KI-Entscheidungsmodelle im Vergleich

Ein Entscheidungsmodell, auch System-One-Modell genannt, schreibt keinen freien Text. Es bekommt einen Zustand und eine typisierte Frage und liefert ein festes Ergebnis: eine Auswahl aus vorgegebenen Optionen, ein Ja oder Nein oder einen Score mit Wahrscheinlichkeiten. Anwendungen lesen dieses Ergebnis direkt weiter, etwa um ein Ticket zuzuordnen oder die nächste Aktion zu wählen.

Ein LLM erzeugt Text Token für Token und kann auf alles antworten. Seine Ausgabe musst du deshalb auslesen und prüfen. Ein Entscheidungsmodell bleibt bei den Optionen oder dem Schema, die du vorgibst, seine Antwort ist also immer maschinenlesbar. Erklären, zusammenfassen oder chatten kann es nicht. Dafür brauchst du weiterhin ein LLM.

Eigenständig (26): Eigene Gewichte, wählt aus festen Optionen oder füllt ein festes Schema. Adapter (7): LoRA-Adapter, der ein vorhandenes Sprachmodell zum Entscheidungsmodell macht. Läuft nur zusammen mit dem Basismodell. Klassifikator (4): Kleines Modell, das eng umrissene operative Entscheidungen als Klassifikation trifft.

35 von 37 Modellen haben offene Gewichte, die du selbst betreiben kannst. Ob du sie kommerziell nutzen darfst, regelt die Lizenz in der Tabelle. Jev und GLiDE bieten keine offenen Gewichte und laufen über die API ihrer Anbieter.

Die meisten sind klein: 11 haben weniger als 1 Mrd. Parameter, 10 zwischen 1 und 5 Mrd., 9 mehr als 5 Mrd. 7 Profile nennen keine Parameterzahl. Das sind vor allem Adapter, deren Größe vom Basismodell abhängt.

11 Modelle dokumentieren Bildeingaben, darunter AutoTrust JEV-27B-VL, Clef und Clef-Flash. Die vollständige Liste zeigt der Filter „Versteht Bilder“ in der Tabelle.

Nach dem Beliebtheitsindex liegen AutoTrust JEV-27B-VL, AutoTrust JEV-27B und GLiNER2.5-Decide vorn. Beliebtheit misst Aufmerksamkeit und Nutzung, keine Entscheidungsqualität. Einen gemeinsamen Test über alle Entscheidungsmodelle gibt es noch nicht.