01
Von Grund auf effizient
Modelle sollten nicht nur nach ihrer Leistungsfähigkeit, sondern auch nach ihrem Ressourcenbedarf bewertet werden.
UNABHÄNGIGE KI-FORSCHUNG
Kleinere Modelle.Gezielte Intelligenz.
rappidAI dokumentiert kompakte deutschsprachige Modellexperimente, GGUF-Veröffentlichungen und Abläufe für lokale Inferenz. Die beiden öffentlichen Quantum-Piloten sind experimentelle Base-Completion-Modelle; Echelon ist die aktuelle strategische Modelllinie und befindet sich weiterhin in der Pipeline- und Preflight-Phase.
Die Arbeit richtet sich an Entwickler, Forschende, Studierende und Gestaltende, die Training kleiner Modelle, dokumentierte Evaluation und lokale Bereitstellung mit begrenzten Rechenressourcen untersuchen. Die aktuellen Piloten sind Forschungsartefakte, keine Chat-Assistenten oder Produktivsysteme.
Aktueller Schwerpunkt: Validierung der Echelon-Datenpipeline, Reproduzierbarkeit und transparente Evidenzgrenzen.
FORSCHUNGSTHESE
Wir glauben nicht, dass jedes nützliche KI-System enorm groß sein muss.
Unsere Arbeit konzentriert sich auf kompakte Architekturen, dokumentierte Trainingsabläufe, effiziente Inferenz und transparente Evaluation. Ziel ist nicht, Forschungslabore im Frontier-Maßstab nachzuahmen, sondern zu untersuchen, wo kleinere Systeme tatsächlich nützlich sein können.
02
Lokal, wo möglich
Lokale Inferenz kann KI zugänglicher und kontrollierbarer machen und zugleich die Abhängigkeit von Netzwerkverbindungen verringern.
03
Offen über Einschränkungen
Experimentelle Modelle müssen ihre Schwächen ebenso klar benennen wie ihre Stärken.
AUSGEWÄHLTES MODELL
quantum-1.6-pilot
Öffentliche experimentelle Veröffentlichung
MODELLKARTE
rappidAI · research
quantum-1.6-pilot
Parametergröße
49,3M
Parameter
49,3 Mio. veröffentlichte Parameter gegenüber dem konfigurierten Echelon-Ziel von 506 Mio.
Primäre Nutzung
Forschung zu dokumentierten Continued-Pretraining-Abläufen
- Modelltyp
- Experimentelles Textvervollständigungsmodell im Stil von LlamaForCausalLM
- Kontext
- 512 tokens
- Vokabular
- 16.384
Ein experimentelles deutsches Textvervollständigungsmodell mit 49,3 Mio. Parametern, das nach einer berichteten Continued-Pretraining-Phase veröffentlicht wurde.
- Sprachen
- Deutschsprachige Experimente
- Veröffentlichung
- Öffentlich als experimentelle F16-GGUF-Veröffentlichung verfügbar; das öffentliche Artefakt umfasst 98.990.560 Byte.
Experimentelles Modell. Nicht produktionsreif und nicht als Produktivassistent vorgesehen.
Veröffentlichte Architektur
MODELLENTWICKLUNG
Von Pilotveröffentlichungen mit 49,3 Mio. Parametern bis zur quantum-1-echelon-Pipeline.
01
Öffentliche experimentelle Veröffentlichung
quantum-1-pilot
Öffentliches Base-Completion-Experiment mit 49,3 Mio. Parametern, veröffentlicht als F16-GGUF.
02
Öffentliche experimentelle Veröffentlichung
quantum-1.6-pilot
Öffentliche F16-GGUF-Veröffentlichung, deren Modellkarte Continued Pretraining mit 500 Mio. zusätzlichen deutschen Token berichtet.
03
Pipeline- und Preflight-Phase – kein trainiertes Modell
quantum-1-echelon
Öffentlicher Preflight der Basisarchitektur, validierter Tokenizer und Smoke-Test der Garden-Pipeline; keine Veröffentlichung eines trainierten Modells.
AKTUELLE FORSCHUNG
Gezielte Fragen, praktische Grenzen.
01
Trainingspipelines
Versionierte Abläufe für Architektur, Tokenizer und Datenaufbereitung mit ausdrücklichen Evidenzgrenzen.
02
Lokale Inferenz
Quantisierung, Speichereffizienz und Bereitstellung über leichtgewichtige Inferenzlaufzeiten.
03
Evaluation
Vergleich von Basis- und Continued-Pretraining-Phasen anhand fester Prompts, Next-Token-Metriken und dokumentierter Einschränkungen.
DOKUMENTATIONSSTATUS
Evidenz, Lücken und Wiederverwendungsgrenzen.
Der Ressourcenbereich macht aus „Klar dokumentiert“ eine öffentliche Dokumentation von Quellen, Reproduzierbarkeit, Datenherkunft, verantwortungsvoller Nutzung und ungeklärten Informationen.
Veröffentlicht
Publikationen
Quellenverknüpfte Forschungsnotizen, die Beobachtungen, negative Ergebnisse und offene Fragen voneinander trennen.
Teilweise Evidenz
Reproduzierbarkeit
Fixierte Revisionen, GGUF-Prüfsummen, Referenzbefehle und ausdrücklich benannte Lücken in der öffentlichen Run-Dokumentation.
Teilweise Evidenz
Daten & Training
Datensatzquellen, konfigurierte Zielwerte, Smoke-Evidenz, Filterung und fehlende abschließende Manifeste.
OFFENE FORSCHUNG
Offene Veröffentlichung ist Teil des Forschungsprozesses.
Soweit Lizenz- und Sicherheitsbedingungen es zulassen, veröffentlicht rappidAI Modellartefakte, Dokumentation, Evaluationsnotizen und Implementierungsdetails, damit die Arbeit geprüft und – sobald alle erforderlichen Artefakte vorliegen – reproduziert werden kann.
GRÜNDER
Unabhängige Forschung aus Berlin.
Jonas Désiré Cikemgil ist ein unabhängiger KI-Entwickler aus Berlin. Sein Schwerpunkt liegt auf kompakten Sprachmodellen, dokumentierten Trainingspipelines, GGUF-Bereitstellung und lokaler Inferenz.
Jonas Désiré Cikemgil
Gründer & unabhängiger KI-Forschungsentwickler
KONTAKT
Interesse an der Forschung?
Für technische Gespräche, Kooperationsanfragen oder Fragen zu den Modellen können Sie rappidAI direkt kontaktieren.
cikemgil@rappidai-research.com