Wie ich mit InvokeAI und Krea 2 Turbo eine lokale Pipeline für Blog-Titelbilder gebaut habe: vom Prompt-Rezept über die API bis zum Skript, plus die Grenzen einer 16-GB-AMD-Karte – HIP-OOM, getiltes VAE-Decoding und ein Kaltstart von zehn Minuten.
Claude Code liefert Telemetrie, aber keine Antwort auf die Frage, wo mein Verbrauch hingeht. Also exportiere ich sie lokal, lasse sie von Claude selbst auswerten und messe, ob die Maßnahmen wirken – ein Feedback-Loop in einer einzigen Python-Datei ohne Abhängigkeiten.
Schema erzwingen, Ausgabe validieren, mit Fehlerliste neu versuchen, reparieren statt abbrechen – wie die Jobschleuse ein kleines lokales Modell zuverlässig genug macht. Konkreter Code statt Theorie.
Eine Notiz über Spezifikation statt Modellgröße: warum Task-Präzision und ein Verifikations-Loop mehr Reliability bringen als das nächste Frontier-Modell – und warum das direkt in Token und Watt messbar ist.
