§1Die Prämisse

Ein Instrument, das seine Fehlerbalken angibt

vier Klassen · 45 EinträgeVerteiltes Rechnen & Vertrauen14 EinträgeNumerik & Ausführung7 EinträgePrivatsphäre, Recht & Identität4 EinträgeNetz- & Geräte-Realität20 EinträgeUnbeaufsichtigter Hintergrund-Tabeingefroren — rechnet nichtsDie Drosselung wird angesagtgemessen, nicht geratenein Wake Lock erhöht die Chancen —der Schlafmodus gewinnt trotzdem
Abb. 1 — Anatomie des Registers: vier Klassen, fünfundvierzig Einträge — jeder paart eine unvermeidbare Grenze mit der Regel, die sie eingrenzt. Vorbehalte inklusive.

Ein Thermometer, das perfekte Genauigkeit verspricht, ist Spielzeug; das, gegen das ein Labor kalibriert, kommt mit einem Datenblatt voller Arbeitsbereiche und Fehlerbalken. Scellis ist für Arbeit gebaut, die Review überstehen muss — also legt es den Maßstab eines Instruments an sich selbst an: ein Register ehrlicher Grenzen, fünfundvierzig Einträge in vier Klassen, und jeder hält schriftlich fest, was die Plattform nicht beseitigen kann — direkt neben den Features, die er einschränkt.

Ein Eintrag qualifiziert sich nur, wenn die Grenze Physik, Protokoll oder Plattform-Realität ist — etwas, das kein Anbieter wegentwickeln könnte, egal was seine Landingpage suggeriert. Was sich beheben lässt, ist ein Defekt und wird behoben; was nicht, wird gedruckt. Jeder Eintrag ist deshalb mit der Regel gepaart, die ihn eingrenzt: keine Entschuldigung, sondern eine Engineering-Antwort, die exakt sagt, wie weit die Garantie reicht und was dort die Linie hält.

Die Vorbehalte sind der Fakt. „Ein Hintergrund-Tab rechnet nichts“ stimmt für einen *unbeaufsichtigten* — ein laufender Lauf misst seine eigene Drosselung an echtem Timer-Drift und sagt sie an, und ein einwilligungspflichtiger Wake Lock erhöht die Chancen, dass die Maschine vor dir wach bleibt. Was dieser Lock nicht ist: eine Freeze-Ausnahme — er wird in dem Moment freigegeben, in dem der Tab verborgen wird. Gepooltes Rechnen ist deshalb auf ein Gerät im Vordergrund und am Netzteil ausgelegt, und die Grenze ist ehrlicherweise eine Heuristik: Der Schlafmodus des Betriebssystems gewinnt trotzdem. Streich einen der beiden Vorbehalte, und du bekommst einen glatteren Satz — und einen falschen. Genau darum ist diese Seite eine Produktoberfläche und kein Blogpost.

§2Claim-Kalibrierung

Headline-Claims kommen mit angehefteter Grenze

Der ClaimSeine gedruckte Grenze
„Rohdaten verlassen das Gerät nie“Wahr für die Bytes. Modell-Updates verlassen das Gerät — deshalb verweigert ein Rezept, das ein Differential-Privacy-Ziel deklariert, jedes Update, das nicht als verrauscht ausgewiesen ist, und bilanziert sein Budget; diese Untergrenze jenseits deiner eigenen Geräte zur Pflicht zu machen, wird noch nicht durchgesetzt.
„Geräte poolen, schneller werden“Nahezu linear nur für Arbeit, die sich in unabhängige Teile zerlegen lässt — Sweeps, Ensembles, Simulationen. Synchronisiertes Training wartet auf das langsamste Gerät und flacht bei einigen Dutzend stabilen Peers ab. Beides ist das Skalierungsmodell, noch keine Messung über Browser hinweg.
„Genug Laptops ergeben eine große GPU“Pooling repliziert das Modell auf jedem Gerät — es vervielfacht den Durchsatz, nie den Speicher. Ein Modell, das auf kein Gerät passt, braucht einen geteilten oder weitergereichten Pfad; einen unmöglichen Fit lehnt der Planer vorab explizit ab.
„Serverless-Zusammenarbeit“Nicht das, was ausgeliefert wird: Live-Co-Editing ist serverautoritativ — ein Server ordnet jede Änderung und lässt jeden Join und Reconnect zu. Solo-Arbeit offline braucht nie einen.
„Bit für Bit reproduzierbar“Bit für Bit meint die zitierten, committeten Bytes. Ein GPU-Rerun stimmt innerhalb der Toleranz überein, die der Lauf deklariert hat; Bit-Exaktheit über verschiedene Geräte hinweg braucht den CPU-Referenzpfad.
„Fremde können dir Rechenleistung leihen“Noch nicht Ende zu Ende. Die Verifikation, die es eingrenzt, ist repliziert und auditierbar — nie kryptografisch und absolut —, und ihre ökonomische Schicht ist ein benannter Zukunftspfad. Der Browser hat keine sichere Enklave; vertrauliche Arbeit bleibt dem offenen Pool fern.
„Untätige Geräte rechnen weiter“Beitragen aus einem Browser-Tab ist noch nicht live; sobald es das ist, rechnet, wer zugestimmt hat, solange der Tab lebt, und einen unbeaufsichtigten friert der Browser ein — er verdient nichts, denn gezählt wird nur verifizierte, akzeptierte Arbeit, nie die Uhrzeit.

Die Grenz-Spalte ist wörtlich zitierfähig: Dieselben Einträge binden Engineering-Entscheidungen und die Texte dieser Website.

Ein Vorbehalt, der in der Broschüre wegfällt, taucht im Labor als Überraschung wieder auf. Die Tabelle unten ist die Kurzform: die Claims, die zitiert werden, jeder mit seiner Grenze direkt daneben — in den Worten, die wir auch im Methodenteil verwenden würden.

Keine dieser Grenzen ist Scellis-spezifisch. Jedes verteilte System hat eine Control Plane; jede GPU rundet Floats in eigener Reihenfolge; jeder Browser friert Hintergrund-Tabs ein. Der Unterschied ist, wo du davon erfährst: auf dem Datenblatt, bevor du die Studie entwirfst — oder in Produktion, nachdem du dich festgelegt hast.

§3Gepooltes Rechnen

Was gepooltes Rechnen bringt — und was nicht

Durchsatz1101001 000Peers · log. Skala≈ Dutzende stabile Peersunabhängige Aufgaben — nahezu linearsynchron — flacht abFederated Learningstatistische Powerbeteiligte Standorte
Abb. 2 — Das Skalierungsmodell, logarithmisch, keine Messung: unabhängige Arbeit skaliert nahezu linear auf Tausende Peers; synchronisiertes Training flacht bei Dutzenden ab. Federated Learning vermehrt Evidenz, nicht Tempo.

Wenn viele Geräte Rechenleistung poolen, ist der Mechanismus der Claim — nie ein erfundener Multiplikator. Arbeit, die sich in unabhängige Teile zerlegen lässt — Parameter-Sweeps, Monte-Carlo-Simulation, Ensembles, k-fold — kann nahezu linear parallelisieren, weil die Teile nie aufeinander warten; Tausende Peers sind das Designziel, keine Messung — noch hat kein Browser ein gepooltes Teilstück Ende zu Ende ausgeführt, und ein Job endet heute bei rund tausend verifizierten Teilstücken. Synchronisiertes Training nicht: Jeder Schritt wartet auf das langsamste Gerät, der Durchsatz flacht also bei einigen Dutzend stabilen Peers ab. Darüber hinaus kommt man, indem man Synchronität aufgibt — lokale Schritte, gepufferte Updates, implementiert, aber noch in keine Trainingsschleife eingebunden —, nie durch Wegreden der Physik.

Federated Learning skaliert auf einer ganz eigenen Achse: Teilnehmer und statistische Power — aus fünfzig Proben pro Standort werden zehntausend über zweihundert Standorte hinweg — nie Wall-Clock-Zeit. Und all das braucht einen Koordinator: Ein Browser-Tab kann keine eingehende Verbindung annehmen, also steht bei jedem Join und Reconnect ein Server bereit. Für Korrektheit oder Solo-Arbeit offline trägt er nie Last; für anhaltenden Pool-Durchsatz ehrlicherweise schon.

Vertrauen zwischen anonymen Peers ist begrenzt, nicht gelöst. Der Browser hat keine sichere Enklave, also kann Scellis nicht kryptografisch beweisen, dass ein Fremder echte Arbeit auf der behaupteten Hardware ausgeführt hat oder eine eigenständige Person ist. Die angestrebte Garantie ist probabilistisch, ökonomisch und auditierbar. Heute implementiert und getestet ist ihr auditierbarer Kern — Übereinstimmung unabhängiger Peers, ein manipulationssicherer Nachweis jedes Beitrags; unangekündigte Stichproben sind noch im Aufbau, und die ökonomische Schicht ist ein benannter Zukunftspfad. Deshalb werden die drei Vertrauensregime nie zu einem verschmolzen, und regulierte Arbeit läuft ausschließlich im zugelassenen Konsortium. Die Mechanik steht im Guide zu verteiltem Rechnen.

§4Bytes vs. Information

Privatsphäre, auf beiden Ebenen benannt

Der schärfste Eintrag des Registers ist der, den eine ganze Branche aufrundet. In jedem föderierten oder gepoolten Setting ist „Rohdaten verlassen das Gerät nie“ wahr für die Bytes und falsch für die Information, solange keine echte Maschinerie greift: Modell-Updates verlassen das Gerät — das ist der Mechanismus — und ein Update ist eine verlustbehaftete, manchmal invertierbare Funktion der Daten, auf denen es berechnet wurde. Trainingsdaten aus Gradienten zu rekonstruieren ist ein demonstrierter Angriff, kein Gedankenexperiment. Ein Satz, der bei „verlässt nie“ endet, verkauft Beruhigung, keine Garantie.

Deshalb kommt die Grenze mit Maschinerie statt Disclaimer. Deklariert das Rezept einer Föderation ein Differential-Privacy-Ziel, ist ein unverrauschtes Einzel-Update nicht sendbar: Ein Update, das nicht als geclippt und verrauscht ausgewiesen ist, wird verweigert, bevor es das Gerät verlässt — unter einem Budget-Ledger, das Überziehen verweigert, statt leise zu degradieren. Diese Untergrenze für jeden Pool jenseits deiner eigenen Geräte zur Pflicht zu machen und die Belastung jeder Runde mit den Privacy-Accountants zu berechnen, ist noch im Aufbau — und föderiertes Beitragen ist noch nicht Ende zu Ende gelaufen. Secure Aggregation, die gegen einen semi-ehrlichen Server schützt, kommt dazu, wo Kohorte und Fluktuation es erlauben — bei standortübergreifender Arbeit verpflichtend —, und regulierte Kohorten laufen ausschließlich im zugelassenen Konsortium. Was der Host sehen kann und was nicht, steht unter Sicherheit.

Dieselbe Zwei-Ebenen-Offenheit gilt für den Rest der Klasse. Löschung auf Append-only-Aufzeichnungen funktioniert, indem der Schlüssel zerstört wird, der die personenbezogenen Daten auflösbar macht — die Daten sind wirklich weg, während das Sync-Log replay-sicher bleibt. Was du *veröffentlicht* hast, bleibt jedoch als anonymisierter Autoren-Platzhalter erhalten, statt geschreddert zu werden: Der Server kann nicht wissen, wer darauf aufbaut, und Behalten ist die sichere Richtung. Und das Zurückziehen einer Freigabe wirkt nur vorwärts: Bytes, die jemand bereits synchronisiert hat, lassen sich nicht zurückrufen — genau deshalb lassen sich die Links eines regulierten Dokuments an eine angemeldete Identität binden; nicht gecachtes Ansehen obendrauf ist noch nicht gebaut.

§5Browser-Realität

Der Arbeitsbereich des Tabs, gedruckt

ZustandEntworfenes VerhaltenNie
Kein WebGPU (~15 % der Geräte)Ganze Workflows laufen auf der CPU hinter einem lauten, dauerhaften Banner; das Training großer Modelle ist begrenzt.Eine leere Canvas oder ein stilles Ausbremsen.
Weder GPU- noch CPU-PfadDas Studio öffnet zum Ansehen und Erstellen: komponieren, inspizieren, teilen.Ein Crash oder eine Fehlerseite.
Tab wandert in den HintergrundEin unbeaufsichtigter Tab friert ein; die Verlangsamung wird gemessen und angesagt, nie verschwiegen. Ein zugestimmter Wake Lock und ein abgekoppeltes Monitor-Fenster erhöhen die Chancen und sind als Heuristik dokumentiert.Ein vorgetäuschter Hintergrund-Lauf.
SpeicherdruckEin Meter zeigt ihn; ungepinnte Objekte werden zuerst nach Alter verdrängt; was du nutzt, wird nie eingesammelt.Still verlorene Ergebnisse.
Verbindung fällt wegAlles, was du hast, läuft unbegrenzt weiter; Änderungen warten und gleichen sich beim Reconnect ab.Eine Feature-Mauer oder eine verlorene Änderung.

Die Regel hinter jeder Zeile: Ein degradierter Zustand meldet sich selbst — laut, im Moment. Nie ein stiller Fallback, nie eine unsichtbare Ersetzung.

Der Browser ist das Instrument, und Instrumente haben Arbeitsbereiche. Einen unbeaufsichtigten Hintergrund-Tab friert der Browser selbst ein — er rechnet nichts, und Scellis tut nie so, als ob. Dagegen steht Messung und Offenheit, keine Freeze-Ausnahme: Ein laufender Lauf beobachtet seinen eigenen Timer-Drift und sagt die Verlangsamung laut an, ein einwilligungspflichtiger Screen Wake Lock hält das Gerät wach, solange der Tab vor dir liegt, und ein abgekoppeltes Lauf-Fenster hält eine Scellis-Oberfläche sichtbar — es beobachtet und steuert den Lauf, der weiterhin im Studio-Tab rechnet. Jedes davon erhöht die Chancen und ist als Heuristik dokumentiert, denn der Schlafmodus des Betriebssystems gewinnt immer. Es gibt keinen unbeaufsichtigten und keinen zeitgesteuerten lokalen Lauf: Ein geschlossener Tab rechnet nichts; die vorgesehene Antwort auf „lass es nachts laufen“ ist dein eigenes, dauerhaft laufendes Gerät im eigenen Pool — und gepoolte Arbeit im Browser auszuführen, ist noch im Aufbau.

Speicher ist budgetiert, nicht vorausgesetzt: Die lokale Datenbank bittet den Browser, ihre Daten zu behalten, misst ihren Bestand und macht Druck sichtbar, statt still etwas zu verlieren — ungepinnte Caches werden verdrängt, während das, was du gerade nutzt (Gewichte im Einsatz, gespeicherte Workflows samt allem, was sie brauchen), nie eingesammelt wird. Die GPU wird geprüft, nicht unterstellt: Auf den rund 15 % der Geräte ohne WebGPU laufen ganze Workflows auf der CPU — hinter einem dauerhaften Banner „läuft auf CPU — langsamer“; ganz ohne beides öffnet das Studio trotzdem: komponieren, inspizieren, teilen. Degradierung ist laut, per Konstruktion.

§6Numerik

f32-first — das Kleingedruckte steht in der Überschrift

Die GPU rechnet in einfacher Genauigkeit: echte doppelte Genauigkeit existiert nur auf dem CPU-Referenzpfad — und statt das zu verstecken, designt die Engine offen darum herum. Statistik-Kernel nutzen kompensierte Summation, weil naive f32-Akkumulation bei großem N katastrophal auslöscht; f16-Training behält f32-Master-Gewichte und skaliert den Loss; und Op-Familien mit erweiterter Genauigkeit sind Inhalte, die jeder erstellen kann — konformanzgeprüft, und sie kaufen Präzision zu benanntem Preis zurück.

Float-Arithmetik auf einer GPU hängt von der Reihenfolge ab, also verweigert das Register bitweise Magie: Ein normaler Lauf reproduziert innerhalb der Toleranz, die er deklariert hat; ein strikter Lauf erkauft Bit-Exaktheit auf demselben Gerät mit echten Durchsatzkosten; Bit-Exaktheit über *verschiedene* Geräte hinweg verlangt den CPU-Referenzpfad. Jeder Lauf trägt sichtbar, wie strikt er lief — nie still defaultet — und eine deklarierte Toleranz muss gegen das begründet sein, was die Operation tatsächlich tut: Ein Matmul kann keine lose Toleranz beanspruchen, um sich der Konformanz zu entziehen.

Selbst Performance wird mit Fehlerbalken angegeben. Training läuft Schritt für Schritt, damit der Gradient korrekt, nicht fusioniert ist, während Kernel-Fusion beim Inferenz-Durchlauf zündet — und die ehrliche Zahl, die Praktiker brauchen, nämlich was dieser Overhead kostet, wird auf dem Konformanz-Korpus gemessen und mit jeder Engine-Version neu veröffentlicht, nie erfunden. Die Disziplin verallgemeinert sich: Was wir nicht messen können, zitieren wir nicht.

§7Die Dividende

Kalibrierung ist ein Feature, auf das du bauen kannst

Grenzen zu veröffentlichen ist das, was die Garantien brauchbar macht. Innerhalb einer benannten Grenze kannst du eine Studie entwerfen; eine unbenannte ist eine Mine im Methodenteil. Reviewer, Ethikkommissionen und dein Team brauchen keine grenzenlose Plattform; sie müssen exakt wissen, wo ihr Arbeitsbereich endet. Genau dafür sind Datenblätter da.

Und nichts davon verlangt Glauben. Wo eine Grenze automatisch geprüft werden kann, wird sie automatisch geprüft, und jeder Fehler erscheint über einen lauten Kanal statt eines stillen Fallbacks. Wo sie es nicht kann — die Freeze-Heuristiken eines Browsers, der Schlafmodus eines Betriebssystems —, wird stattdessen der Vorbehalt gedruckt: dieselbe Disziplin mit anderen Mitteln. Der permissiv lizenzierte Interchange-Ring — die Schemas, der Konformanz-Korpus, die CPU-Referenz — lässt jeden, auch einen Wettbewerber, jede Korrektheitsaussage nachprüfen, ohne uns zu fragen.

Die Grenzen sind so präzise gedruckt, weil die Freiheiten absolut sind. Rechnen ist nie an einen Tarif gebunden, und bezahlte Inhalte begrenzen die Auslieferung, nie die Ausführung. Ein so exaktes Register schneidet in beide Richtungen: Sagt diese Plattform *kann nicht*, meint sie Physik; sagt sie *nie*, meint sie eine Regel, die sie nicht beugen kann. Entwirf deine Studie innerhalb des Arbeitsbereichs, den wir gedruckt haben — und zitiere sie ohne zurückrudernde Fußnote.