Ramp und Prime Intellect haben gerade ein echtes Produktionsergebnis veröffentlicht, keinen Benchmark-Stunt: Sie nahmen ein 9B Open-Weight-Modell, führten GRPO-Reinforcement-Fine-Tuning darauf aus und schlugen jede Frontier-Konfiguration, die sie beim Katalog-Review testeten – die entscheidet, ob Händler-Transaktionen der richtigen Produktkategorie zugeordnet werden. Gesamtkosten für das Training: etwa 500 $. Es landete mit 182 Punkten auf der Titelseite von HN.
Was sie tatsächlich gebaut haben
Dies ist kein Chatbot und keine App. Es ist ein enger, interner Klassifikator, der mit RL auf Ramp’s eigenen privaten gelabelten Daten trainiert wurde. Das abgestimmte 9B erreichte 87,7 % des maximal erreichbaren Scores gegenüber 76,9 % für das beste Frontier-Setup – ein kleines Open-Modell, das die großen General-Purpose-Modelle bei der einen Aufgabe, die zählte, übertrifft.
Warum die Zahlen stechen
Die Kostenlücke ist die Schlagzeile. Die Inference kostet 0,50 $ pro 1.000 Elemente – 40‑mal günstiger als die billigste Frontier-Option und etwa 340‑mal günstiger als die teuerste. Daher kann bei jeder engen Aufgabe, bei der Sie die Daten besitzen, ein Fine-Tune von 500 $ für ein kleines Open-Modell sowohl in Genauigkeit als auch im Preis GPT-Klassen-Frontier-Modelle um zwei Größenordnungen übertreffen. Die Schutzgrenze lag nie am Modell. Sie lag an den gelabelten Daten.