689 |
| 249 | 1.745971 |
| 250 | 2.378344 |
| 251 | 1.405173 |
| 252 | 1.605232 |
| 253 | 2.453686 |
| 254 | 1.060035 |
| 255 | 1.343799 |
| 256 | 2.470707 |
| 257 | 2.975239 |
| 258 | 1.441233 |
| 259 | 1.730794 |
| 260 | 1.463466 |
| 261 | 1.195052 |
| 262 | 1.606441 |
| 263 | 2.155378 |
| 264 | 1.998874 |
| 265 | 1.554727 |
| 266 | 2.068328 |
| 267 | 2.258262 |
| 268 | 2.280880 |
| 269 | 1.536183 |
| 270 | 2.592019 |
| 271 | 1.265297 |
| 272 | 1.859380 |
| 273 | 1.581098 |
| 274 | 1.863319 |
| 275 | 3.501558 |
| 276 | 1.892985 |
| 277 | 1.996184 |
| 278 | 1.461901 |
| 279 | 1.323603 |
| 280 | 1.842000 |
| 281 | 1.139079 |
| 282 | 2.199043 |
| 283 | 1.980863 |
| 284 | 0.945581 |
| 285 | 1.453949 |
| 286 | 1.990467 |
| 287 | 1.464240 |
| 288 | 1.721776 |
| 289 | 2.706736 |
| 290 | 1.217369 |
| 291 | 2.917250 |
| 292 | 1.764302 |
| 293 | 1.606389 |
| 294 | 1.596831 |
| 295 | 1.946735 |
| 296 | 2.015605 |
| 297 | 1.332497 |
| 298 | 1.709196 |
| 299 | 2.079345 |
| 300 | 0.924403 |
| 301 | 1.859514 |
| 302 | 1.732516 |
| 303 | 1.647104 |
| 304 | 0.950561 |
| 305 | 2.438281 |
| 306 | 2.509187 |
| 307 | 2.144865 |
| 308 | 1.449198 |
| 309 | 2.089561 |
| 310 | 1.728909 |
| 311 | 1.844559 |
| 312 | 2.637697 |
| 313 | 1.717971 |
| 314 | 1.816129 |
| 315 | 1.255241 |
| 316 | 1.749921 |
| 317 | 2.154591 |
| 318 | 0.895838 |
| 319 | 1.788903 |
| 320 | 1.829702 |
| 321 | 1.345859 |
| 322 | 1.866042 |
| 323 | 1.802130 |
| 324 | 1.767544 |
| 325 | 2.335636 |
| 326 | 2.293978 |
| 327 | 1.530624 |
| 328 | 1.739228 |
| 329 | 1.452019 |
| 330 | 1.979678 |
| 331 | 1.768682 |
| 332 | 2.209249 |
| 333 | 1.641600 |
| 334 | 1.613081 |
| 335 | 1.837884 |
| 336 | 3.466459 |
| 337 | 2.359695 |
| 338 | 2.292248 |
| 339 | 1.612766 |
| 340 | 1.582403 |
| 341 | 1.885450 |
| 342 | 1.381968 |
| 343 | 0.982101 |
| 344 | 3.182522 |
| 345 | 1.008007 |
| 346 | 2.187277 |
| 347 | 1.363746 |
| 348 | 2.413357 |
| 349 | 1.449089 |
| 350 | 1.870519 |
| 351 | 1.049844 |
| 352 | 3.437572 |
| 353 | 1.200626 |
| 354 | 1.577451 |
| 355 | 2.299201 |
| 356 | 1.636568 |
| 357 | 1.137852 |
| 358 | 1.372931 |
| 359 | 1.889310 |
| 360 | 2.348405 |
| 361 | 1.040750 |
| 362 | 1.918239 |
| 363 | 1.328415 |
| 364 | 2.207288 |
| 365 | 2.046699 |
| 366 | 1.320536 |
| 367 | 1.908904 |
| 368 | 1.526245 |
| 369 | 1.433351 |
| 370 | 1.881034 |
| 371 | 2.276395 |
| 372 | 1.442314 |
| 373 | 1.767779 |
| 374 | 2.401186 |
| 375 | 1.873403 |
| 376 | 1.473692 |
| 377 | 2.338385 |
| 378 | 1.812132 |
| 379 | 2.234530 |
| 380 | 2.059977 |
| 381 | 1.603125 |
| 382 | 1.928940 |
| 383 | 1.527540 |
| 384 | 1.810215 |
| 385 | 2.182441 |
| 386 | 1.182016 |
| 387 | 1.180739 |
| 388 | 2.583386 |
| 389 | 1.517887 |
| 390 | 1.720012 |
| 391 | 1.506149 |
| 392 | 2.681324 |
| 393 | 1.754120 |
| 394 | 1.588918 |
| 395 | 2.422201 |
| 396 | 1.615169 |
| 397 | 2.139302 |
| 398 | 1.406582 |
| 399 | 1.272398 |
| 400 | 1.440325 |
| 401 | 1.841250 |
| 402 | 1.975903 |
| 403 | 1.512306 |
| 404 | 1.379909 |
| 405 | 1.514915 |
| 406 | 1.722127 |
| 407 | 1.675138 |
| 408 | 1.281854 |
| 409 | 1.597412 |
| 410 | 1.902393 |
| 411 | 1.206631 |
| 412 | 1.657214 |
| 413 | 1.639409 |
| 414 | 1.827851 |
| 415 | 1.132394 |
| 416 | 2.222490 |
| 417 | 2.093380 |
| 418 | 2.011795 |
| 419 | 1.099184 |
| 420 | 2.194191 |
| 421 | 1.743735 |
| 422 | 2.084392 |
| 423 | 1.238639 |
| 424 | 2.114599 |
| 425 | 1.268947 |
| 426 | 1.839546 |
| 427 | 3.332644 |
| 428 | 1.219910 |
| 429 | 2.059065 |
| 430 | 1.291618 |
| 431 | 1.630522 |
| 432 | 1.709562 |
| 433 | 1.310442 |
| 434 | 1.578841 |
| 435 | 1.803102 |
| 436 | 1.506632 |
| 437 | 1.589265 |
| 438 | 2.147303 |
| 439 | 1.645499 |
| 440 | 1.299618 |
| 441 | 2.368942 |
| 442 | 3.283948 |
| 443 | 1.310576 |
| 444 | 1.058208 |
| 445 | 1.384694 |
| 446 | 1.515516 |
| 447 | 1.348415 |
| 448 | 1.079283 |
| 449 | 1.431576 |
| 450 | 1.904272 |
| 451 | 1.761348 |
| 452 | 1.146407 |
| 453 | 2.084038 |
| 454 | 1.314618 |
| 455 | 1.985566 |
| 456 | 1.458033 |
| 457 | 2.397741 |
| 458 | 1.944785 |
| 459 | 2.441792 |
| 460 | 1.799094 |
| 461 | 2.108859 |
| 462 | 2.184128 |
| 463 | 1.651997 |
| 464 | 1.358477 |
| 465 | 2.455028 |
| 466 | 1.950182 |
| 467 | 1.558788 |
| 468 | 1.646368 |
| 469 | 1.861481 |
| 470 | 1.954067 |
| 471 | 1.742909 |
| 472 | 1.687461 |
| 473 | 1.821542 |
| 474 | 1.351949 |
| 475 | 2.261707 |
| 476 | 1.504641 |
| 477 | 1.251968 |
| 478 | 1.297774 |
| 479 | 1.689956 |
| 480 | 1.947956 |
| 481 | 1.625799 |
| 482 | 2.251487 |
| 483 | 1.591723 |
| 484 | 1.736657 |
| 485 | 0.964577 |
| 486 | 1.742475 |
| 487 | 1.304295 |
| 488 | 2.331664 |
| 489 | 1.876743 |
| 490 | 2.286760 |
| 491 | 1.228917 |
| 492 | 1.733541 |
| 493 | 1.558226 |
| 494 | 1.667582 |
| 495 | 2.066785 |
| 496 | 1.804507 |
| 497 | 1.516008 |
| 498 | 1.886233 |
| 499 | 1.617506 |
| 500 | 1.403420 |
| 501 | 1.276212 |
| 502 | 1.383191 |
| 503 | 2.007252 |
| 504 | 2.054676 |
| 505 | 1.147805 |
| 506 | 2.064768 |
| 507 | 1.759042 |
| 508 | 1.976222 |
| 509 | 1.511144 |
| 510 | 0.992394 |
| 511 | 2.313505 |
| 512 | 1.373127 |
| 513 | 2.254856 |
| 514 | 1.453772 |
| 515 | 3.369446 |
| 516 | 1.727457 |
| 517 | 1.588287 |
| 518 | 1.504870 |
| 519 | 2.068901 |
| 520 | 2.320417 |
| 521 | 1.195634 |
| 522 | 1.054229 |
| 523 | 1.530208 |
| 524 | 2.014451 |
| 525 | 1.418293 |
| 526 | 1.752214 |
| 527 | 1.381037 |
| 528 | 1.646550 |
| 529 | 1.364488 |
| 530 | 1.978208 |
| 531 | 1.395873 |
| 532 | 1.101399 |
| 533 | 2.004937 |
| 534 | 1.279086 |
| 535 | 2.219619 |
| 536 | 1.451380 |
| 537 | 1.324284 |
| 538 | 1.191396 |
| 539 | 1.199347 |
| 540 | 1.574407 |
| 541 | 1.233033 |
| 542 | 1.725081 |
| 543 | 1.965419 |
| 544 | 1.848286 |
| 545 | 1.053730 |
| 546 | 1.204432 |
| 547 | 1.879952 |
| 548 | 1.886179 |
| 549 | 1.938205 |
| 550 | 1.722695 |
| 551 | 2.078753 |
| 552 | 2.117065 |
| 553 | 2.741917 |
| 554 | 1.701025 |
| 555 | 1.712687 |
| 556 | 1.765594 |
| 557 | 1.737671 |
| 558 | 1.356829 |
| 559 | 1.356587 |
| 560 | 2.294172 |
| 561 | 1.643473 |
| 562 | 1.481206 |
| 563 | 1.256132 |
| 564 | 2.641863 |
| 565 | 1.772708 |
| 566 | 2.054295 |
| 567 | 1.864069 |
| 568 | 1.621169 |
| 569 | 1.268744 |
| 570 | 1.911083 |
| 571 | 1.272785 |
| 572 | 1.334591 |
| 573 | 1.325520 |
| 574 | 1.164316 |
| 575 | 3.770536 |
| 576 | 1.433068 |
Python-Zusatzmodul · echte GPU-Messungen
144 / 144Lernschritte gesichertDie ausgewählte Variante hat 24 Aufgaben geübt.
Die Kurve zeigt die gesicherten Lernschritte des ausgewählten Zusatzmoduls. Die Lernrunde umfasst 24 Python-Aufgaben in mehreren Varianten. Das Grundmodell bleibt fest; der vollständige Lernzustand wird übernommen. Jeder Punkt zeigt das gemessene Fehlermaß vor einem zusätzlichen Lernschritt. Die 30 Entwicklungsaufgaben und ihre Lösungen bleiben vom Lernen getrennt.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Der letzte vollständige Vergleich der Basis ergab 0/30, feste Regeln 22/30 Aufgaben.
Grundmodell 4336 unverändert; 144 zusätzliche Schritte. Die internen Lernstatistiken wurden fortgesetzt. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 0.089290 |
| 2 | 1.352775 |
| 3 | 2.449389 |
| 4 | 1.932438 |
| 5 | 4.152630 |
| 6 | 3.627262 |
| 7 | 3.926238 |
| 8 | 3.547780 |
| 9 | 2.282680 |
| 10 | 2.832600 |
| 11 | 2.761359 |
| 12 | 2.522365 |
| 13 | 3.306814 |
| 14 | 3.131707 |
| 15 | 2.467884 |
| 16 | 2.211000 |
| 17 | 3.037397 |
| 18 | 3.284528 |
| 19 | 3.094729 |
| 20 | 3.520359 |
| 21 | 0.563811 |
| 22 | 2.114481 |
| 23 | 2.922107 |
| 24 | 3.086118 |
| 25 | 2.745417 |
| 26 | 2.762618 |
| 27 | 3.557312 |
| 28 | 4.431268 |
| 29 | 2.201135 |
| 30 | 2.439606 |
| 31 | 2.371022 |
| 32 | 2.867816 |
| 33 | 2.227345 |
| 34 | 2.401188 |
| 35 | 1.549098 |
| 36 | 2.321815 |
| 37 | 1.993744 |
| 38 | 2.209245 |
| 39 | 2.256167 |
| 40 | 2.168778 |
| 41 | 2.343507 |
| 42 | 2.581702 |
| 43 | 2.504782 |
| 44 | 2.475336 |
| 45 | 2.797462 |
| 46 | 2.721831 |
| 47 | 3.389114 |
| 48 | 3.654204 |
| 49 | 2.106910 |
| 50 | 1.884656 |
| 51 | 1.935743 |
| 52 | 2.049197 |
| 53 | 2.784595 |
| 54 | 2.587006 |
| 55 | 2.638220 |
| 56 | 2.826688 |
| 57 | 2.052185 |
| 58 | 2.627770 |
| 59 | 1.613747 |
| 60 | 1.605218 |
| 61 | 2.799800 |
| 62 | 2.463518 |
| 63 | 1.595746 |
| 64 | 1.688252 |
| 65 | 2.235305 |
| 66 | 2.583238 |
| 67 | 2.200588 |
| 68 | 2.400785 |
| 69 | 1.662356 |
| 70 | 2.535001 |
| 71 | 2.615814 |
| 72 | 2.617000 |
| 73 | 2.534191 |
| 74 | 2.486698 |
| 75 | 2.809675 |
| 76 | 3.288165 |
| 77 | 1.968946 |
| 78 | 1.990487 |
| 79 | 2.413584 |
| 80 | 2.598059 |
| 81 | 1.962310 |
| 82 | 2.266911 |
| 83 | 1.912077 |
| 84 | 2.191331 |
| 85 | 1.751805 |
| 86 | 1.796445 |
| 87 | 1.838127 |
| 88 | 2.002481 |
| 89 | 2.344894 |
| 90 | 2.577001 |
| 91 | 2.368190 |
| 92 | 1.947278 |
| 93 | 2.371516 |
| 94 | 2.377263 |
| 95 | 3.176860 |
| 96 | 3.153308 |
| 97 | 1.812725 |
| 98 | 1.823422 |
| 99 | 1.863643 |
| 100 | 1.740262 |
| 101 | 2.733900 |
| 102 | 2.403976 |
| 103 | 2.538855 |
| 104 | 2.556694 |
| 105 | 2.195738 |
| 106 | 2.006674 |
| 107 | 1.386465 |
| 108 | 1.411394 |
| 109 | 2.488109 |
| 110 | 2.261077 |
| 111 | 1.480411 |
| 112 | 1.488458 |
| 113 | 2.248251 |
| 114 | 2.564537 |
| 115 | 1.988196 |
| 116 | 2.083325 |
| 117 | 1.622255 |
| 118 | 2.190695 |
| 119 | 2.199437 |
| 120 | 2.208044 |
| 121 | 2.490654 |
| 122 | 2.422201 |
| 123 | 2.838187 |
| 124 | 3.194916 |
| 125 | 1.730981 |
| 126 | 1.698889 |
| 127 | 2.103676 |
| 128 | 2.061163 |
| 129 | 1.844988 |
| 130 | 1.835116 |
| 131 | 1.923771 |
| 132 | 2.158492 |
| 133 | 1.645629 |
| 134 | 1.720636 |
| 135 | 1.827069 |
| 136 | 1.854161 |
| 137 | 2.215059 |
| 138 | 2.175605 |
| 139 | 2.109820 |
| 140 | 1.774817 |
| 141 | 2.268354 |
| 142 | 1.953910 |
| 143 | 3.153570 |
| 144 | 2.937213 |
Python-Zusatzmodule · geprüfte Lernvarianten
2Varianten unabhängig geprüftGleicher Start. Unterschiedliche Lernschritte.
Alle Varianten starten mit demselben Zusatzmodul nach 16 Lernschritten. Das Grundmodell 4336 bleibt fest. Jede Variante übt dieselben 4 Aufgaben; die Schrittweite beim Lernen unterscheidet sich. Die internen Lernstatistiken starten in beiden Varianten neu.
| Variante | Schrittweite | Lernschritte | Vollständig vorher → nachher | Gültige Form danach |
|---|---|---|---|---|
| node6 | 0.001 | 48 / 48 | 0/4 → 2/4 | 3/4 |
| node8 | 0.002 | 48 / 48 | 0/4 → 3/4 | 3/4 |
Geübte Aufgaben sind kein Nachweis für unbekannte Aufgaben. Die 30 Entwicklungsaufgaben bleiben getrennt. Ein kleineres Fehlermaß oder eine gültige Antwortform allein genügt nicht. Da die Minis aus unterschiedlichen Jahrgängen stammen, lässt sich ein Unterschied nicht allein der Schrittweite zuschreiben.
Dies ist ein begrenzter Vergleich von Lernvarianten. Die automatische Auswahl und erneute Verteilung nach dem Ant-Colony-Ansatz ist noch offen. Geprüft am 15.9.2026, 19:38:20.
Alle Messwerte und Belege
node6
| Zusätzlicher Schritt | Fehlermaß |
|---|---|
| 1 | 1.065526 |
| 2 | 1.535036 |
| 3 | 1.427227 |
| 4 | 2.562676 |
| 5 | 0.861164 |
| 6 | 1.426734 |
| 7 | 1.238095 |
| 8 | 2.334392 |
| 9 | 0.835107 |
| 10 | 1.332800 |
| 11 | 1.130247 |
| 12 | 2.102332 |
| 13 | 0.782856 |
| 14 | 1.256893 |
| 15 | 1.036590 |
| 16 | 1.881388 |
| 17 | 0.731090 |
| 18 | 1.164064 |
| 19 | 0.926145 |
| 20 | 1.698105 |
| 21 | 0.659654 |
| 22 | 1.076172 |
| 23 | 0.816047 |
| 24 | 1.543974 |
| 25 | 0.578561 |
| 26 | 0.978218 |
| 27 | 0.728710 |
| 28 | 1.400598 |
| 29 | 0.507785 |
| 30 | 0.871221 |
| 31 | 0.637631 |
| 32 | 1.249073 |
| 33 | 0.431848 |
| 34 | 0.762718 |
| 35 | 0.551490 |
| 36 | 1.106941 |
| 37 | 0.364733 |
| 38 | 0.661053 |
| 39 | 0.496164 |
| 40 | 0.984782 |
| 41 | 0.305999 |
| 42 | 0.581354 |
| 43 | 0.503065 |
| 44 | 0.880329 |
| 45 | 0.269372 |
| 46 | 0.513440 |
| 47 | 0.387428 |
| 48 | 0.777103 |
Prüfbeleg: 5960d4096b524e6019d7b40e0f7a2aff22df73b640ff63624252fd5dcdbc81b6
node8
| Zusätzlicher Schritt | Fehlermaß |
|---|---|
| 1 | 1.065526 |
| 2 | 1.591458 |
| 3 | 1.636774 |
| 4 | 2.722329 |
| 5 | 0.831398 |
| 6 | 1.385091 |
| 7 | 1.247331 |
| 8 | 2.422543 |
| 9 | 0.843447 |
| 10 | 1.285135 |
| 11 | 1.055039 |
| 12 | 2.056256 |
| 13 | 0.697590 |
| 14 | 1.129893 |
| 15 | 0.932062 |
| 16 | 1.760813 |
| 17 | 0.581407 |
| 18 | 0.978666 |
| 19 | 0.767618 |
| 20 | 1.511463 |
| 21 | 0.496125 |
| 22 | 0.792534 |
| 23 | 0.628725 |
| 24 | 1.288925 |
| 25 | 0.373229 |
| 26 | 0.635165 |
| 27 | 0.545605 |
| 28 | 1.025471 |
| 29 | 0.279064 |
| 30 | 0.493154 |
| 31 | 0.451300 |
| 32 | 0.834970 |
| 33 | 0.193693 |
| 34 | 0.395057 |
| 35 | 0.397228 |
| 36 | 0.679555 |
| 37 | 0.154948 |
| 38 | 0.300658 |
| 39 | 0.358698 |
| 40 | 0.551420 |
| 41 | 0.148933 |
| 42 | 0.258900 |
| 43 | 0.290078 |
| 44 | 0.420316 |
| 45 | 0.165446 |
| 46 | 0.189781 |
| 47 | 0.230554 |
| 48 | 0.332201 |
Prüfbeleg: 5e98991a84a10a948dc063f58b9aaf963915f9e3238a3b328ccc49d8ef282ca9
Python-Zusatzmodul · echte GPU-Messungen
16 / 16Lernschritte gesichertEin Zusatzmodul hat vier Aufgaben geübt.
Nur ein kleines Zusatzmodul, ein sogenannter LoRA-Adapter, wurde trainiert. Das Grundmodell blieb unverändert. Vier bereits bekannte Übungsaufgaben wurden je viermal gelernt. Jeder Punkt zeigt das Fehlermaß vor dem jeweiligen Lernschritt. Die 30 Vergleichsaufgaben bleiben getrennt.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Vor dieser Runde löste das Modell 0/30, feste Regeln 22/30 Aufgaben.
Vier geübte Antworten vollständig wiedergegeben: vorher 0/4, danach 0/4. Hier wurden dieselben Aufgaben gelernt und anschließend frei beantwortet. Das ist keine Prüfung unbekannter Aufgaben und keine Spezialistenabnahme.
Grundmodell 4336 unverändert; Zusatzmodul nach 16 Lernschritten. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 2.120040 |
| 2 | 2.438125 |
| 3 | 1.919119 |
| 4 | 3.394610 |
| 5 | 1.730226 |
| 6 | 2.222586 |
| 7 | 1.770285 |
| 8 | 3.122708 |
| 9 | 1.452620 |
| 10 | 1.991884 |
| 11 | 1.632545 |
| 12 | 2.861354 |
| 13 | 1.207173 |
| 14 | 1.709442 |
| 15 | 1.444518 |
| 16 | 2.537373 |
Frühere Python-Lernrunde · echte GPU-Messungen
576 / 576Lernschritte gesichertDiese Python-Lernrunde ist abgeschlossen.
Jeder Punkt zeigt das Fehlermaß bei einem Lernschritt. Das Modell übt mit 576 Beispielen aus 24 zusätzlichen Python-Aufgaben. Die neue Runde verwendet vier Schreibweisen der Variablennamen; dadurch entstehen keine zusätzlichen unabhängigen Aufgaben. Die 30 Vergleichsaufgaben bleiben getrennt.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Vor dieser Runde löste das Modell 0/30, feste Regeln 22/30 Aufgaben.
Modellstand 4336. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 2.952759 |
| 2 | 3.309165 |
| 3 | 2.811862 |
| 4 | 3.222019 |
| 5 | 3.479405 |
| 6 | 3.938129 |
| 7 | 3.841379 |
| 8 | 4.278006 |
| 9 | 3.143806 |
| 10 | 3.906732 |
| 11 | 2.545917 |
| 12 | 3.212889 |
| 13 | 3.372522 |
| 14 | 3.748319 |
| 15 | 2.680085 |
| 16 | 3.052570 |
| 17 | 3.984496 |
| 18 | 5.000795 |
| 19 | 3.425786 |
| 20 | 3.941851 |
| 21 | 3.249952 |
| 22 | 3.888580 |
| 23 | 3.066720 |
| 24 | 3.295980 |
| 25 | 3.582698 |
| 26 | 3.687177 |
| 27 | 3.516993 |
| 28 | 4.098552 |
| 29 | 3.356684 |
| 30 | 3.482726 |
| 31 | 3.542709 |
| 32 | 3.870965 |
| 33 | 3.350207 |
| 34 | 3.424293 |
| 35 | 3.323532 |
| 36 | 3.772947 |
| 37 | 3.349538 |
| 38 | 3.746280 |
| 39 | 3.503345 |
| 40 | 3.920967 |
| 41 | 3.351929 |
| 42 | 3.778685 |
| 43 | 4.438016 |
| 44 | 4.911532 |
| 45 | 3.481727 |
| 46 | 4.426438 |
| 47 | 4.217524 |
| 48 | 4.990768 |
| 49 | 2.927567 |
| 50 | 2.961007 |
| 51 | 2.729663 |
| 52 | 2.890603 |
| 53 | 3.382486 |
| 54 | 3.371849 |
| 55 | 3.448963 |
| 56 | 3.597767 |
| 57 | 3.010760 |
| 58 | 3.393946 |
| 59 | 2.249306 |
| 60 | 2.616319 |
| 61 | 3.354135 |
| 62 | 3.397599 |
| 63 | 2.417046 |
| 64 | 2.603680 |
| 65 | 3.975505 |
| 66 | 4.516527 |
| 67 | 3.505498 |
| 68 | 3.631708 |
| 69 | 2.860817 |
| 70 | 3.326181 |
| 71 | 3.397929 |
| 72 | 3.406219 |
| 73 | 3.166515 |
| 74 | 3.308024 |
| 75 | 3.530988 |
| 76 | 3.753206 |
| 77 | 3.053370 |
| 78 | 3.226086 |
| 79 | 3.262917 |
| 80 | 3.448656 |
| 81 | 3.082530 |
| 82 | 3.203399 |
| 83 | 3.163713 |
| 84 | 3.336744 |
| 85 | 3.025229 |
| 86 | 3.213254 |
| 87 | 3.220316 |
| 88 | 3.413265 |
| 89 | 2.947650 |
| 90 | 3.285092 |
| 91 | 3.956823 |
| 92 | 4.162706 |
| 93 | 3.068064 |
| 94 | 3.779182 |
| 95 | 3.990258 |
| 96 | 4.306780 |
| 97 | 2.571224 |
| 98 | 2.352627 |
| 99 | 2.299135 |
| 100 | 2.492417 |
| 101 | 3.166620 |
| 102 | 3.197963 |
| 103 | 3.236938 |
| 104 | 3.387898 |
| 105 | 2.718562 |
| 106 | 2.922953 |
| 107 | 1.939087 |
| 108 | 2.232447 |
| 109 | 3.224477 |
| 110 | 3.044670 |
| 111 | 2.354160 |
| 112 | 2.301253 |
| 113 | 3.387684 |
| 114 | 3.661689 |
| 115 | 3.151906 |
| 116 | 3.216441 |
| 117 | 2.497245 |
| 118 | 3.023705 |
| 119 | 2.914204 |
| 120 | 2.939736 |
| 121 | 3.148532 |
| 122 | 2.989702 |
| 123 | 3.229471 |
| 124 | 3.454581 |
| 125 | 2.897353 |
| 126 | 2.773977 |
| 127 | 3.323742 |
| 128 | 3.385421 |
| 129 | 2.861964 |
| 130 | 2.825143 |
| 131 | 2.878094 |
| 132 | 2.966545 |
| 133 | 2.937480 |
| 134 | 2.916481 |
| 135 | 3.010063 |
| 136 | 3.053851 |
| 137 | 2.873963 |
| 138 | 2.888748 |
| 139 | 3.490853 |
| 140 | 3.524970 |
| 141 | 2.897983 |
| 142 | 3.331536 |
| 143 | 3.758013 |
| 144 | 3.764487 |
| 145 | 2.329657 |
| 146 | 2.162774 |
| 147 | 1.819462 |
| 148 | 2.043575 |
| 149 | 2.930560 |
| 150 | 3.041632 |
| 151 | 3.098332 |
| 152 | 3.134714 |
| 153 | 2.867389 |
| 154 | 3.140108 |
| 155 | 1.662948 |
| 156 | 1.891348 |
| 157 | 3.025372 |
| 158 | 2.968120 |
| 159 | 2.090947 |
| 160 | 2.090058 |
| 161 | 3.182757 |
| 162 | 3.364200 |
| 163 | 2.812577 |
| 164 | 2.890844 |
| 165 | 2.768496 |
| 166 | 3.066213 |
| 167 | 2.776294 |
| 168 | 2.815252 |
| 169 | 2.967242 |
| 170 | 2.964644 |
| 171 | 3.188870 |
| 172 | 3.370019 |
| 173 | 2.572681 |
| 174 | 2.633641 |
| 175 | 2.818142 |
| 176 | 2.936659 |
| 177 | 2.549038 |
| 178 | 2.640226 |
| 179 | 2.550594 |
| 180 | 2.777618 |
| 181 | 2.410204 |
| 182 | 2.502652 |
| 183 | 2.764249 |
| 184 | 2.787137 |
| 185 | 2.886863 |
| 186 | 2.805362 |
| 187 | 3.365988 |
| 188 | 3.263872 |
| 189 | 3.060311 |
| 190 | 3.541904 |
| 191 | 3.678176 |
| 192 | 4.054212 |
| 193 | 2.494067 |
| 194 | 2.273337 |
| 195 | 1.911345 |
| 196 | 1.955298 |
| 197 | 2.849012 |
| 198 | 2.629897 |
| 199 | 3.013427 |
| 200 | 3.019291 |
| 201 | 2.733156 |
| 202 | 2.885694 |
| 203 | 1.709693 |
| 204 | 1.786938 |
| 205 | 2.716831 |
| 206 | 2.516729 |
| 207 | 1.971563 |
| 208 | 2.071360 |
| 209 | 3.024881 |
| 210 | 3.181273 |
| 211 | 2.802391 |
| 212 | 3.327875 |
| 213 | 2.626003 |
| 214 | 2.557703 |
| 215 | 2.641831 |
| 216 | 2.706136 |
| 217 | 2.707659 |
| 218 | 2.774424 |
| 219 | 3.208397 |
| 220 | 3.421860 |
| 221 | 2.539159 |
| 222 | 2.581449 |
| 223 | 2.872293 |
| 224 | 2.942548 |
| 225 | 2.579673 |
| 226 | 2.444404 |
| 227 | 2.498035 |
| 228 | 2.602284 |
| 229 | 2.397905 |
| 230 | 2.511785 |
| 231 | 2.608287 |
| 232 | 2.612330 |
| 233 | 2.723472 |
| 234 | 3.030220 |
| 235 | 3.250851 |
| 236 | 3.013061 |
| 237 | 3.104395 |
| 238 | 3.036615 |
| 239 | 3.398771 |
| 240 | 3.409709 |
| 241 | 2.276572 |
| 242 | 2.192251 |
| 243 | 1.586934 |
| 244 | 1.756319 |
| 245 | 2.706982 |
| 246 | 2.416493 |
| 247 | 2.919645 |
| 248 | 2.940397 |
| 249 | 3.220358 |
| 250 | 3.204578 |
| 251 | 1.879485 |
| 252 | 1.952782 |
| 253 | 2.749010 |
| 254 | 2.534597 |
| 255 | 1.857470 |
| 256 | 1.851340 |
| 257 | 2.703317 |
| 258 | 2.763280 |
| 259 | 2.662673 |
| 260 | 2.635258 |
| 261 | 2.383909 |
| 262 | 2.594388 |
| 263 | 2.547949 |
| 264 | 2.571838 |
| 265 | 2.726807 |
| 266 | 2.692894 |
| 267 | 3.007269 |
| 268 | 3.195805 |
| 269 | 2.333408 |
| 270 | 2.417095 |
| 271 | 2.737525 |
| 272 | 2.746627 |
| 273 | 2.454670 |
| 274 | 2.414736 |
| 275 | 2.221019 |
| 276 | 2.414128 |
| 277 | 2.095799 |
| 278 | 2.119293 |
| 279 | 2.584054 |
| 280 | 2.668774 |
| 281 | 2.764974 |
| 282 | 2.565015 |
| 283 | 3.277549 |
| 284 | 2.977854 |
| 285 | 2.687539 |
| 286 | 2.807892 |
| 287 | 3.478654 |
| 288 | 3.342626 |
| 289 | 3.050845 |
| 290 | 2.339678 |
| 291 | 2.863994 |
| 292 | 2.395498 |
| 293 | 3.526011 |
| 294 | 3.031870 |
| 295 | 3.930231 |
| 296 | 3.047885 |
| 297 | 3.672774 |
| 298 | 3.169299 |
| 299 | 2.746517 |
| 300 | 2.027790 |
| 301 | 3.470230 |
| 302 | 2.729754 |
| 303 | 2.930950 |
| 304 | 2.206548 |
| 305 | 4.305516 |
| 306 | 3.067214 |
| 307 | 3.419280 |
| 308 | 2.570853 |
| 309 | 5.960004 |
| 310 | 3.368717 |
| 311 | 3.019483 |
| 312 | 2.581018 |
| 313 | 3.281465 |
| 314 | 2.837141 |
| 315 | 3.735324 |
| 316 | 3.470724 |
| 317 | 2.698405 |
| 318 | 2.327625 |
| 319 | 3.145678 |
| 320 | 2.796146 |
| 321 | 3.055803 |
| 322 | 2.272083 |
| 323 | 3.327120 |
| 324 | 2.295633 |
| 325 | 2.657023 |
| 326 | 2.370296 |
| 327 | 2.803091 |
| 328 | 2.645419 |
| 329 | 5.010214 |
| 330 | 3.039486 |
| 331 | 4.571058 |
| 332 | 3.246767 |
| 333 | 4.382157 |
| 334 | 2.959337 |
| 335 | 5.014817 |
| 336 | 3.802181 |
| 337 | 2.588584 |
| 338 | 2.063804 |
| 339 | 2.477995 |
| 340 | 2.085692 |
| 341 | 3.442722 |
| 342 | 2.806236 |
| 343 | 3.442926 |
| 344 | 2.784860 |
| 345 | 3.286024 |
| 346 | 2.694867 |
| 347 | 2.169443 |
| 348 | 1.623036 |
| 349 | 3.331946 |
| 350 | 2.791618 |
| 351 | 2.482245 |
| 352 | 1.764634 |
| 353 | 3.841674 |
| 354 | 2.557940 |
| 355 | 3.072037 |
| 356 | 2.461479 |
| 357 | 5.150490 |
| 358 | 2.551202 |
| 359 | 2.888899 |
| 360 | 2.834873 |
| 361 | 2.933511 |
| 362 | 2.607998 |
| 363 | 3.508435 |
| 364 | 3.282778 |
| 365 | 2.377772 |
| 366 | 2.139316 |
| 367 | 2.857095 |
| 368 | 2.785535 |
| 369 | 2.745707 |
| 370 | 2.584096 |
| 371 | 3.069857 |
| 372 | 2.719370 |
| 373 | 2.448759 |
| 374 | 2.181441 |
| 375 | 2.878942 |
| 376 | 2.390495 |
| 377 | 4.419672 |
| 378 | 2.873387 |
| 379 | 3.481142 |
| 380 | 2.851174 |
| 381 | 3.814743 |
| 382 | 2.727160 |
| 383 | 4.439975 |
| 384 | 3.665543 |
| 385 | 2.350813 |
| 386 | 1.816090 |
| 387 | 2.171597 |
| 388 | 1.739969 |
| 389 | 3.225160 |
| 390 | 2.758000 |
| 391 | 3.202820 |
| 392 | 2.803474 |
| 393 | 2.676116 |
| 394 | 2.122630 |
| 395 | 1.923199 |
| 396 | 1.557994 |
| 397 | 3.076646 |
| 398 | 2.589782 |
| 399 | 2.281512 |
| 400 | 1.629910 |
| 401 | 3.321299 |
| 402 | 2.528488 |
| 403 | 2.793310 |
| 404 | 2.267528 |
| 405 | 4.789910 |
| 406 | 2.411236 |
| 407 | 2.463699 |
| 408 | 2.531343 |
| 409 | 2.816395 |
| 410 | 2.596542 |
| 411 | 3.531914 |
| 412 | 3.497536 |
| 413 | 2.413733 |
| 414 | 2.163067 |
| 415 | 2.471467 |
| 416 | 2.516022 |
| 417 | 2.333294 |
| 418 | 2.056011 |
| 419 | 2.635378 |
| 420 | 2.317845 |
| 421 | 2.270132 |
| 422 | 2.072750 |
| 423 | 2.516425 |
| 424 | 2.141515 |
| 425 | 4.066860 |
| 426 | 2.614950 |
| 427 | 2.865912 |
| 428 | 2.440109 |
| 429 | 3.175592 |
| 430 | 2.574833 |
| 431 | 4.124412 |
| 432 | 3.639636 |
| 433 | 2.163700 |
| 434 | 1.762782 |
| 435 | 1.928797 |
| 436 | 1.609120 |
| 437 | 2.888556 |
| 438 | 2.732071 |
| 439 | 2.759626 |
| 440 | 2.674809 |
| 441 | 2.569493 |
| 442 | 2.216035 |
| 443 | 1.740144 |
| 444 | 1.516394 |
| 445 | 2.882622 |
| 446 | 2.429297 |
| 447 | 1.965801 |
| 448 | 1.453635 |
| 449 | 2.945173 |
| 450 | 2.502689 |
| 451 | 2.331746 |
| 452 | 2.108049 |
| 453 | 4.105390 |
| 454 | 2.088220 |
| 455 | 2.420179 |
| 456 | 2.283913 |
| 457 | 2.733323 |
| 458 | 2.462095 |
| 459 | 3.004516 |
| 460 | 3.024041 |
| 461 | 2.302817 |
| 462 | 2.132179 |
| 463 | 2.250417 |
| 464 | 2.372211 |
| 465 | 2.083793 |
| 466 | 1.984936 |
| 467 | 2.222004 |
| 468 | 1.939034 |
| 469 | 2.106622 |
| 470 | 1.932374 |
| 471 | 2.281883 |
| 472 | 2.110465 |
| 473 | 3.983725 |
| 474 | 2.614002 |
| 475 | 2.631413 |
| 476 | 2.563406 |
| 477 | 2.859864 |
| 478 | 2.382260 |
| 479 | 3.680723 |
| 480 | 3.237656 |
| 481 | 1.919502 |
| 482 | 1.951583 |
| 483 | 1.664619 |
| 484 | 1.386621 |
| 485 | 2.850550 |
| 486 | 2.495728 |
| 487 | 2.698739 |
| 488 | 2.658918 |
| 489 | 2.254676 |
| 490 | 2.378929 |
| 491 | 1.556402 |
| 492 | 1.347237 |
| 493 | 2.700981 |
| 494 | 2.406525 |
| 495 | 1.883393 |
| 496 | 1.642623 |
| 497 | 2.731662 |
| 498 | 2.476068 |
| 499 | 2.415268 |
| 500 | 2.140860 |
| 501 | 3.923233 |
| 502 | 1.964753 |
| 503 | 2.203506 |
| 504 | 2.247841 |
| 505 | 2.589191 |
| 506 | 2.307324 |
| 507 | 2.965552 |
| 508 | 3.070289 |
| 509 | 2.080142 |
| 510 | 2.124946 |
| 511 | 2.391951 |
| 512 | 2.517551 |
| 513 | 2.183633 |
| 514 | 2.204993 |
| 515 | 2.183859 |
| 516 | 2.062694 |
| 517 | 2.112877 |
| 518 | 2.037888 |
| 519 | 2.112180 |
| 520 | 2.058730 |
| 521 | 4.114654 |
| 522 | 2.618819 |
| 523 | 2.464514 |
| 524 | 2.279987 |
| 525 | 2.810252 |
| 526 | 2.249400 |
| 527 | 3.691924 |
| 528 | 3.188816 |
| 529 | 2.109153 |
| 530 | 1.896515 |
| 531 | 1.732263 |
| 532 | 1.374531 |
| 533 | 2.479110 |
| 534 | 2.292473 |
| 535 | 2.700084 |
| 536 | 2.449384 |
| 537 | 2.014074 |
| 538 | 2.786738 |
| 539 | 1.446701 |
| 540 | 1.573324 |
| 541 | 2.513076 |
| 542 | 2.396684 |
| 543 | 1.809580 |
| 544 | 1.495354 |
| 545 | 2.421535 |
| 546 | 2.318373 |
| 547 | 2.073343 |
| 548 | 2.010063 |
| 549 | 3.719079 |
| 550 | 1.990580 |
| 551 | 2.157750 |
| 552 | 2.102266 |
| 553 | 2.603163 |
| 554 | 2.478805 |
| 555 | 3.059821 |
| 556 | 3.011557 |
| 557 | 2.059540 |
| 558 | 2.241982 |
| 559 | 2.348703 |
| 560 | 2.312046 |
| 561 | 1.912861 |
| 562 | 2.026518 |
| 563 | 2.035578 |
| 564 | 1.860723 |
| 565 | 2.030996 |
| 566 | 1.733667 |
| 567 | 2.089587 |
| 568 | 1.910607 |
| 569 | 3.620070 |
| 570 | 2.316760 |
| 571 | 2.184385 |
| 572 | 2.070766 |
| 573 | 2.534161 |
| 574 | 2.073180 |
| 575 | 3.473763 |
| 576 | 3.501444 |
Frühere Python-Lernrunde · echte GPU-Messungen
144 / 144Lernschritte gesichertDiese Python-Lernrunde ist abgeschlossen.
Jeder Punkt zeigt das Fehlermaß bei einem Lernschritt. Das Modell übt mit 144 Beispielen aus 24 zusätzlichen Python-Aufgaben. Die 30 Vergleichsaufgaben bleiben getrennt.
Unterschiedliche Lernbeispiele können unterschiedlich schwer sein. Die Kurve allein beweist keine besseren Antworten. Vor dieser Runde löste das Modell 0/30, feste Regeln 22/30 Aufgaben.
Modellstand 3760. Gesichert und geprüft am . Neue veröffentlichte Messungen werden alle 30 Sekunden geladen.
Alle gemessenen Werte
| Schritt | Fehlermaß |
|---|---|
| 1 | 10.439870 |
| 2 | 14.391328 |
| 3 | 12.695892 |
| 4 | 14.115244 |
| 5 | 9.756328 |
| 6 | 11.201029 |
| 7 | 10.179811 |
| 8 | 8.830096 |
| 9 | 9.237270 |
| 10 | 8.106928 |
| 11 | 11.006047 |
| 12 | 10.030739 |
| 13 | 8.176482 |
| 14 | 9.397200 |
| 15 | 7.718764 |
| 16 | 8.637766 |
| 17 | 7.694520 |
| 18 | 6.841283 |
| 19 | 8.330413 |
| 20 | 7.743073 |
| 21 | 7.479661 |
| 22 | 9.494414 |
| 23 | 6.801882 |
| 24 | 7.246775 |
| 25 | 5.581694 |
| 26 | 6.870250 |
| 27 | 6.119981 |
| 28 | 6.436032 |
| 29 | 4.827797 |
| 30 | 5.903195 |
| 31 | 6.387793 |
| 32 | 5.634201 |
| 33 | 7.069908 |
| 34 | 6.314363 |
| 35 | 6.129990 |
| 36 | 5.791221 |
| 37 | 5.899367 |
| 38 | 6.426099 |
| 39 | 5.818281 |
| 40 | 5.458083 |
| 41 | 5.453775 |
| 42 | 6.724051 |
| 43 | 6.761084 |
| 44 | 5.883946 |
| 45 | 5.829593 |
| 46 | 7.174502 |
| 47 | 5.742295 |
| 48 | 6.580635 |
| 49 | 4.465256 |
| 50 | 5.096320 |
| 51 | 5.076671 |
| 52 | 5.132393 |
| 53 | 3.634628 |
| 54 | 4.456635 |
| 55 | 5.190095 |
| 56 | 4.620791 |
| 57 | 6.157138 |
| 58 | 5.418934 |
| 59 | 5.296321 |
| 60 | 5.071992 |
| 61 | 5.329915 |
| 62 | 5.292142 |
| 63 | 5.083469 |
| 64 | 4.943748 |
| 65 | 5.058239 |
| 66 | 5.131716 |
| 67 | 5.273934 |
| 68 | 5.184647 |
| 69 | 4.948971 |
| 70 | 5.869014 |
| 71 | 4.875485 |
| 72 | 5.410903 |
| 73 | 4.497651 |
| 74 | 4.152771 |
| 75 | 4.377496 |
| 76 | 4.741566 |
| 77 | 3.776386 |
| 78 | 3.484825 |
| 79 | 4.486105 |
| 80 | 3.497012 |
| 81 | 5.292513 |
| 82 | 4.600303 |
| 83 | 5.024339 |
| 84 | 3.944747 |
| 85 | 4.953573 |
| 86 | 4.690196 |
| 87 | 4.438756 |
| 88 | 4.183509 |
| 89 | 4.162306 |
| 90 | 4.652860 |
| 91 | 4.577629 |
| 92 | 4.613758 |
| 93 | 4.115375 |
| 94 | 5.465233 |
| 95 | 4.206474 |
| 96 | 5.007394 |
| 97 | 3.359803 |
| 98 | 3.542509 |
| 99 | 4.014827 |
| 100 | 4.214784 |
| 101 | 3.066137 |
| 102 | 3.114254 |
| 103 | 3.966082 |
| 104 | 3.406857 |
| 105 | 4.610041 |
| 106 | 4.421391 |
| 107 | 3.907007 |
| 108 | 3.703063 |
| 109 | 3.931343 |
| 110 | 4.324434 |
| 111 | 3.952405 |
| 112 | 3.776414 |
| 113 | 3.588629 |
| 114 | 4.108319 |
| 115 | 4.017349 |
| 116 | 4.223754 |
| 117 | 4.014792 |
| 118 | 4.716982 |
| 119 | 3.537474 |
| 120 | 4.372955 |
| 121 | 3.320661 |
| 122 | 3.200861 |
| 123 | 3.751105 |
| 124 | 3.867248 |
| 125 | 3.051862 |
| 126 | 3.285352 |
| 127 | 3.897521 |
| 128 | 2.989601 |
| 129 | 4.267720 |
| 130 | 3.922745 |
| 131 | 3.615845 |
| 132 | 3.451586 |
| 133 | 3.746668 |
| 134 | 3.621725 |
| 135 | 3.604109 |
| 136 | 3.283654 |
| 137 | 3.089570 |
| 138 | 3.511083 |
| 139 | 3.676230 |
| 140 | 3.654371 |
| 141 | 3.154122 |
| 142 | 4.384144 |
| 143 | 3.505292 |
| 144 | 4.588664 |
Verlustgraph · nach 224 Lernschritten
84,8 %geringeres FehlermaßBeim Üben ist das Fehlermaß gesunken.
Wir haben vor und nach dem Training dieselben 8 Datenpakete geprüft. Das Fehlermaß zeigt, wie gut das Modell die erwarteten Zeichen vorhersagt. Kleiner ist besser. Es ist keine Quote falscher Antworten.
Vor dem Training6,245
Nach dem Training0,952
Geprüfte Zeichenpositionen256
Zwei unabhängig geprüfte Messpunkte. Die Modellwerte blieben während jeder Messung fest.
Messung bestätigt: . Neue veröffentlichte Messwerte werden zusammen mit der Übersicht alle 30 Sekunden geladen.
Messwerte und Belege
| Bereich | Vorher | Nachher | Positionen |
|---|---|---|---|
| Gesamt | 6,245186 | 0,951635 | 256 |
| Werte abschreiben | 9,165446 | 1,173810 | 64 |
| Passenden Wert auswählen | 15,815265 | 2,632720 | 64 |
„Gesamt“ umfasst den Antwortinhalt und das Beenden der Antwort. Die beiden Teilbereiche zeigen jeweils nur den Antwortinhalt. Den Stand der dreidimensionalen Messung zeigt die Verlustlandschaft darunter.
Geprüfter Vergleich: 2d6aafded132b1198af559e1a874578bfba52e0d8c3d2410e6ad6cdbd312b923
Frühere Messung · Modellstand 3.264
3 × 3gemessene ModellvariantenEine Landschaft aus 9 Messpunkten.
Jeder Punkt steht für eine leicht veränderte Variante desselben Modells. Zwei feste Änderungsmuster bilden die Gitterachsen. Die Höhe zeigt das Fehlermaß bei denselben 16 Übungsaufgaben: Je tiefer ein Punkt, desto kleiner der Fehler. Jeder Punkt wurde auf der Intel-Grafikeinheit gemessen.
Mitte · ursprünglicher Modellstandα 0 · β 00.2299Fehlermaß insgesamt
Alle 9 Punkte wurden tatsächlich gemessen. Die Flächen verbinden diese Punkte; dazwischen liegen keine zusätzlichen Messungen. Das Gitter zeigt einen kleinen Ausschnitt des Modells. Es zeigt noch nicht, ob das Modell neue Aufgaben besser lösen kann.
Alle Messwerte und Kontrolle der Mitte
Die Mitte wurde zur Kontrolle am Anfang und am Ende gemessen. Letzter Wert: 0.229863. Größter Unterschied zwischen den Kontrollmessungen: 0.00000000. Modellstand: Schritt 3264; das gespeicherte Modell und sein Lernspeicher blieben unverändert.
| α | β | Gemessener Verlust |
|---|---|---|
| 0 | 0 | 0.22986279 |
| -0.1 | -0.1 | 0.24061875 |
| 0 | -0.1 | 0.23557986 |
| 0.1 | -0.1 | 0.23874652 |
| -0.1 | 0 | 0.23644805 |
| 0.1 | 0 | 0.22893651 |
| -0.1 | 0.1 | 0.22583416 |
| 0 | 0.1 | 0.21224979 |
| 0.1 | 0.1 | 0.31659913 |
Zwei feste Zufallsrichtungen werden pro Matrixzeile auf die Norm der ursprünglichen Gewichte skaliert. Eindimensionale Parameter bleiben fest. Die Höhenachse ist linear; die Flächen zwischen den Punkten sind lineare Interpolation. Der Gesamtverlust umfasst 16 Antworttoken und 16 Endmarkierungen je Auswertung.
Unabhängig geprüft am 12.9.2026, 02:14:36 (Zürich). Beleg: 7d4017f8d5fb99377663a716e0c83931b08e41a3d78f6cd7545578a0559fe5f3
WNS77 · abgeschlossener Lernlauf
128Gradienten- und GewichtsschritteGradienten gerechnet. Lernen gemessen.
Jeder Schritt berechnet auf der Intel-iGPU Gradienten und aktualisiert die Gewichte. Die Kurve zeigt den gemessenen Trainingsverlust dieses abgeschlossenen Laufs.
Erste 32 Schritte0.613
Letzte 32 Schritte0.282
Trainingsverlust gesunken54.1 %
Jeder Punkt mittelt acht aufeinanderfolgende Schritte mit denselben acht Paketen. Keine zusätzliche Glättung; keine Einzelpunkt-Rohkurve.
Messwerte und Einordnung
Der Verlust mittelt je Schritt 16 Antworttoken und 16 Endmarkierungen. Weniger Trainingsverlust beweist noch keine besseren Antworten auf unbekannte Aufgaben. Eine Validierungskurve liegt für diese Messreihe nicht vor.
| Schritte | Trainingsverlust |
|---|---|
| 1–8 | 0.986558 |
| 9–16 | 0.563581 |
| 17–24 | 0.474641 |
| 25–32 | 0.427401 |
| 33–40 | 0.405289 |
| 41–48 | 0.384409 |
| 49–56 | 0.361214 |
| 57–64 | 0.313387 |
| 65–72 | 0.300103 |
| 73–80 | 0.403478 |
| 81–88 | 0.379250 |
| 89–96 | 0.328671 |
| 97–104 | 0.319197 |
| 105–112 | 0.273575 |
| 113–120 | 0.251606 |
| 121–128 | 0.282206 |
WNS81 · Auswertung aller 128 geprüften WNS77-Schritte. Beleg: 1f6de6a021798cc6e32e0b2717cfaf4a8207f4c6d4efdf811a9a399c64e0e9e5
Live-Takt · 5-Sekunden-Signal
Öffentlicher Feed wird verbundenJetztLernabschnitt 4/5 · 28 Updates
wartetDanachLernabschnitt 5/5 · 28 Updates
- 02Lernabschnitt 2/5 · 24 Updates
- 03Lernabschnitt 3/5 · 24 Updates
- 04Lernabschnitt 4/5 · 28 Updates
- 05Lernabschnitt 5/5 · 28 Updates
- 06Antwortvergleich · 64 bekannte Werte
WNM-1 · öffentliches Trainingsfenster
Das Modell entsteht.
Schritt für Schritt.
Verfolge den veröffentlichten Lernstand, seine geprüften Zwischenstände und die anschließenden Antwortvergleiche. Die Anzeige zeigt den zuletzt gemeldeten Einsatz der acht registrierten Mac Minis.
Gemeldet: pausiertVersiegelter Startstand
58,6%
8,52-M-Basismodell · ausgewogenes Kopieren und Auswählen · WNM3
GPU-Worker80 rechnen/synchronisieren
Lernabschnitt4/575 Lernupdates gemeldet
Training Loss—ungeglätteter Rohwert
Fehlerreduktion—Aktueller Lauf: keine veröffentlichte Lossreihe; 96 getrennte Vergleichsfälle
Durchsatz—gültige Tokens/s gesamt
Öffentliche Fortschrittschronik
Lernen → Speichern → Prüfen → VeröffentlichenWas wir erreicht haben
Zuletzt beobachteter Stand
Python-Zusatzmodul · Lerndiagnose: Antwortende besser, erster Inhaltstoken unverändertDie breite MBPP-Lernrunde bleibt bei 0/18 unbekannten Aufgaben und 0/54 Prüfungen. Zwei rein lesende Diagnosen erklären den gesunkenen Verlust und die kürzeren Antworten: Alle 14 syntaktisch verwendbaren Ausgaben sind einzelne, ungebundene Namen. Über 567 Ziel-Token stieg die Rang-eins-Trefferzahl im zweiten Durchgang zwar von 87 auf 107; das Antwortende verbesserte sich von 25/57 auf 40/57. Der erste inhaltliche Zieltoken blieb jedoch bei 1/57, vollständige Zielantworten bei 0/57. Das bisherige Training lernt vor allem kurze Form und Beenden, nicht die aufgabengebundene Berechnung. Vollständiger Basisvergleich: 0/30 Modellantworten gegenüber 22/30 festen Regeln. 500 offizielle MBPP-Testaufgaben blieben unberührt.
Als Nächstes
Den Python-Vergleich auf 30 Entwicklungsaufgaben unverändert lassen und die 57-mal-zwei-Lernrunde nicht wiederholen. Zuerst getrennt prüfen, ob das Modell sichtbare Parameternamen übernehmen und bereits geübte gebundene Rückgabewerte wiedergeben kann.
Die letzten FortschritteWas sich verändert hat und was es bedeutet
- Lernzeugen: Antwortende besser, erster Inhaltstoken unverändert
Im zweiten Durchgang stiegen richtige Ziel-Token von 87/567 auf 107/567 und richtige Endmarkierungen von 25/57 auf 40/57. Der erste Zieltoken blieb bei 1/57, vollständige Zielantworten bei 0/57. Die Verlustsenkung misst damit vor allem Form und Beenden.
17. September, 14:49 Uhr Zürich · gespeicherte GPU-Vorhersagen rein lesend ausgewertet · keine neue Modellrechnung - Strukturdiagnose: 14 gültige Antworten nutzen keine Eingabevariable
Alle 14 syntaktisch verwendbaren Nachherantworten sind einzelne Namen. 0/14 verwenden einen Funktionsparameter, 0/14 eine im Funktionskörper gebundene Variable. Bei neun Aufgaben mit einem Namen als richtiger Rückgabe wurden 0/9 getroffen. Der Geschwindigkeitsgewinn ist damit als Ausgabekollaps eingeordnet.
17. September, 14:40 Uhr Zürich · rein lesende AST-Auswertung · keine privaten Texte veröffentlicht - 57 Lernaufgaben: Form und Tempo besser, 0 von 18 unbekannten gelöst
114 Intel-iGPU-Lernschritte sind abgeschlossen und unabhängig geprüft. Syntaktisch verwendbare Antworten stiegen von 1/18 auf 14/18; die gesamte Antwortzeit sank von 1.737,8 auf 266,0 Sekunden und alle Nachherantworten blieben unter 30 Sekunden. Inhaltlich bestanden 0/18 Aufgaben und 0/54 Tests.
17. September, 14:22 Uhr Zürich · Node6 · kein GPU-Neustart · kein Spezialist abgenommen - Doppelte Lernvielfalt, weiterhin keine Übertragung
Acht Lern- und acht getrennte MBPP-Aufgaben, 64 GPU-Schritte. Geübte Aufgaben 0/8 → 1/8; unbekannte Aufgaben 0/8 → 0/8. Danach 5/16 Ausdrücke ausführbar, insgesamt 3/48 Tests bestanden und auf der Validierung 0/24. Verlust 4,469 → 3,117. 13/16 Nachherantworten unter 30 Sekunden; langsamste 67,02 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 12:26 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Erster Merkeffekt beim kurzen Rückgabeausdruck
Feste Funktionszeile und feste Rückgabe, erneut vier Lern- und vier getrennte MBPP-Aufgaben sowie 32 GPU-Schritte. Geübte Aufgaben 0/4 → 1/4; getrennte Aufgaben 0/4 → 0/4. Danach 3/8 Ausdrücke ausführbar, insgesamt 3/24 Tests bestanden, auf der Validierung 0/12. Verlust 4,469 → 0,337. Alle acht Nachherantworten in höchstens 28,35 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 11:07 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Auch mit fester Funktionszeile kein richtiger Python-Körper
Dieselben vier Lern- und vier getrennten MBPP-Aufgaben, erneut 32 GPU-Schritte. Vorher und nachher 0/8 richtig. Danach 1/8 Körper ausführbar, aber 0/24 Tests bestanden; sieben Syntaxfehler. Verlust 4,602 → 3,006. Alle acht Nachherantworten jetzt in höchstens 19,52 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 10:18 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - Vollständige Python-Funktionen: 32 Lernschritte, kein Antwortgewinn
Vier MBPP-Trainingsaufgaben je achtmal gelernt; vier weitere blieben getrennt. Vorher und nachher jeweils 0/4 auf beiden Teilen, danach 0/8 syntaktisch zulässig. Lernverlust 6,177 → 4,692, aber kein bestandener Funktionstest. Keine Antwort innerhalb von 30 Sekunden; langsamste 282,25 Sekunden. 500 offizielle Testaufgaben unberührt.
17. September, 09:28 Uhr Zürich · vollständiger Ablauf unabhängig geprüft - MBPP: 77 Lernbeispiele und 21 Validierungsaufgaben geprüft
99 Kandidaten mit Referenzlösungen und absichtlich falschen Varianten geprüft; 205 isolierte Prozesse abgeschlossen und anhand gespeicherter Belege nachgeprüft. Vollständige Funktionsschnittstellen, keine abgeschnittenen Beispiele, 500 Testaufgaben zurückgehalten. Das Paket benötigt einen Ablauf für vollständige Funktionen. Noch kein Training und keine neue Modellleistung.
17. September, 07:30 Uhr Zürich
Unser eigenes Modell im Observatorium
WNM-1 · Modell in Entwicklung
Jeder Schritt hinterlässt eine Spur.
Verbindung nicht bestätigtWNS0077-BALANCED-RAM-R1
Roh-Loss · keine GlättungSkala 0–1
Schritt 0Schritt 1
Für diesen Lauf sind keine Lossmessungen veröffentlicht. Lernupdates und geprüfte Zwischenstände stehen im aktuellen Entwicklungsstand.
0 tatsächlich empfangene Rohpunkte. Neue Werte lösen eine kurze Animation aus; wiederholte Abrufe nicht. Unterschiedliche Dokumente: Diese Kurve ist keine feste Fehlerbaseline.
Verteilte iGPU-Arbeit
Eintritt nur an versiegelten SegmentgrenzenAcht Nodes im Windkanal
node1Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node2Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node3Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node4Registriert
Haswell GT3 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node5Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node6Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node7Registriert
HD 4000 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
node8Registriert
Haswell GT3 · OpenCL geprüft
- GPU
- —
- Tokens/s
- —
Öffentliche Projektion0 Bytes Gewichte · 0 Bytes Trainingsdaten · keine Steuerung
WNS-0077: Das 8,52-Millionen-Basismodell lernt in fünf Abschnitten mit 24/24/24/28/28 Updates. 75/128 neue Lernupdates gemeldet; 72 unabhängig geprüft. 3/5 vollständige Zwischenstände im RAM geprüft. Antwortqualität wird separat verglichen. Die Ausgangsmessung ergab 27/96 exakte Antworten. RAM-Zwischenstände sind noch keine dauerhafte Speicherung. Kein abgenommener Spezialist.
Snapshot WNM-1-PUBLIC-WNS77-R1-0003-BUNDLED · Stand 11.09.2026, 21:02:06 · Aktualisierung alle 5s