[

Training

]

Ihre Daten. Ihre Evals. Ihr Modell.

Post-Training auf Ihren echten Fällen, gemessen an Evals, die Ihre Fachleute definieren. Trainiert und gehostet in der EU, zu einem Bruchteil der Kosten einer Frontier-API, und die Weights gehören Ihnen.

  • Border Shape
  • Border Shape

[

KONTINENT TRAINING

]

Jeder Run sichtbar, jeder Checkpoint messbar.

Datensätze, Trainingsläufe, Evals und Checkpoints an einem Ort. Sie sehen jederzeit, was das Modell gelernt hat, was es kostet und ob es die Baseline schlägt.

Runs

Training

Evals

Projekt

Datensätze

Modelle

Checkpoints

Deployments

Endpoints

Optimierung

Governance

Audit-Log

Export

Dokumentation

Runs / Training / claims-triage-08

EU · Frankfurt

Lauf 08

claims-triage-08

qwen3-32b · 8 Traces

Läuft · Schritt 15 von 24

Grader: Sachbearbeiter-Gold, 4 Tasks je Schritt, Eval alle 5 Schritte gegen dasselbe eingefrorene Set

Lauf pausieren

Grader-Score

0,502

+0,196 seit Schritt 0

GPU-Stunden

128

H200, Frankfurt

Tokens verbraucht

8,4 Mio.

in 15 Schritten

Grader-Score je Schritt

Train gegen Eval, dasselbe eingefrorene Set

Lauf 08 · live

Schritt

Grader

Tokens in

Tokens out

eval@0

0,306

659.945

3.773

train@0

0,362

4.093.720

15.197

train@5

0,460

253.060

9.497

eval@9

0,445

131.746

6.096

eval@14

0,495

123.951

5.915

train@15

0,502

198.135

11.351

Datensätze außerhalb der EU: 0

Letzter Checkpoint: v15 gespeichert

Checkpoints ansehen

  • Border Shape
  • Border Shape

[

EVAL-GATE

]

Vor dem Training wird gemessen.

Das Eval-Set steht vor dem ersten Training.

Es entsteht aus Ihren echten Fällen und wird eingefroren. Danach ist jeder Fortschritt messbar und jede Behauptung überprüfbar.

Trainiert wird in Ihrem Harness.

Die Lernumgebung ist die Umgebung, in der das Modell später arbeitet: Ihre Tools, Ihre Prompts, Ihre Formate. Was im Training zählt, zählt auch in der Produktion.

Ausgerollt wird nur, was die Baseline schlägt.

Jeder Checkpoint läuft gegen dasselbe Set. Neue Versionen gehen hinter denselben Endpoint, Rollback jederzeit, ohne Eingriff in Ihre Integration.

  • Border Shape
  • Border Shape
  • Border Shape

[

DER ABLAUF

]

Von der ersten Messung bis zum eigenen Modell.

Kein Proof of Concept, der im Sand verläuft. Vier Schritte mit einem Abbruchkriterium nach dem zweiten.

01

Eval-Set

Wir sammeln mit Ihren Fachleuten echte Fälle, legen fest, was als richtig gilt, und frieren das Set ein.

Woche 1 bis 2

01

Eval-Set

Wir sammeln mit Ihren Fachleuten echte Fälle, legen fest, was als richtig gilt, und frieren das Set ein.

Woche 1 bis 2

02

Baseline

Ihr heutiges Setup und ein starkes offenes Modell laufen gegen dasselbe Set. Erst danach reden wir über Training.

Woche 2

02

Baseline

Ihr heutiges Setup und ein starkes offenes Modell laufen gegen dasselbe Set. Erst danach reden wir über Training.

Woche 2

03

Training

Post-Training auf Ihren Daten, in Ihrem Harness, auf dedizierten GPUs in der EU. Jeder Checkpoint wird geprüft.

Woche 3 bis 6

03

Training

Post-Training auf Ihren Daten, in Ihrem Harness, auf dedizierten GPUs in der EU. Jeder Checkpoint wird geprüft.

Woche 3 bis 6

04

Deployment

Der erste Checkpoint, der die Baseline schlägt, geht auf einen Endpoint. Danach beginnt der Verbesserungszyklus.

ab Woche 6

04

Deployment

Der erste Checkpoint, der die Baseline schlägt, geht auf einen Endpoint. Danach beginnt der Verbesserungszyklus.

ab Woche 6

  • Border Shape
  • Border Shape

Fragen zum Training

Welche Daten brauchen Sie für ein Training?

Am wichtigsten sind echte Fälle mit einer Entscheidung: bearbeitete Vorgänge, geprüfte Dokumente, korrigierte Antworten. Für das Eval-Set reichen oft einige hundert gut annotierte Fälle, für das Training einige tausend. Was genau gebraucht wird, klärt das Baseline-Audit, bevor Daten bewegt werden.

Fine-Tuning, Distillation oder RL: was setzen Sie ein?

Auf welchem Basismodell trainieren Sie?

Was passiert, wenn das Modell die Baseline nicht schlägt?

Dürfen personenbezogene Daten ins Training?

Wie lange dauert es bis zum ersten Modell?

Wem gehören Weights und Eval-Set?

Welche Daten brauchen Sie für ein Training?

Am wichtigsten sind echte Fälle mit einer Entscheidung: bearbeitete Vorgänge, geprüfte Dokumente, korrigierte Antworten. Für das Eval-Set reichen oft einige hundert gut annotierte Fälle, für das Training einige tausend. Was genau gebraucht wird, klärt das Baseline-Audit, bevor Daten bewegt werden.

Fine-Tuning, Distillation oder RL: was setzen Sie ein?

Auf welchem Basismodell trainieren Sie?

Was passiert, wenn das Modell die Baseline nicht schlägt?

Dürfen personenbezogene Daten ins Training?

Wie lange dauert es bis zum ersten Modell?

Wem gehören Weights und Eval-Set?

  • Border Shape
  • Border Shape

[

LOSGEHEN

]

Fangen Sie mit dem Eval-Set an.

In einem Gespräch klären wir, ob Ihre Aufgabe trainierbar ist, welche Daten dafür nötig sind und was ein eigenes Modell im Betrieb kostet.

  • Border Shape
  • Border Shape