Ein GitHub-Repository auf der Trending-Seite ist normalerweise keine Geschichte über Datenmengen. Bei Renhuai123/ziwei-doushu lohnt der zweite Blick, weil die Zahlen seltsam groß sind: 674.976 Horoskope mal 13 Analysedimensionen ergibt 8.774.688 Interpretationstexte, rund 30.000 Zeichen pro Horoskop, zusammen etwa 20,4 Milliarden Zeichen Prosa. Unkomprimiert sind das 56,6 Gigabyte; mit zstd über 77 Jahresdateien komprimiert noch 161 Megabyte. Veröffentlicht am 15. Oktober 2026 unter CC BY 4.0 – kommerzielle Nutzung erlaubt, Namensnennung verlangt. Der Code steht unter MIT.
__Die Methode ist der Punkt__
Nichts davon hat ein Sprachmodell geschrieben. Der Korpus wird deterministisch von einer Regel-Engine plus einer handgepflegten Katalogbibliothek erzeugt: gleiche Eingabe, gleiche Ausgabe, jedes Mal. Die Engine beherrscht die Korrektur der wahren Sonnenzeit nach Längengrad, Chinas Sommerzeit 1986–1991, vier Konventionen für Schaltmonate, die Tagesgrenze der späten Zi-Stunde, sieben Helligkeitsstufen pro Stern und über 1.100 Zeilen Musterregeln.
Das ist der interessante Teil: kein Modell, das Text erfindet, sondern ein Regelwerk, das einem Fachgebiet abgerungen wurde und dann in einen Trainingskorpus verwandelt wird. Das Repository nennt als Zwecke das Fine-Tuning kleiner Modelle, RAG-Retrieval und A/B-Baselines, wenn sich die Regelbibliothek ändert.
__Die kritische Lesart__
20 Milliarden Zeichen sind nicht 20 Milliarden Zeichen Information. Ein deterministischer Generator, der eine feste Bibliothek rekombiniert, erzeugt enormes Volumen bei begrenzter Vielfalt. Wer ein Modell darauf trainiert, bringt ihm womöglich vor allem die Vorlage bei. Für Retrieval, für Evaluation und als Referenzkorpus ist das hervorragend; als Pretraining-Datenmenge ist der Wert durch die Bibliothek begrenzt, nicht durch die Bytezahl.
Das Projekt ist auch sonst bemerkenswert ehrlich. Es dokumentiert, dass im älteren v3.0-Satz 2.520 Beispiele mit unmöglichen Datumsangaben stecken (der 30. Februar und ähnliche), und dass die Open-Source-Oberfläche eine Platzhalterimplementierung dort hat, wo die Deutungen stehen sollten. Die kommerzielle Website, die das Projekt finanziert, bleibt geschlossen.
__Warum es zählt__
Die größten Textkorpora entstehen nicht mehr nur durch Scraping oder dadurch, dass ein Modell Text ausscheidet. Hier hat eine einzelne, nebenbei betriebene Website für chinesische Astrologie 56,6 Gigabyte davon aus einer handgeschriebenen Regel-Engine geliefert, kostenlos für kommerzielle Nutzung – und 1.126 Menschen haben das Repository an einem Tag mit einem Stern versehen.
Das ist keine Ankündigung, sondern ein Messpunkt: Die Kosten für die Produktion von Text in Domänengröße sind so weit gefallen, dass ein Nischenprojekt sie nebenbei stemmt. Die Frage, die folgt, ist unbequem und gilt weit über Astrologie hinaus: Wenn Volumen billig ist, wird Seltenheit – echte Beobachtung, echte Variation, echte Überraschung – zum einzigen knappen Gut.
