Breites Python-Training verbessert Form und Tempo, aber keine Lösung
Die bislang breiteste kontrollierte MBPP-Lernrunde ist abgeschlossen. 57 kompatible Entwicklungsaufgaben wurden je zweimal gelernt. 18 weitere Aufgaben blieben vollständig vom Training getrennt. Die Funktionszeile und das Wort return waren fest vorgegeben; das Modell erzeugte nur den abschließenden Ausdruck.
Das Ergebnis
- Vor dem Lernen waren 1 von 18 Antworten syntaktisch verwendbar. Keine Aufgabe und keine der 54 Prüfungen wurde bestanden.
- Nach dem Lernen waren 14 von 18 Antworten syntaktisch verwendbar.
- Trotzdem blieb das Ergebnis bei 0 von 18 Aufgaben und 0 von 54 bestandenen Prüfungen.
- Alle 18 Nachherantworten waren in höchstens 30 Sekunden fertig; vorher galt das nur für 1 von 18.
- Die gesamte Antwortzeit sank von 1.737,8 auf 266,0 Sekunden. Die langsamste Nachherantwort dauerte 28,04 Sekunden.
Das Training hat damit Antwortform und Geschwindigkeit deutlich verändert. Es hat auf diesen unbekannten Aufgaben keine richtige Python-Funktion hervorgebracht. Eine kurze, syntaktisch gültige Antwort ist noch keine gelöste Aufgabe.
Verlust beim Lernen
Der mittlere Verlust sank vom ersten vollständigen Durchgang über die 57 Lernaufgaben von 5,637 auf 4,612. Das sind 18,2 Prozent weniger. Der erste Einzelwert lag bei 4,917, der letzte bei 2,777. Weil verschiedene Aufgaben unterschiedlich schwer sind, ist der Durchgangsmittelwert aussagekräftiger als nur der erste und letzte Punkt.
Der gesunkene Trainingsverlust belegt, dass das Zusatzmodul die Lernbeispiele besser vorhersagt. Die getrennte Funktionsprüfung zeigt zugleich, dass diese Verbesserung nicht auf die 18 unbekannten Aufgaben überging.
Was technisch geprüft wurde
- 114 Lernschritte auf der Intel-Grafikeinheit von Node6
- 57 verschiedene Lernaufgaben mit zwei vollständigen Durchgängen
- 18 vollständig getrennte Validierungsaufgaben
- unverändertes Grundmodell mit 8,52 Millionen Parametern
- fortgesetzter vollständiger Lernzustand mit beiden Adam-Momenten
- vier gesicherte Trainingsabschnitte ohne GPU-Neustart
- normale Kühlung und beendete eigene Prozesse nach jedem Abschnitt
- 500 offizielle MBPP-Testaufgaben reserviert und nicht ausgeführt
Einordnung
Die frühere Vermutung bestätigt sich nur teilweise: Mehr Lernvielfalt beseitigt viele Syntaxabbrüche und verkürzt Antworten. Sie erzeugt noch keine übertragbare Python-Fähigkeit. Das Modell kann also lernen, wie eine kurze Antwort aussehen und enden soll, ohne die verlangte Berechnung richtig zu wählen.
Damit ist eine Kapazitätsgrenze weiterhin plausibel, aber nicht bewiesen. Textzerlegung, Trainingsziel, nur zwei Begegnungen je Aufgabe und die kleine Architektur können gemeinsam begrenzen. Ein fairer Größenvergleich muss diese Bedingungen festhalten und nur die Modellkapazität ändern.
BitNet kann später Speicher, Laufzeit und Energie verbessern. Es ersetzt den fehlenden Nachweis richtiger Antworten nicht.
Der vollständige 30-Aufgaben-Entwicklungsvergleich bleibt unverändert: 0/30 Modellantworten gegenüber 22/30 festen Reparaturregeln. Kein Spezialist ist abgenommen.
Belegstand: 17. September 2026, 14:22 Uhr Zürich.