Predibase

Mit Ludwig beschreibst du ein Modell, seine Eingaben und seine Trainingskonfiguration in einer einzigen YAML-Datei und startest alles über die Kommandozeile. Es unterstützt Multitask- und Multimodal-Aufbauten und wählt sinnvolle Standardwerte, etwa die Batch-Größe. Für Teams, die kein Trainingsskript von Grund auf schreiben wollen, verkürzt das die Vorbereitung.

LoRAX ist eine Serving-Engine, die viele feinabgestimmte Adapter auf eine einzige GPU lädt und pro Anfrage zwischen ihnen wechselt. Statt für jedes Modell eine eigene Bereitstellung zu starten, hostest du einen Pool von Adaptern auf geteilter Hardware. Dieser Aufbau verbilligt die Bereitstellung einer großen Zahl spezialisierter Modelle.

Im März 2025 brachte die Firma eine durchgängige Plattform für Feinabstimmung durch Verstärkung heraus, die ein Modell anhand von Rückmeldung zu seinen Ausgaben trainiert. Der Ansatz soll die Qualität bei Aufgaben heben, bei denen beschriftete Beispiele knapp sind. Predibase veröffentlichte Ergebnisse, die bei einem kleinen Modell höhere Genauigkeit im Programmieren zeigten.

Ludwig unterstützt Verfahren wie LoRA und quantisiertes Training, die nur einen kleinen Teil der Gewichte eines Modells ändern, statt alles neu zu trainieren. Das senkt Speicherbedarf und Rechenlast eines Feinabstimmungslaufs. Für Teams mit wenigen GPUs entscheidet das oft, ob ein Lauf passt oder nicht.

Vor der Übernahme ließ dich die verwaltete Plattform ein Modell feinabstimmen und bereitstellen, ohne Server zu verwalten, mit Abrechnung nach Nutzung. Sie zielte genau auf die Lücke zwischen schnellem Prototyp und Produktiv-Endpunkt. Dieses verwaltete Erlebnis wird neuen Kunden nicht mehr geboten.

Ludwig wurde ein Projekt, das die Gruppe KI und Daten der Linux Foundation hostet, gepflegt von Predibase-Mitarbeitenden und externen Beitragenden. So bleibt das Trainingsframework unabhängig von einem einzelnen Anbieter. Außerdem überlebt der Code das kommerzielle Produkt.