Lernpfad
Grundlagen der KI
10 Std.
Bild: Autor
Seit dem Aufkommen großer Sprachmodelle (LLMs) hat sich die Welt der Data Science grundlegend verändert. Tools wie OpenAI’s GPT-3 treiben Innovationen voran und erschließen neue Kompetenzen, die zuvor unerreichbar schienen.
Zwar dominierten OpenAI’s GPT-Modelle anfangs den Markt, doch mit der Zeit hat sich das Feld gewandelt: Viele neue Modelle wurden veröffentlicht – jedes mit eigenen Stärken und Spezialisierungen.
Unter ihnen stechen die Modelle von Mistral hervor: stark im logischen Schlussfolgern, mit breiter Mehrsprachigkeit und sehr gut in der Codeerstellung – ein großer Sprung nach vorn in der KI.
Dieses Tutorial führt dich in Mistrals neuestes Modell, Mistral Large, ein – inklusive API-Zugang für die bedarfsgerechte Nutzung. Es bietet einen tiefen Einblick in Funktionen, Vergleiche mit anderen LLMs und praktische Anwendungsfälle.
Egal, ob du erfahrene:r Data Scientist, Developer mit Lust auf neue Werkzeuge oder KI-Enthusiast:in bist – dieses Tutorial ist für dich gemacht.
Was ist Mistral AI?
Mistral AI ist ein französisches Unternehmen, das im April 2023 von ehemaligen Mitarbeitenden von Meta Platforms und Google DeepMind gegründet wurde. Ziel ist es, KI-Produkte und -Services zu verkaufen und zugleich robuste Open-Source-LLMs für die Gesellschaft bereitzustellen.
Das Unternehmen revolutionierte den Markt mit dem im September 2023 veröffentlichten Modell Mistral 7B. Das Modell mit 7,3 Milliarden Parametern übertraf damals die fortschrittlichsten Open-Source-Modelle, darunter LlaMa 2, und verschaffte Mistral AI eine führende Rolle im Open-Source-KI-Bereich.
In den vergangenen Monaten hat sich Mistral AI zu einer treibenden Kraft der KI-Industrie entwickelt und versucht, leistungsstarke Werkzeuge bereitzustellen, die komplexe Probleme lösen und Abläufe vereinfachen.
Genau das führt uns zum neuesten Release: dem Mistral Large Modell.
Was ist Mistral Large
Mistral Large ist das neueste und leistungsstärkste Large Language Model von Mistral, veröffentlicht im Februar 2024. Es positioniert sich als Flaggschiffmodell für Textgenerierung und konkurriert sogar mit den renommierten Fähigkeiten von GPT-4.
Es wurde auf starke Schlussfolgerungs- und Wissenskompetenzen ausgelegt, beherrscht Coding in mehreren Programmiersprachen und versteht mehrere Sprachen. In genau diesen Bereichen glänzt es besonders:
Schlussfolgern und Wissen
Mistral Large zeigt ausgeprägte Fähigkeiten im logischen Denken. Um solche Fähigkeiten zu bewerten, vergleicht man LLMs wie Mistral Large oder GPT-4 anhand verschiedener Benchmarks, die Verständnis, Schlussfolgern, Wissen und den Umgang mit unterschiedlichen Datentypen prüfen.
Zu den gängigsten zählen:
- MMLU (Measuring Massive Multitask Language Understanding): Prüft das Verständnis des Modells in einem breiten Fächerspektrum – von professionellen Domänen bis zu Alltagslogik.
- HellaSwag: Bewertet das Verständnis von Alltagskontexten und die Fähigkeit, die plausibelste Fortsetzung eines gegebenen Kontexts vorherzusagen.
- ARC Challenge: Misst die Fähigkeit des Modells, komplexe naturwissenschaftliche Fragen auf Grundschulniveau zu beantworten, die logisches Denken und Verständnis für Konzepte erfordern.
Die Leistung dieser vortrainierten Modelle auf den drei genannten und weiteren Benchmarks zeigt die folgende Abbildung:
Bild: Mistral AI. Leistung führender LLMs auf gängigen Benchmarks zu Alltagswissen, Schlussfolgern und Wissen: MMLU, HellaSwag (10-shot), WinoGrande (5-shot), ARC Challenge (5-shot), ARC Challenge (25-shot), TriviaQA (5-shot) und TruthfulQA.
Wie zu sehen ist, erzielt Mistral Large in ArcC und TruthfulQA Bestwerte und liegt in fast allen Benchmarks dicht an GPT-4.
Mehrsprachige Fähigkeiten
Anders als viele Modelle, die nur in einer Sprache stark sind, beherrscht Mistral Large Englisch, Französisch, Spanisch, Deutsch und Italienisch auf muttersprachlichem Niveau.
Diese Mehrsprachigkeit geht über reine Übersetzung hinaus: Sie umfasst ein tiefes Verständnis von Grammatik und kulturellem Kontext und ist damit ideal für globale Anwendungen, die einen nativen Ansatz erfordern.
Mathematik und Coding
Auch bei Programmier- und Mathematikaufgaben überzeugt Mistral Large mit überragenden Fähigkeiten. Zur Einordnung dienen wieder Standard-Benchmarks, mit denen sich LLMs in Mathe und Coding vergleichen lassen. Häufig genutzt werden:
- HumanEval: Misst die Fähigkeit des Modells, korrekte Code-Lösungen für verschiedene Programmierprobleme zu generieren.
- MBPP: Testet die Kompetenz des Modells beim Lösen von Python-Programmieraufgaben.
- GSM8K: Bewertet die Problemlösefähigkeiten in Mathematik auf Grundschulniveau.
Die folgende Tabelle zeigt die Leistung über mehrere bekannte Benchmarks im Vergleich der Coding- und Mathe-Fähigkeiten führender LLMs.
Bild: Mistral AI. Leistung auf populären Coding- und Mathe-Benchmarks: HumanEval pass@1, MBPP pass@1, Math maj@4, GSM8K maj@8 (8-shot) und GSM8K maj@1 (5-shot).
Wie zuvor schneidet Mistral Large in den meisten Benchmarks (MBPP, Math maj@4 und GSM8K) hervorragend ab und hält insgesamt hohe Werte.
Zusätzlich bringt Mistral Large neue Fähigkeiten und Stärken mit:
- Das 32K-Token-Kontextfenster ermöglicht präzises Auffinden von Informationen in umfangreichen Dokumenten. Kurz gesagt: Mistral Large kann bis zu 32.000 Tokens Eingabetext gleichzeitig berücksichtigen – im Vergleich zu 8K beim Mistral 7B.
- Die hohe Genauigkeit beim Befolgen von Anweisungen erlaubt es Entwicklern, Moderationsrichtlinien anzupassen – wir haben diese Fähigkeit genutzt, um systemweite Moderation für le Chat festzulegen.
- Es unterstützt Function Calling nativ. Das bedeutet: Mistral Large kann Funktionsaufrufe innerhalb seines Frameworks verstehen und ausführen – einschließlich der Ausführung spezifischer Funktionen und Datenmanipulation gemäß deren Logik.
Alle Mistral-AI-Modelle stehen unter der Apache-2.0-Lizenz und können ohne Einschränkungen genutzt werden. Mehr zu Architektur und Performance findest du in der offiziellen Dokumentation von Mistral.
Mistral Large vs. andere LLMs
Im Vergleich zu anderen LLMs wie ChatGPT und Claude punktet Mistral Large vor allem durch sein attraktives Preis-Leistungs-Verhältnis.
Im kompetitiven KI-Umfeld liefert Mistral Large auf weithin anerkannten Benchmarks beeindruckende Ergebnisse und ist das weltweit zweitplatzierte Modell, das per API verfügbar ist.
Das unterstreicht seine Stärke beim Verstehen und Generieren von Text – gemessen an Größen wie GPT-4, Claude 2 und LLaMA 2 70B in umfassenden Assessments wie MMLU (Measuring Massive Multitask Language Understanding).
Bild: Mistral AI. Vergleich von GPT-4, Mistral Large (vortrainiert), Claude 2, Gemini Pro 1.0, GPT‑3.5 und LLaMA 2 70B auf MMLU.
Während ChatGPT interaktive KI-Gespräche revolutioniert hat und Claude 2 das Verständnis und die Generierung verbessert, geht Mistral Large einen Schritt weiter: tiefes Schlussfolgern in einem kosteneffizienten Rahmen, der fortschrittliche KI für mehr Nutzer:innen zugänglich macht.
Zeit, das Biest zu zähmen!
Loslegen mit Mistral Large
Der Zugriff auf Mistral AI beginnt mit einem einfachen Setup, das dich in kürzester Zeit startklar macht.
Es gibt zwei Hauptwege, auf das Modell zuzugreifen:
- Über Mistrals ChatGPT-inspirierte Oberfläche „Le Chat“.
- Integration in den eigenen Code über den Mistral-API-Endpunkt.
Bild: Autor.
Wenn du mit einem einfacheren Modell starten willst, empfehle ich dir diese Anleitung zu Nutzung und Feintuning von Mistral 7B.
Mistral ChatBot – Le Chat
Diese Oberfläche ermöglicht dir textbasierte Unterhaltungen mit Mistral – ähnlich wie bei Anbietern wie OpenAI oder Google. Du stellst Fragen oder gibst Anweisungen, und Mistral antwortet so informativ wie möglich.
Screenshot der Mistral-Le-Chat-Oberfläche.
Um darauf zuzugreifen, besuche einfach die Mistral-Le-Chat-Website und registriere dich. Die Nutzung ist kostenlos und ohne Limits.
Mistral API
Entwickler:innen können über die API mit Mistral interagieren – ähnlich wie mit der API von OpenAI.
Die API erlaubt es, Textprompts zu senden und generierte Antworten zu erhalten. In Python erleichtern Bibliotheken wie mistralai die Anbindung an die Mistral-API.
Gehen wir die grundlegenden Schritte durch, um mit Mistral Large zu interagieren.
SCHRITT 1 – Eigenen Mistral-Account erstellen
Gehe auf die Mistral-Website und klicke auf „Build Now“.
Screenshot der MistralAI-Startseite.
Lege ein neues Konto an oder melde dich an, falls du bereits eines hast.
Screenshot der MistralAI-Registrierung.
Nach der Anmeldung musst du ein Abo abschließen, um per API auf die Modelle zuzugreifen.
Screenshot des MistralAI-Kontos.
Anschließend trägst du deine persönlichen Daten und Rechnungsinformationen ein.
Screenshot des Anmeldeprozesses bei MistralAI.
Und schon ist dein Account einsatzbereit!
SCHRITT 2 – API-KEY erstellen
Sobald dein Konto aktiv ist, generierst du einen API Key, um das Mistral-Large-Modell aus deinem Python-Code aufzurufen. Wechsle dazu in den Bereich „API Keys“.
Screenshot des MistralAI-Anmeldeprozesses.
Klicke dort auf „Create new key“, vergebe einen Namen und optional ein Ablaufdatum.
Screenshot des MistralAI-Anmeldeprozesses.
SCHRITT 3 – Lokale Umgebung einrichten
Um das Mistral-Modell aus deinem Python-Code aufzurufen, nutzt du die Bibliothek mistralai, die du mit folgendem pip-Befehl installierst:
pip install mistralaiDa du einen API Key verwendest, empfiehlt sich die Nutzung der dotenv-Bibliothek zur sicheren Ablage. Installiere sie mit:
pip install python-dotenvDanach kannst du deinen Mistral API Key bequem in einer .env-Datei hinterlegen und so laden:
import os
from dotenv import load_dotenv
# Load environment variables from the .env file
load_dotenv()
# Access the API key using os.getenv
api_key = os.getenv("MISTRAL_API_KEY")Praktische Anwendungsfälle für Mistral Large
Mistral Large kann in vielen Bereichen eingesetzt werden: Content-Erstellung, Automatisierung im Customer Support, Programmierassistenz, Datenanalyse, Übersetzung und als Bildungstool.
Diese Anwendungen zeigen, wie vielseitig Mistral-LLMs Produktivität, Kreativität und Entscheidungen in unterschiedlichen Branchen unterstützen. Um loszulegen, initialisierst du zuerst das Modell.
Importiere dazu die Bibliothek mistralai.client und die Chat-Completion-Funktion für Antworten des Modells. Um die API-Interaktion zu vereinfachen, definierst du eine chat_mistral-Funktion, die deinen Prompt entgegennimmt und die Modellantwort zurückgibt.
from mistralai.client import MistralClient
from mistralai.models.chat_completion import ChatMessage
model = "mistral-large-latest"
client = MistralClient(api_key=api_key)
def chat_mistral(prompt: str):
messages = [
ChatMessage(role="user", content=prompt)
]
# No streaming
chat_response = client.chat(
model=model,
messages=messages,
)
return chat_response.choices[0].message.contentSchauen wir uns einige Beispiele an, mit denen Mistral umgehen kann:
Textgenerierung und -verarbeitung
Mistral Large ist stark in der Generierung, dem Verständnis und der Transformation von Text. Von überzeugenden Geschichten und Artikeln über die Zusammenfassung komplexer Dokumente bis hin zur Stiltransformation – die wichtigsten Anwendungen sind:
Textgenerierung
Eine Kernanwendung von Mistral Large – wie bei jedem LLM – ist die Texterzeugung aus einem Prompt. Grundlage dafür ist das umfangreiche Training auf vielfältigen Datensätzen aus vielen Domänen.
Dadurch versteht das Modell unterschiedliche Schreibstile, Themen und Sprachstrukturen und kann Texte passend zu Tonalität oder Inhalt erstellen.
# Starting prompt for a fairytale poem
prompt = """Write a short story starting with "Once upon a time" """
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Once upon a time, in a bustling city filled with towering skyscrapers and endless traffic, there was a small, quaint bookstore named "Whispers of the Past". This wasn't an ordinary bookstore. It was a magical place where every book held a secret story, waiting to be discovered.
The owner of the store, Mr. Benjamin, was an old man with a heart full of kindness and a mind full of tales. He had a peculiar habit of recommending books to his customers, not based on their genre preference, but on their current life situations. His recommendations were always spot on, and people often found solace, guidance, or inspiration from the books he suggested.
One day, a young girl named Lily walked into the store. She was new in town and had a lost look in her eyes. Seeing this, Mr. Benjamin approached her and asked, "What can I help you find today, my dear?"
Lily…
Mehr zur Texterzeugung erfährst du im Artikel What is Text Generation?
Sentiment-Analyse
Die Sentiment-Analyse von Mistral Large basiert auf Deep Learning und ermöglicht es, Sprachkontexte zu verstehen und zuverlässig zwischen positiven, negativen und neutralen Stimmungen zu unterscheiden.
Durch Analyse des Eingabetexts kann das Modell die emotionale Tonalität erkennen – gestützt auf breit gefächerte Trainingsdaten, um in verschiedensten Inhalten präzise zu klassifizieren.
Ein naheliegender Einsatz ist, Mistral die Stimmung eines gegebenen Textes bestimmen zu lassen.
# Sample text
text = "This movie was absolutely fantastic! I highly recommend it."
prompt = f"""Analyze the sentime of the following {text}.
Generate a json like response with the corresponding sentiment (positive, neutral or negatie).
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
{
"Sentiment": "Positive",
"Text": "This movie was absolutely fantastic! I highly recommend it."
}
Textzusammenfassung
Mistral Large fasst Texte ausgezeichnet zusammen, indem es lange Dokumente in prägnante, informative Abstracts überführt. Es erkennt Hauptthemen und Schlüsseldetails und extrahiert die wichtigsten Informationen zu einer kohärenten Kurzfassung.
Das ist besonders hilfreich, um große Textmengen schnell zu erfassen – ideal für Profis, die Informationen zügig aufnehmen und nutzen müssen.
Ein einfaches Beispiel ist, das Modell um eine Zusammenfassung zu bitten:
# Sample text
text = """The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
This is a longer sentence to show summarization capabilities."""
prompt = f"""Summarize the following {text} in 4 words.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Fox jumps, rain falls.
Übersetzung und mehrsprachige Aufgaben
Mistral Large ist für mehrsprachige Aufgaben hervorragend geeignet. Mistral-large wurde speziell darauf trainiert, Texte in mehreren Sprachen zu verstehen und zu generieren – vor allem auf Französisch, Deutsch, Spanisch und Italienisch.
Für Unternehmen und Nutzer:innen, die in mehreren Sprachen kommunizieren, ist das besonders wertvoll.
Ein einfaches Beispiel ist die Verwendung von Mistral Large als Übersetzer.
# Sample text
text = """The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
This is a longer sentence to show summarization capabilities."""
language_in = "english"
language_out = "spanish"
prompt = f"""Translate the following {text} that is written in {language_in} to {language_out} and
just output the translated text.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
Translation to Spanish:
El rápido zorro marrón salta sobre el perro perezoso. La lluvia en España cae principalmente en la llanura.
This is a longer sentence to show summarization capabilities.
Translation to Spanish:
Esta es una oración más larga para mostrar las capacidades de resumen.
Codegenerierung und mathematisches Problemlösen
Über Text hinaus zeigt Mistral Large große Stärke bei der Codegenerierung und beim Lösen mathematischer Probleme. Mit klar formulierten Aufgabenstellungen erhältst du optimierte Code-Snippets und schrittweise Lösungen – nützlich in Ausbildung, Forschung und Entwicklung.
Codegenerierung
Mistral Large versteht hochrangige Beschreibungen und übersetzt sie in syntaktisch korrekten, effizienten Code in verschiedenen Sprachen.
Dank Training auf Codebasen, technischer Doku und Entwicklerforen erzeugt es Code, der die Anforderungen erfüllt – funktional und performant.
Ein einfaches Beispiel ist die Anforderung, eine Funktion für eine beschriebene Aufgabe zu erstellen.
# Prompt: Generate a Python function that takes a list of numbers and returns the sum of squares.
prompt = """def sum_of_squares(numbers):
# Your code here
pass
# Call the generated function with a sample list
numbers = [1, 2, 3]
result = sum_of_squares(numbers)
print(f"Sum of squares: {result}") # Expected output: Sum of squares: 14"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Sure, I can help you define the function `sum_of_squares`. This function should take a list of numbers as an argument, square each number, and then return the sum of those squares. Here's how you could do it:
```python
def sum_of_squares(numbers):
return sum(num ** 2 for num in numbers)
```
Das beschleunigt die Entwicklung – von schnellem Prototyping über Debugging bis zur Umsetzung komplexer Algorithmen.
Mathematisches Problemlösen
Mistral Large löst mathematische Aufgaben dank tiefem Verständnis numerischer Konzepte und der Fähigkeit, komplexe Anweisungen zu verarbeiten.
Es wendet auf breiten Mathedaten trainierte Verfahren an und deckt Aufgaben von Grundrechenarten bis zu anspruchsvoller Analysis und Algebra ab.
Beispielsweise kannst du das Modell um die Lösung eines Gleichungssystems bitten.
# Prompt: Solve a system of linear equations with two variables.
prompt = """We have a system of equations:
x + 2y = 5
3x - y = 1
Solve for x and y.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Sure, I'd be happy to help you solve this system of equations. We can use the method of substitution or elimination. I'll use substitution for this example.
First, let's solve the first equation for x:
x = 5 - 2y
Now, we can substitute x in the second equation with the expression we just found:
3(5 - 2y) - y = 1
Expanding and simplifying this gives:
15 - 6y - y = 1
-7y = 1 - 15
-7y = -14
Now, divide both sides by -7 to solve for y:
y = -14 / -7
y = 2
Substitute y = 2 into the first equation:
x + 2(2) = 5
x + 4 = 5
x = 5 - 4
x = 1
So, the solution to the system of equations is x = 1 and y = 2.
Damit ist Mistral Large ein wertvolles Werkzeug für Lehrende, Lernende und Forschende – zum Lösen mathematischer Fragen oder zum Gegenchecken eigener Lösungen.
Mistral Large: Advanced Features und Best Practices
Preise und Zugriff verstehen
Mistral AI bietet ein nutzungsbasiertes Preismodell für die API-Services – mit unterschiedlichen Tarifen für Chat Completions und Embedding-APIs. Die Preise gelten pro Million Tokens und variieren nach Modellkomplexität, unter anderem für Mistral 7B, Mixtral 8x7B sowie Mistral in Small, Medium und Large.
Es gibt mehrere Stufen (Small, Medium, Large), passend für verschiedene Anforderungen und Budgets. Die niedrigsten Preise betreffen Mistral 7B mit 0,25$ pro Token bis hin zu 8$ für Mistral Large Output und 24$ für Mistral Large Input.
So wählst du flexibel das passende Modell und optimierst Leistung und Kosten.
Preistabelle der Mistral-AI-Modelle.
Die Plattform begrenzt standardmäßig auf 5 Requests pro Sekunde, 2 Millionen Tokens pro Minute und 10.000 Millionen Tokens pro Monat – Anpassungen sind auf Anfrage möglich.
Detaillierte Informationen findest du auf der Preisseite von Mistral AI.
Performance optimieren
Die richtige Modellwahl ist ein Abwägen von Performance und Kosten. Dein Bedarf entscheidet – und die Wahl kann sich mit neuen Modellgenerationen ändern.
Generell gilt: Größere Modelle liefern bessere Ergebnisse. In Benchmarks wie MMLU (ein LLM-Benchmark für Multitask Language Understanding, den wir oben erklärt haben) führt Mistral Large, gefolgt von Mistral Medium, Small, Mixtral 8x7B und Mistral 7B.
Vergleich der Mistral-Modelle. Bild: Mistral AI.
Um mit Mistral Large das Maximum herauszuholen und zugleich Kosten zu steuern, solltest du Prompts gezielt formulieren und das jeweils passendste Modell wählen. Mehr zum Feintuning von LLMs findest du im Einführungsleitfaden zum Fine-Tuning von LLMs
Mistral AI bietet fünf API-Endpunkte mit fünf führenden Large Language Models:
- open-mistral-7b (aka mistral-tiny-2312)
- open-mixtral-8x7b (aka mistral-small-2312)
- mistral-small-latest (aka mistral-small-2402)
- mistral-medium-latest (aka mistral-medium-2312)
- mistral-large-latest (aka mistral-large-2402)
Das aktuelle Mistral-Modell gibt es in drei Varianten – mit gestaffelten Kosten und Leistungen je nach Einsatzszenario:
- Mistral Small: Optimiert für einfache, massenhafte Aufgaben wie Klassifikation, Support und grundlegende Textgenerierung. Kosteneffizient für Anwendungsfälle wie Spam-Erkennung.
- Mistral Medium: Für Aufgaben mittlerer Komplexität wie Datenextraktion, Dokumentenzusammenfassung und beschreibende Inhalte. Ein guter Mittelweg zwischen Fähigkeit und Effizienz.
- Mistral Large: Überzeugt in nahezu allen Benchmarks. Ideal für komplexe, reasoning-lastige Aufgaben oder spezialisierte Anwendungen – inklusive synthetischer Text- und Codegenerierung. Stark in fortgeschrittenem Schlussfolgern und Problemlösen.
Wie geht es mit Mistral Large weiter?
Mistral Large entwickelt sich stetig weiter – neue Features, Beiträge der Community und Verbesserungen stehen an.
Wer die vollen Möglichkeiten ausschöpfen will, sollte Neuerungen im Blick behalten und aktuelle Funktionen in Projekte integrieren.
Der Lernplan des Modells verspricht kontinuierliche Innovation – mit Fokus auf besseres Schlussfolgern, breitere Sprachunterstützung und mehr Zugänglichkeit.
Fazit
Mistral Large ist ein großer Schritt für KI und Data Science: stark im Schlussfolgern, mehrsprachig, mit Unterstützung für Coding und Mathematik.
Erstmals gibt es ein offenes, erschwingliches Modell, das nicht nur starke Fähigkeiten hat, sondern in manchen Benchmarks auch kommerzielle Modelle wie OpenAI’s GPT-4 oder Google’s Gemini übertrifft.
Wenn du die Stärken von Mistral Large nutzt, erschließt du neue Möglichkeiten, verschlankst Prozesse und baust Innovationen – mit kleinem Budget und oft besserer Performance.
Den vollständigen Code findest du im folgenden GitHub-Repo.
Wenn du im LLM-Bereich weiter durchstarten willst, empfehle ich dir weiterführende Tutorials. Wenn du ganz neu bist, starte mit DataCamps LLM Concepts Course, der zentrale Trainingsmethoden und aktuelle Forschung abdeckt.
Für Fortgeschrittene sind diese Ressourcen empfehlenswert:
Themen