LoRA Fine-Tuning für SEO: Mein eigenes LLM Experiment

In dieser AI Talk Folge geht es um mein Experiment, ein eigenes SEO LLM per LoRA Fine-Tuning zu trainieren.Ich spreche darüber, wie ich aus meinem SEO Benchmark Trainingsdaten erstelle, warum gute Datensätze wichtiger sind als reine Menge und wie ich ein Open-Weight-Modell gezielt für technische SEO-Aufgaben, strukturierte Daten, Onpage, Offpage, Crawling und Agent-Workflows optimieren möchte.Außerdem geht es um Qwen 3.6, lokale LLMs, RunPod, GPU-Setups, Benchmarks, Student-Teacher-Ansätze und die Frage, ob ein kleineres Modell nah genug an große Topmodelle herankommen kann, um in echten Workflows deutlich günstiger eingesetzt zu werden.Ein großer Teil der Folge zeigt auch, warum Fine-Tuning ein iterativer Prozess ist: trainieren, testen, Fehler analysieren, Trainingsdaten verbessern und erneut benchmarken.Kapitel:00:00 Einstieg: Warum ein eigenes SEO LLM?02:42 SEO Benchmark, Student-Teacher-Prinzip und Modellvergleich05:12 Codex, Claude Code, Cursor und aktuelle Coding-Tools07:48 Trainingsstatus, Setup und lokale Modelle13:15 Qwen 3.6 als Basis für das Fine-Tuning17:48 Aufbau der SEO-Trainingsdaten24:45 Training starten, Datensätze kuratieren und LoRA verstehen30:42 Benchmark-Test mit dem neuen Modell32:36 Iteration: Trainieren, testen, verbessern39:02 Erste Ergebnisse, Rückschritte und Learnings46:38 Analyse mit starken Modellen und Vorbereitung für V457:14 Neuer Trainingslauf mit optimierten Beispielen58:15 Nächster Schritt: Tool- und Function-Calling-Training59:54 Fazit: Wie ich LLMs optimiere01:02:05 Warum Benchmark und Trainingsdaten getrennt bleiben müssen01:03:06 Ziel: Ein günstigeres spezialisiertes SEO Brain Modell