Trainiere Modelle im Browser — wirklich.

Scellis trainiert Modelle — es führt sie nicht bloß aus. Training ist der Workload, um den die Plattform herum gebaut wurde, und zwar genau deshalb, weil er alles darunter zwingt, echt zu sein: Eine Schleife, die Gradienten anfasst, braucht explizite Speicherplanung, strukturierten Kontrollfluss, ein Korrektheitsregime, reproduzierbaren Zufall und Checkpoints. Härtet man eine Plattform an ihrem härtesten Fall, trägt dieselbe Maschinerie danach eine Simulation oder eine statistische Analyse genauso gut. Und wenn du sehen willst, was zwischen deiner Zeichnung und dem Code auf deiner GPU passiert, öffnet der Guide jede Stufe: von der gezeichneten Grafik zum GPU-Code.

Die GPU, die dabei rechnet, ist die, die dir schon gehört — Apple, AMD, Intel oder NVIDIA, im Laptop genauso wie in der Workstation —, denn WebGPU ist die browsereigene Schnittstelle dorthin: kein CUDA, keine Treiber, nichts zu installieren, keine Admin-Rechte. Hat ein Gerät gar keine nutzbare GPU, läuft derselbe Workflow weiter auf einem langsameren CPU-Pfad — als solcher benannt, nie stillschweigend; was das bei einem großen Modell kostet, steht in den ehrlichen Grenzen.

Die Schleife selbst ist ein Programm, das du lesen kannst. Vorwärts, Verlust, Rückwärts und Optimizer-Schritt durchlaufen dieselben Stufen wie jeder andere Workflow — es gibt keinen Sonderpfad für Modelle —, und die Schleife wird Schritt für Schritt gefahren. Eine Entscheidung, die von den Daten abhängt — einen Batch überspringen, der eine kaputte Zahl erzeugt hat, oder die Lernrate auf einem Plateau senken —, drückst du deshalb aus, statt sie anzuflanschen. Ein Solo-Lauf braucht nie einen Server.

Bevor irgendeine Arbeit die GPU erreicht, addiert der Planner den Spitzenbedarf des Laufs — Parameter, Aktivierungen, Gradienten, Optimizer-Zustand, Arbeitsspeicher, dazu die zusätzliche volle Gewichtskopie, die Mixed Precision mitführt — und prüft die Summe gegen das, was dein Gerät wirklich hat. Die Entscheidung ist eindeutig: grün läuft; gelb läuft mit Warnungen; rot wird vorab abgelehnt, mit den passenden Abhilfen dabei — Batch verkleinern, Activation Checkpointing einschalten, Daten streamen, Precision wechseln. Du musst nie raten, wie viel GPU-Speicher ein Lauf braucht — und erfährst es nie erst eine Stunde später.

Der Plan ist auch bei der Kapazität ehrlich. Ein Modell, dessen Parameter und Optimizer-Zustand den Speicher eines Geräts übersteigen, kann dort bei keiner Batch-Größe trainieren — der Planner sagt es dir, bevor du eine Minute Rechenzeit ausgibst, und benennt, was wirklich hilft: Adapter (QLoRA senkt den Speicherbedarf eines Fine-Tunings um das Vier- bis Achtfache), den Optimizer-Zustand über Geräte verteilen, oder Geräte bündeln — was den Durchsatz vervielfacht, nicht den Speicher eines einzelnen Geräts; diese Unterscheidung steht dort in aller Deutlichkeit.

Der Zufall ist zählerbasiert: Derselbe Seed an derselben Position im Strom erzeugt auf jedem Gerät dieselbe Ziehung, und der Zufallszustand — mit benannten Teilströmen für Dropout, Shuffle und Augmentierung — wird mit allem anderen gesichert. Ein fortgesetzter Lauf spielt deshalb jede Ziehung exakt nach: dieselben Batches in derselben Reihenfolge, dieselben Dropout-Masken, dieselben Augmentierungen.

Wie reproduzierbar die Arithmetik selbst ist, deklarierst du pro Lauf mit den Determinismus-Stufen debug / prod / fast — durchgängig mitgeführt, beim Ergebnis festgehalten, nie stillschweigend voreingestellt; Korrektheit zeigt, wie jede Stufe gegen eine Referenzimplementierung validiert wird. Die Grenze steht gleich daneben: Auf der GPU stimmen Läufe auf verschiedenen Geräten innerhalb einer deklarierten Toleranz überein — bitgenaue Gleichheit sagt debug auf einem Gerät zu, oder der Referenzpfad auf der CPU.

Ein Checkpoint wird über den Hash seines Inhalts identifiziert; Fortsetzen ist deshalb kein Feature, das still zurückfallen kann — es folgt daraus, wie ein Checkpoint überhaupt abgelegt wird. Und ein abgeschlossener Lauf pinnt alles, worauf er sich gestützt hat — Programm, Dataset-Versionen, Checkpoints, Engine-Version —, und genau das macht ein Ergebnis über einen Link reproduzierbar statt über Folklore.