# Überblick — M.E.F LLM Studio

Source: https://www.mef-llm-studio.com/de/

Sprachmodelle verstehen. Indem du selbst eines baust.

M.E.F LLM Studio ist eine Lernanwendung für Einsteiger: Verstehe Sprachmodelle durch verständliche Erklärungen und eigene kleine Experimente, ohne Skripte schreiben zu müssen. Begleite den Weg von Tokens über Training bis zur Textausgabe. Training Explorer zeigt Gewichtsänderungen; Brain, Shapes und Vision machen die Generierung von Text und Bildern untersuchbar. Wiki und Explain erklären die Begriffe dabei.

CPU-Einstieg möglich: Lernkapitel, Datenvorbereitung und unterstützte vortrainierte Modelle benötigen keine NVIDIA-GPU. Rechenläufe können auf CPU deutlich länger dauern und brauchen genügend RAM. Training und Vision haben eigene Voraussetzungen; der Guide erklärt die Grenzen pro Lernpfad.

[Den CPU-Einstieg ansehen](https://www.mef-llm-studio.com/de/start/#local-model)

## Wie möchtest du einsteigen?

### Begriffe verstehen

Direkt im Browser

Im Web-Wiki Begriffe wie Tokenizer und Attention nachschlagen. Mit Explain direkt hier markierte Begriffe erklären lassen – ohne Installation.

[Wiki öffnen](https://www.mef-llm-studio.com/de/wiki/)

### Selbst experimentieren

In der Windows-App

Vom eigenen Text über Tokenizer und Datensatz zum kleinen Sprachmodell. Die Schritt-für-Schritt-Anleitung begleitet dich in der Windows-App.

[Mit dem eigenen Modell starten](https://www.mef-llm-studio.com/de/start/#first-model)

### Ins Modell schauen

Browser-Demo und App

Im Demo Explorer eine aufgezeichnete Textgenerierung verfolgen: vom Kontext bis zum nächsten Token. In der App kannst du auch die Bildgenerierung untersuchen.

[Demo Explorer öffnen](https://www.mef-llm-studio.com/demo/brain/?lang=de)

[Zur Vision-Anleitung](https://www.mef-llm-studio.com/de/start/#vision-guide)

## Wie erkläre ich LLMs meiner Familie?

Je mehr ich mit LLMs gearbeitet habe, desto mehr wollte ich verstehen, was hinter den Antworten steckt. Und wie erkläre ich das meinem Sohn oder meiner Frau, die diese Modelle zwar nutzen, aber nicht wissen, wie sie funktionieren?

Daraus ist M.E.F LLM Studio entstanden: selbst ausprobieren, Zusammenhänge sichtbar machen und der scheinbaren Magie ein wenig das Unheimliche nehmen.

Von Mike Walter

[Die ganze Geschichte](https://www.mef-llm-studio.com/de/story/)

Die Erklärung führt direkt zum Experiment.

Du liest, was ein Tokenizer macht, und untersuchst anschließend deinen eigenen Text. Du lernst, was Loss bedeutet, und verfolgst einen Trainingslauf. Die Lernübersicht verbindet die Grundlagen mit den passenden Werkzeugen – damit aus Begriffen beobachtbare Zusammenhänge werden.

## 01. Eine Frage verstehen

Lies das passende Kapitel: Was sind Tokens? Wie lernt ein Modell? Was sagt die Loss-Kurve aus?

## 02. Einen eigenen Versuch machen

Arbeite mit einem kurzen Text oder kleinen Modell. Ändere gezielt eine Einstellung und beobachte, was passiert.

## 03. Das Ergebnis einordnen

Vergleiche Beobachtung und Erklärung. Auch unsinnige Ausgaben geben Anlass, Daten, Training und die Grenzen des Modells genauer zu untersuchen.

Diese Alpha dient der nichtkommerziellen Evaluierung. Funktionen können sich ändern, Trainings können fehlschlagen. Sichere deine Daten und verwende die Alpha nicht produktiv.

Inspired by [Language Model Builder](https://languagemodelbuilder.com/) by Felix Rieseberg.

## Verstehen, was dein Modell macht.

Trainiere nicht nur ein Modell. Untersuche, wie es Text verarbeitet, und vergleiche seine Vorhersagen zwischen gespeicherten Trainingsständen.

### Schritt für Schritt erkunden

Verfolge Tokens durch Embedding, Attention und Ausgabe. Das Lernlabor erklärt die Schritte einer Aufzeichnung und zeigt, wie Temperatur und Filter die Auswahlwahrscheinlichkeiten verändern.

### Trainingsstände vergleichen

Stelle Checkpoints mit demselben Prompt gegenüber. Rangvergleich, Differenzbalken und eine manuelle A/B-Ansicht machen Änderungen der nächsten Token-Vorhersage sichtbar. Die Vergleichstabelle lässt sich als CSV exportieren.

### Mit Beispielen trainieren

Wechsle vom Vortraining zu Fine-Tuning: SFT lernt aus Beispielantworten, DPO aus bevorzugten und abgelehnten Antworten, ORPO verbindet die Antwortanpassung mit einem Präferenzsignal. Lade angebotene Datensätze herunter oder bearbeite eigene Beispiele in den passenden Editoren.

### Checkpoints im Blick behalten

Verwalte und benenne gespeicherte Checkpoints, sieh ihre protokollierte Historie und Best-Markierungen an, setze Läufe mit ihrer Loss-Historie fort oder öffne einen Stand direkt in Sampling oder Chat.

### Lokale Modelle verknüpfen und Antworten vergleichen

Verknüpfe einen unterstützten Llama- oder Qwen2-Safetensors-Ordner, ohne die Gewichte zu kopieren. Wähle CPU, NVIDIA-GPU oder A/B und prüfe vor dem Laden den Speicherbedarf.

### Nach einem Neustart weiterarbeiten

Eingaben, Chatverläufe und Fine-Tuning-Entwürfe werden lokal wiederhergestellt. Sie liegen unverschlüsselt im App-Datenbereich und lassen sich in den Einstellungen löschen.

### GPU und Speicher einordnen

Prüfe den geschätzten VRAM-Bedarf eines Trainings oder den RAM-/VRAM-Plan eines verknüpften Modells vor dem Start. Verfügbare Laufzeitmesswerte bleiben von Schätzungen getrennt.

Ränge und Wahrscheinlichkeiten beziehen sich auf die aufgezeichneten Kandidaten. „Best“ ist eine historische Markierung, kein Qualitätssiegel. Speicherangaben sind Schätzungen. Externe Ausführung unterstützt Llama-/Qwen2-Textmodelle ohne Quantisierung, Custom Code oder Multimodalität. Der A/B-Vergleich bewertet keine Antwort; Texte werden nur auf Wunsch gespeichert.

## Alpha 0.3.0: Dem Lernen und Zeichnen zuschauen.

Alpha 0.3.0 ergänzt den Weg vom eigenen Text zum Modell um Training Explorer und Shapes.

### Training Explorer

Was verändert ein Trainingsschritt?

Verfolge ein aufgezeichnetes Beispiel vom Ziel-Token über Vorhersage und Loss bis zum Gradienten und zur tatsächlichen Gewichtsänderung. Halte an und untersuche einzelne Werte.

### Shapes & Shapes Explorer

Wie wird aus einer Beschreibung ein Bild?

Untersuche mitgelieferte Bild-Text-Paare, trainiere dein eigenes Formenmodell und beobachte, wie es ein Bild Zeile für Zeile zeichnet. RGB444 ordnet jedem Pixel eine von 4.096 Farb-IDs zu.

### Brain Explorer, Wiki & Explain

Wie hängen die Begriffe mit der wirklichen Rechnung zusammen?

Der Brain-Fix hält neue Generierungsaufzeichnungen und ihre angezeigten Berechnungen zusammen. Gespeicherte Labs und direkte Begriffserklärungen erleichtern das Untersuchen.

[Die Änderungen für 0.3.0 ansehen](https://www.mef-llm-studio.com/de/changelog/#app-0-3-0)

Contact: support@mef-llm-studio.com