LLMs from Scratch vs 
Applied ML
LLMs from Scratch vs Applied ML im Vergleich für 2026 — Funktionen, Lizenz, Benutzerfreundlichkeit, Leistung und welches zu wählen ist. Erstellen Sie ein GPT von Grund auf, Zeile für Zeile vs Wie echte Unternehmen ML tatsächlich bereitstellen.
Regelmäßig aktualisiert · kuratiert von OpenSourceAI.tech
LLMs from Scratch vs Applied ML auf einen Blick
| Spezifikation | LLMs from Scratch | Applied ML |
|---|---|---|
| Kategorie | Lernen Sie KI & maschinelles Lernen | Lernen Sie KI & maschinelles Lernen |
| Typ | Buch + Code | Kuratierte Papiere & Beiträge |
| Lizenz | Apache-2.0 | MIT |
| Läuft lokal | Ja | Ja |
| Primäre Sprache | Python | Markdown |
| Benutzerfreundlichkeit | Mittelstufe | Mittelstufe |
| Am besten für | wirklich verstehen, wie ein LLM funktioniert | Lernen von dem, was Unternehmen tatsächlich getan haben |
| GitHub-Sterne | 100.1k | 30k |
Wie LLMs from Scratch und Applied ML abschneiden
| Kriterium | LLMs from Scratch | Applied ML |
|---|---|---|
| Beliebtheit | 5.0 | 3.5 |
| Wartung | 5.0 | 2.0 |
| Benutzerfreundlichkeit | 3.5 | 3.5 |
| Datenschutz | 5.0 | 5.0 |
| Lizenzfreiheit | 5.0 | 5.0 |
Die Bewertungen werden automatisch aus öffentlichen Signalen berechnet — GitHub-Sterne (Beliebtheit), aktuelle Commit-Aktivität (Wartung), Lizenztyp (Freiheit), lokal-first Design (Datenschutz) und Onboarding-Komplexität (Benutzerfreundlichkeit). Indikativ, kein Urteil.
Was jedes ist
LLMs from Scratch
Sebastian Raschkas Begleitrepository zu "Build a Large Language Model (From Scratch)": Sie implementieren Aufmerksamkeit, einen Transformer, Pretraining und Feinabstimmung selbst, in einfachem PyTorch.
- Sie bauen jede Komponente selbst — keine Black Boxes
- Läuft auf einem Laptop, kein Cluster erforderlich
- Die klarste Erklärung von Aufmerksamkeit, die es gibt
Applied ML
Eugene Yans kuratierte Sammlung von Arbeiten und Blogbeiträgen über die tatsächliche Entwicklung und Bereitstellung von ML-Systemen in der Produktion — organisiert nach Problem, nicht nach Algorithmus.
- Echte Produktionssysteme, keine Spielzeugbeispiele
- Organisiert nach Problem, nicht nach Algorithmus
- Kuriert von einem praktizierenden ML-Ingenieur
Wesentliche Unterschiede
LLMs from Scratch ist Buch + Code, während Applied ML kuratierte Papiere & Beiträge ist. Ihre Lizenzen unterscheiden sich (Apache-2.0 vs MIT), was wichtig ist, wenn Sie ein kommerzielles Produkt vertreiben. Kurz gesagt, LLMs from Scratch eignet sich zum echten Verständnis, wie ein LLM funktioniert, und Applied ML eignet sich zum Lernen von dem, was Unternehmen wirklich getan haben.
Welches sollten Sie wählen?
Wählen Sie LLMs from Scratch, um wirklich zu verstehen, wie ein LLM funktioniert. Wählen Sie Applied ML um von dem zu lernen, was Unternehmen wirklich getan haben.
Es gibt selten einen Gewinner — viele Setups verwenden beide. Die richtige Wahl hängt von Ihrer Hardware, den Fähigkeiten Ihres Teams und davon ab, ob Sie Einfachheit oder Kontrolle schätzen.
Häufig gestellte Fragen
Sind LLMs from Scratch oder Applied ML einfacher zu verwenden?
Beide liegen auf einem ähnlichen Niveau (Mittelstufe). Ihre Wahl sollte auf der Passform und nicht auf der Schwierigkeit basieren.
Sind LLMs from Scratch und Applied ML kostenlos?
LLMs from Scratch ist kostenlos und Open Source (Apache-2.0), und Applied ML ist kostenlos und Open Source (MIT). Beide berechnen nichts für die Kernsoftware.
Kann ich LLMs from Scratch und Applied ML lokal ausführen?
LLMs from Scratch: ja · Applied ML: ja. Beide können verwendet werden, ohne Ihre Daten an eine Cloud eines Drittanbieters zu senden, wo deren Einrichtung es erlaubt.
LLMs from Scratch vs Applied ML — welches sollte ich 2026 wählen?
Wählen Sie LLMs from Scratch, um wirklich zu verstehen, wie ein LLM funktioniert. Wählen Sie Applied ML um von dem zu lernen, was Unternehmen wirklich getan haben.
Menschen vergleichen auch
Entdecken Sie weitere Open-Source-AI
Durchsuchen Sie Tausende von Open-Source-AI-Tools, Modellen und Projekten — alles an einem Ort, täglich aktualisiert.
Verzeichnis erkunden →