Kann ich LLMs mit FrameTrain fine-tunen?

Ja. FrameTrain unterstützt das Fine-Tuning von Large Language Models (LLMs) via LoRA und QLoRA. Du kannst Modelle wie Llama, Mistral oder Phi direkt aus HuggingFace importieren und auf eigene Datensätze anpassen.

Welche GPUs werden unterstützt?

FrameTrain läuft auf allen NVIDIA-GPUs mit CUDA-Unterstützung (ab GTX 10-Serie) sowie auf Apple Silicon (M1/M2/M3/M4) über Metal Performance Shaders. Auch rein CPU-basiertes Training ist möglich.

Was ist der Unterschied zu Google Colab oder AWS SageMaker?

FrameTrain läuft vollständig lokal auf deinem Rechner. Es entstehen keine laufenden Cloud-Kosten, deine Daten werden nicht hochgeladen und du bist nicht auf Internetverbindung angewiesen. Ideal für sensible oder proprietäre Datensätze.

Brauche ich Programmierkenntnisse?

Nein. FrameTrain ist als grafische Anwendung konzipiert. Du konfigurierst Trainingsparameter über eine intuitive Oberfläche, ohne Code schreiben zu müssen. Für Fortgeschrittene gibt es zusätzlich Konfigurationsdateien.

Unterstützt FrameTrain LoRA-Training?

Ja, LoRA (Low-Rank Adaptation) ist vollständig integriert. Du kannst LoRA-Rank, Alpha und Target-Module direkt in der App konfigurieren, was das Fine-Tuning auch auf GPUs mit wenig VRAM ermöglicht.

Warum kostet FrameTrain nur 4,99 €/Monat?

FrameTrain befindet sich im Early Access. Der Preis ist bewusst niedrig, damit möglichst viele Entwickler und Forscher früh Zugang bekommen. Der Preis steigt auf 9,99 € nach den ersten 100 Nutzern – wer jetzt einsteigt, ist dauerhaft günstiger.

Läuft FrameTrain auf Apple M1/M2/M3/M4?

Ja. FrameTrain unterstützt Apple Silicon nativ über Metal Performance Shaders (MPS). Modelle werden auf der GPU des M-Chips beschleunigt, ohne CUDA zu benötigen.

Welche Modellformate werden unterstützt?

FrameTrain unterstützt PyTorch-Modelle (.pt, .bin), SafeTensors sowie GGUF-Format. Modelle können direkt von HuggingFace Hub importiert oder lokal geladen werden.

Kann ich meine eigenen Datensätze verwenden?

Ja. Du kannst eigene Datensätze im CSV-, JSON- oder JSONL-Format laden. FrameTrain unterstützt auch Datensätze direkt vom HuggingFace Datasets Hub.

Unterstützt FrameTrain Mixed Precision und Gradient Checkpointing?

Ja. FP16 und BF16 Mixed Precision Training sind vollständig unterstützt, ebenso Gradient Checkpointing für speichereffizientes Training auf GPUs mit wenig VRAM.

Home GuidesLokal vs Cloud

VergleichGuide

Lokales ML Training
vs Cloud – der ehrliche Vergleich

Google Colab, AWS SageMaker, Paperspace – oder deine eigene GPU? Wir vergleichen Kosten, Datenschutz, Flexibilität und Performance für typische ML-Workloads.

Kostenvergleich: Cloud vs Lokal

Cloud-GPUs werden nach Stunden abgerechnet. Für intensive ML-Projekte summieren sich die Kosten schnell. Lokales Training hat hingegen einmalige Hardware-Kosten – danach entstehen keine weiteren Kosten.

Anbieter / Lösung	GPU	Preis/Stunde	100h Training
Google Colab Pro+	A100 40GB	~1,20 €/h	~120 €
AWS SageMaker	ml.g4dn.xlarge (T4)	~0,90 €/h	~90 €
Paperspace Gradient	A100	~2,30 €/h	~230 €
Lambda Cloud	RTX A6000	~1,10 €/h	~110 €
FrameTrain (lokal)	RTX 4070 (eigene HW)	0,00 €/h	0 € ¹

¹ Nach einmaliger Hardware-Investition. Stromkosten ca. 0,03–0,08 € pro Stunde (RTX 4070: ~200W).

Funktionsvergleich

Feature	Cloud	FrameTrain (Lokal)
Laufende Kosten
DSGVO-Konformität
Daten verlassen Gerät
Offline-Betrieb möglich
Volle GPU-Kontrolle
Kein Vendor Lock-in
Schneller Trainingsstart
Skalierung auf 100+ GPUs
Keine Hardware-Investition

Datenschutz & DSGVO – warum lokal besser ist

Bei Cloud-Diensten werden deine Trainingsdaten auf fremde Server hochgeladen – in den USA, Europa oder anderswo. Das ist für viele Anwendungsfälle problematisch oder schlicht illegal:

Kundenproblematik

Kundendaten dürfen nach DSGVO nicht ohne explizite Einwilligung auf US-Server übertragen werden.

Medizinische Daten

Patientendaten unterliegen besonderen Schutzanforderungen (§ 22 BDSG), die Cloud-Training ausschließen.

Unternehmensdaten

Proprietäre Unternehmensdaten und Betriebsgeheimnisse sollten niemals externe Server verlassen.

Forschungsdaten

Nicht-veröffentlichte Forschungsergebnisse können durch Cloud-Upload unbeabsichtigt zugänglich werden.

Wann ist Cloud sinnvoll?

Lokales Training ist nicht immer die beste Wahl. Cloud macht Sinn bei:

1
Training von sehr großen Modellen (70B+ Parameter) die mehr VRAM brauchen als verfügbar
2
Horizontale Skalierung auf hunderte GPUs für schnelle Experimente
3
Keine eigene Hardware vorhanden und Trainingsaufwand ist einmalig/niedrig
4
Team-Workflows bei denen mehrere Personen gleichzeitig auf dieselben Ressourcen zugreifen müssen

Lokales Training mit FrameTrain starten

Ab 4,99€/Monat – jederzeit kündbar, keine versteckten Kosten, volle Datenkontrolle.

Kostenlos vergleichen

LoRA Guide lesen

Lokales ML Trainingvs Cloud – der ehrliche Vergleich