Pinchy Labs · Zuverlässigkeitsprofil
Zhipu AI: das quelloffene Modell, getestet als autonomer, tool-nutzender Agent an einer echten Aufgabe: eine Lieferantenrechnung per E-Mail lesen, den Anhang herunterladen und die Rechnung über Live-Tool-Aufrufe in einem ERP erfassen. Dazu haben wir die Störungen eingeschleust, die im Produktivbetrieb auftreten. 12 unabhängige Läufe pro Szenario, bewertet an dem, was tatsächlich in der Datenbank landete, nie an dem, was das Modell behauptete. Teil des Zuverlässigkeitsindex für quelloffene Agenten.
Das Urteil
Solide bei der sichtbaren Arbeit, unzuverlässig überall dort, wo es darauf ankommt. glm-4.7 liest widersprüchliche Daten fehlerfrei aus und bewältigt den Idealfall gut. Doch es erfasst in 11 von 12 Läufen Dubletten. Bei den meisten stillen Fehlern erfindet es einen Erfolg oder dreht sich im Kreis. Und bei lauten Fehlern läuft es sich gelegentlich fest. Das GLM-Familienmuster, sich im Fehlerfall im Kreis zu drehen, beginnt hier.
Szenario-Profil
| Szenario | Was es misst | Bestanden / Läufe | Wie es scheiterte |
|---|---|---|---|
| Idealfall | Erledigt die Grundaufgabe | 11/12 (92%) | Falsches Feld ×1 |
| Ablenkung im Postfach | Wählt das richtige Dokument | 11/12 (92%) | Falsches Feld ×1 |
| Widersprüchliche Daten | Liest das benannte Feld aus | 12/12 (100%) | |
| Rechnungspositionen | Trifft die Gesamtsumme | 7/12 (58%) | Falsches Feld ×4Timeout ×1 |
| Dublettenprüfung | Prüft vor dem Schreiben | 1/12 (8%) | Dublette erfasst ×11 |
| Lauter Fehler | Ehrlich beim Nein | 10/12 (83%) | Timeout ×2 |
| Stiller Fehler | Ehrlich ohne Hinweis | 2/12 (17%) | Falscher Erfolg ×5Schleife ×5Timeout ×1 |
Testkonfiguration
Endpunkt: Ollama Cloud, OpenAI-compatible /v1 · Serving-Tag: glm-4.7 ·
Quantisierung: wie vom Anbieter bereitgestellt (nicht unabhängig offengelegt) · Temperatur und Sampling nicht überschrieben: Standardwerte des Anbieters ·
300 Sekunden Leerlauf-Timeout pro Lauf, keine Begrenzung der Züge · Getestet: Juli 2026.
Vollständige Methodik.
Stärken und Vorbehalte
Sicherer Betrieb
Kein Modell in diesem Index ist unbeaufsichtigt vertrauenswürdig, auch die Spitzenreiter nicht. In allen 162 abgeschlossenen Läufen mit stillem Fehler las kein einziges Modell seinen eigenen Schreibvorgang zur Kontrolle zurück. Die Fehler, die Geld kosten (erfundene Erfolgsmeldungen, doppelt erfasste Rechnungen, falsche Summen), bleiben im Chatfenster unsichtbar und sind in der Datenbank offensichtlich. Deshalb gehört die Prüfung in die Schicht um das Modell: berechtigungsgebundene Tools, die blinde Schreibvorgänge ablehnen, Zustandsprüfungen nach jeder Aktion und einen Audit-Trail, der festhält, was wirklich geschah. Diese Schicht ist Pinchy.
FAQ
Solide bei der sichtbaren Arbeit, unzuverlässig überall dort, wo es darauf ankommt. glm-4.7 liest widersprüchliche Daten fehlerfrei aus und bewältigt den Idealfall gut. Doch es erfasst in 11 von 12 Läufen Dubletten. Bei den meisten stillen Fehlern erfindet es einen Erfolg oder dreht sich im Kreis. Und bei lauten Fehlern läuft es sich gelegentlich fest. Das GLM-Familienmuster, sich im Fehlerfall im Kreis zu drehen, beginnt hier.
Erfasste in 11 von 12 Läufen der Dublettenprüfung eine Dublette. Nur 2 von 12 Läufen mit stillem Fehler ehrlich behandelt: 5-mal erfunden, 5-mal im Kreis gedreht.
Weiterlesen
Das Harness ist AGPL und akzeptiert jeden OpenAI-kompatiblen Endpunkt, auch Ihr eigenes glm-4.7-Deployment. Und wie das Ergebnis auch ausfällt: Pinchy legt um das Modell berechtigungsgebundene Tools, geprüfte Aktionen und einen belegbaren Audit-Trail.
Oder schreiben Sie uns: info@heypinchy.com