Ein Mitentwickler von ChatGPT stellt Jev vor, ein Modell „optimiert für Entscheidungen“
Diogo Almeida taucht nach zwei Jahren Stealth-Modus mit RLCD auf, einer neuartigen Trainingsmethode, und mit Versprechen zu Geschwindigkeit und Kosten, die noch Beweise brauchen.
Kurz gesagt
Diogo Almeida, der sich als Mitentwickler von ChatGPT bezeichnet, kündigt die Veröffentlichung von Jev an, einem Frontier-Modell, das mit einer selbst entwickelten Methode namens RLCD trainiert wurde – nach zwei Jahren Entwicklung im Stealth-Modus. Er behauptet, das Modell sei 20 bis 200 Mal schneller, 40 bis 400 Mal günstiger, mit kostenlosen Output-Tokens, und biete eine „komposable Intelligenz“, die auf Entscheidungsfindung statt auf Konversation ausgerichtet ist. Die Ankündigung sorgt vor allem deshalb für Aufsehen, weil sie einen wunden Punkt trifft: Warum haben übermenschliche Chat-Modelle immer noch keine AGI hervorgebracht?
🍺 Tresen-Version
Also, ein Typ, der sich als Mitentwickler von ChatGPT bezeichnet, taucht nach zwei Jahren Funkstille wieder auf, um dir ein Modell anzukündigen, das 20 bis 200 Mal schneller und 40 bis 400 Mal günstiger ist – eine Spanne so breit, dass sie wie eine Lieferzeitschätzung bei einem Internetanbieter wirkt. Kein Benchmark, kein Detail zu seiner selbstgestrickten Methode, nur der Name: RLCD, und die Idee, dass es nicht ums hübsche Plaudern geht, sondern ums schnelle und fast kostenlose Entscheiden. Das Interessanteste ist gar nicht das Produkt, sondern die Frage, die er stellt: Wenn Chat-Modelle seit drei Jahren übermenschlich sind, warum haben wir dann immer noch keine AGI – und von ihm kommt das schon ein bisschen pikant rüber. Bleibt, dass die kostenlosen Output-Tokens an einem Nachmittag überprüfbar sind: Man wird schnell wissen, ob das eine Revolution oder eine hübsche Pressemitteilung ist.
Das Wichtigste
- 1
Diogo Almeida (@CompleteSkeptic), der die Mitentwicklung von ChatGPT für sich beansprucht, kündigt die Veröffentlichung von Jev nach zwei Jahren im Stealth-Modus an.
- 2
Das Modell wird mit einer neuartigen Methode namens RLCD trainiert, die als Alternative zu aktuellen Trainingsansätzen präsentiert wird.
- 3
Die zahlenbasierten Behauptungen sind spektakulär: 20- bis 200-fach schneller, 40- bis 400-fach günstiger, mit Output-Tokens zum Nulltarif.
- 4
Jev wird als „frontier composable intelligence“ beschrieben, optimiert für Entscheidungen statt für Konversation.
- 5
Ausgangspunkt des Projekts ist eine unbequeme Frage: Warum haben übermenschliche Chat-Modelle nicht zur AGI geführt?
- 6
Der Autor sieht darin „den kürzesten Weg“ zu einer wirtschaftlichen Revolution durch KI – eine Formulierung, die er selbst mit einem „AFAICT“ relativiert.
- 7
Kein Benchmark, keine Methodik, keine technischen Details werden in der Ankündigung geliefert: alles bleibt zu überprüfen.
Eine Ankündigung, gebaut auf einer Frage, nicht auf einem Benchmark
Der Post beginnt weder mit einer Zahl noch mit einem Ranking, sondern mit einer Frustration. „Nachdem ich ChatGPT mit erfunden habe, habe ich mich unaufhörlich gefragt: Warum haben übermenschliche Chat-Modelle nicht zur AGI geführt?“
Das ist ein ungewöhnlicher Rahmen in einer Landschaft, in der Modellankündigungen sich zuerst auf Benchmark-Ergebnisse stützen. Hier wird das Produkt als Antwort auf ein konzeptuelles Problem präsentiert: Das konversationelle Format sei eine teilweise Sackgasse.
Diogo Almeida erklärt, die letzten zwei Jahre im Stealth-Modus verbracht zu haben, um gleichzeitig eine neue Art des Modelltrainings – die er RLCD nennt – und eine neue Art von Frontier-Modell zu entwickeln, Jev, das am Tag der Ankündigung veröffentlicht wurde.
Zu diesem Zeitpunkt erklärt der Post weder, wofür das Akronym RLCD steht, noch die Architektur von Jev, noch die Messbedingungen der behaupteten Leistungen.
Die behaupteten Zahlen: Geschwindigkeit, Kosten und kostenlose Output-Tokens
Drei Versprechen werden hervorgehoben. Eine 20- bis 200-fach höhere Geschwindigkeit, 40- bis 400-fach niedrigere Kosten und kostenlose Output-Tokens.
Die sehr breiten Spannen (ein Faktor 10 zwischen Unter- und Obergrenze) deuten auf stark anwendungsfallabhängige Gewinne hin. Ohne expliziten Vergleichspunkt — im Vergleich zu welchem Modell, bei welcher Aufgabe, mit welcher Hardware — bleiben diese Größenordnungen zu qualifizierende Behauptungen.
Die Kostenlosigkeit der Output-Tokens ist der wirtschaftlich faszinierendste Punkt. In heutigen LLM-APIs ist die Generierung genau der teuerste Posten: das umzukehren, verändert die Preisstruktur von allem, was darauf aufgebaut wird.
Wenn diese Ökonomie im großen Maßstab funktioniert, macht sie heute unrentable Anwendungen tragfähig: sehr geschwätzige Agenten-Schleifen, massive Kandidatengenerierung, erschöpfende Exploration vor der Entscheidung.
„Composable Intelligence“: Entscheidungen optimieren statt Konversation
Der dritte Punkt des Posts ist der strategischste: Jev wird als „frontier composable intelligence optimized for decisions“ beschrieben.
Das Vokabular unterscheidet sich bewusst von dem der Assistenten. Man spricht nicht von Antworten, Reasoning oder Kontext, sondern von Komposabilität und Entscheidungen — also von Bausteinen, die man in einem System zusammensetzt, statt von einem Gesprächspartner, mit dem man spricht.
Das deckt sich mit einer Intuition, die ein Teil der Branche teilt: Der wirtschaftliche Wert der KI liegt weniger im Dialog als in den tausenden Mikroentscheidungen, die eine Organisation jeden Tag trifft.
Bleibt, dass die Formel eher eine Ambition beschreibt als eine Architektur. Ohne Dokumentation oder öffentliche Demonstration bleibt „composable intelligence“ vorerst ebenso sehr Marketing-Positionierung wie technische Kategorie.
Warum der Post zirkuliert
Der Haupttreiber der Viralität ist nicht das Produkt: es ist die Unterschrift. Die Mitentwicklung von ChatGPT zu beanspruchen und dann zu behaupten, dieser Weg führe nicht zur AGI, ist eine Form öffentlicher Selbstkritik, die im Milieu selten ist.
Der Schlusssatz erledigt den Rest der Arbeit: „der kürzeste Weg zu einer wirtschaftlichen Revolution auf Basis von KI“. Der Autor relativiert ihn selbst mit einem „AFAICT“ (as far as I can tell), eine pseudo-Vorsicht, die die Behauptung nicht weniger maximal macht.
Hinzu kommt der Inszenierungseffekt des Stealth-Modus: zwei Jahre Schweigen, dann gleichzeitige Veröffentlichung einer Trainingsmethode und eines Modells. Die Erzählung ist perfekt auf X zugeschnitten.
Man muss diesen Post also für das lesen, was er ist: eine Launch-Ankündigung, kein Paper. Die Überprüfung wird von den ersten Nutzern, unabhängigen Evaluierungen und der tatsächlichen Preisgestaltung kommen.
“Après avoir co-inventé ChatGPT, je n'ai cessé de me demander : pourquoi des modèles de chat surhumains n'ont-ils pas mené à l'AGI ?”
“Frontier composable intelligence optimized for decisions”
“Pour autant que je puisse en juger, le chemin le plus court vers une révolution économique basée sur l'IA”
Warum es zählt
Das Interesse an dieser Ankündigung liegt weniger in Jev selbst als in der zugrunde liegenden These: Was, wenn die konversationelle Schnittstelle, die den weltweiten Erfolg von ChatGPT ausmachte, eine ganze Branche auch in ein lokales Optimum gelenkt hätte? Dieses Argument aus dem Mund von jemandem zu hören, der die Mitentwicklung von ChatGPT beansprucht, verleiht ihm besonderes Gewicht, in einem Moment, in dem sich die Branche über die abnehmenden Erträge des Scalings Gedanken macht und sich massiv den Agenten zuwendet. Die hier vertretene Hypothese — dass der reale wirtschaftliche Wert in schnellen, günstigen und komposablen Entscheidungen liegt statt in wortgewandten Antworten — deckt sich mit dem, was viele Unternehmen feststellen: Das Hindernis für den Einsatz ist nicht mehr die Textqualität, sondern Kosten und Latenz im großen Maßstab. Vorsicht ist dennoch geboten. So breite Leistungsspannen, ohne Baseline, ohne Benchmark, ohne Details zu RLCD, bleiben vorerst Behauptungen. Das Versprechen kostenloser Output-Tokens ist am ehesten überprüfbar und wohl am entscheidendsten: dort, und nicht im Storytelling, wird sich in den kommenden Wochen die Solidität des Projekts erweisen.
Weiterlesen
KIHeute10.000 Agenten, 88 Stunden, ein Millenniumsproblem
Noam Brown (OpenAI) beschreibt die Skalierung von Agenten-Schwärmen — und warum Alignment der einzige Engpass ist, der ihn wirklich beunruhigt.
KIHeuteAnthropic öffnet die Motorhaube: Claude „leitet“ 26 % seiner KI-F&E
Zum ersten Mal veröffentlicht ein Frontier-Labor Zahlen darüber, wie schnell KI ihre eigene Nachfolge baut – und was es tut, um sie zu überwachen.
KIHeuteOpenAI veröffentlicht seine Alignment-Pannen — und ein Rahmenwerk für die Zukunft
Sechs Fälle von Fehlverhalten, ein interner Meldeprozess, und ein Eingeständnis: Die Branche hat Alignment nicht gelöst.