KI-generiertDie AI-Plattform ist das Modul von Crowdee, in dem Sie kleine, Open-Source-Sprachmodelle auf Daten finetunen, die Sie bereits haben — Labels, die ein Datenplattform-Datensatz exportiert, oder akzeptierte Antworten, die ein Crowd-Platform-Job produziert hat. Sie ist die dritte der drei Crowdee-Plattformen, sitzt auf dem gelabelten Output der Crowd Platform und den versionierten Datensätzen der Datenplattform, und sie ist der Ort, an dem ein gelabeltes Entität zu einem Modell wird, das Sie aus Ihrem eigenen Code aufrufen können.
Das ist keine Plattform für Frontier-Skalen-Modell-Training. Es ist eine Finetuning-Plattform für kleine, Open-Source-Basismodelle — Qwen, Ministral, Granite, Gemma und andere — die Sie auf bescheidener Hardware laufen lassen können, die Sie selbst hosten können und die Sie Zeile für Zeile inspizieren können. Der ganze Punkt der AI-Plattform ist, dass das Modell, das herauskommt, Ihnen gehört: keine Drittanbieter-API, keine opaken Gewichte, keine Lizenz, die Sie beißt, wenn Sie skalieren.
Die AI-Plattform ist die Antwort auf „Ich habe einen gelabelten Datensatz und will ein Modell, das ich selbst laufen lassen kann, auf meiner eigenen Hardware, auf meinen eigenen Daten, mit einem Audit-Trail, den ich kontrolliere." Wenn Sie „Ich will einen gehosteten GPT-5-Wrapper" brauchen, brauchen Sie das nicht. Wenn Sie „Ich will ein reproduzierbares, selbst-hostbares, kleines Open-Source-Modell, das auf meinen eigenen Labels finetuned ist" brauchen, ist die AI-Plattform die Oberfläche, die dafür gebaut wurde.
Die AI-Plattform erzeugt keine Labels. Sie konsumiert Labels, die Sie schon haben. Es gibt zwei Input-Quellen, und sie entsprechen den zwei Plattformen, die Label-Daten auf Crowdee produzieren.
Die erste Quelle ist eine Datenplattform-Datensatz-Version. Wenn ein Datensatz das Ergebnis eines Cleaning- oder Language-Tech-Pipeline-Runs ist, oder eines Crowd-Platform-Jobs, dessen akzeptierte Antworten in den Datensatz zurückgestrickt wurden, haben Sie ein versioniertes Trainings-Set. Die AI-Plattform liest diese Version, paart die Inputs mit den Labels und behandelt das Ergebnis als Finetuning-Korpus. Die Versions-Referenz ist das, was den Run reproduzierbar macht — lassen Sie das Finetune morgen gegen dieselbe Version laufen und Sie bekommen dasselbe Modell (vorausgesetzt, das Basismodell und die Plattform haben sich nicht geändert).
Die zweite Quelle sind direkt die akzeptierten Antworten eines Crowd-Platform-Jobs. Wenn ein Job beendet ist und das Antwort-Set stabil ist, können Sie auf der AI-Plattform auf diesen Job zeigen und den Korpus aus den Antworten zusammenstellen lassen. Derselbe Job-Version-Audit-Trail greift: Das Finetune ist gegen den Akzeptiert-Zustand des Crowd-Jobs reproduzierbar.
Das ist die Eigenschaft, die die AI-Plattform von einem generischen Finetuning-Service unterscheidet. Die Daten sind Daten, die Sie bereits auf der Crowd Platform oder der Datenplattform kuratiert haben; das Modell ist ein Modell, das Sie aus Ihrer eigenen Modell-Registry abfragen können, nachdem der Run fertig ist. Es gibt keinen Drittanbieter-Daten-Store, der in der Mitte sitzt.
Die AI-Plattform exponiert heute sechs Basismodelle, alle klein, alle Open-Source, alle so gewählt, dass sie auf Standard-Hardware gehostet werden können. Fünf sind unter Apache 2.0 lizenziert; das sechste unter den Gemma Terms of Use, die permissiv, aber nicht Apache sind. Alle sechs stammen aus etablierten Familien (Qwen, Ministral, Granite, Gemma) und bringen unterschiedliche Parameter-Counts und Context-Windows mit.
Die Qwen 3.5 Familie kommt in drei Größen — 0.8B, 2B und 4B Parameter — alle mit einem 256.000-Token-Context-Window. Das kleinste ist der richtige Startpunkt für kurze Klassifikations-Tasks, bei denen Sie ein Modell wollen, das mit ziemlicher Sicherheit auf eine einzelne GPU passt; das 4B ist das obere Ende der Familie, an dem Sie noch innerhalb der Hülle „kleines Open-Source" bleiben. Die Qwen 3.5 Familie ist das meistgenutzte Base im Katalog gerade.
Die anderen drei Familien ergänzen sie. Ministral 3 3B und Granite 4.1 3B zielen auf denselben 3B-Parameter-Count mit unterschiedlichen Trainings-Daten-Linien; Gemma 4 E2B ist die 2.3B Gemma-Variante unter ihrer eigenen Lizenz. Jedes Modell ist eine bewusste Wahl, wenn Sie sich auf ein Finetune festlegen — die Trainings-Daten-Linie, die Lizenz und der Context-Window des Modells sind alle materiell für das resultierende System. Der Katalog-Eintrag exponiert all das; Sie wählen das Modell, das zur Constraint passt, nicht das, das jemand anderes für Sie gewählt hat.
Ein Finetune-Run ist ein LoRA-Finetune: das Basismodell ist eingefroren, ein Low-Rank-Adapter wird auf Ihren Daten trainiert, und der resultierende Adapter ist das, was Sie aus Ihrer Modell-Registry aufrufen. Die Trainings-Compute zahlen Sie, nicht die Inferenz, und die Credit-Kosten sind eine flache Vorab-Figur pro Run, nicht eine metered Compute-Rechnung, die Sie am Ende des Monats überrascht.
Ein Run nimmt ein paar Parameter-Inputs: den Basismodell-Slug, die Source-Datensatz-Version oder den Crowd-Job, den LoRA-Rank (und ein paar abgeleitete Hyperparameter, die Sie überschreiben können), und den Destinations-Modell-Namen in Ihrer Registry. Die Plattform trackt jeden Parameter. Der Katalog-Eintrag, die Source-Version, der LoRA-Rank, das resultierende Modell — all das persistiert zusammen, sodass der Audit-Trail von „dieses Modell hat jene Frage beantwortet" zurück zu „das sind die Source-Daten und das Basismodell, auf dem es finetuned wurde" ein einziger Join ist.
Der Finetune-Worker läuft auf Crowdee-betriebener Infrastruktur. Das tatsächliche Training passiert auf einem separaten Python-Worker (finetune-worker), nicht inline in der API, sodass die lang laufende Compute vom Request-Pfad entkoppelt ist. Sie können den Fortschritt vom Plattform-Dashboard aus überwachen, ohne eine Polling-Schleife, und der resultierende Adapter ist im Moment, in dem der Run fertig wird, abfragbar.
Das Modell, das aus einem Finetune herauskommt, ist ein Modell, dem Sie in Produktion noch nicht vertrauen sollten. Der Schritt, der dieses Vertrauen verdient, ist derselbe Crowd-Rating-Flow, der für die Outputs jedes KI-Systems verwendet wird: Sie reichen einen Batch der Modell-Outputs auf einem Validations-Set ein, der Crowd bewertet sie auf den Dimensionen, die für Ihren Use-Case zählen (typischerweise Klarheit, Evidenz, Actionability und Bias-Risiko), und der aggregierte Score ist das Benchmark.
Das ist die Eigenschaft, die die Schleife auf den drei Plattformen schließt. Die Crowd Platform produziert die Labels; die Datenplattform versioniert den Datensatz; die AI-Plattform produziert das Modell; die Crowd Platform, wieder, produziert das Rating, das Ihnen sagt, ob das Modell gut genug ist, um benutzt zu werden. Dieselbe Primitive — Worker beantworten eine strukturierte Umfrage — ist der Input für das Finetune und der Output des Benchmark. Es gibt keine neue Methodologie, die Sie zwischen den zwei Phasen lernen müssen.
Wenn das Benchmark das Modell gut bewertet, shippen Sie es. Wenn nicht, sagt Ihnen derselbe Audit-Trail, der das Finetune aufgezeichnet hat, was zu ändern ist: ein anderes Basismodell, eine andere Datensatz-Version, ein anderer LoRA-Rank. Jede Iteration ist ein neuer Finetune-Run mit eigenem Registry-Eintrag, und das Benchmark ist derselbe Scoring-Flow. Sie wechseln nicht das Tooling zwischen Iterationen; Sie laufen dieselbe Pipeline.
Die AI-Plattform ist die richtige Oberfläche, wenn Sie gelabelte Daten, eine Self-Hosting-Anforderung oder eine Lizenz-Anforderung haben, die ein gehostetes Modell nicht erfüllen kann. Compliance-Teams, die alle Modell-Gewichte und Inferenz innerhalb der EU-Infrastruktur halten müssen. KI/ML-Teams, die ein reproduzierbares Modell für eine nachgelagerte Pipeline brauchen, die ihnen gehört. Teams im öffentlichen Sektor, die ein Modell mit einer permissiven Lizenz und einer klaren Trainings-Daten-Linie brauchen. Newsroom-Teams, die ein Modell brauchen, das on premises laufen kann und nie eine Drittanbieter-API aufruft.
Wenn Sie „ein gehostetes Modell für einen einmaligen Task benutzen" brauchen, ist ein gehostetes Modell schneller und günstiger. Wenn Sie „das Modell besitzen wollen, das in meiner Pipeline läuft, und wollen, dass die Daten, die Gewichte und der Audit-Trail alle in meinem Tenant leben", ist die AI-Plattform die Oberfläche, die für Sie gebaut wurde.
Um die Modell-Registry auf einem Live-Tenant zu sehen, werfen Sie einen Blick auf die AI-Plattform-Übersicht. Um ein echtes Finetune gegen Ihre Daten zu besprechen, buchen Sie einen Demo-Call — wir gehen mit Ihrem Datensatz, dem Basismodell, das dazu passt, und dem LoRA-Setup, das am schnellsten shippt, durch.
