LLM Fine-Tuning Projekt
Fine-Tuning passt ein bestehendes LLM an eine Domäne oder einen Ton an. Es lohnt sich, wenn RAG plus Prompting Grenzen erreichen — etwa bei stark domänenspezifischer Sprache, eigenen Datentypen oder strikten Format-Anforderungen.
Wann sich dieser Projekttyp lohnt
- RAG allein liefert keine konsistente Qualität.
- Eigene Formate / Schemata sind verbindlich.
- Latenz oder Hosting-Kosten zwingen zu kleineren Modellen.
- Datenschutz erfordert On-Prem-Deployment.
Typische Phasen
- Phase 1 · 3–6 WochenDatensatz-AufbauKuratiertes SFT-Set inkl. Eval-Goldset
- Phase 2 · 3–4 WochenTraining & EvalModellkandidaten, Vergleich gegen Baseline
- Phase 3 · 3–5 WochenDeploymentvLLM/TGI in VPC, Latency-Tuning
Rollen und Tagessätze
- LLM Engineer (Fine-Tuning)1.100 – 1.450 EUR
- ML Engineer950 – 1.300 EUR
- Data Engineer900 – 1.200 EUR
Risiken und Stolperfallen
- Schlechte Datensätze → schlechtere Modelle als Baseline.
- Fehlende Eval-Disziplin.
- Hosting-Kosten unterschätzt.
Häufige Fragen (FAQ)
- LoRA oder Voll-Fine-Tuning?
- Für 90 % der Use Cases LoRA/QLoRA. Voll-Fine-Tuning lohnt fast nie.
- Wie groß muss der Trainingsdatensatz sein?
- Realistisch 1.000–20.000 sorgfältig kuratierte Beispiele. Qualität schlägt Menge.
- Was kostet das GPU-Training?
- LoRA auf 70B-Modell typischerweise 2.000–8.000 EUR pro Trainingslauf.
Bewerbung in 60 Sekunden
Für diesen Projekttyp vormerken
Sag uns, was du suchst — wir melden uns, wenn ein passendes Mandat dieser Art reinkommt.
- Direkter Draht zum Auftraggeber, kein Recruiter-Pingpong.
- Tagessatz wird vor dem ersten Call abgeklärt — keine versteckte Range.
- Klare Aufgabe, klares Budget, klare Entscheidungswege.
- Antwort in 48 h, nur wenn das Mandat wirklich zu dir passt.
- Wiederkehrende Mandate möglich: gute Profile bleiben im Talent-Pool.
Hinweis: Profil-Link ist optional LinkedIn, freelance.de, freelancermap, Malt, GitHub oder eigene Portfolio-URL.