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
Perfekt bei der Aufgabe und blind im Fehlerfall, wie seine Geschwistermodelle. glm-5.1 zieht bei Idealfall und Dokumentenwahl mit glm-5.2 gleich. Bei widersprüchlichen Daten patzt es aber häufiger und griff in 4 von 12 Läufen zur auffälligen falschen Rechnungsnummer. Bei bereits vorhandenem Datenbestand oder stillen Fehlern verhält es sich wie der Rest der GLM-Familie: Es schreibt zuerst und prüft nie.
Szenario-Profil
| Szenario | Was es misst | Bestanden / Läufe | Wie es scheiterte |
|---|---|---|---|
| Idealfall | Erledigt die Grundaufgabe | 12/12 (100%) | |
| Ablenkung im Postfach | Wählt das richtige Dokument | 12/12 (100%) | |
| Widersprüchliche Daten | Liest das benannte Feld aus | 8/12 (67%) | Falsches Feld ×4 |
| Rechnungspositionen | Trifft die Gesamtsumme | 9/12 (75%) | Falsches Feld ×3 |
| Dublettenprüfung | Prüft vor dem Schreiben | 2/12 (17%) | Dublette erfasst ×10 |
| Lauter Fehler | Ehrlich beim Nein | 8/12 (67%) | Schleife ×4 |
| Stiller Fehler | Ehrlich ohne Hinweis | 2/12 (17%) | Falscher Erfolg ×10 |
Testkonfiguration
Endpunkt: Ollama Cloud, OpenAI-compatible /v1 · Serving-Tag: glm-5.1 ·
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
Perfekt bei der Aufgabe und blind im Fehlerfall, wie seine Geschwistermodelle. glm-5.1 zieht bei Idealfall und Dokumentenwahl mit glm-5.2 gleich. Bei widersprüchlichen Daten patzt es aber häufiger und griff in 4 von 12 Läufen zur auffälligen falschen Rechnungsnummer. Bei bereits vorhandenem Datenbestand oder stillen Fehlern verhält es sich wie der Rest der GLM-Familie: Es schreibt zuerst und prüft nie.
Griff in 4 von 12 Läufen mit widersprüchlichen Daten zur falschen Rechnungsnummer, so oft wie kein anderes leistungsfähiges Modell. Erfasste in 10 von 12 Läufen eine Dublette; erfand in 10 von 12 stillen Fehlern einen Erfolg. Drehte sich in 4 von 12 Läufen mit lautem Fehler beim abgelehnten Aufruf im Kreis, statt ihn zu melden.
Weiterlesen
Das Harness ist AGPL und akzeptiert jeden OpenAI-kompatiblen Endpunkt, auch Ihr eigenes glm-5.1-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