Naive AI und die 1,4-Milliarden-Dollar-Wette auf Post-Training

Ein neu gegründetes Forschungs-Startup, das von einem Professor der Tsinghua-Universität gegründet wurde, hat Berichten zufolge eine Bewertung von 1,4 Milliarden US-Dollar erreicht – und was es verkauft, ist kein neues Foundation-Modell. Naive AI baut auf Modellen auf, die bereits existieren. Seine Wette: Die günstigere Hälfte der Pipeline, der Teil nach dem Pre-Training, ist der Ort, an dem die nächste Runde von Fortschritten gewonnen wird.

Der Bericht stammt von Dealroom, veröffentlicht am 10. Oktober, und beschreibt Naive AI als ein junges Labor, das sich auf Mid-Training und fortgeschrittenes Post-Training konzentriert, statt ein Modell von Grund auf zu trainieren. Sein Flaggschiff, Naive-N0.5-Flash, erscheint unter der MIT-Lizenz, die so permissiv ist, wie Open-Source-Lizenzen nur sein können. Die Zahl von 1,4 Milliarden US-Dollar für ein Unternehmen, dessen gesamte These lautet, „zu verbessern, was bereits existiert“, ist der interessante Teil – nicht das Modell selbst.

Warum Post-Training der günstigere Hebel ist

Pre-Training ist ein Kapitalproblem. Man braucht Tausende von Beschleunigern, eine Datenpipeline, die in Billionen von Tokens gemessen wird, und die Geduld, monatelang eine Loss-Kurve zu beobachten. Mistral trainierte sein neues Flaggschiff auf rund 4.000 Nvidia Grace Blackwell GPUs in etwa zwei Monaten. Solch ein Lauf ist nur einer Handvoll Unternehmen möglich. Einer Forschungsgruppe mit einer guten Idee steht er nicht zur Verfügung.

Post-Training ist ein anderes Budget. Es umfasst die Arbeit, die aus einem Basismodell etwas Nützliches macht: Mid-Training zur Verhaltensformung, Instruction-Tuning, Reinforcement Learning aus Feedback und die Evaluierungsschleifen, die zeigen, ob irgendetwas davon geholfen hat. Ein kleines Team mit begrenzter Rechenleistung kann diese Arbeit auf einem Open-Weight-Basismodell erledigen und trotzdem ein Modell produzieren, das Menschen ausführen wollen. Das ist die Öffnung, auf die Naive AI zielt, und der Grund, warum Investoren dafür mehr zahlen würden.

Das Pitch umfasst außerdem rekursive Selbstverbesserung – ein Begriff, bei dem Skepsis angebracht ist. In seiner bescheidenen Form bedeutet er, ein Modell zu nutzen, um Trainingsdaten und Belohnungssignale für die nächste Version zu erzeugen, und das dann zu wiederholen. In seiner großen Form ist es der Traum eines Systems, das sich ohne menschliches Zutun selbst verbessert. Der Bericht beschreibt die bescheidene Version. Nichts hier deutet auf eine Maschine hin, die sich über ein Wochenende in Superintelligenz hochbootet, und Leser sollten jede Darstellung, die das nahelegt, als Marketing behandeln.

Es gibt einen zweiten Grund, warum Post-Training Aufmerksamkeit erregt: Es ist messbar, und zwar auf eine Weise, wie Pre-Training es nicht ist. Wenn man ein Basismodell verbessert, kann man es gegen dieselben Benchmarks laufen lassen und das Delta sehen. Wenn man von Grund auf trainiert, ist der Vergleich unschärfer, weil sich das gesamte Modell auf einmal verändert hat. Ein Team, das sich auf Post-Training konzentriert, kann ein präzises, wiederholbares Argument dafür liefern, was es hinzugefügt hat – genau die Art von Behauptung, die sowohl Investoren als auch Ingenieure überzeugt.

Außerdem kann ein Labor sich seine Schlachten aussuchen. Verschiedene Post-Training-Methoden zielen auf unterschiedliches Verhalten: bessere Instruction-Befolgung, stärkeres Reasoning, sicherere Verweigerungen, präzisere Tool-Nutzung. Ein kleines Team kann sich ein oder zwei davon aussuchen und damit konkurrieren, statt überall gewinnen zu wollen. Diese Fokussierung ist oft der Unterschied zwischen einem Nischenmodell, das tatsächlich übernommen wird, und einem allgemeinen Modell, zu dem niemand wechselt.

Das passt zu einem Muster, das bereits sichtbar ist

Naive AI ist nicht allein mit der Wette, dass spätere Phasen rohe Skalierung schlagen. In den vergangenen zwei Monaten haben eine Reihe von Open-Weight-Veröffentlichungen diesen Punkt auf unterschiedliche Weise deutlich gemacht. Mehrere Labore haben wettbewerbsfähige Modelle ausgeliefert, indem sie bestehende Architekturen verbessert und nicht neue erfunden haben, und ihre Schlagzeile ist meist dieselbe: vergleichbare Ergebnisse zu einem Bruchteil der Trainingskosten.

Die Marktdaten untermauern den Druck. Eine BenchLM-Analyse von Anfang Oktober beschreibt schrumpfende Lücken bei ausgewählten Reasoning-Benchmarks zwischen Open-Weight- und proprietären Modellen, zusammen mit einem berichteten Rückgang der Kosten für Premium-APIs proprietärer Anbieter um 40 %. Open-Weight-Deployments, so die Analyse, bewältigen Workloads mit hohem Volumen zu Preisen unter 0,50 US-Dollar pro Million Tokens. Diese Zahlen brauchen Kontext, denn API-Preise schwanken je nach Modell, Workload, Service-Tarif und Datum, und ein Benchmark-Ergebnis beweist keine Zuverlässigkeit in der Praxis. Aber die Richtung ist unverkennbar: Der Preis für Fähigkeit sinkt, und der Rückgang wird ebenso sehr von besserem Post-Training wie von größeren Pre-Training-Läufen getrieben.

Das Risiko einer Post-Training-Strategie besteht darin, dass sie von einem Basismodell eines anderen abhängt. Wenn das Open-Weight-Basismodell, auf dem man aufbaut, seine Lizenz ändert oder eine Version veröffentlicht, die sich auf nicht kontrollierbare Weise verändert, ist das eigene Produkt exponiert. Das ist eine echte Einschränkung, und deshalb veröffentlichen Labore, die diesen Weg gehen, ihre Methoden tendenziell offen, damit die Community die Arbeit am Leben halten kann, selbst wenn ein einzelnes Labor aussteigt.

Was die Bewertung wirklich einpreist

Eine Bewertung von 1,4 Milliarden US-Dollar für ein junges Startup ist eine Aussage über die Zukunft der Modellentwicklung und trägt eine klare Annahme in sich: dass sich der Vorteil davon weg bewegt, wie viel Rechenleistung man kaufen kann, und hin dazu, wie gut man trainieren und bewerten kann, was man bereits hat. Wenn das zutrifft, ist Kapital nicht mehr der einzige Burggraben, und kleinere Teams mit starken Methoden bekommen einen Platz am Tisch.

Wenn die Annahme falsch ist, kehrt sich die Geschichte um. Post-Training-Arbeit auf dem Basismodell eines anderen ist leicht zu kopieren, sobald die Methoden veröffentlicht sind – was sie meistens sind. Ein Labor, das vollständig auf dieser Arbeit aufbaut, hat kein proprietäres Basismodell zu verteidigen, und wenn jeder Wettbewerber sein Rezept reproduzieren kann, verflüchtigt sich der Vorteil. Die Bewertung setzt einen dauerhaften Vorsprung bei Methode und Daten voraus, und die Methode allein bleibt selten lange geheim. Das ist das leise Risiko unter der Schlagzeilenzahl.

Der ehrliche Vorbehalt ist, dass nichts davon bisher verifiziert ist. Die Bewertung ist berichtet, nicht bestätigt. Die behauptete Leistung des Modells braucht unabhängige Benchmarks und reproduzierbare Kostenmessungen, bevor jemand ein Produkt darauf aufbauen sollte. Das Muster ist ermutigend, aber ein Muster ist kein Beweis.

Was die Geschichte verfolgenswert macht, ist nicht das Geld. Es ist die Tatsache, dass das Labor eines Professors mit einer Handvoll Leute und einem begrenzten Budget glaubt, neben Unternehmen bestehen zu können, die für Rechenleistung so viel ausgeben wie Regierungen für Infrastruktur – und das, indem es bei der letzten Meile klüger ist statt bei der ersten. Das ist eine überprüfbare Behauptung. Die kommenden Monate mit Open-Weight-Veröffentlichungen werden zeigen, ob sie zutrifft.

Die breitere Verschiebung, wenn sie sich fortsetzt, dreht sich darum, wer bauen darf. Wenn der teure Teil der Herstellung eines leistungsfähigen Modells etwas ist, das man durch Post-Training mieten kann, wächst die Zahl der Teams, die etwas Nützliches produzieren können. Das bedeutet nicht, dass die größten Labore verlieren. Es bedeutet, dass das Feld breiter wird, und ein breiteres Feld neigt dazu, mehr Vielfalt, mehr Nischenwerkzeuge und mehr Preiswettbewerb hervorzubringen. Ob Naive AI die richtige Wette ist oder nicht – es wettet auf eine Zukunft, in der das Eintrittsticket zum Bauen von KI kleiner ist, als es heute aussieht.