Eigene Modelle
Ein Modell, das deine Arbeitsweise gelernt hat.
Ein guter Prompt erklärt einem fremden Modell jedes Mal neu, wie bei dir gearbeitet wird. Ein eigenes Modell hat es gelernt. Wir trainieren ein offenes Basismodell auf dein Wissen weiter — der Datensatz gehört dir und überlebt jeden Modellwechsel.
Der Unterschied
Erklären, nachschlagen, oder wissen.
Es gibt drei Stellen, an denen eine Regel landen kann. Die dritte ist die einzige, die den Modellwechsel überlebt.
Im Prompt
gilt bis zum nächsten Fenster
In den Gewichten
gilt, ohne dass es jemand hinschreibt
Im Gedächtnis
gilt, wenn danach gesucht wird
Der Datensatz ist das Vermögen, nicht das Modell
Ein trainiertes Modell veraltet, wie jedes Modell. Der Datensatz, aus dem es entstand, veraltet nicht. Kommt in einem Jahr ein besseres Basismodell, trainieren wir aus demselben Datensatz neu. Deshalb gehört er dir, schriftlich.
Deine Daten gehen nie in ein gemeinsames Modell
Jeder Kunde bekommt seinen eigenen Trainingslauf und seine eigenen Gewichte. Es gibt kein StudioMeyer-Modell, das aus Kundendaten aller Kunden zusammengelernt hat. Das ist keine Einstellung, das ist die Architektur.
Kein Anbieter-Zwang
Das Basismodell ist offen lizenziert, das Ergebnis läuft auf deiner Hardware oder in deiner Cloud. Du brauchst uns danach nicht, um es zu betreiben. Du brauchst uns, wenn du es weiterentwickeln willst.
Einordnung
Meistens brauchst du kein Training.
Finetuning ist für Form, nicht für Fakten. Es gibt vier Stufen, und jede kommt erst dran, wenn die davor gemessen versagt hat, nicht gefühlt.
- 1
Prompt
Die Regel steht in der Anweisung. Kostet nichts, ist sofort änderbar, gilt bis zum nächsten Kontextfenster.
- 2
Gedächtnis
Wissen, das sich ändert, gehört hierher: Preise, Bestände, Kundenhistorie. Nachschlagen statt einlernen.
- 3
Training
Erst wenn Form, Fachvokabular oder Werkzeug-Aufrufe reproduzierbar danebenliegen. Dann wird Verhalten in die Gewichte gelegt.
- 4
Distillation
Ein großes Modell bringt einem kleinen bei, wie es antwortet. Für den Fall, dass es klein, schnell und billig laufen muss.
Wir prüfen zuerst, ob ein guter Prompt und ein Gedächtnis reichen. In den meisten Fällen tun sie das, und dann sagen wir das auch, statt einen Trainingslauf zu verkaufen.
Vier Wege hinein
Wo eine Regel landet, entscheidet ob sie hält.
Nicht jede Regel gehört in die Gewichte. Manches ist im Prompt richtig aufgehoben, manches im Gedächtnis, manches muss hart abgesichert werden. Wir sortieren das vor dem ersten Trainingslauf.
Wissen
Was dein Betrieb weiß: Produkte, Preislogik, Sonderfälle, die Namen, die nur bei dir so heißen. Heute steht das in einer Anleitung neben dem Modell und wird bei jeder Anfrage mitgeschickt.
Nach dem Training weiß es das Modell. Das macht Antworten kürzer, schneller und weniger abhängig davon, ob die richtige Textstelle gefunden wurde.
Abläufe
Wie bei dir gearbeitet wird: In welcher Reihenfolge, mit welchen Zwischenschritten, wann jemand gegenlesen muss. Als Regelwerk aufgeschrieben wird das schnell länger als es hilft.
Als gelernte Reihenfolge braucht es keine Aufzählung mehr. Das Modell macht es so, wie es in deinen Beispielen gemacht wurde.
Verhalten
Wie geantwortet wird: Ton, Länge, Grenzen. Was nie zugesagt werden darf. Wann nicht geraten, sondern nachgefragt wird. Genau das, was in einer Anleitung am schnellsten ignoriert wird.
Verhalten trainieren heißt Beispiele bevorzugen und ablehnen, nicht Regeln schreiben. Was hart bleiben muss, sichern wir zusätzlich außerhalb des Modells ab.
Roboter-Anbindung
Ein Roboter ist aus Sicht des Systems ein weiterer Client, der Werkzeuge aufruft — wie ein Chat-Fenster, nur mit Armen. Die Schnittstelle dafür ist dieselbe, die wir schon für Verbinder und Systeme bauen.
Der Roboter geht irgendwann, das gelernte Wissen über deinen Betrieb bleibt. Deshalb bauen wir es nicht in den Roboter, sondern daneben.
Ehrlich
Was ein Training löst, und was nicht.
Das löst es
Exaktes Ausgabeschema
Dasselbe Formular, dieselbe JSON-Struktur, zehntausendmal, ohne Ausreißer.
Enges Fachvokabular
Branchensprache, interne Kürzel, Normen, ohne dass jemand sie bei jedem Aufruf neu erklärt.
Markenstimme
Konsistent, ohne dreiseitigen Prompt vor jeder Antwort.
Verlässliche Werkzeug-Aufrufe bei kleinen Modellen
Praktisch der wichtigste Punkt: Kleine Modelle rufen Werkzeuge erst nach einem Training zuverlässig richtig auf.
Das löst es nicht
Frisches oder wechselndes Wissen
Preise, Bestände, Termine gehören ins Gedächtnis, nicht in die Gewichte. Was sich ändert, wird nachgeschlagen.
Aus klein wird nicht klug
Ein kleines Modell wird enger und verlässlicher, nicht klüger. Wer behauptet, ein Training mache aus einem 8B-Modell ein Spitzenmodell, verkauft etwas Falsches.
Lernen hat Nebenwirkungen
Ein Modell vergisst an anderer Stelle, wenn es Neues lernt. Dagegen arbeitet man mit Datenmischung, aber man muss es wissen.
Ohne getrenntes Testset weiß niemand etwas
Ohne beiseitegelegte Beispiele lässt sich nicht sagen, ob ein Lauf etwas verbessert oder kaputtgemacht hat. Daran scheitern die meisten Projekte.
Womit
Womit wir das bauen.
Offene Modelle, nachvollziehbare Verfahren, nichts Geheimes. Wer den Stack kennt, kann jede Zahl nachprüfen.
- Basismodell
- Ein offen lizenziertes Modell, das kommerzielle Weiterentwicklung erlaubt (Apache 2.0). Die Wahl richtet sich nach Aufgabe und Hardware, nicht nach Mode.
- QLoRA + SFT
- Unser Standardfall, er deckt rund 95 Prozent der Vorhaben ab: Ausgabeformat, Fachvokabular, Stimme und Tool-Calls. Trainiert wird ein Adapter, nicht das ganze Modell. Das hält Läufe bezahlbar und erlaubt mehrere Spezialisierungen auf einer Basis.
- DPO / SimPO
- Stufe zwei, sobald das überwachte Training sitzt. Nachgeschärft wird an Paaren nach dem Muster: A ist besser als B. Verhalten kommt aus dieser Stufe, nicht aus der ersten.
- GRPO / DAPO
- Verstärkendes Lernen mit prüfbarer Belohnung, bei uns für den Orchestrator. Lohnt nur, wenn Richtigkeit maschinell messbar ist. Bei Tool-Calls ist sie genau das.
- Eigene Hardware oder Miet-GPU
- Der Lauf passiert, wo die Daten liegen dürfen. Für sensible Datensätze lokal, sonst auf gemieteten GPUs, die nach dem Lauf gelöscht werden.
- Auswertung
- Vor dem Ausliefern gegen einen Testsatz aus deinem Alltag geprüft, nicht gegen einen Papier-Benchmark. Kein Ergebnis ohne Vergleichsmessung gegen das untrainierte Modell.
Ablauf
Acht Schritte.
- 01
Zielverhalten festlegen, Testset zuerst bauen
Vor der ersten Zeile Trainingsdaten steht die Frage: Woran erkennen wir, dass es funktioniert hat? Ein Satz Beispiele wird beiseitegelegt und im Training nie angefasst.
- 02
Prüfen, ob es ohne Training geht
Prompt und Gedächtnis werden gegen dasselbe Testset gemessen. Reicht das, ist das Projekt hier zu Ende, zu deinen Gunsten.
- 03
Datensatz aufbauen
Der ehrlichste Punkt der Seite: In Unternehmensprojekten sind 30 bis 50 Prozent der Gesamtkosten reine Datenaufbereitung. Beispiele kommen aus dem echten Betrieb, bekommen Herkunft und Datum und werden versioniert wie Quellcode.
- 04
Verfahren und Basismodell wählen
Für rund 95 Prozent der Fälle QLoRA mit überwachtem Feintuning. Das Modell selbst bleibt unangetastet, gelernt wird in kleinen Zusatzmatrizen. Das Ergebnis ist eine Datei von wenigen hundert Megabyte, kein neues Modell.
- 05
Trainieren auf gemieteter Rechenleistung
Keine eigene Hardware nötig. Die Karte wird stundenweise gemietet und danach abgeschaltet.
- 06
Messen gegen das beiseitegelegte Testset
Vorher und nachher, mit Zahlen. Kein Bauchgefühl, kein „fühlt sich besser an".
- 07
Ausliefern
Ein Basismodell trägt mehrere Spezialisten gleichzeitig, jeder als eigene kleine Datei. Statt fünf Modellen à 20 GB läuft ein Modell mit fünf Aufsätzen.
- 08
Pflegen
Kommt eine neue Modellgeneration, wird aus demselben Datensatz ein neuer Aufsatz trainiert. Genau deshalb ist der Datensatz das Vermögen und nicht das Modell.
FAQ
Häufige Fragen
Warum nicht einfach einen besseren Prompt schreiben?
Weil ein Prompt bei jeder Anfrage neu gilt und mit dem Kontextfenster endet. Für viele Aufgaben reicht das, und dann empfehlen wir genau das. Ein eigenes Modell lohnt sich, wenn dieselbe Erklärung tausendfach mitgeschickt wird, oder wenn eine Regel auch dann halten muss, wenn niemand sie hinschreibt.
Ist das ein eigenes Modell, wenn ihr ein bestehendes weitertrainiert?
Es ist ein eigenes Modell in dem Sinne, dass die Gewichte deine sind und aus deinen Daten entstanden. Es ist kein von null gebautes Modell — das baut niemand mit vernünftigem Budget, und wer es behauptet, verkauft dir etwas anderes. Die Lizenz des Basismodells erlaubt kommerzielle Weiterentwicklung ausdrücklich.
Gehen unsere Daten in ein Modell, das andere nutzen?
Nein. Jeder Kunde bekommt einen eigenen Lauf und eigene Gewichte. Ein gemeinsames Modell aus Kundendaten gibt es nicht — nicht als Zusage, sondern weil wir es so nicht bauen.
Was kostet das?
Der Preis richtet sich nach dem Umfang des Datensatzes, nicht nach Rechenzeit. Die Rechenzeit ist der kleinere Posten. Was Zeit kostet, ist das Sortieren und Aufbereiten deines Materials, und das sehen wir erst, wenn wir es angeschaut haben.
Woran sehen wir, dass das funktioniert?
Wir fahren das Verfahren an unserem eigenen Orchestrator, dem System hinter der KI-Station. Was wir bei dir bauen, laeuft bei uns im eigenen Betrieb. Und gemessen wird gegen deinen eigenen Testsatz, nicht gegen einen Papier-Benchmark: ohne Vergleich zum untrainierten Modell liefern wir nicht aus.
Und was ist mit n8n und Workflow-Automatisierung?
Bauen wir, wenn ein Ablauf es braucht. Es steht nur nicht als eigenes Produkt im Regal, sondern kommt als Teil des Systems, das wir bei dir bauen. Der Grund ist einfach: Ein einzelner Mail-Waechter bringt wenig, wenn er deinen Betrieb nicht kennt. Genau darum geht es auf dieser Seite.
Nächster Schritt
Welche Erklärung schickst du jeden Tag mit?
Erzähl uns, was dein Modell jedes Mal neu lernen muss. Wir sagen dir ehrlich, ob das ins Training gehört oder in einen besseren Prompt.