Zum Hauptinhalt springen

Interfaze AIEntscheidungsmodellOpen Source

Lev

BeliebtheitPlatz 34 von 39 Entscheidungsmodellen

24von 100neue Berechnung

nur Nutzungsdaten, Spanne 10 bis 37

Zusammenfassung

Lev ist ein LoRA-Adapter von Interfaze AI für typisierte Entscheidungen über einen Zustand. Du gibst Text, Ticket, E-Mail oder JSON sowie Ja-Nein-, Choice- und Score-Fragen vor. Lev liest die Antwort aus den bereits berechneten Logits und liefert kalibrierte Wahrscheinlichkeiten ohne Ausgabetoken. Die Schnittstelle ist mit TypeSafes /v1/systemone-Protokoll kompatibel.

Der Adapter liegt auf Qwen3.5-4B und ist unter Apache-2.0 veröffentlicht. Die separat geladenen Basisgewichte ergänzen den Adapter. Lev ist damit kein eigenständiger 4B-Gewichtscheckpoint.

GraduallyBench Decision

Lev entscheidet 49 von 60 Testfällen richtig. Der Median der 33 getesteten Entscheidungsmodelle liegt bei 60,0 %.

Trefferquote

81,7 %

49 von 60 Testfällen

Robustheit

83,3 %

25 von 30 umformulierten Varianten

Unnötige Prüfungen

7,7 %

4 von 52 Fällen ohne Prüfbedarf

Antwortzeit

1,3 s

Median, 95 % unter 1,8 s, lokal, GPU

Trefferquote im Vergleich

Anteil richtiger Entscheidungen in Prozent, höher ist besser

20 von 33 Modellen

Stand 10.11.2026. Quelle: GraduallyBench Decision

Trefferquote nach AufgabenfamilieDer Strich zeigt den Median aller 33 getesteten Modelle.
Dringlichkeit58,3 %7 / 12, Median 58,3 %
Zuständigkeit91,7 %11 / 12, Median 83,3 %
Bedingungen91,7 %11 / 12, Median 33,3 %
Tabellen75,0 %9 / 12, Median 50,0 %
Evidenz91,7 %11 / 12, Median 75,0 %

Lev

Benchmark durchgeführt
  • Die genaue Revision des Basismodells ist nicht nachgewiesen.
Testdetails anzeigen

Entscheidungen

Lokal · Deutsch, Englisch

Ausführung Apple Metal. Präzision FP32.

130 gültige Ausgaben aus 130 begonnenen und 130 geplanten Testplätzen.

Gemessene Dauer p50 / p95 1.255 / 1.812 ms (130 Fälle). Lokale GPU. Quantilberechnung nicht dokumentiert.

Automatische Auswahlquote
81,67 %(49 / 60 geplante Fälle)Deutsch, Englisch
Automatische Auswahlquote, Dringlichkeit
58,33 %(7 / 12 geplante Fälle)Deutsch, Englisch
Automatische Auswahlquote, Zuständigkeit
91,67 %(11 / 12 geplante Fälle)Deutsch, Englisch
Automatische Auswahlquote, Auswahl mit Bedingungen
91,67 %(11 / 12 geplante Fälle)Deutsch, Englisch
Automatische Auswahlquote, Zahlen und Tabellen
75 %(9 / 12 geplante Fälle)Deutsch, Englisch
Automatische Auswahlquote, Ausreichende Evidenz
91,67 %(11 / 12 geplante Fälle)Deutsch, Englisch
Korrekte Robustheitsvarianten
83,33 %(25 / 30 geplante Fälle)Deutsch, Englisch
Korrekte Entwicklungsfälle
85 %(34 / 40 geplante Fälle)Deutsch, Englisch
Unnötige Prüfungen
7,69 %(4 / 52 auswertbare Fälle ohne erforderliche Prüfung)Deutsch, Englisch
Unterlassene notwendige Prüfungen
12,5 %(1 / 8 auswertbare Fälle mit erforderlicher Prüfung)Deutsch, Englisch

Antwortzeiten lassen sich nur innerhalb derselben Umgebung vergleichen und bilden keine gemeinsame Tempo-Rangliste. Testreferenzen wurden, sofern verwendet, nicht unabhängig menschlich geprüft. Testumfang und Methoden unterscheiden sich je Modell. Jede Kennzahl steht für sich, einen gemeinsamen Gesamtwert über alle Tests gibt es nicht. Daten zusammengestellt am 10.11.2026. So testen wir · Alle Decision- und Audioergebnisse als JSON herunterladen

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 83 veröffentlichten Benchmark-Werte anzeigen

Seite 1 von 7

Messungen ohne passende Vergleichswerte

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

S1Bench: vitaminc-dev: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,668
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: vitaminc-dev
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: massive-en-US: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,857
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: massive-en-US
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: massive-de-DE: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,823
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: massive-de-DE
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: boolq: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,827
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: boolq
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: squad2: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,813
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: squad2
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: paws: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,776
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: paws
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: multinli: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,89
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: multinli
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: civil_comments: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,76
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: civil_comments
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: aegis2: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,8
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: aegis2
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: helpsteer2: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,386
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: helpsteer2
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: summeval-relevance: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,358
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: summeval-relevance
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card
S1Bench: summeval-consistency: accuracy (fraction) (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
0,271
Messgröße
Genauigkeit
Einheit
ratio
Kategorie
S1Bench: summeval-consistency
Richtung
Mehr ist besser
Stichprobe
3880
Quellentyp
vendor-reported
Auswertung
Interfaze AI Lev model card
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. Bewertete Elemente gesamt=3880; Teilmengen=13; Harness=Nimble-pinned manifests; Checkpoint=Qwen3.5-4B LoRA adapter with provider serving runtime
Quelle Interfaze AI Lev model card

Seite 1 von 7

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 42 Modellen

Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex

Zeitlicher Verlauf

Wochenwerte vom 18. Oktober 2026 bis 20. November 2026

LevLaya Multilingual 25Kev 0.5B 24Drex v1.5 24Drex v2.0 23

Methodenwechsel im Verlauf, ein Sprung an dieser Stelle ist kein Marktereignis:

  1. 11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit
  2. 21. November 2026: Methodenversion 4 (gemeinsame Skala, Schrumpfung)
  3. 39. November 2026: Neue Topics-Erhebung V20 (Tagesquorum, Kurzformen)

Was gerade an Beliebtheit gewinnt, steht für Modelle, Anbieter, Harnesses und KI-Abos gesammelt in Alle KI-Trends.

Alle technischen Daten

Architektur

Modellklasse
System-One-LoRA-Adapter für typisierte Entscheidungen, keine eigenständigen Basisgewichte
Quelle: Modellklasse
Checkpoint
interfaze-ai/lev
Quelle: Checkpoint
Basismodell
Qwen/Qwen3.5-4B, angepasst durch einen LoRA-Adapter
Quelle: Basismodell

Ein- und Ausgabe

Eingabe
Text, Tickets, E-Mails oder JSON als State
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
Wasserzeichen-Technik
Nicht bekannt
ohne Quelle

Lizenz und Zugang

Zugang
Lokale Ausführung auf eigener GPU oder CPU mit optionalem Jev-kompatiblem Server
Quelle: Zugang
Gewichte
Apache-2.0-Adapter, Basisgewichte müssen separat geladen werden
Quelle: Gewichte
Lizenz
Apache-2.0
Quelle: Lizenz
Abschaltung
Keine angekündigt
ohne Quelle

Weitere Angaben

Ausgabeschema
Noul, Choice und Score mit kalibrierten Wahrscheinlichkeiten ohne Ausgabetoken
Quelle: Ausgabeschema

Quellen und Datenstand

Alle 19 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.

ArtNachweis und Datenstand
RecherchestandRecherchestand 4. Oktober 2026. 12 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
Ungeklärt

serving-revision

Hinweis

Markierte Held-out-Werte stammen vor dem letzten Serving-Update; Werte danach bleiben getrennt erhalten.

Nicht veröffentlicht

per-suite-denominator

Hinweis

The result publishes only full-run counts and nine suite scores; a per-suite denominator cannot be assigned.

Nicht veröffentlicht

confidence-interval

Hinweis

No confidence intervals are published for the selected run.

Ungeklärt

v2.1-annotation-provenance

Hinweis

The repository provenance file captured here identifies dataset v2.0.0, not v2.1.0; v2.1 human-review details remain unconfirmed.

Nicht veröffentlicht

author-readout-comparison

Hinweis

The pinned runner identifies the selected run as option_letter_logits; no same-manifest result using the Lev authors’ distinct one-token label-code argmax with two option orders averaged is captured.

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 QuelleLev model card (abgerufen 3. Oktober 2026; 4. Oktober 2026; 19. Oktober 2026) · Lev model card · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere QuelleLev announcement (abgerufen 3. Oktober 2026) · Lev announcement · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere QuelleSysOne-bench v2.1, pinned public results (93afcfe1bd450dc052b21768e2b95b20316ebb68) (abgerufen 17. Oktober 2026)
Weitere QuelleJev Decision Index public index.json (release-v4) (abgerufen 28. Oktober 2026)
Weitere QuelleModellmetadaten (abgerufen 17. Oktober 2026)123456789
Weitere QuelleOpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere QuelleVercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere QuelleOllama: kumulierte Downloads für den Beliebtheitsindex
Weitere QuelleReplicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere QuelleGoogle Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere QuelleCreative Commons Attribution 4.0