Att välja en öppen källkodsmodell för tyska: Hur man testar korrekt

Vilken öppen källkodsmodell som talar tyska bäst besvaras inte pålitligt genom en rankning – utan genom ett test med dina egna uppgifter. Sammanställ 30 till 50 verkliga exempel, avgör hur du kan känna igen ett bra svar, och jämför två till fyra modeller som Qwen, Llama, Mistral och gpt-oss under samma förhållanden.

Offentliga topplistor mäter vanligtvis engelska uppgifter, ofta akademiskt. Det står inte om en modell artigt formulerar ett tyskt kundbrev eller läser deadlines från ett meddelande korrekt. Denna artikel visar en enkel testmetod.

De vanliga kandidaterna

Alla fyra kan användas via leverantörer som IONOS AI Model Hub från tyska datacenter eller lokalt, till exempel med Ollama. Ollama förklarar vad Ollama är på ett enkelt sätt.

Steg 1: Samla in verkliga uppgifter

Ta exempel från vardagslivet, inte påhittade provfrågor:

• 10 mejl att klassificera eller svara på
• 10 frågor för dina dokument med kända korrekta svar
• 10 dokument från vilka data ska läsas (belopp, tidsfrister, namn)
• 5 texter att sammanfatta
• Några gränsfall: dialekt, tekniska termer, förkortningar, stavfel

Steg 2: Sätt kriterier

Steg 3: Jämför rättvist

1. Samma påstående och exempel för alla modeller.
2. Samma inställningar (t.ex. låg "temperatur" för faktauppgifter).
3. Låt svar utvärderas hemligt – utvärderaren vet inte vilken modell som svarade.
4. Sammanfatta resultaten i en tabell och ge poäng för varje kriterium.

Steg 4: Inkludera kostnader och drift

Den bästa modellen är inte alltid den största. Om en medelstor modell löser 95 % av uppgifterna korrekt och en stor 97 %, kan den medelstora modellen ligga klart före ekonomiskt. Om du driver eget företag räknas också vilken hårdvara modellen körs på – se Hårdvara för din egen AI.

Typiska fynd från sådana tester

• Små modeller är ofta förvånansvärt bra på att klassificera och läsa ut, svagare för långa, fria texter.
• Språkliga nyanser som artiga former skiljer sig märkbart mellan modellerna.
• Bra instruktioner får ut mer av vilken modell som helst än ett modellbyte.

Vi utför sådana jämförande tester med dina data och rekommenderar en modell från vår översikt av öppna källkodsmodeller för språk – lämplig för uppgiften, budgeten och dataskyddet.

Rådgivning och medföljande genomförande är berättigad till finansiering: Genom INQA-coaching täcker den federala regeringen 80 % av konsultkostnaderna på upp till 1 200 euro per dag i upp till 12 dagar, det vill säga upp till 11 520 euro i subvention. I Mecklenburg-Vorpommern och de andra nya delstaterna är BAFA-konsultfinansiering också berättigad till 80 % fram till 31.12.2026 (50 % i de gamla delstaterna). Finansiering ges till konsultation, inte mjukvara. Finansieringskontrollen visar vilket program som passar.

Vanliga frågor

Vilken öppen källkodsmodell är bäst för tyska?

Detta beror på uppgiften och förändras med varje ny modellgenerering. Vanliga kandidater är Qwen, Llama, Mistral och gpt-oss. Ett test med egna exempel är mer meningsfullt än någon ranking.

Hur många testexempel behöver jag?

För ett pålitligt beslut räcker vanligtvis 30 till 50 verkliga exempel från ditt vardagsliv, inklusive några gränsfall.

Är små modeller lämpliga för tyska?

För tydligt definierade uppgifter som att klassificera eller läsa data, ofta ja. För långa, fria texter ger större modeller vanligtvis mer naturlig tyska.

Kan jag testa modellerna utan att köpa hårdvara?

Ja, till exempel via IONOS AI Model Hub, som erbjuder flera öppna modeller från tyska datacenter och fakturerar efter förbrukning.

Vill du hitta rätt modell för dina uppgifter? Kontakta oss via kontaktsidan.