PyTorch hat die Forschung gewonnen. Wo TensorFlow und MLX noch passen
Von Sheela ·
Die Framework-Kriege sind vorbei, und PyTorch hat den Teil gewonnen, der am meisten zählt: Forschung und große Sprachmodelle. Neue Paper, Tutorials und vortrainierte Gewichte erscheinen dort zuerst. Das macht die Wahl einfacher, als sie aussieht, aber nicht trivial, denn zwei andere Frameworks besetzen weiterhin Nischen, die PyTorch nicht abdeckt, und die meisten Leser dieser Seite brauchen überhaupt kein Framework.
Die Standardwahl: PyTorch
PyTorch (4,9) ist, wo das Ökosystem lebt. Zusammen mit Transformers (4,8) von Hugging Face ist es der direkte Weg von einem veröffentlichten Modell zum Fine-Tuning mit deinen eigenen Daten, und die überwältigende Mehrheit offener Gewichte erscheint zuerst für PyTorch. Wenn du 2026 ein Framework für Deep Learning oder LLM-Arbeit lernst, lerne dieses; die Frage ist nicht, ob es theoretisch das beste ist, sondern wo der Code, die Gewichte und die Hilfe schon sind.
Die Nische für Produktion und Edge: TensorFlow
TensorFlow (4,0) ist nicht mehr die Standardwahl für neue Arbeit, und Keras 3 räumt das stillschweigend ein, indem es ebenso bereitwillig auf PyTorch oder JAX läuft wie auf TensorFlow. Was es weiterhin besser kann als die meisten, ist, ein trainiertes Modell auf ein Handy oder einen Mikrocontroller zu bringen: Der Weg über TensorFlow Lite und LiteRT ist ausgereifter als die Alternativen. Wenn dein Projekt auf dem Gerät endet statt im Rechenzentrum, oder du schon eine TensorFlow-Codebasis pflegst, gibt es keinen Grund zu portieren. Für alles, was nach LLM aussieht, gibt es wenig Grund, damit anzufangen.
Die Nische für Apple Silicon: MLX
MLX (4,4), Apples Array-Framework, gibt es für eine einzige Situation, und die bedient es gut: Modelle lokal auf Apple Silicon trainieren und ausführen, mit Unified Memory, sodass ein Mac mit genug RAM Modelle halten kann, die anderswo eine separate GPU bräuchten. Es ist kein allgemeines plattformübergreifendes Framework und versucht auch keines zu sein; auf einem Linux-Rechner mit NVIDIA-Karten ist es das falsche Werkzeug. Auf einem MacBook ist es das, das die Hardware als vollwertiges Ziel behandelt.
Die Option, die die meisten eigentlich wollen
Hier ist der Teil, den die Framework-Debatte verdeckt: Wenn dein Ziel ist, ein bestehendes Modell auszuführen, statt eines zu bauen oder zu trainieren, willst du keines davon. llama.cpp (4,8) und die darauf aufbauenden Tools führen quantisierte offene Modelle auf gewöhnlicher Hardware aus, ohne Framework-Installation und ohne Trainingscode. Die meisten, die glauben, TensorFlow oder PyTorch zu brauchen, brauchen eine Inferenz-Laufzeit und einen API-Key.
Was du nutzen solltest
Modelle bauen oder feinjustieren, besonders LLMs: PyTorch mit Transformers, und schau nicht zurück. Ein eigenes Modell auf ein Gerät bringen: TensorFlow und LiteRT. Komplett auf einem Mac arbeiten: MLX. Nur Modelle ausführen, die jemand anderes trainiert hat: eine Inferenz-Laufzeit, gar kein Framework. Das Framework ist die kleinste Entscheidung; die eigentliche ist, ob du ein Modell baust oder eines nutzt.