Wir veröffentlichen, was es nicht kann.

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* — wer zugestimmt hat, sein Gerät beizusteuern, hält die Freeze-Ausnahmen des Browsers und rechnet weiter; genau das lässt gepooltes Rechnen überhaupt funktionieren. Und diese 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.

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 — parallelisiert nahezu linear auf Tausende Peers, weil die Teile nie aufeinander warten. Synchronisiertes Training nicht: Jeder Schritt wartet auf das langsamste Gerät, der Durchsatz flacht also bei einigen Dutzend stabilen Peers ab. Du erweiterst das, indem du Synchronität aufgibst — lokale Schritte, gepufferte Updates —, 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 tragende Garantie ist probabilistisch, ökonomisch und auditierbar — unangekündigte Stichproben, Übereinstimmung unabhängiger Peers, ein manipulationssicherer Nachweis jedes Beitrags. 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.

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. Ein Tab, aus dem du zugestimmt hast beizutragen, hält die Freeze-Ausnahmen des Browsers — Wake Lock, installiertes App-Fenster, Leader-Tab —, was die Chancen erhöht und als Heuristik dokumentiert ist, denn der Schlafmodus des Betriebssystems gewinnt immer. Es gibt keinen unbeaufsichtigten und keinen zeitgesteuerten lokalen Lauf: Ein geschlossener Tab rechnet nichts; dein eigenes, dauerhaft laufendes Gerät im eigenen Pool ist die ehrliche Antwort auf „lass es nachts laufen“.

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.

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.