Compute-Multiplikator erklärt: Was Anthropics steile Kurve zeigt und was nicht

Darum geht es

Jacob Coxon war von 2023 bis Mai 2026 Pre-Training-Forscher bei OpenAI und danach rund vier Monate bei Anthropic. Am 13. November hat er erklärt, eine Folie aus Anthropics Börsen-Roadshow sei ein wichtiger Grund für seine Kündigung gewesen. Laut The Decoder zeigt die Folie den „Pre-Training-Compute-Multiplikator“ für Code von Juli 2024 bis Oktober 2026 auf einer logarithmischen Achse. Auf so einer Achse steht jeder Teilstrich für eine Verzehnfachung. Eine Gerade bedeutet dort gleichmäßiges exponentielles Wachstum, eine nach oben biegende Kurve bedeutet Beschleunigung. Genau so verläuft die Linie. Coxon liest daraus, dass Mythos kein Ausreißer war und sich heute „mit einem Bruchteil der ursprünglich nötigen Rechenleistung“ neu trainieren ließe. Er fordert deshalb eine Pause bei Frontier-Modellen im kommenden Jahr.

Bisher wird vor allem die Folie gedeutet. Wir erklären die Messgröße dahinter und was sie belegt und was nicht.

Was ein Compute-Multiplikator ist

Den Begriff hat Dario Amodei im Januar 2025 in seinem Essay über DeepSeek und Exportkontrollen öffentlich erklärt. Ein Compute-Multiplikator ist eine Verbesserung, mit der man dasselbe Ergebnis mit weniger Rechenaufwand erreicht. Amodeis Beispiel stammt ausgerechnet aus dem Programmieren: Statt für 10 Millionen Dollar erreicht ein Modell 40 Prozent bei einer Coding-Aufgabe schon für 5 Millionen. Das ist ein Multiplikator von 2x. Typisch seien etwa 1,2x, manchmal 2x und selten 10x.

Im Roadshow-Video beschreibt Anthropic laut der Mitschrift von Simon Willison „total effective compute“, also die effektive Rechenleistung, als Produkt aus physischer Rechenkapazität und allen gefundenen Multiplikatoren. Bei 4x reichen 25 statt 100 Einheiten für dasselbe Modell, oder man trainiert mit 100 Einheiten ein Modell, das früher 400 gebraucht hätte. Zitat aus dem Video:

„Compute-Multiplikatoren verschaffen uns einen Wettbewerbsvorteil, der schwer zu kopieren ist.“

Gemessen wird so ein Wert nicht am fertigen Riesenmodell. Man trainiert kleinere Modelle mit altem und neuem Rezept und vergleicht sie bei denselben Testergebnissen. Dann rechnet man mit einem Skalierungsgesetz hoch, also einer Formel, die vorhersagt, wie die Leistung mit mehr Rechenaufwand steigt. So ergibt sich, wie viel mehr Rechenleistung das alte Rezept für dasselbe Ergebnis bräuchte. Epoch AI hat das öffentlich mit 231 Sprachmodellen gemacht und als Leistungsmaß die Perplexity verwendet. Sie misst, wie gut ein Modell Text vorhersagt.

Was die öffentliche Forschung dazu sagt

Laut Epochs Studie von 2024 halbiert sich der Rechenbedarf für dieselbe Leistung etwa alle 8 Monate (Spanne 5 bis 14 Monate). Das entspricht rund 3x pro Jahr mit einem 95-Prozent-Intervall von 1,5x bis 64x. Amodei schätzte 2025 etwa 4x pro Jahr. Anson Ho von Epoch fasste im Februar 2026 zusammen, dass Schätzungen fürs Pre-Training typischerweise zwischen 3x und 20x pro Jahr liegen.

Deutlich vorsichtiger ist das MIT-Paper von Gundlach et al. (arXiv 2511.21622). Die Autoren testeten zentrale Neuerungen von 2012 bis 2023 in Ablationen, also Versuchen, bei denen man einzelne Bausteine weglässt. Bei kleiner Rechenskala erklären diese Neuerungen weniger als 10x Gewinn, nicht die 22.000x aus früheren Schätzungen. Die Lücke schließt sich erst, wenn man berücksichtigt, dass manche Neuerungen mit der Größe immer mehr bringen. Auf das Niveau von 2023 hochgerechnet entfallen etwa 72 Prozent der Gewinne (gerechnet auf logarithmischer Skala) auf den Wechsel vom LSTM zum Transformer und etwa 16 Prozent auf die Chinchilla-Regel, also das bessere Verhältnis von Modellgröße zu Datenmenge. Bei sehr kleinen Budgets könnte der Gesamtfortschritt nur bei etwa 20x liegen. Die Autoren betonen außerdem, dass solche Multiplikatoren „referenzabhängig“ sind. Gegenüber LSTMs wächst der Vorsprung von Mixture-of-Experts-Modellen jährlich um etwa 63 Prozent, gegenüber normalen Transformern bleibt er konstant bei 2x.

Zur Einordnung haben wir nachgerechnet, welcher Gesamtfaktor sich über den Zeitraum der Folie (27 Monate) aus den öffentlichen Raten ergäbe:

Genau hier hilft die Folie nicht weiter. Laut Nathan Lambert fehlen Zahlen an der y-Achse. Man sieht also, dass die Kurve steiler wird, aber nicht, wo sie in dieser Tabelle liegt.

Warum „für Code“ ein Sonderfall ist

Code lässt sich automatisch prüfen. Entweder laufen die Tests durch oder nicht. Deshalb lassen sich Trainingsdaten für Code gut filtern und synthetische Beispiele, die ein starkes Modell geschrieben hat, maschinell kontrollieren. Darauf baut auch Reinforcement Learning mit überprüfbaren Belohnungen (RLVR) auf, also Training per Belohnung, die ein Programm automatisch vergibt. Die Folie spricht zwar von Pre-Training. Synthetische Daten von RL-trainierten Modellen können aber ins Pre-Training einfließen.

Adam Karvonen vermutet deshalb, dass Begriffe wie „Compute-Multiplikator“ verschleiern, dass der Großteil der Fortschritte aus den Daten stammt. Auch Anson Ho von Epoch hält den Begriff „algorithmischer Fortschritt“ für möglicherweise irreführend und verweist auf Destillation, bei der ein großes Modell ein kleineres anlernt. DistilBERT erreichte mit etwa 3 Prozent des Rechenaufwands rund 97 Prozent der Fähigkeiten von BERT. Steven Byrnes schreibt in einem Vergleich mit dem Trainingsprojekt Nanochat allein dem besseren Datensatz einen Faktor von etwa 8 zu.

Unsere Einschätzung: Ein Multiplikator für Code sagt, wie billig ein Modell bestimmte Code-Ergebnisse erreicht. Daraus folgt nicht, dass das Training insgesamt so viel effizienter geworden ist.

Drei Zahlen, die ständig verwechselt werden

Laut Tokenpost umfasst die Umsatzkennzahl Training und Inferenz (den laufenden Betrieb der Modelle) sowie Anthropics Ansatz, mehrere Chip-Familien zu nutzen. Als Pre-Training-Effizienz wird sie nicht bezeichnet. Sie ist auch nicht stetig gestiegen. Im zweiten Quartal 2026 lag sie bei 2,08x, im dritten fiel sie auf 1,72x. Laut Prospekt lag das an 5 Milliarden Dollar kurzfristig gemieteter Rechenleistung, die „deutlich mehr kostet“. Bret Kerr unterscheidet fünf Nenner für „billiger“: Trainingskapital, eigene Kosten pro Token, Kundenpreis pro Token, Kosten pro erledigter Aufgabe und Umsatz pro Rechen-Dollar. Sie lassen sich nicht ineinander umrechnen. Den Vorsprung gegenüber OpenAI schätzt er je nach Nenner auf 1,5x bis 3x, bei der Größe allerdings mit sehr geringer Sicherheit. Constellation Research nennt Anthropics Behauptung, ein Dollar Rechenleistung reiche bei Anthropic weiter als bei jedem anderen Frontier-Labor, die „zweitabsurdeste“ Aussage der Roadshow.

Was das für Exportkontrollen bedeutet

Amodei argumentierte 2025, Effizienzgewinne machten Chip-Sperren nicht überflüssig. Die Labore steckten die Einsparungen in noch klügere Modelle zum gleichen hohen Preis. Lennart Heim und Sihao Huang betonten auf ChinaTalk, dass der Weg zu weniger Chips oft erst über sehr viele Chips führt, nämlich für Versuch und Irrtum. Außerdem fließen 60 bis 80 Prozent der Rechenleistung in den Betrieb.

Das Institute for Progress hat im Oktober 2026 einen Rechenvorsprung der USA von etwa 16x durchgerechnet. Ohne Destillation entspräche das rund 13 Monaten Vorsprung, mit Destillation etwa 6,5 Monaten. Das Modell nimmt dabei ausdrücklich an, dass US- und chinesische Labore gleich effizient sind, und nennt das selbst eine „zentrale Einschränkung“.

Anthropics Roadshow behauptet das Gegenteil, nämlich Multiplikatoren, die „schwer zu kopieren“ sind. Unsere Einschätzung: Wenn das stimmt, liegt der Vorsprung in Rezepten, und dann wird deren Schutz so wichtig wie die Chips selbst. Dazu passt, dass Anthropic laut Reuters (zitiert von Let's Data Science) ein Pre-Training länger als einen Monat gestoppt hat, um besser gegen Diebstahl von Modellgewichten und geistigem Eigentum geschützt zu sein. Verbreiten sich die Multiplikatoren dagegen, entscheiden weiterhin vor allem die Chips. Dass chinesische Labore laut einer forensischen Analyse auf Nvidias gesperrten Blackwell-Chips trainieren, zeigt, wie begehrt sie bleiben.

Wo „Effective Compute“ zur Sicherheitsschwelle wird

Anthropics Responsible Scaling Policy (RSP), die Sicherheitsrichtlinie des Unternehmens, rechnet seit 2023 in effektiver Rechenleistung. Version 2.0 vom Oktober 2024 verlangte eine umfassende Prüfung nach 4x mehr effektiver Rechenleistung (ohne Post-Training) oder nach sechs Monaten Verbesserungen im Post-Training. Nach unserer Rechnung wird die 4x-Marke bei 4 bis 5x Hardware-Wachstum pro Jahr (laut Epoch) und rund 3x durch Algorithmen schon nach etwa sechs Monaten erreicht. Je schneller die Multiplikatoren wachsen, desto früher. Ob diese Regel in der aktuellen Fassung 3.4 noch so gilt, geht aus unseren Quellen nicht hervor.

Die Schwelle für KI-gestützte Forschung war früher ebenfalls über effektive Rechenleistung definiert. Laut einer Analyse auf LessWrong schätzte Anthropic das Tempo von 2018 bis 2024 auf etwa 35x pro Jahr: 4,2x Hardware, 2,8x Algorithmen und rund 3x Post-Training. Die Schwelle lag bei einer Verdopplung dieses Tempos, also bei „ungefähr 1000x“ pro Jahr (rechnerisch 35² ≈ 1225). Der Autor kritisierte, dass man effektive Rechenleistung nicht direkt messen kann. Man leitet sie aus verrauschten Testergebnissen ab. Seit Version 3.1 meint die Schwelle eine Verdopplung des Fortschritts bei den Fähigkeiten insgesamt, also zwei Jahre Fortschritt im Tempo von 2018 bis 2024 in einem Jahr. Am 10. November hat Anthropic im Prospekt erklärt, diese Schwelle sei erreicht. Begründet wird das mit Erwartungen an künftige Modelle und dem allgemeinen Tempo. Ob die Folie dazugehört, sagt Anthropic nicht. Ein Multiplikator nur für Code ist jedenfalls nicht dasselbe wie der Fortschritt bei den Fähigkeiten insgesamt.

Coxons Pause und ein Widerspruch

Coxon will Frontier-Modelle ein Jahr lang pausieren, damit die Konkurrenz aufholt und Intelligenz auf menschlichem Niveau zur Massenware wird. Schaden würde das laut ihm nur OpenAI und Anthropic. Schon bei seiner Kündigung im September sprach er laut TechCrunch von einem „Spiel mit unserem Leben“ und von Tempo-Absprachen zwischen den Laboren. Anthropic selbst hat im Juni 2026 im Bericht „When AI Builds Itself“ eine überprüfbare internationale Pause vorgeschlagen, allerdings nur, wenn andere Labore mitziehen.

Offen ist die Zeitfrage. Coxon kündigte am 8. September, die Roadshow-Unterlagen tragen das Datum 10. November, und die Kurve reicht bis Oktober 2026. Tokenpost weist darauf hin, dass das Datum nichts darüber sagt, wann die Folie entstanden ist. Welche Fassung er gesehen hat, ist unklar.

Einordnung

Belegt ist: Anthropic zeigt Investoren einen intern geschätzten, sich beschleunigenden Multiplikator für Code. Die Umsatzkennzahl ist um 4,3x gestiegen, und die Schwelle aus der Sicherheitsrichtlinie gilt als erreicht. Nicht belegt sind die Größe des Multiplikators, seine Übertragbarkeit über Code hinaus und der „superexponentielle“ Verlauf. Dagegen sprechen die fehlenden Achsenwerte, die Fußnote „nur zur Veranschaulichung“ und die Referenzabhängigkeit, die Gundlach et al. zeigen. Auch Coxons Satz vom „Bruchteil“ wäre schon beim normalen Trend von etwa 3x pro Jahr richtig. Entscheidend ist, wie klein dieser Bruchteil ist.

Unsere Einschätzung: Die Folie ist ein starkes Signal dafür, was Anthropic selbst glaubt, aber noch kein Messergebnis. Für die Politik ist der Widerspruch wichtig, den sie offenlegt. Sind die Multiplikatoren wirklich schwer zu kopieren, verliert die Annahme gleicher Effizienz in Exportkontroll-Modellen an Halt, und eine Pause würde den Vorsprung einfrieren statt ihn abzubauen. Verbreiten sie sich schnell, würde eine Pause genau das bewirken, was Coxon will.