Der blinde Fleck der Frontier-Modelle: Hedgefonds zeigt Wert von nicht eintrainiertem Expertenwissen

Sie definierten sechs Aufgaben aus dem Investoren-Alltag, etwa die Frage, ob ein Finanzartikel für eine Führungskraft relevant ist oder ob ein Zentralbankdokument die Richtung künftiger Zinsänderungen signalisiert. Für Investoren seien diese Entscheidungen trivial, doch sie könnten ihren Denkprozess kaum in Worte fassen. Ein Beispiel aus dem Bericht: Eine Meldung über Trumps Anspruch auf Grönland gilt als irrelevant, während Trumps Drohung neuer China-Zölle hochrelevant ist, obwohl beide Geopolitik und Finanzen berühren.

Frontier-Modelle scheiterten in den Tests der Autoren. Varianten von Gemini, Claude und GPT erreichten mit einem einfachen Prompt nur rund 50 Prozent Genauigkeit. Mit von Experten geschriebenen Anweisungen und einer dreistufigen Einteilung ("relevant und interessant", "relevant aber uninteressant", "irrelevant") stieg die Genauigkeit auf Mitte 70, blieb aber unter der 80-Prozent-Schwelle, die die Autoren für einen vertrauenswürdigen Einsatz ansetzen.

Neuere Modelle verbessern sich laut Bericht pro Dollar kaum: GPT 5.4 koste 43 Prozent mehr als 5.2, sei aber nur marginal genauer.

Der eigentliche Wert steckt im Kopf der Investoren

Der Ausweg war Feintuning, also das Nachtrainieren eines frei verfügbaren Modells auf eigenen Beispielen. Die entscheidende Zutat war dabei nicht das Dokument selbst, sondern das Urteil der Bridgewater-Investoren dazu. Zunächst hatten billige Fremdkräfte die Dokumente bewertet, doch viele dieser Einschätzungen waren falsch. Um nicht alles teuer von Profis prüfen zu lassen, nutzten die Forscher einen Trick: Ein erstes Modell lernte aus den fehlerhaften Bewertungen und beurteilte dieselben Dokumente noch einmal. Überall dort, wo Modell und ursprüngliche Bewertung sich widersprachen, lag vermutlich ein Fehler vor. Nur diese Streitfälle gingen an die Investoren zur Korrektur.

Trainiert wurde auf der Tinker-Plattform von Thinking Machines Lab, als Grundlage diente das offene Modell Qwen3-235B. Das nachtrainierte Modell erreichte in der eigenen Auswertung 84,7 Prozent Treffsicherheit gegenüber 78,2 Prozent beim besten getesteten Spitzenmodell und sei zugleich fast 14-mal günstiger im Betrieb. Ein wirklich unabhängiger Vergleich ist das natürlich nicht, schließlich haben beide Unternehmen ein Interesse daran, ihr Produkt zu verkaufen.

Bemerkenswert ist der Befund abseits der Zahlen dennoch: Er zeigt erneut, dass die großen Labore wie OpenAI eben noch nicht alle Daten aufgesogen haben. Es existieren weiterhin große Mengen proprietärer Unternehmensdaten und nicht eintrainierte menschliche Expertise, in denen echtes Verbesserungspotenzial liegt, gerade dort, wo Firmen ihre wertvollsten Daten bewusst nicht herausgeben. Wer solche Daten an ein Frontier-Labor abtritt, riskiert, sich mit einem darauf aufbauenden Konkurrenzprodukt messen zu müssen.

Feintuning offener Modelle über Werkzeuge wie Tinker ist für Unternehmen eine Alternative, bei der sie Gewichte, Daten und je nach Aufbau auch die GPUs selbst behalten.