Fastino LabsEntscheidungsmodellOpen Source

GLiNER2.5-Decide

BeliebtheitPlatz 58 von 875

56von 100wie im Vormonat

Zusammenfassung

GLiNER2.5-Decide ist ein englischer 340-Millionen-Parameter-Klassifikator für operative Entscheidungen. Du übergibst die Labels erst beim Aufruf und kannst damit Intention, Routing, Stimmung, Priorität oder Moderation bewerten. Single- und Multi-Label-Aufgaben laufen in einem Vorwärtsdurchlauf. Das Modell erzeugt keine Token und beantwortet keine offenen Fragen.

Der Checkpoint fastino/GLiNER2.5-Decide basiert auf fastino/gliner2-large-v1 mit DeBERTa-v3-large als Encoder. Apache-2.0-Gewichte laufen lokal auf CPU oder GPU über gliner2. Für mehrsprachige Eingaben ist die separate GLiNER2.5-multi-Decide-Variante gedacht.

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 236 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.

fastino/fast-decisions: exact-match average accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 60.2
Bewertung: 60.2
Messgröße: exact-match average accuracy
Einheit: %
Kategorie: fastino/fast-decisions
Richtung: Mehr ist besser
Stichprobe: 5100
Quellentyp: vendor-reported
Auswertung: Fastino GLiNER2.5-Decide model card
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. Sprache=English; Domänen=17; Zurückgehaltene Beispiele je Domäne=300; Gleiche Texte und Kandidatenlabels=ja; Stichprobengröße=5100

Quelle Fastino GLiNER2.5-Decide model card

Zero-shot IE multilingual: popular-language tier accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 89
Bewertung: 89
Messgröße: accuracy, source table rounded to whole percent
Einheit: %
Benchmark-Version: Zero-shot IE multilingual snapshot at repository commit c45a00c25d2731ac7047def97b91421aaff2f611
Kategorie: multilingual-popular
Richtung: Mehr ist besser
Stichprobe: 18
Quellentyp: independent-evaluator
Auswertung: Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611
Status: active
Abrufdatum: 2026-10-17
Methodik: Unabhängige Evaluation. Die gepinnte Tabelle der Auswerter-README meldet für die exakte Ergebniszeile „GLiNER2.5-Decide“ das Tier Popular: 89 %. Die Aufgabe umfasst sechs Sentimenttexte je Sprache in neun Sprachen. Dieses Tier enthält Spanish, French and Simplified Chinese, insgesamt 18 Texte. Der Messwert stammt direkt aus der gepinnten README-Tabelle (Body-SHA-256 7905d1cbfb4d75d65d02a5e6c537e1e84fe8b5c388f33075a6c0db42fa0cac98) und wurde nicht aus den separaten Sprachwerten neu berechnet. Der öffentliche Runner beschreibt eine blinde Rückübersetzung und verwendet Labeloptionen mit englischen Beschreibungen. Eine unveränderliche Modell-/API-Revision und ein Konfidenzintervall sind nicht veröffentlicht.
Einordnung: Die gepinnte README des Auswerters veröffentlicht auf ganze Prozent gerundete Tier-Zellen. Verwendet werden genau diese angezeigten Werte, keine Neuberechnung aus sprachbezogenen Daten. Es handelt sich um eine kleine benutzerdefinierte Evaluation, nicht um eine standardisierte Rangliste. Der Autor berichtet eine blinde Rückübersetzung und sagt, die vollständige Texttabelle sei in einem PR zur Prüfung durch Muttersprachler gewesen. Diese Prüfung wurde nicht unabhängig bestätigt. System-/Modellrevisionen und vollständige Decoding-Einstellungen sind nicht gepinnt.

Quelle Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611

Zero-shot IE multilingual: medium-resource-language tier accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 83
Bewertung: 83
Messgröße: accuracy, source table rounded to whole percent
Einheit: %
Benchmark-Version: Zero-shot IE multilingual snapshot at repository commit c45a00c25d2731ac7047def97b91421aaff2f611
Kategorie: multilingual-medium
Richtung: Mehr ist besser
Stichprobe: 18
Quellentyp: independent-evaluator
Auswertung: Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611
Status: active
Abrufdatum: 2026-10-17
Methodik: Unabhängige Evaluation. Die gepinnte Tabelle der Auswerter-README meldet für die exakte Ergebniszeile „GLiNER2.5-Decide“ das Tier Medium: 83 %. Die Aufgabe umfasst sechs Sentimenttexte je Sprache in neun Sprachen. Dieses Tier enthält Vietnamese, Turkish and Ukrainian, insgesamt 18 Texte. Der Messwert stammt direkt aus der gepinnten README-Tabelle (Body-SHA-256 7905d1cbfb4d75d65d02a5e6c537e1e84fe8b5c388f33075a6c0db42fa0cac98) und wurde nicht aus den separaten Sprachwerten neu berechnet. Der öffentliche Runner beschreibt eine blinde Rückübersetzung und verwendet Labeloptionen mit englischen Beschreibungen. Eine unveränderliche Modell-/API-Revision und ein Konfidenzintervall sind nicht veröffentlicht.
Einordnung: Die gepinnte README des Auswerters veröffentlicht auf ganze Prozent gerundete Tier-Zellen. Verwendet werden genau diese angezeigten Werte, keine Neuberechnung aus sprachbezogenen Daten. Es handelt sich um eine kleine benutzerdefinierte Evaluation, nicht um eine standardisierte Rangliste. Der Autor berichtet eine blinde Rückübersetzung und sagt, die vollständige Texttabelle sei in einem PR zur Prüfung durch Muttersprachler gewesen. Diese Prüfung wurde nicht unabhängig bestätigt. System-/Modellrevisionen und vollständige Decoding-Einstellungen sind nicht gepinnt.

Quelle Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611

Zero-shot IE multilingual: rare-language tier accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 33
Bewertung: 33
Messgröße: accuracy, source table rounded to whole percent
Einheit: %
Benchmark-Version: Zero-shot IE multilingual snapshot at repository commit c45a00c25d2731ac7047def97b91421aaff2f611
Kategorie: multilingual-rare
Richtung: Mehr ist besser
Stichprobe: 18
Quellentyp: independent-evaluator
Auswertung: Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611
Status: active
Abrufdatum: 2026-10-17
Methodik: Unabhängige Evaluation. Die gepinnte Tabelle der Auswerter-README meldet für die exakte Ergebniszeile „GLiNER2.5-Decide“ das Tier Rare: 33 %. Die Aufgabe umfasst sechs Sentimenttexte je Sprache in neun Sprachen. Dieses Tier enthält Sinhala, Icelandic and Welsh, insgesamt 18 Texte. Der Messwert stammt direkt aus der gepinnten README-Tabelle (Body-SHA-256 7905d1cbfb4d75d65d02a5e6c537e1e84fe8b5c388f33075a6c0db42fa0cac98) und wurde nicht aus den separaten Sprachwerten neu berechnet. Der öffentliche Runner beschreibt eine blinde Rückübersetzung und verwendet Labeloptionen mit englischen Beschreibungen. Eine unveränderliche Modell-/API-Revision und ein Konfidenzintervall sind nicht veröffentlicht.
Einordnung: Die gepinnte README des Auswerters veröffentlicht auf ganze Prozent gerundete Tier-Zellen. Verwendet werden genau diese angezeigten Werte, keine Neuberechnung aus sprachbezogenen Daten. Es handelt sich um eine kleine benutzerdefinierte Evaluation, nicht um eine standardisierte Rangliste. Der Autor berichtet eine blinde Rückübersetzung und sagt, die vollständige Texttabelle sei in einem PR zur Prüfung durch Muttersprachler gewesen. Diese Prüfung wurde nicht unabhängig bestätigt. System-/Modellrevisionen und vollständige Decoding-Einstellungen sind nicht gepinnt.

Quelle Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611

fast-decisions public dev split, all-head exact-match accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 61.4
Bewertung: 61.4
Messgröße: accuracy, exact match per head
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README captured 2026-10-17
Kategorie: decision
Richtung: Mehr ist besser
Stichprobe: 2900
Quellentyp: community-reported
Auswertung: decide-lab README, community evaluation
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet; die Quelle nennt das Plain-Label-List-Protokoll des Anbieters und Exact-Match-Auswertung je Head. Die README wurde von einem veränderlichen main-Branch erfasst, ohne Quell-Commit oder Digest des ausgewerteten Checkpoints. Veröffentlichte Splitgröße: 1.700 Zeilen und 2.900 Heads; N=2.900 Heads für diese All-Head-Metrik.
Einordnung: Die README bezeichnet dies ausdrücklich als Plausibilitätsprüfung auf dem öffentlichen Dev-Split, nicht als zurückgehaltenen Fastino-Testbenchmark; synthetische Zeilen können Vorlagen teilen. Die Evaluation beschreibt sich selbst als unabhängig, die Zugehörigkeit des Autors ist jedoch nicht unabhängig geprüft. Nenner für Single-Label, Multi-Label und Kalibrierung sind nicht veröffentlicht; ein Konfidenzintervall fehlt. Der bereits im eingefrorenen Bestand enthaltene Anbieterwert von 60,2 % auf dem zurückgehaltenen Testsplit wird nicht erneut importiert.

Quelle decide-lab README, community evaluation

fast-decisions public dev split, single-label accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 66.5
Bewertung: 66.5
Messgröße: single-label accuracy
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README captured 2026-10-17
Kategorie: decision
Richtung: Mehr ist besser
Quellentyp: community-reported
Auswertung: decide-lab README, community evaluation
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet; die Quelle nennt das Plain-Label-List-Protokoll des Anbieters und Exact-Match-Auswertung je Head. Die README wurde von einem veränderlichen main-Branch erfasst, ohne Quell-Commit oder Digest des ausgewerteten Checkpoints. Die Quelle nennt die Label-Teilmenge; deren N ist nicht veröffentlicht.
Einordnung: Die README bezeichnet dies ausdrücklich als Plausibilitätsprüfung auf dem öffentlichen Dev-Split, nicht als zurückgehaltenen Fastino-Testbenchmark; synthetische Zeilen können Vorlagen teilen. Die Evaluation beschreibt sich selbst als unabhängig, die Zugehörigkeit des Autors ist jedoch nicht unabhängig geprüft. Nenner für Single-Label, Multi-Label und Kalibrierung sind nicht veröffentlicht; ein Konfidenzintervall fehlt. Der bereits im eingefrorenen Bestand enthaltene Anbieterwert von 60,2 % auf dem zurückgehaltenen Testsplit wird nicht erneut importiert.

Quelle decide-lab README, community evaluation

fast-decisions public dev split, multi-label exact-set accuracy at sigmoid threshold 0.5 (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 15.3
Bewertung: 15.3
Messgröße: multi-label exact-set accuracy
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README captured 2026-10-17
Kategorie: decision
Richtung: Mehr ist besser
Quellentyp: community-reported
Auswertung: decide-lab README, community evaluation
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet; die Quelle nennt das Plain-Label-List-Protokoll des Anbieters und Exact-Match-Auswertung je Head. Die README wurde von einem veränderlichen main-Branch erfasst, ohne Quell-Commit oder Digest des ausgewerteten Checkpoints. Die Quelle nennt die Label-Teilmenge; deren N ist nicht veröffentlicht.
Einordnung: Die README bezeichnet dies ausdrücklich als Plausibilitätsprüfung auf dem öffentlichen Dev-Split, nicht als zurückgehaltenen Fastino-Testbenchmark; synthetische Zeilen können Vorlagen teilen. Die Evaluation beschreibt sich selbst als unabhängig, die Zugehörigkeit des Autors ist jedoch nicht unabhängig geprüft. Nenner für Single-Label, Multi-Label und Kalibrierung sind nicht veröffentlicht; ein Konfidenzintervall fehlt. Der bereits im eingefrorenen Bestand enthaltene Anbieterwert von 60,2 % auf dem zurückgehaltenen Testsplit wird nicht erneut importiert.

Quelle decide-lab README, community evaluation

fast-decisions public dev split, multi-label Micro-F1 at sigmoid threshold 0.5 (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 67.2
Bewertung: 67.2
Messgröße: multi-label Micro-F1
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README captured 2026-10-17
Kategorie: decision
Richtung: Mehr ist besser
Quellentyp: community-reported
Auswertung: decide-lab README, community evaluation
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet; die Quelle nennt das Plain-Label-List-Protokoll des Anbieters und Exact-Match-Auswertung je Head. Die README wurde von einem veränderlichen main-Branch erfasst, ohne Quell-Commit oder Digest des ausgewerteten Checkpoints. Die Quelle nennt die Label-Teilmenge; deren N ist nicht veröffentlicht.
Einordnung: Die README bezeichnet dies ausdrücklich als Plausibilitätsprüfung auf dem öffentlichen Dev-Split, nicht als zurückgehaltenen Fastino-Testbenchmark; synthetische Zeilen können Vorlagen teilen. Die Evaluation beschreibt sich selbst als unabhängig, die Zugehörigkeit des Autors ist jedoch nicht unabhängig geprüft. Nenner für Single-Label, Multi-Label und Kalibrierung sind nicht veröffentlicht; ein Konfidenzintervall fehlt. Der bereits im eingefrorenen Bestand enthaltene Anbieterwert von 60,2 % auf dem zurückgehaltenen Testsplit wird nicht erneut importiert.

Quelle decide-lab README, community evaluation

fast-decisions dev risk-coverage accuracy, top 50% most-confident single-label answers (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 84.8
Bewertung: 84.8
Messgröße: accuracy at 50% confidence coverage
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README mutable main, captured 2026-10-17
Kategorie: single-label-risk-coverage
Richtung: Mehr ist besser
Quellentyp: community-reported
Auswertung: turlockmike, decide-lab README
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell: fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet. Die README nennt insgesamt 1.700 Zeilen / 2.900 Köpfe; dies ist das Single-Label-Risk-Coverage-Ergebnis bei T=2,2, Exakttreffer je Kopf, beschränkt auf die top 50% Antworten mit höchster Sicherheit. Score=84.8 %. Die Anzahl in dieser ausgewählten Single-Label-Teilmenge ist nicht veröffentlicht; N bleibt leer.
Einordnung: Community-eigene, nicht unabhängig nachgeprüfte Auswertung. Die URL zeigt auf das veränderliche GitHub-main, ohne Commit- oder Checkpoint-Digest. Der Autor warnt, dass synthetische Dev-Zeilen gemeinsame Vorlagen haben können. Dies ist nicht Fastinos zurückgehalteter Testwert. Keine Konfidenzintervalle veröffentlicht.

Quelle turlockmike, decide-lab README

fast-decisions dev risk-coverage accuracy, top 30% most-confident single-label answers (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 91
Bewertung: 91
Messgröße: accuracy at 30% confidence coverage
Einheit: %
Benchmark-Version: fast-decisions public dev split; decide-lab README mutable main, captured 2026-10-17
Kategorie: single-label-risk-coverage
Richtung: Mehr ist besser
Quellentyp: community-reported
Auswertung: turlockmike, decide-lab README
Status: active
Abrufdatum: 2026-10-17
Methodik: Community-Messung. Exakt benanntes Modell: fastino/GLiNER2.5-Decide (340M), lokal vom decide-lab-Autor auf dem öffentlichen fast-decisions-Dev-Split ausgewertet. Die README nennt insgesamt 1.700 Zeilen / 2.900 Köpfe; dies ist das Single-Label-Risk-Coverage-Ergebnis bei T=2,2, Exakttreffer je Kopf, beschränkt auf die top 30% Antworten mit höchster Sicherheit. Score=91 %. Die Anzahl in dieser ausgewählten Single-Label-Teilmenge ist nicht veröffentlicht; N bleibt leer.
Einordnung: Community-eigene, nicht unabhängig nachgeprüfte Auswertung. Die URL zeigt auf das veränderliche GitHub-main, ohne Commit- oder Checkpoint-Digest. Der Autor warnt, dass synthetische Dev-Zeilen gemeinsame Vorlagen haben können. Dies ist nicht Fastinos zurückgehalteter Testwert. Keine Konfidenzintervalle veröffentlicht.

Quelle turlockmike, decide-lab README

System One cybersecurity HTTP triage, hard-tier zero-shot accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 49.3
Bewertung: 49.3
Messgröße: accuracy
Einheit: %
Kategorie: security
Richtung: Mehr ist besser
Stichprobe: 300
Quellentyp: independent-evaluator
Auswertung: Niklas Heringer, System One AI for Cybersecurity: Not Every Decision Needs a Generative Model
Status: active
Abrufdatum: 2026-10-18
Methodik: Unabhängige Evaluation. System One decision gate compares an HTTP request's baseline and candidate response diff and classifies it into six classes. Synthetic hard tier, 300 examples and 50 per class, written later and deliberately different. Zero-shot, diff input, one broad question. GLiNER2.5-Decide, 340M open weights, ran locally. Exact weight revision and decoding settings are not stated.
Einordnung: Synthetic HTTP-triage classification, not a general model-quality ranking or real-traffic security proof. The printed bracket range is preserved in the review but not imported as a confidence interval.

Quelle Niklas Heringer, System One AI for Cybersecurity: Not Every Decision Needs a Generative Model

DecideBench overall decision accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 57
Bewertung: 57
Messgröße: accuracy
Einheit: %
Benchmark-Version: DecideBench results/v1
Richtung: Mehr ist besser
Stichprobe: 400
Quellentyp: community-reported
Auswertung: DecideBench
Status: active
Abrufdatum: 2026-10-22
Methodik: Community-Messung. GLiNER2.5-Decide 340M wurde self-hosted auf einer NVIDIA L4 ausgewertet. Der Bericht gibt 400 Multiple-Choice-Entscheidungen in 200 kontrastiven Paaren und acht Aufgabenfamilien an; GLiNER erhält die Worked Examples pro Label. Studien-/Ergebniszeitraum: Ergebnisse laut Quelle vom 2026-09-28 bis 2026-10-09.
Einordnung: Der Bericht nennt Modellname und Größe, aber keine unveränderliche Gewichtrevision für diesen Lauf.

Quelle DecideBench

Seite 1 von 20

Beliebtheit im Vergleich

Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.

Beliebtheitsindex

0 bis 100, höher ist beliebter

20 von 37 Modellen

AutoTrust JEV-27B-VL70

GLiNER2.5-Decide56

Clef51

GLiNER2.5-multi-Decide45

Decider 4B43

Jev43

pplx-decider-v1.1-27b42

Intern-Decision-4B40

Laya Typed Decisions40

Kev 9B40

pplx-decider-v1-27b39

Decider 0.8B39

Julia 139

Intern-Decision-0.8B38

GLiNER2.5-Decide

GLiNER2.5-multi-Decide

Decider 4B

Jev

pplx-decider-v1.1-27b

Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex

Zeitlicher Verlauf

Wochenwerte vom 18. Oktober 2026 bis 5. November 2026

GLiNER2.5-DecideDecider 2BClefClef-FlashAutoTrust JEV-27B

Alle technischen Daten

Architektur

Modellklasse: Englischer Spezialklassifikator für operative Entscheidungen, kein Generalmodell; Quelle: Modellklasse
Checkpoint: fastino/GLiNER2.5-Decide; Quelle: Checkpoint
Basismodell: fastino/gliner2-large-v1, Encoder DeBERTa-v3-large; Quelle: Basismodell

Ein- und Ausgabe

Eingabe: Text mit frei übergebenen Labels und optionalen Beschreibungen; Quelle: Eingabe

Wasserzeichen und Herkunft

KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.

KI-Wasserzeichen: Unbekannt; ohne Quelle
Watermarking-Technik: Nicht bekannt; ohne Quelle

Lizenz und Zugang

Zugang: Lokale Ausführung auf CPU oder GPU über gliner2; Quelle: Zugang
Lizenz: Apache-2.0; Quelle: Lizenz

Weitere Angaben

Ausgabeschema: Single-Label- oder Multi-Label-Klassifikation und ordinale Scores ohne generierte Token; Quelle: Ausgabeschema

Quellen und Datenstand

Alle 31 Quellen anzeigen

Benchmarkquellen im Überblick

Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.

Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.

Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.

Art	Nachweis und Datenstand
Recherchestand	Recherchestand 4. Oktober 2026. 24 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
Nicht veröffentlicht	per-domain-heldout-scores Hinweis Die angeheftete öffentliche Karte und der Datensatz nennen einen Gesamtwert, veröffentlichen aber keine Auswertung nach Domäne.
Nicht veröffentlicht	evaluator-loaded-weight-digest Hinweis Der Bericht nennt weder Revision noch Hash des geladenen Checkpoints. Die anhand des lastModified-Datums gefundene öffentliche Hugging-Face-Revision ist nur ein Chronologie-Kandidat.
Nicht veröffentlicht	test-dataset-revision Hinweis Feste Stichproben und ihre Größen sind angegeben, Datensatzrevisionen werden im erfassten Protokoll aber nicht mit Hashes gepinnt.
Nicht veröffentlicht	unreported-confidence-intervals Hinweis Für ECE und die MASSIVE-Accuracy je Sprache wird kein KI veröffentlicht. Es wurde keines berechnet oder abgeleitet.
Nicht veröffentlicht	immutable-model-or-route-revision Hinweis The zero-shot IE custom benchmark maps its exact public label to the profile task, but does not publish the loaded weight hash or immutable serving revision.
Nicht veröffentlicht	sampling-uncertainty Hinweis The zero-shot IE small custom pools have no published confidence intervals. This gap is specific to those score cells.
Nicht veröffentlicht	Heringer GLiNER2.5-Decide weight revision Originalwortlaut The pilot identifies GLiNER2.5-Decide and states 340M parameters, but gives no evaluated weight revision or hash.
Ungeklärt	Heringer bracket-range semantics Originalwortlaut Hard-tier accuracy cells print bracketed ranges, but the captured table context does not identify them as confidence intervals. They are not mapped into CI fields.
Ungeklärt	real-traffic and adversarial generalization Originalwortlaut The HTTP pilot explicitly uses synthetic data and is preliminary. It is not evidence of performance on live traffic.
Nicht veröffentlicht	Unveränderliche Revision des im Decision Index ausgelieferten Checkpoints Hinweis Der aktuelle öffentliche Index nennt je nach Eintrag Modell-URL und served_checkpoint, aber keinen unveränderlichen Commit/Digest der tatsächlich ausgewerteten Gewichte.
Weitere Quelle	Fastino model index (abgerufen 3. Oktober 2026)
Weitere Quelle	GLiNER2.5-Decide model card (abgerufen 3. Oktober 2026; 4. Oktober 2026) · GLiNER2.5-Decide model card · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere Quelle	Hanno Labs, DecisionBench exact GLiNER2.5-Decide run (abgerufen 16. Oktober 2026)
Weitere Quelle	System One report, Laya AI-hosted result summary for gliner2-5-decide, pinned source commit ed4544869a9480aa98db6572a21733803eadcbb8 (abgerufen 17. Oktober 2026)
Weitere Quelle	Zero-shot IE benchmark, pinned public result snapshot (c45a00c25d2731ac7047def97b91421aaff2f611) (abgerufen 17. Oktober 2026)
Weitere Quelle	Zero-shot IE benchmark README, pinned commit c45a00c25d2731ac7047def97b91421aaff2f611 (abgerufen 17. Oktober 2026)
Weitere Quelle	decide-lab README, community evaluation (abgerufen 17. Oktober 2026)
Weitere Quelle	CalDec community evaluation, pinned runs/numbers.json (abgerufen 17. Oktober 2026)
Weitere Quelle	Niklas Heringer, System One AI for Cybersecurity: Not Every Decision Needs a Generative Model (abgerufen 18. Oktober 2026)
Weitere Quelle	DecideBench (abgerufen 22. Oktober 2026)
Weitere Quelle	SysOne-bench public results.json (abgerufen 23. Oktober 2026)
Weitere Quelle	Jev Decision Index public index.json (release-v4) (abgerufen 28. Oktober 2026)
Weitere Quelle	Modellmetadaten (abgerufen 16. Oktober 2026)1 2 3 4
Weitere Quelle	Modellmetadaten (abgerufen 17. Oktober 2026)1 2 3 4 5 6 7 8 9
Weitere Quelle	OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Ollama: kumulierte Downloads für den Beliebtheitsindex
Weitere Quelle	Replicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere Quelle	Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere Quelle	Creative Commons Attribution 4.0