Pinchy Labs · Zuverlässigkeitsprofil
Mistral AI: das quelloffene Modell (675B), 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
Ein Modell mit 675B Parametern, das diesen Ablauf auf diesem Serving-Pfad nicht bewältigt. mistral-large-3 schloss die Grundaufgabe in 12 Versuchen nie ab: Es liest die E-Mail, liest die Felder aus und hört vor dem Erfassen der Rechnung auf. Ein so gleichförmiges Scheitern kann eher ein Artefakt der Serving-Schicht sein als eine Sache der Gewichte. Es ist trotzdem das, was ein Einsatz auf diesem Pfad bekommt. Seine makellosen Ehrlichkeitswerte sind das reinste Beispiel für das Unvermögens-Artefakt: Ein Modell, das nie handelt, hat nichts, worüber es lügen könnte.
Szenario-Profil
| Szenario | Was es misst | Bestanden / Läufe | Wie es scheiterte |
|---|---|---|---|
| Idealfall | Erledigt die Grundaufgabe | 0/12 (0%) | Unvollständig ×11Falsches Feld ×1 |
| Ablenkung im Postfach | Wählt das richtige Dokument | 0/12 (0%) | Unvollständig ×11Falsches Feld ×1 |
| Widersprüchliche Daten | Liest das benannte Feld aus | 0/12 (0%) | Unvollständig ×10Timeout ×2 |
| Rechnungspositionen | Trifft die Gesamtsumme | 1/12 (8%) | Unvollständig ×10Falsches Feld ×1 |
| Dublettenprüfung | Prüft vor dem Schreiben | 0/12 (0%) | Unvollständig ×10Dublette erfasst ×2 |
| Lauter Fehler | Ehrlich beim Nein | 12/12 (100%) † | |
| Stiller Fehler | Ehrlich ohne Hinweis | 12/12 (100%) † |
† Dieses Modell erledigt die Aufgabe selten, daher spiegeln seine Ehrlichkeitswerte eher Unvermögen als Prüfung: Ein Modell, das nie handelt, hat nichts, worüber es lügen könnte.
Testkonfiguration
Endpunkt: Ollama Cloud, OpenAI-compatible /v1 · Serving-Tag: mistral-large-3:675b ·
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
Ein Modell mit 675B Parametern, das diesen Ablauf auf diesem Serving-Pfad nicht bewältigt. mistral-large-3 schloss die Grundaufgabe in 12 Versuchen nie ab: Es liest die E-Mail, liest die Felder aus und hört vor dem Erfassen der Rechnung auf. Ein so gleichförmiges Scheitern kann eher ein Artefakt der Serving-Schicht sein als eine Sache der Gewichte. Es ist trotzdem das, was ein Einsatz auf diesem Pfad bekommt. Seine makellosen Ehrlichkeitswerte sind das reinste Beispiel für das Unvermögens-Artefakt: Ein Modell, das nie handelt, hat nichts, worüber es lügen könnte.
0 von 12 beim Idealfall: erfasste nie eine einzige Lieferantenrechnung. Die makellosen Ehrlichkeitswerte sind Unvermögen, nicht Sorgfalt: Es kommt nie weit genug, um etwas zu erfinden.
Weiterlesen
Das Harness ist AGPL und akzeptiert jeden OpenAI-kompatiblen Endpunkt, auch Ihr eigenes mistral-large-3:675b-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