Copy mit Treffer.
Erst Stimme und Wahrheit treffen. Dann trainieren. Hier ist der Bauplan für eine Copy KI, die aus eurem Urteil lernt.
Posts bewerten →Team-Vorschau · keine bezahlten Dienste gestartet
Die Empfehlung in fünf Sätzen
Startet mit echten Creator Quellen, klaren Stilregeln und guten Beispielen statt sofort ein Modell zu trainieren. Bewertet täglich Texte und schreibt bei einem Nein möglichst dazu, was nicht stimmt. Vergleicht Jeff, Claude und Codex blind auf denselben Briefings, bevor ihr einen Generator zum Gewinner erklärt. Ein zweites Modell prüft jeden konkreten Claim gegen Originalzitate, ein Mensch gibt den Post frei. Erst wenn die Daten sauber und die Schwächen messbar sind, testet ihr einen kleinen LoRA gegen dieselbe unveränderte Vergleichsgruppe.
01 / Erst Geschmack sammeln.
Heute · Prompt + Beispiele
Quellen rein, Zielgruppe und Schmerzpunkt nur aus Belegen ableiten, bestätigte Namen und Anrede festlegen. Dazu 5–20 gute Beispiele und Regeln: natürliche Sprache, keine Gedankenstriche oder Bindestriche als Stilmittel, keine erfundenen Aussagen. Wenige Beispiele kosten keine Trainingsläufe, aber Modellnutzung kann kosten.
Danach · SFT / LoRA
LoRA ist eine sparsame Art des Fine Tunings; SFT lernt aus Briefing plus gutem Zieltext. Als Versuchsgröße 100–500 geprüfte, unterschiedliche Beispiele; ab ca. 50 ein erster kleiner Test möglich. Das sind Arbeitsannahmen, keine magischen Mindestzahlen. 20 % der Briefings creator- und themengetrennt als blinden Test zurückhalten.
Später · DPO / ORPO
Arbeitsziel: zunächst 200–500 hochwertige Vergleichspaare, besser 1.000+ für breitere Versuche; kein garantierter Schwellenwert. Ein Paar braucht dasselbe Briefing, eine bevorzugte und eine abgelehnte Antwort. ORPO kombiniert SFT und Präferenztraining ohne zusätzliches Referenzmodell; DPO vergleicht gegen ein Referenzmodell.
Wichtig: Die Caveman Seite speichert Einzelurteile, keine fertigen Präferenzpaare. Platzhalter aussortieren; später Varianten mit gemeinsamem Briefing, Quellenstand und klarer Präferenz verknüpfen. Ein Ja ist außerdem noch kein geprüftes SFT Beispiel. DPO Format · ORPO Format
02 / Modell & Kosten
Startkandidat: Qwen3 8B. Offenes Modell, mehrsprachig inklusive Deutsch; als Copy Modell für VAF noch nicht belegt. QLoRA auf 24 GB ist ein Versuch, abhängig von Kontextlänge und Einstellungen, nicht zugesichert. Vorher gegen größere bestehende Modelle und Jeff blind messen. Modellkarte und Lizenz
| RunPod · RTX 4090 | Modal · L4 | |
|---|---|---|
| GPU Preis | ab $0,34 / Std. Community; Secure ab $0,74 | $0,000222 / Sek. ≈ $0,80 / Std. |
| Beispiel 1–3 Std. | ab $0,34–1,02 GPU; Secure $0,74–2,22 | ca. $0,80–2,40 GPU |
| Aufwand | Pod, Umgebung und Stoppen selbst verwalten; volle Kontrolle. | Python Setup, Container und Job definieren; skaliert herunter, wenn fertig. |
Reine Rechenbeispiele, keine gemessene Trainingsdauer. Vorbereitung, Ladezeit, CPU/RAM, Speicher, Datenverkehr, Steuern und Fehlversuche können zusätzlich kosten; Verfügbarkeit und Preis prüfen. 1–3 Stunden sind eine ungeprüfte Annahme, kein Angebot. RunPod Preise · Modal Preise. Kein GPU Auftrag ohne Go.
03 / Nur was die Quelle trägt.
Creator Quelle + Datum → relevante Originalzitate → Generator → Behauptung ↔ Zitat → unabhängiger Prüfer → Namen & Aktualität → Mensch → Copy Pack
Belege
Jede Tatsachenbehauptung erhält Quell-ID, exakten Ausschnitt und Zeitmarke. Ohne ausreichenden Beleg: streichen oder Rückfrage. Reine Stilformulierung kennzeichnen; Meinungen nicht zu Fakten umformen.
Gegenprüfung
Bei Claude als Generator etwa Codex prüfen lassen, bei Codex Claude; unabhängig gegen Original, nicht nur gegen Zusammenfassung. Einstufung: belegt, widersprochen, unbelegt oder zeitkritisch. Auch Prüfer können irren.
Harte Schleuse
Bestätigtes Namensregister: Johannes Luckas, Anrede Johannes. Zahlen, Zitate, Kontext und Gültigkeitsdatum prüfen; alte Themen neu belegen oder verwerfen. Menschliche Freigabe bleibt Pflicht.
Jeff ist eine Hypothese, keine Wahrheitsgarantie. Gleiche Quellen und Briefings, anonymisierte Ausgaben, Bewertung von Stil, Belegtreue und Korrekturbedarf; erst dann vergleichen.
04 / Threads verstehen.
Die offizielle Threads API unterstützt je nach Berechtigung und aktuellem Zugriff das Veröffentlichen und Abrufen eigener Inhalte sowie Insights für berechtigte Konten. Öffentliche Suche und Profile sind nur im Rahmen der von Meta angebotenen Endpunkte, Limits und Freigaben nutzbar; Verfügbarkeit und Felder vor Umsetzung mit der aktuellen Meta Dokumentation und offiziellen API Sammlung prüfen. Kein Anspruch auf beliebiges Massenabrufen, private Daten, vollständige Konkurrenz Insights oder automatisches Training mit fremden Posts.
Für eine Musterbibliothek nur zulässig erhobene, nötige Daten mit Quelle, Datum und Rechten speichern. Pro Post erfassen: Hooktyp, Aufbau, Länge, Ton, Provokationsgrad und Thema; verfügbare öffentliche Reaktionen als Momentaufnahme, nicht als Beweis für Reichweite oder Erfolg. Eigene Insights nur nach Kontofreigabe; Urheberrecht, Datenschutz, Plattformbedingungen und Löschfristen vor produktiver Sammlung klären. Muster abstrahieren statt Texte kopieren.
05 / Die nächsten drei Schritte.
- Anton, Nima und Lars fügen echte Posts hinzu und bewerten sie täglich; Platzhalter nicht fürs Training verwenden.
- Zu jedem Testbriefing Quellen, Datum und zwei Varianten festhalten; 20–50 Briefings als blinde Vergleichsmenge für Jeff, Claude und Codex reservieren.
- Erst nach sauberer Sammlung und messbarer Lücke einen LoRA Versuch planen, Budget bestätigen und gegen den Ausgangszustand testen.
Handy Zugriff als Vorschlag: Cloudflare Pages für die Oberfläche, Worker als API und D1 als Datenbank, mit Anmeldung und Zugriffsschutz. Das ist hier nicht eingerichtet und braucht ein Go; lokale Daten liegen ausschließlich auf diesem MacBook.
Jetzt bewerten →