---
title: "Datenrichtlinie des Kurses"
sidebar:
  label: "Datenrichtlinie"
---

<span id="datenrichtlinie-des-kurses" />


[Kursstart](/de/) · [Datenqualitätslab](/de/data-quality)

Der vollständige Kurs muss ohne eigene Daten der Lernenden durchführbar sein.

## Geplante Datenprofile [#geplante-datenprofile]

| Profil | Ungefähre Größe | Zweck |
| --- | --- | --- |
| Starter | 5–20 MB | CPU-Übungen und Smoke-Tests |
| Local | 100–500 MB | reguläres lokales Training |
| Extended | 1–5 GB | optionale Skalierungsübungen |

Diese Größen gehören zu M1A und sind noch nicht bereitgestellt. Aktuell gibt es
den 596-Byte-Korpus von Einheit 0, den mehrsprachigen BPE-Generator und das
synthetische Datenqualitätsinventar. T05/T06 und E01–E04 nutzen diese kleinen Kursbeispiele;
für ihren Trainingspfad braucht es keinen Download und keine eigenen Daten.
Der optionale produktive BPE-Vergleich lädt beim ersten Aufruf seine öffentliche
`tiktoken`-Tabelle herunter.

## Erforderliche Metadaten [#erforderliche-metadaten]

Jedes veröffentlichte Datenpaket braucht Data Card, Schema, Herkunft oder
Generator, Lizenz- und Quellenmanifest, stabile Splits, Hashes, Version,
Generator-Seed und Qualitätsberichte. Feste Generatoren benötigen keinen
Zufallsseed; Shuffle- und Trainingsseeds werden separat festgehalten.

## Gold-Evaluation getrennt halten [#gold-evaluation-getrennt-halten]

Der unabhängige finale Goldtest darf weder ins Training noch in synthetische
Generatorprompts, Few-shot-Beispiele oder die Hyperparameterauswahl eingehen.
Die winzigen T05/T06- und E01–E04-Tests ersetzen kein menschlich geprüftes Firmen-Goldset.

## Grenze des Repositorys [#grenze-des-repositorys]

Manifeste, Schemas, Generatoren und kleine handgepflegte Fixtures gehören ins
Git. Heruntergeladene Daten, erzeugte Korpora, Gewichte und Trainingsartefakte
bleiben außerhalb der Versionskontrolle. Einheit 0 erzeugt ihren CC0-Korpus und
Checkpoint unter `artifacts/unit0/` und prüft SHA-256.

Das [Datenqualitätslab](/de/data-quality) prüft Provenienz, Duplikate, erfundene
sensible/problematische Marker und Split-Kontamination. Es misst eine durch
Leakage irreführende Verbesserung. Manifeste stehen unter `datasets/`, die Data
Cards unter `docs/data-cards/`. Tests erzeugen Inhalte neu und prüfen ihre Hashes.
