Neurolism
Vision

Worauf wir
hinarbeiten.

Eigene Gewichte, mit der Konsistenzschicht in der Architektur statt um das Modell eines anderen gewickelt. Ein mittleres Modell, das bei der Antwortqualität mithält. Lernen aus dem, was gezeigt wird, nicht nur aus dem, was geschrieben steht. Und ein System, das weiterlernt, ohne zu vergessen, was es wusste.

Roadmap

Was wann kommt.

Quartale, keine Daten. Ein Forschungsziel mit einem Tag daneben ist ein Datum, das falsch sein wird; ein Quartal ist die ehrliche Auflösung, die wir haben. Was schon erledigt ist, bleibt stehen und wird so markiert, statt still zu verschwinden.

  1. Q3 2026erledigt

    Das Produkt steht

    • Web-App, Desktop-App für Windows, API mit eigenen Schlüsseln
    • Lumen antwortet in drei Grössen, mit demselben Abstain-Verhalten
    • Achtundvierzig Werkzeuge, die das Modell selbst aufruft, einundvierzig davon bei jeder Statusprüfung neu getestet
    • Abonnemente und vorausbezahltes Guthaben für Firmen
    • Eine Messumgebung, die bei jeder Änderung läuft
  2. Q4 2026läuft

    Gedächtnis, Teams und Reichweite

    • Zwei-Faktor-Authentifizierung per E-Mail für Konten mit API-Schlüsseln (erledigt)
    • Teamkonten mit Einladungen und ein Nutzungs-Dashboard pro Mitglied und pro Schlüssel (erledigt)
    • Lumen Large in Produktion, und die Schicht darum kalibriert (erledigt)
    • Deine eigenen Dokumente als durchsuchbarer Index, jede Antwort mit zitierter Stelle
    • Projekte: ein Ordner mit Gesprächen, die Dateien und Anweisungen teilen
    • Artefakte: ein Dokument, das an Ort und Stelle bearbeitet statt neu eingefügt wird
    • MCP, damit Werkzeuge, die andere schreiben, hier funktionieren, ohne dass wir sie schreiben
  3. Q1 2027geplant

    Antwortqualität

    • Preference Tuning nach der Instruktionsphase
    • Längeres Nachdenken vor der Antwort, mit sichtbaren Schritten
    • Lumen Max, die Spitze der ersten Familie
    • Stapelverarbeitung zu einem tieferen Tarif für grosse Mengen
  4. Q2 2027geplant

    Mehr als Text

    • Lernen aus Bildern und Video, nicht nur aus Beschreibungen davon
    • Ein prüfbarer Abstain-Kanal: welcher Beleg welcher Aussage widersprochen hat
    • Verarbeitung in der Schweiz als Standard für Firmenkonten
  5. Nach der Finanzierunggeplant

    Gauss

    • Eigene Gewichte in einer Grösse, die sich zu betreiben lohnt, von null an trainiert statt angepasst
    • Der Konsistenzkopf in der Architektur, der den verborgenen Zustand bewertet, während die Antwort entsteht
    • Ein von Hand gebautes Holdout-Set, und ECE und AUC für die innere Schicht, gemeinsam veröffentlicht
    • Rechenleistung fürs Training: Heute haben wir Hardware zum Antworten, nicht für Training im grossen Massstab
  6. Spätergeplant

    Mehr Sinne

    • Sensorsignale mit physikalischer Ground Truth: Vibration, Spektren, Geruch
    • Kontinuierliches Lernen mit einer gemessenen Bilanz dessen, was sich verändert hat
Die Forschung dahinter

Sechs Ziele, und wie jedes scheitern könnte.

Auf dieser Seite geht es um Dinge, die es noch nicht gibt. Damit ist sie die Seite, die sich am leichtesten unehrlich schreiben lässt. Deshalb hat jeder Eintrag zwei Hälften.

  1. Gewichte · in Arbeit

    Eigene Gewichte, mit der Schicht darin statt darum herum

    Heute liest die Konsistenzschicht Aussagen, auf die sich das Modell schon festgelegt hat. Das funktioniert, und es hat eine Obergrenze: Sie sieht das Modell nie zögern. In unserer eigenen Architektur liest der Kopf den verborgenen Zustand, während die Antwort noch entsteht. Das ist der Unterschied zwischen einem Aufsatz korrigieren und zuschauen, wie er geschrieben wird. Ein Modell davon mit 1.16 Milliarden Parametern gibt es, von null an trainiert, mit dem Kopf verdrahtet über drei Wege: Sprache, Beleg, Abstain. Alles darüber braucht Rechenleistung, die wir nicht besitzen.

    Warum es zählt. Eine Schicht um das Modell eines anderen ist ein gutes Produkt mit einem schmalen Burggraben. Dieselbe Idee in Gewichten, die uns gehören, lässt sich nicht kopieren, indem man eine Basis-URL ändert. Und nur diese Fassung kann sich enthalten, bevor der Satz existiert, statt danach.

    Woran wir merken würden, dass es gescheitert ist

    Wenn der innere Kopf, einmal auf einem echten Holdout-Set kalibriert, nicht besser abschneidet als die äussere Schicht über einem zugekauften Modell, dann ist das Architekturargument falsch. Die ehrliche Folgerung wäre, zu bleiben, wo wir sind, und das zu verkaufen. Das finden wir lieber mit einer Messung heraus als mit einer Lancierung.

  2. Grösse · in Arbeit

    Ein mittleres Modell, das bei der Antwortqualität mithält

    Das Ziel ist kein grösseres Modell. Es ist ein mittleres, dessen Antworten neben denen eines grossen bestehen, bei der Arbeit, die Leute tatsächlich mitbringen: lesen, herausziehen, erklären, entwerfen. Und das im Betrieb nur einen Bruchteil kostet. Der Weg dorthin sind nicht mehr Parameter, sondern eine bessere Arbeitsteilung: Sprache in einem Raum, Belege in einem anderen, und eine Schicht, die merkt, wenn die beiden nicht zusammenpassen.

    Warum es zählt. Inferenz bezahlt man jeden Tag, für immer. Ein System, dessen Kosten linear mit seinem Erfolg wachsen, muss die Preise immer weiter erhöhen, und dieser Druck erreicht irgendwann die Antworten.

    Woran wir merken würden, dass es gescheitert ist

    Wenn die mittlere Grösse nur bei Fragen mit einem grossen Modell mithält, bei denen der Kontext das Wissen schon mitbringt, und überall sonst klar zurückliegt, dann ist das eine Verbesserung beim Routing und keine bei der Qualität. Das würden wir so sagen.

  3. Sinne · in Forschung

    Lernen aus Bildern und Video, nicht nur aus Text

    Text ist eine verlustbehaftete Aufzeichnung einer Welt, die grösstenteils nicht aus Text besteht. Ein Modell, das nur je über eine versagende Maschine gelesen hat, kennt die Sätze, die Menschen darüber schreiben. Eines, das hundert Stunden lang Maschinen beim Versagen zugeschaut hat, weiss etwas, das die Sätze weglassen: wie es kurz davor aussieht. Genau das schreibt niemand auf.

    Warum es zählt. Das meiste Wissen in einer Werkstatt, einem Labor oder einem Operationssaal wurde nie aufgeschrieben. Es wird vorgezeigt.

    Woran wir merken würden, dass es gescheitert ist

    Wenn das Training mit Video ein Modell ergibt, das Aufnahmen flüssig beschreibt, aber keine Frage beantworten kann, die die Aufnahme beantwortet, dann haben wir einen Untertitler gebaut. Das ist ein echtes Produkt, aber nicht dieses.

  4. Sinne · geplant

    Mehr Sensoren als zwei

    Sehen und Sprache sind die beiden, mit denen wir angefangen haben, weil es für sie Daten gibt. Es sind nicht überall die beiden wichtigsten. Vibration verrät, dass ein Lager bald ausfällt. Geruch verrät, dass eine Charge gekippt ist, ein Kabel überhitzt oder ein Patient eine Infektion hat, Stunden bevor ein Messgerät es anzeigt. Das sind Signale mit physikalischer Ground Truth, und damit genau die Art, gegen die eine Konsistenzschicht prüfen kann.

    Warum es zählt. Ein Abstain-Kanal braucht etwas, dem er widersprechen kann. Ein Sensorwert ist ein Beleg, den man sich nicht zurechtargumentieren kann. Das macht ihn zum stärksten denkbaren Partner für ein Sprachmodell.

    Woran wir merken würden, dass es gescheitert ist

    Sensordaten sind eng und teuer zu sammeln. Wenn wir nicht genug von einem Signal sammeln können, um einen spezialisierten Klassifikator bei genau dieser Aufgabe zu schlagen, ist es Eitelkeit, das Signal einem allgemeinen Modell beizubringen.

  5. Lernen · in Forschung

    Kontinuierliches Lernen, ohne zu vergessen, was es wusste

    Heute wird ein Modell am Ende des Trainings eingefroren, und alles danach ist Retrieval. Das ist ein vernünftiger technischer Entscheid und eine schlechte Beschreibung davon, wie Verstehen funktioniert. Wir wollen ein System, das laufend neues Material aufnimmt, mit einer messbaren Bilanz dessen, was sich verändert hat, und ohne das katastrophale Vergessen, das naives Weitertrainieren unbrauchbar macht.

    Warum es zählt. Wissen landet in Minuten in einem Index. Verhalten braucht Stunden Fine-Tuning. Fähigkeiten brauchen Tage fortgesetztes Pretraining. Alles, was das Dritte davon verkürzt, verändert, was ein kleines Team angehen kann.

    Woran wir merken würden, dass es gescheitert ist

    Wenn laufende Updates mehr kosten als periodisches Neutrainieren, oder wenn die Leistung bei den ursprünglichen Aufgaben unbemerkt absinkt, ist das schlechter als das eingefrorene Modell, das es ersetzt. Auch die Messung muss laufend passieren, nicht einmal am Ende.

  6. Vertrauen · geplant

    Ein Abstain-Kanal, den man prüfen kann, nicht nur beobachten

    Heute kann das System sagen, dass es etwas nicht weiss. Der nächste Schritt ist, zeigen zu können, warum: welcher Beleg welcher Aussage widersprochen hat, und wie deutlich. Der Konsistenzraum ist genau deshalb ein Raum und kein einzelner Wert: Eine Zahl sagt dir, wie stark zwei Dinge uneins sind, ein Raum sagt dir, worin.

    Warum es zählt. Bei regulierter Arbeit ist eine Antwort, die sich nicht erklären lässt, eine Antwort, die sich nicht verwenden lässt, egal wie gut sie ist.

    Woran wir merken würden, dass es gescheitert ist

    Wenn sich die Erklärungen als nachträglich erfundene Geschichten herausstellen, die das Verhalten des Modells nicht vorhersagen, sind sie schlimmer als gar keine Erklärung, weil man ihnen glaubt.

Was es schon gibt

Alles andere auf dieser Website ist gebaut.

Die Architektur hinter diesen Zielen läuft heute, in kleinerer Form. Das ist der Teil, den du ausprobieren kannst, statt darüber zu lesen.

So funktioniert es heuteZur Forschung