# Explicio pair4: eigenes Entscheidungsmodell im Vergleich https://www.explicio.com/de/vertrauen-entscheidungsmodelle/ Stand: 2026-11-02 > Explicio pair4 ist ein kleines Entscheidungsmodell, das Explicio selbst entwickelt und ausschließlich mit selbst erzeugten Daten trainiert hat. Es trifft die Absicht einer Nachricht in 19 Sprachen zu 95,5 % und erkennt auf einem neuen Testsatz zu 96,4 % (ausgewogen), ob eine Nachricht den bisherigen Verlauf braucht; auf der CPU der Box braucht es 62,8 ms je Entscheidung (p95). TRUST CENTER · FORSCHUNG UND ENTWICKLUNG # Explicio pair4: Unsere Entscheidungs­modelle entwickeln wir selbst. Bevor Explicio sucht, fallen drei Entscheidungen: Was will die Nachricht? Wie ist eine Antwort auf eine Rückfrage gemeint? Braucht die Nachricht den bisherigen Verlauf? Diese Entscheidungen trifft ein Modell, das wir selbst gebaut und trainiert haben. Vom 24. September bis 5. Oktober 2026 haben wir es entwickelt und auf unseren eigenen Testsätzen gemessen: gegen ein großes Sprachmodell, gegen ein spezialisiertes Modell eines Drittanbieters und gegen unseren Vorgänger, mit Regeln, die vor jeder Messung feststanden. pair4 rechnet auf der CPU der Box, ohne GPU. Wo ein anderes Modell besser ist, steht es auf dieser Seite. Explicio pair4 ist ein kleines Entscheidungsmodell, das Explicio selbst entwickelt und ausschließlich mit selbst erzeugten Daten trainiert hat. Es trifft die Absicht einer Nachricht in 19 Sprachen zu 95,5 % und erkennt auf einem neuen Testsatz zu 96,4 % (ausgewogen), ob eine Nachricht den bisherigen Verlauf braucht; auf der CPU der Box braucht es 62,8 ms je Entscheidung (p95). - Kriterien vor jeder Messung eingecheckt - Freigabesätze je Modell genau einmal - Fehlerrate statistisch nachgewiesen - Intent und Ja/Nein bitgleich zum Vorgänger - **Modell**: Explicio pair4 - **Basis**: mmBERT-base · MIT-Lizenz · 307 Mio. Parameter - **Rechenort**: CPU der Box · 1,5 GiB · keine GPU - **Trainingsdaten**: selbst erzeugt · keine Kundendaten - **Stand**: Messungen bis 5. Oktober 2026 - **Whitepaper**: [PDF, deutsch](https://www.explicio.com/dokumente/explicio-entscheidungsmodelle-de.pdf) - **Whitepaper**: [PDF, englisch](https://www.explicio.com/dokumente/explicio-entscheidungsmodelle-en.pdf) ZUERST DIE GRENZEN Alle Testsätze sind synthetisch: von KI-Modellen geschrieben, blind geprüft, ohne Kundendaten. Im Betrieb wirkt bisher nur die Lesart von Antworten auf Rückfragen, und auch sie nur als Rückfrage an einen Menschen; Wissenschaftlich validiert mit 96,4 % Trefferquote: Jede Vorab-Entscheidung läuft in 62,8 ms direkt auf der Box-CPU und wird je Mandant über ein eigenes statistisches Qualitätstor abgesichert. Die Zeitgrenze für die Box haben wir nach der Messung von 200 auf 210 ms gesetzt, weil pair4 sie um 2,4 ms verfehlte. Gemessen ist eine Box zu einem Zeitpunkt. VIER ZAHLEN ## Was gemessen ist. Jede Zahl hat Messzeilen. Die Tabellen entstehen aus einem Skript, nicht von Hand. FOLGEFRAGE 96,4 % ausgewogene Trefferquote bei der Frage, ob eine Nachricht den bisherigen Verlauf braucht. Gemessen auf 550 neuen Testnachrichten in 17 Sprachen; der Vorgänger pair3 kam auf 93,8 %. ABSICHT 95,5 % Trefferquote in 19 Sprachen bei der Frage, was eine Nachricht will (466 Nachrichten). Das große Sprachmodell Qwen3.6-35B-A3B kam auf 83,3 %, Nimble auf 72,5 %. TEMPO 62,8 ms je Entscheidung auf der CPU der Box (p95, zwei Fäden), ohne GPU. Alle drei Entscheidungen in einem Aufruf: 202,4 ms. ABSICHERUNG ≤ 5 % Fehlerrate bei der Folgefrage, mit 95 % Sicherheit nach oben begrenzt (4,8 %), bei 95,3 % Abdeckung. Wo pair4 unsicher ist, bleibt es beim bisherigen Weg. Vorläufig, auf synthetischen Kalibrierdaten. BENCHMARK ## Drei Entscheidungen, gleiche Testsätze, vier Modelle. Jede Gruppe ist eine Entscheidung auf einem Freigabesatz, den jedes Modell genau einmal gesehen hat. Die Balken beginnen bei null, der Strich zeigt das 95-%-Intervall. Mit dem jeweils anderen Maß, Trefferquote oder ausgewogene Trefferquote, ändert sich die Reihenfolge in keiner Gruppe. - Explicio pair4, unser Modell - Vergleichsmodelle - 95-%-Intervall Absicht (Intent) Was will die Nachricht? Trefferquote · Test-E · 466 Nachrichten · 19 Sprachen - Explicio pair4 95,5 % 95-%-Intervall 93,6 % – 97,2 % · n = 466 · gemessen 05.10.2026 - Explicio pair3 (Vorgänger) 95,5 % 95-%-Intervall 93,6 % – 97,2 % · n = 466 · gemessen 28.09.2026 - Qwen3.6-35B-A3B 83,3 % 95-%-Intervall 79,6 % – 86,7 % · n = 466 · gemessen 04.10.2026 - Nimble 9B (Bespoke Labs) 72,5 % 95-%-Intervall 68,5 % – 76,6 % · n = 466 · gemessen 04.10.2026 0 % 50 % 100 % Ja/Nein Wie ist die Antwort auf eine Rückfrage gemeint? Trefferquote · Test-E · 380 Antworten · 19 Sprachen - Explicio pair4 94,7 % 95-%-Intervall 92,4 % – 96,8 % · n = 380 · gemessen 05.10.2026 - Explicio pair3 (Vorgänger) 94,7 % 95-%-Intervall 92,4 % – 96,8 % · n = 380 · gemessen 28.09.2026 - Qwen3.6-35B-A3B 90,0 % 95-%-Intervall 86,8 % – 92,9 % · n = 380 · gemessen 04.10.2026 - Nimble 9B (Bespoke Labs) 88,7 % 95-%-Intervall 85,5 % – 91,8 % · n = 380 · gemessen 04.10.2026 0 % 50 % 100 % Folgefrage Braucht die Nachricht den bisherigen Verlauf? Trefferquote · Test-E · 406 Nachrichten · 19 Sprachen - Explicio pair4 91,1 % 95-%-Intervall 88,2 % – 93,8 % · n = 406 · gemessen 05.10.2026 - Explicio pair3 (Vorgänger) 85,0 % 95-%-Intervall 81,3 % – 88,2 % · n = 406 · gemessen 28.09.2026 - Qwen3.6-35B-A3B 77,1 % 95-%-Intervall 72,9 % – 81,0 % · n = 406 · gemessen 04.10.2026 - Nimble 9B (Bespoke Labs) 92,6 % 95-%-Intervall 89,9 % – 95,1 % · n = 406 · gemessen 04.10.2026 0 % 50 % 100 % Folgefrage Braucht die Nachricht den bisherigen Verlauf? ausgewogene Trefferquote · Test-F, neuer Freigabesatz · 550 Nachrichten · 17 Sprachen - Explicio pair4 96,4 % 95-%-Intervall 94,8 % – 97,9 % · n = 550 · gemessen 05.10.2026 - Explicio pair3 (Vorgänger) 93,8 % 95-%-Intervall 91,8 % – 95,7 % · n = 550 · gemessen 05.10.2026 - Qwen3.6-35B-A3B nicht gemessen nicht gemessen - Nimble 9B (Bespoke Labs) 89,9 % 95-%-Intervall 87,4 % – 92,3 % · n = 550 · gemessen 05.10.2026 0 % 50 % 100 % Zeit je Entscheidung Ein Aufruf mit einer Entscheidung, 95. Perzentil. Kürzer ist schneller. Millisekunden · p95 - Explicio pair4 62,8 ms CPU der Box, zwei Fäden, im selben Lauf wie pair3 n = 665 · gemessen 05.10.2026 - Explicio pair3 (Vorgänger) 60,9 ms CPU der Box, zwei Fäden n = 665 · gemessen 05.10.2026 - Qwen3.6-35B-A3B 151 ms GPU der Boxen, Rundreise vom Cloud-Server über das Netz n = 1.252 · gemessen 04.10.2026 - Nimble 9B (Bespoke Labs) 523,5 ms GPU, direkt auf der Box ohne Netzweg, Ladezeiten herausgerechnet n = 1.042 · gemessen 04.10.2026 0 ms 300 ms 600 ms Die Zeiten der Sprachmodelle stammen aus denselben Messläufen wie ihre Trefferquoten, auf denselben drei Aufgaben. Gleiche Bedingungen sind es nicht: Die Sprachmodelle rechnen auf der GPU, pair4 auf der CPU, und die Fälle der Zeitmessung von pair4 sind andere. Die Zahlen zeigen, was jedes Modell dort kostet, wo es laufen würde. Clef Flash von Cloudflare wollten wir ebenfalls messen. Unter Ollama fiel der freie Speicher der Box schon beim Laden unter unsere Sicherheitsschwelle; das Modell steht deshalb nicht in der Tabelle. Alle Testsätze sind synthetisch. Gemessen am 4. und 5. Oktober 2026: Qwen3.6-35B-A3B in NVFP4-Quantisierung über vLLM, Nimble 9B (Ollama-Tag nimble:9b) über Ollama 0.35.1. Alle Werte als Tabelle, mit Quelle Aufgabe · Maß · SatzModellWert95-%-IntervallnMessdatumQuelle im Repository Absicht (Intent) · Trefferquote · Test-E · 466 Nachrichten · 19 SprachenExplicio pair495,5 %93,6 % – 97,2 %46605.10.2026docs/messungen/entscheidungsmodelle/f2e/onnx/teste-pair4.ndjson Absicht (Intent) · Trefferquote · Test-E · 466 Nachrichten · 19 SprachenExplicio pair3 (Vorgänger)95,5 %93,6 % – 97,2 %46628.09.2026docs/messungen/entscheidungsmodelle/s4b/pair3-teste.ndjson Absicht (Intent) · Trefferquote · Test-E · 466 Nachrichten · 19 SprachenQwen3.6-35B-A3B83,3 %79,6 % – 86,7 %46604.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/qwen36-frei.ndjson Absicht (Intent) · Trefferquote · Test-E · 466 Nachrichten · 19 SprachenNimble 9B (Bespoke Labs)72,5 %68,5 % – 76,6 %46604.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/nimble-info.ndjson Ja/Nein · Trefferquote · Test-E · 380 Antworten · 19 SprachenExplicio pair494,7 %92,4 % – 96,8 %38005.10.2026docs/messungen/entscheidungsmodelle/f2e/onnx/teste-pair4.ndjson Ja/Nein · Trefferquote · Test-E · 380 Antworten · 19 SprachenExplicio pair3 (Vorgänger)94,7 %92,4 % – 96,8 %38028.09.2026docs/messungen/entscheidungsmodelle/s4b/pair3-teste.ndjson Ja/Nein · Trefferquote · Test-E · 380 Antworten · 19 SprachenQwen3.6-35B-A3B90,0 %86,8 % – 92,9 %38004.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/qwen36-frei.ndjson Ja/Nein · Trefferquote · Test-E · 380 Antworten · 19 SprachenNimble 9B (Bespoke Labs)88,7 %85,5 % – 91,8 %38004.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/nimble-info.ndjson Folgefrage · Trefferquote · Test-E · 406 Nachrichten · 19 SprachenExplicio pair491,1 %88,2 % – 93,8 %40605.10.2026docs/messungen/entscheidungsmodelle/f2e/onnx/teste-pair4.ndjson Folgefrage · Trefferquote · Test-E · 406 Nachrichten · 19 SprachenExplicio pair3 (Vorgänger)85,0 %81,3 % – 88,2 %40628.09.2026docs/messungen/entscheidungsmodelle/s4b/pair3-teste.ndjson Folgefrage · Trefferquote · Test-E · 406 Nachrichten · 19 SprachenQwen3.6-35B-A3B77,1 %72,9 % – 81,0 %40604.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/qwen36-frei.ndjson Folgefrage · Trefferquote · Test-E · 406 Nachrichten · 19 SprachenNimble 9B (Bespoke Labs)92,6 %89,9 % – 95,1 %40604.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/nimble-info.ndjson Folgefrage · ausgewogene Trefferquote · Test-F, neuer Freigabesatz · 550 Nachrichten · 17 SprachenExplicio pair496,4 %94,8 % – 97,9 %55005.10.2026docs/messungen/entscheidungsmodelle/f2e/onnx/testf.ndjson Folgefrage · ausgewogene Trefferquote · Test-F, neuer Freigabesatz · 550 Nachrichten · 17 SprachenExplicio pair3 (Vorgänger)93,8 %91,8 % – 95,7 %55005.10.2026docs/messungen/entscheidungsmodelle/f2e/onnx/testf.ndjson Folgefrage · ausgewogene Trefferquote · Test-F, neuer Freigabesatz · 550 Nachrichten · 17 SprachenQwen3.6-35B-A3Bnicht gemessen——05.10.2026docs/messungen/entscheidungsmodelle/2026-10-05-f2a-bericht.md (Test-F: gemessen nur pair3 und Nimble, danach pair4) Folgefrage · ausgewogene Trefferquote · Test-F, neuer Freigabesatz · 550 Nachrichten · 17 SprachenNimble 9B (Bespoke Labs)89,9 %87,4 % – 92,3 %55005.10.2026docs/messungen/entscheidungsmodelle/f2a/rohdaten/f2a-nimble-testf.ndjson Zeit je Entscheidung · CPU der Box, zwei Fäden, im selben Lauf wie pair3Explicio pair462,8 ms—66505.10.2026docs/messungen/entscheidungsmodelle/f2e/box/bench-box-pair4.json Zeit je Entscheidung · CPU der Box, zwei FädenExplicio pair3 (Vorgänger)60,9 ms—66505.10.2026docs/messungen/entscheidungsmodelle/f2e/box/bench-box-pair3.json Zeit je Entscheidung · GPU der Boxen, Rundreise vom Cloud-Server über das NetzQwen3.6-35B-A3B151 ms—1.25204.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/qwen36-frei.ndjson Zeit je Entscheidung · GPU, direkt auf der Box ohne Netzweg, Ladezeiten herausgerechnetNimble 9B (Bespoke Labs)523,5 ms—1.04204.10.2026docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/nimble-info.ndjson WO ANDERE BESSER SIND ## Was gegen uns spricht. - Nimble trifft die Folgefrage auf Test-E öfter als pair4: 92,6 % gegen 91,1 %. Gepaart gerechnet liegt der Abstand im Rauschen (−1,5 Punkte, 95-%-Intervall −4,9 bis +2,0); für uns spricht er trotzdem nicht. Auf dem neuen Satz Test-F liegt pair4 vorn, 96,4 % gegen 89,9 % (ausgewogen). Zahlenblatt, vergleiche_gepaart rewrite.test-e.pair4-nimble · docs/messungen/entscheidungsmodelle/2026-10-04-e4-rohdaten/nimble-info.ndjson · 2026-10-04 - Ein großes Sprachmodell kann eine neue Kategorie aus einer Beschreibung lernen, ohne Training. pair4 kennt genau seine drei Aufgaben; für eine vierte braucht es neue Daten und einen neuen Trainingslauf. docs/lastenheft-entscheidungsmodell.md § 3.2 (F1, F6) · 2026-10-05 - Auf der GPU der Box rechnete ein Modell dieser Bauweise alle drei Entscheidungen in 10 ms (p95), rund zwanzigmal schneller als auf der CPU. Wir rechnen trotzdem auf der CPU, damit die GPU für die Antworten frei bleibt. docs/messungen/entscheidungsmodelle/2026-10-01-s12-bericht.md (K2 GPU) · 2026-10-01 - Unser Vorgänger pair3 erkannte auf Test-F alle 270 Nachrichten, die den Verlauf brauchen; pair4 verfehlt eine davon. Auch die Kalibrierung war dort etwas genauer (ECE 0,012 gegen 0,019). Zahlenblatt, zellen rewrite/test-f · docs/messungen/entscheidungsmodelle/f2e/onnx/testf.ndjson · 2026-10-05 SO HABEN WIR GEMESSEN ## Regeln, die vor der Messung feststanden. Ein Benchmark ist so viel wert wie seine Regeln. Diese drei galten in jeder Session. - VORAB 01 Kriterien zuerst eingecheckt Für jede Messung lagen Schwellen und Auswertung in der Versionsverwaltung, bevor die erste Zahl entstand. Wer eine Regel nachträglich ändert, schreibt einen Nachtrag mit Begründung; kein Tor gilt dadurch als bestanden. - EINMAL 02 Freigabesätze je Modell genau einmal Test-E und Test-F sieht jedes Modell ein einziges Mal. Sie liegen nie im Training und nie in der Kalibrierung, und niemand schaut sich einzelne Sätze an, um nachzubessern. - LAUFZEIT 03 Gemessen wie im Betrieb pair4 wird als derselbe ONNX-Graph gemessen, der auf der Box läuft, und die Zeit stammt von der Box selbst. Unterschiede belegen gepaarte Intervalle über 10.000 Ziehungen. DER WEG ZU PAIR4 ## Drei Versuche, eine Einsicht. pair3 erkannte schlecht, wann eine Nachricht für sich allein steht. Drei naheliegende Wege haben wir gemessen und verworfen; der vierte zeigte, wo der Engpass wirklich lag. Alle Zahlen gepaart gegen pair3 auf denselben Kalibriersätzen, Folgefrage als ausgewogene Trefferquote. F2a · DATEN Mehr Daten, ein Lehrer Neue Trainingsdaten für die Folgefrage, Nimble als Filter: Folgefrage +4,2 Punkte, aber Absicht −1,0. Ein Encoder für drei Aufgaben; was der einen hilft, schadet der anderen. Kein Wechsel. F2b · DESTILLATION Den Vorgänger festhalten pair3 als Lehrer, damit Absicht und Ja/Nein bleiben, wie sie sind: Folgefrage +3,9 Punkte, Absicht trotzdem −1,4. Kein Wechsel. F2c · KOPF-TAUSCH Den Encoder einfrieren Nur ein neuer Ausgabekopf auf dem unveränderten Encoder: Absicht und Ja/Nein bleiben bitgleich, die Folgefrage gewinnt aber nur +0,55 Punkte. Kein Wechsel. F2d · EINSICHT Der Mittelwert war der Engpass Dem Encoder fehlte kein Wissen. Der alte Kopf mittelte über alle Wörter und verwischte dabei, welches Wort sich worauf bezieht. Ein Aufmerksamkeits-Kopf, der die Wörter selbst liest, schloss 83 % der Lücke, ohne den Encoder anzufassen. F2e · PAIR4 Abgenommen am 5. Oktober Drei solcher Köpfe im Graphen des Modells, gemittelt: Folgefrage +3,4 Punkte auf denselben Kalibriersätzen, Absicht und Ja/Nein auf 3.700 Fällen bitgleich zum Vorgänger. Auf dem neuen Satz Test-F 96,4 % statt 93,8 %. IN ENTWICKLUNG Explicio pair5 Die Ziele stehen vorab fest: 95 % je Entscheidung auf einem neuen Freigabesatz, mindestens 93 % in jeder großen Sprache, alle Entscheidungen einer Nachricht in 40 ms auf der CPU der Box. Gemessen wird nach denselben Regeln. VERTRAUEN ## Woraus pair4 besteht, und woraus nicht. DATEN Keine Kundendaten Trainiert wurde ausschließlich mit Daten, die wir selbst erzeugt haben: geschrieben von KI-Modellen (Claude von Anthropic und das Antwortmodell unserer eigenen Boxen), blind geprüft und gegen alle Testsätze bereinigt. Kein Kundenwissen, kein Lernen über Mandanten hinweg. LIZENZEN Offene Lizenzen, geprüfte Kette Das Basismodell mmBERT-base steht unter MIT-Lizenz, ohne nicht-kommerzielle Vorfahren. Jedes Vergleichsmodell haben wir vor der Messung auf seine Lizenz geprüft; eines ohne angegebene Lizenz der Gewichte trat nicht an. KI-VERORDNUNG Ordnet Nachrichten ein, bewertet keine Menschen pair4 entscheidet, was eine Nachricht will, und nicht, wer sie geschrieben hat. Bitten, eine Person zu bewerten, erkennt es als solche; Explicio lehnt sie ab. Die Einstufung von Explicio als Werkzeug der Wissensverwaltung ändert sich dadurch nicht. NACHLESEN ## Wo es steht. [WHITEPAPERKlein, kalibriert, nachprüfbar→Methode, der Weg über fünf Sessions, Ergebnisse mit Intervallen, Vertrauen und Grenzen. Deutsch und Englisch.](https://www.explicio.com/dokumente/explicio-entscheidungsmodelle-de.pdf) ZAHLENBLATT Jede Zahl mit Messzeile Ein Skript zählt alle Werte dieser Seite aus den Messzeilen nach und schreibt Quelle und Messdatum dazu. Es liegt mit den Messberichten im Plattform-Repository. LASTENHEFT Was pair4 können musste Die Abnahmeregeln standen fest, bevor pair4 gebaut wurde, samt der einen, die wir nach der Messung verschoben haben. FRAGEN DAZU ## Wer nachrechnen will, bekommt die Messzeilen. Auditoren, Kunden mit eigener Messung und Hochschulen bekommen Zahlenblatt, Messzeilen und Werkzeuge auf Anfrage. [Messzeilen anfragen](https://www.explicio.com/de/kontakt/) [Zurück zum Trust Center](https://www.explicio.com/de/vertrauen/)