Basismodelle
Der Katalog der Open-Source-Sprachmodelle, die zum Finetuning auf der KI-Plattform zur Verfügung stehen.
Der Basismodell-Katalog der KI-Plattform ist für diese Version bewusst schmal gehalten: kleine, freizügig lizenzierte, LoRA-/QLoRA-freundliche Modelle, die sich in angemessener Zeit ohne GPU-Infrastruktur finetunen lassen. Größere und GPU-gestützte Modelle sollen im Laufe der Zeit zum Katalog hinzukommen.
GET /v2/ai-platform/base-modelsKatalog
| Modell | Slug | Familie | Checkpoint | Parameter | Lizenz | Kosten | Geschätzte Zeit | Empfohlen für |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5 0.8B | qwen3.5-0.8b | Qwen | Multimodal | 0,8B | Apache 2.0 | 100 Credits | ~25 Min | Schnellste Option — Ein-Label-Klassifikation |
| Qwen3.5 2B | qwen3.5-2b | Qwen | Multimodal | 2B | Apache 2.0 | 150 Credits | ~40 Min | Mehrsprachige Klassifikation |
| Qwen3.5 4B | qwen3.5-4b | Qwen | Multimodal | 4B | Apache 2.0 | 200 Credits | ~70 Min | Mehrsprachiges Befolgen von Anweisungen, Entitätsextraktion, agentische Tool-Nutzung |
| Ministral 3 3B | ministral-3-3b | Ministral | Multimodal | 3B | Apache 2.0 | 200 Credits | ~65 Min | Edge-optimiertes, allgemeines Befolgen von Anweisungen mit Function Calling |
| Granite 4.1 3B | granite4.1-3b | Granite | Textbasiert | 3B | Apache 2.0 | 200 Credits | ~60 Min | Enterprise-RAG, Tool-Calling, strukturierte JSON-Ausgabe |
| Gemma 4 E2B | gemma4-e2b | Gemma | Multimodal | 2,3B | Gemma Terms of Use | 150 Credits | ~50 Min | Leichtgewichtiges Reasoning und strukturierte Ausgabeextraktion |
Die Kosten sind ein fester, im Voraus bekannter Credit-Betrag pro Lauf — bekannt, bevor Sie starten, nicht nach Trainingszeit oder Tokens abgerechnet. Siehe Finetuning-Läufe für Details zu Abrechnung und Ausführung.
Checkpoint gibt die native Architektur des Basismodells an — nicht, worauf Sie trainieren können. Ministral 3, Gemma 4 und Qwen3.5 sind bei jeder verfügbaren Größe von Haus aus multimodal (Text, Bild und — bei Gemma 4 — Audio); Granite 4.1 ist ein reines Textmodell. Unabhängig von Ihrer Wahl finetuned die KI-Plattform stets nur mit den Text-Trainingsdaten, die Sie bereitstellen — LoRA-Adapter werden ausschließlich auf die Sprachmodell-Komponente beschränkt, nie auf Vision-/Audio-Encoder, sodass sich die benötigten Daten nicht unterscheiden.
Trainingsmethode
Jedes Basismodell wird per LoRA (Low-Rank Adaptation) feingetunt, einer parameter-effizienten Finetuning-Methode, die einen kleinen Adapter auf dem eingefrorenen Basismodell trainiert, statt alle seine Gewichte zu aktualisieren. Das hält Läufe in dieser Version auf reiner CPU-Infrastruktur schnell und erschwinglich. Der resultierende Adapter wird mit dem Basismodell zusammengeführt und für die Bereitstellung in GGUF konvertiert.
Bereitstellung
Nach Abschluss eines Laufs wird das zusammengeführte Modell in GGUF konvertiert und unter einem organisationsspezifischen Tag (crowdee-{organizationId}-{baseModelSlug}) bei Crowdees Ollama-Laufzeitumgebung registriert — sichtbar in Ihrem Modellregister.
Wie hilfreich ist diese Seite?
Anweisungs-/Antwort-Vorlage
Eine vorgefertigte SurveyJS-Vorlage und eine Schritt-für-Schritt-Anleitung zum Einrichten eines Crowd-Platform-Jobs, der KI-Plattform-taugliche Trainingsdaten erzeugt.
Finetuning-Läufe
Wie Sie einen Finetuning-Lauf starten, seinen Status verfolgen und das resultierende Modell in Ihrem Register finden.