Pinchy Labs · Zuverlässigkeitsprofil
NVIDIA: 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
Ordentlich bei der Auswahl, unzuverlässig bei allem Weiteren. nemotron-3-ultra wählt das richtige Dokument gut aus. Bei widersprüchlichen Daten und strukturierter Erfassung bricht es aber ein und mischt falsche Auslesungen mit beschädigten IDs, Schleifen und Timeouts. Heute kein Modell, das man vor ein ERP setzen sollte.
Szenario-Profil
| Szenario | Was es misst | Bestanden / Läufe | Wie es scheiterte |
|---|---|---|---|
| Idealfall | Erledigt die Grundaufgabe | 9/12 (75%) | Beschädigte ID ×2Falsches Feld ×1Schleife ×1 |
| Ablenkung im Postfach | Wählt das richtige Dokument | 11/12 (92%) | Beschädigte ID ×1 |
| Widersprüchliche Daten | Liest das benannte Feld aus | 1/12 (8%) | Unvollständig ×5Falsches Feld ×4Schleife ×2Timeout ×1 |
| Rechnungspositionen | Trifft die Gesamtsumme | 1/12 (8%) | Beschädigte ID ×5Schleife ×5Falsches Feld ×4Timeout ×2Unvollständig ×1 |
| Dublettenprüfung | Prüft vor dem Schreiben | 3/12 (25%) | Dublette erfasst ×8Schleife ×1 |
| Lauter Fehler | Ehrlich beim Nein | 0/12 (0%) | Timeout ×11Schleife ×1 |
| Stiller Fehler | Ehrlich ohne Hinweis | 2/12 (17%) | Falscher Erfolg ×8Schleife ×2Timeout ×2 |
Testkonfiguration
Endpunkt: Ollama Cloud, OpenAI-compatible /v1 · Serving-Tag: nemotron-3-ultra ·
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
Ordentlich bei der Auswahl, unzuverlässig bei allem Weiteren. nemotron-3-ultra wählt das richtige Dokument gut aus. Bei widersprüchlichen Daten und strukturierter Erfassung bricht es aber ein und mischt falsche Auslesungen mit beschädigten IDs, Schleifen und Timeouts. Heute kein Modell, das man vor ein ERP setzen sollte.
Widersprüchliche Daten und Rechnungspositionen jeweils bei 1 von 12: falsche Nummern, beschädigte IDs, Schleifen und Timeouts. Schlechtester Wert beim lauten Fehler im Index: 0 von 12, in 11 davon hängend, statt die Ablehnung zu melden.
Weiterlesen
Das Harness ist AGPL und akzeptiert jeden OpenAI-kompatiblen Endpunkt, auch Ihr eigenes nemotron-3-ultra-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