Andrej Karpathy — LLM-Curriculum (Open-Source)
Markt-Anbieter-Slice der Person Andrej Karpathy. Hauptwohnort der Person: [[../../../wiki/dev-wiki/wiki/personen/karpathy-andrej]] (Coding-Position). Personen-Stub in CoachAtlas: [[../personen/karpathy-andrej]]. Bildungs-Slice: [[../../../wiki/bildung-wiki/wiki/personen/karpathy-andrej]].
Sonderfall: Person + Open-Source-Curator, kein klassisches Coach/Trainer-Business mit Sales-Funnel. Profil dient als Anker-/Referenz-Eintrag fuer die Nische
ki-agent-ausbildungen(Open-Source-Benchmark gegen den sich bezahlte Anbieter positionieren muessen).
Stammdaten
- Name: Andrej Karpathy
- Marke / Plattform: GitHub-Profil + YouTube-Channel + verteilte Repos (kein zentraler Brand-Auftritt)
- Standort: Stanford, US
- Website: https://github.com/karpathy
- YouTube: @AndrejKarpathy
- X/Twitter: @karpathy
- Sprache: Englisch
- Typ: Open-Source-Curator / Community-Educator (kein Sales-Funnel, keine Preise)
Positionierung
- Statement (Profil-Bio): “I like to train Deep Neural Nets on large datasets.”
- Faktische Positionierung (aus Curriculum-Repos): Open-Source-Lehrmaterial, das LLMs/Neural Nets von First Principles in minimalem, lesbarem Code rekonstruiert — von einem 150-Zeilen-Autograd-Engine (micrograd) bis zu einem End-to-end-ChatGPT-Klon fuer ~100 USD Compute (nanochat).
- Zielgruppe: Voraussetzung laut nn-zero-to-hero: “basic knowledge of Python and a vague recollection of calculus from high school”. Damit explizit Anfaenger-zugaenglich, gleichzeitig auch ML-Profis, die GPT-2 from scratch reproduzieren wollen (nanoGPT-README).
- Specific Knowledge: End-to-end-LLM-Stack from scratch erklaeren — Tokenizer, Transformer-Architektur, Training-Loop, CUDA-Kernels, Post-Training, Eval, Chat-UI. Diese Tiefe ist im Open-Source-Bereich ohne Konkurrenz.
- USP / Differenzierung: Die Kombination aus ehemaligem OpenAI-Founding-Team-Mitglied, Tesla-Director-of-AI und Stanford-Lecturer-Background mit der Bereitschaft, alles kostenlos und in unter 1.000 Zeilen lesbarem Code zu publizieren. Im KI-Agent-Ausbildungs-Markt hat kein anderer Anbieter diese Credential-Stack-Kombination.
Angebot
| Produkt | Format | Dauer | Preis | Bemerkung |
|---|---|---|---|---|
| micrograd | GitHub-Repo + Notebook + Lecture | ~2 h | kostenlos | Einstieg: Backprop in ~150 LOC |
| nn-zero-to-hero (Hauptkurs) | YouTube-Playlist + 8 Notebooks | ~25–30 h | kostenlos | 8 Lectures: Micrograd → Makemore 1–5 → Building GPT → GPT Tokenizer |
| nanoGPT | Repo + Lecture-Verweis | self-paced | kostenlos | GPT-2 (124M) reproduzierbar auf 8×A100 in ~4 Tagen |
| nanochat | Repo + README | self-paced | kostenlos (~100 USD Compute) | End-to-end-ChatGPT-Klon, Nachfolger nanoGPT |
| llm.c | Repo + Discord + Tutorials | self-paced | kostenlos | Pure C/CUDA, fortgeschritten |
| llama2.c | Repo | self-paced | kostenlos | Llama-2-Inference in einer C-Datei |
| Stand-alone YouTube-Lectures | YouTube | je 1–4 h | kostenlos | ”Intro to LLMs”, “Let’s reproduce GPT-2”, “Deep Dive into LLMs like ChatGPT” |
Hinweis: Es gibt unter dem Karpathy-Namen keine bezahlten Produkte. Sein parallel betriebenes Unternehmen Eureka Labs ist ein separater Brand und nicht Teil dieses Profils.
Marketing
Kanaele und Kadenz
| Kanal | Reichweite | Kadenz | Dominante Themen |
|---|---|---|---|
| GitHub | 179k Followers, 63 Repos | kontinuierliche Commits | Curriculum-Repos, LLM-from-scratch |
| YouTube @AndrejKarpathy | 1M+ Subscribers (extern berichtet, nicht verifiziert) | niedrige Frequenz, hohe Tiefe (1–4 h pro Video) | Zero-to-Hero-Lectures, Stand-alone Deep-Dives |
| X/Twitter @karpathy | sehr aktiv | hoch | Lecture-Drops, AI-Kommentare, “Software 2.0/3.0”-Konzepte |
| Discord-Communities | mehrere | community-getrieben | Zero-to-Hero, GPU-MODE, modded-nanoGPT |
Werbeanzeigen
- Meta Ads: keine
- Google Ads: keine
- Reichweite entsteht ueber GitHub-Algorithmic-Discovery, YouTube-Algorithmus und X/Twitter-Reichweite.
SEO / Distribution
- Kein klassisches SEO-Setup. Backlinks vermutlich extrem hoch (Stanford-Lehrmaterial, internationale KI-Wikis), aus den Roh-Quellen aber nicht messbar.
- Kein Newsletter, kein Email-Capture, kein Funnel — alle Lectures sind direkt zugaenglich.
Proof
1. Direkter Proof
- Keine klassischen Testimonials/Case-Studies (kein Sales-Funnel — strukturell nicht vorhanden).
- GitHub-Stars als Proxy (Stand 2026-05-02): nanoGPT 57.4k, nanochat 52.8k, llm.c 29.8k, llama2.c 19.5k, micrograd 15.7k. Summe Pinned-Repos: ~175k Stars.
2. Indirekter Proof (Credentials)
- OpenAI Founding Team Member (extern dokumentiert, nicht aus Roh-Quellen).
- Director of AI bei Tesla (extern dokumentiert).
- Stanford CS231n Co-Creator und Lecturer (extern dokumentiert).
- Stanford-Standort im GitHub-Profil bestaetigt.
3. Peer-Proof
- Discord-Communities um die Curriculum-Repos:
#llmcauf Zero-to-Hero-Discord,#llmdotcauf GPU-MODE-Discord. - Aktive Forks/Derivate, etwa modded-nanoGPT mit eigener Community und Leaderboard.
- Karpathy-Lectures werden in MIT-/Stanford-Materialien und in Anthropic-/OpenAI-Empfehlungen referenziert (extern dokumentiert).
4. Portfolio-Proof
- 63 oeffentliche GitHub-Repos, ~175k Stars allein auf den Pinned-Sechs.
- “Zero to Hero”-Curriculum als 8-teilige strukturierte Lecture-Reihe mit Begleit-Notebooks.
- Stand-alone-Lectures wie “Intro to LLMs” gelten in der KI-Community als Standard-Referenz.
5. Medien-Proof
- Regelmaessiger Podcast-Gast (Lex Fridman, No Priors, Dwarkesh u. a.) — extern dokumentiert, in dieser Quelle nicht direkt belegt.
- Aus den Roh-Quellen nicht weiter quantifizierbar.
Computed/Analyse
- Stage: nicht anwendbar. Karpathy ist kein Coach/Trainer-Business mit Umsatz-Stages — er ist Person + Open-Source-Curator ohne Sales-Layer. Wuerde man ihn als Marke einordnen, laege die Reichweite jenseits Stage C (>1 Mio); Umsatz unter dem Karpathy-Brand selbst ist 0 EUR (Eureka Labs ist separat). Konfidenz: hoch (klare Abgrenzung zum Stage-Modell).
- Persona: P2 (Trainer/Curriculum) mit starker P4-Auspraegung (Portfolio/Werk-Proof). Begruendung: Verkauft (kostenlos verteilt) ein wiederholbares Bildungsprodukt mit fester Curriculum-Struktur (8 Lectures, Notebooks, Uebungen). Das Produkt ist so designt, dass es ohne ihn — self-paced via Repo + Video — konsumierbar ist; das Curriculum traegt den Wert, nicht die Persoenlichkeit. Konfidenz: mittel (Person-as-Curriculum ohne Bezahl-Layer ist ein Sonderfall im Schema).
- Engpass-Hypothese: Im klassischen Stage-A/B/C-Sinn nicht anwendbar. Wenn man eine “Luecke” benennen muesste: keine Continuity-Schicht (kein Newsletter, kein Membership, kein Tier) — das ist aber bewusst gewaehlt; Eureka Labs uebernimmt die kommerzielle Schiene unter eigenem Brand. Konfidenz: niedrig (Frame passt nicht).
- Top-3-Agent-Empfehlungen: Nicht anwendbar. Karpathy ist im CoachAtlas-Schema kein Outbound-Lead. Stattdessen ist sein Curriculum Vergleichsmassstab fuer bezahlte Anbieter in der Nische
ki-agent-ausbildungen: jede deutschsprachige Bezahl-Ausbildung muss erklaeren koennen, was sie ueber das hinaus liefert, was bei Karpathy kostenlos verfuegbar ist (Live-Begleitung, deutschsprachiger Praxisbezug, Foerderfaehigkeit, kuratierter Lernpfad).
Eigene Einordnung
Karpathy ist im Vergleich der Nische ki-agent-ausbildungen ein Sonderfall: Eine einzelne Person mit OpenAI/Tesla/Stanford-Hintergrund publiziert das tiefste kostenlos verfuegbare LLM-Curriculum am Markt (~175k GitHub-Stars auf Pinned-Repos, 179k Followers, extern berichtete 1M+ YouTube-Subscriber). Fuer CoachAtlas dient dieses Profil als Anker im Open-Source-Tier neben DeepLearning.AI, HuggingFace Agents und Anthropic Skilljar — bezahlte Anbieter positionieren sich nicht direkt gegen ihn, muessen aber ihre Positionierung gegen “kostenlos verfuegbar bei Karpathy” verteidigen koennen.
Quellen
- GitHub-Profil — https://github.com/karpathy — abgerufen 2026-05-02, Qualitaet hoch
- nn-zero-to-hero (Curriculum-Repo) — https://github.com/karpathy/nn-zero-to-hero — abgerufen 2026-05-02, Qualitaet hoch
- nanoGPT — https://github.com/karpathy/nanoGPT — abgerufen 2026-05-02, Qualitaet hoch
- nanochat — https://github.com/karpathy/nanochat — abgerufen 2026-05-02, Qualitaet hoch
- llm.c — https://github.com/karpathy/llm.c — abgerufen 2026-05-02, Qualitaet hoch
- YouTube-Channel @AndrejKarpathy — https://www.youtube.com/@AndrejKarpathy — abgerufen 2026-05-02, Qualitaet niedrig (Consent-Wall blockierte direkten Abruf, Daten als Notiz)
Roh-Quellen: raw/anbieter/karpathy-llm-curriculum/ (website.md, repos.md, youtube.md, meta.yaml).