mindtro®.

Mindtro F&E

Was kommt als Nächstes?

Forschung, Experimente und Zusammenarbeit im Bereich agentischer KI.

Jede Studie erklärt, was wir getestet haben, was wir gelernt haben und was offenbleibt. Die Ergebnisse gelten für die getesteten Bedingungen und sind keine Garantie für die Produktleistung.

01 · Pyro · temporale Intelligenz

Pyro Time-Aware LLM

Pyro untersucht, ob ein Sprachmodell die tatsächlich zwischen Ereignissen verstrichene Zeit nutzen kann. Ändert es seine Antwort richtig, wenn der Text gleich bleibt, sich aber die Zeitangaben ändern? An einem kleinen Modell untersuchen wir die Auswahl von Zeitintervallen und den Vergleich von Zeitdauern in getrennten Experimenten.

  • Verstrichene Zeit direkt als numerische Eingabe bereitstellen
  • Korrekte Zeitinformationen mit zufällig vertauschten und auf null gesetzten Werten vergleichen
  • Leistung bei Zeitintervallen außerhalb der Trainingsbedingungen messen
Programm ansehen →

02 · Pyrodit RM · Risikointelligenz

Pyrodit RM — Risiken in Texten erkennen

Pyrodit Risk Model erforscht die Erkennung schädlicher Inhalte bei Bewahrung legitimer Äußerungen. Die jüngste englische Studie untersucht Trainingskontinuität, Datenabdeckung und kontextuelle Präzision anhand ausdrücklicher Kriterien. Der Bericht trennt gemessene englische Ergebnisse von künftigen Sprachbewertungen.

  • Erkennungssensitivität und Fehlalarme gemeinsam bewerten
  • Weitertraining des vollständigen Modells mit einer festen Wortmusterkontrolle vergleichen
  • Kontext- und sprachabhängiges Verhalten vor der Modellakzeptanz prüfen
Programm ansehen →

03 · Pyrodit Security · Sicherheitsforschung

Die Grundlage von Sicherheitsentscheidungen sichtbar machen

Eine Sicherheitsprüfung sollte zeigen, was sie untersucht hat und worauf ihr Befund beruht. Wir untersuchen, wie Textprüfung, das Verbergen sensibler Daten und Freigabeentscheidungen diese Befunde mit klaren Zuständigkeiten nutzen können.

  • Risikosignale durch Regeln, Namenserkennung und Bedeutungsanalyse finden
  • Scan berichtet Befunde; Guard wendet Unternehmensregeln für die Entscheidung an
  • Masking verbirgt sensible Textstellen und dokumentiert die Änderung
Programm ansehen →

04 · Pyrodit Research · entstehende Systeme

Autonomous Enterprise OS

Wir erforschen, wie spezialisierte KI-Assistenten unter menschlicher Aufsicht an Geschäftsprozessen mitwirken können. Der Enterprise Agentic Runtime-Ansatz sieht klare Aufgaben, Befugnisse und Ressourcengrenzen vor. Folgenreiche Aktionen sollen überprüfbar und rückgängig zu machen sein. Dies ist eine laufende Forschungsrichtung.

  • Ablaufschritte und Regeln in sogenannten FlowDefs festhalten
  • Werkzeuge, Budget und Entscheidungsbefugnis jedes Assistenten begrenzen
  • Menschliche Freigabe, Aktionsprotokolle und Wiederherstellung für folgenreiche Vorgänge vorsehen
Programm ansehen →

05 · Open Source · Vektorkompression

Semafold

Semafold ist unsere quelloffene Python-Bibliothek zur Kompression numerischer KI-Repräsentationen. Sie reduziert den Speicherbedarf von Embeddings und ermöglicht Experimente mit kleineren Attention-Cache-Tensoren. Speicherersparnis und Rekonstruktionsfehler werden gemeinsam ausgewiesen.

  • Embedding- und Vektorspeicher
  • Experimente mit Attention-Cache-Tensoren
  • Messbare Speicher- und Qualitätsabwägungen
Programm ansehen →

Forschungsnachweis

Experimente nach Forschungslinie

Dies sind technische Forschungsberichte, keine begutachteten Publikationen. Jeder Bericht nennt Quellen, Messbedingungen und Grenzen. Der Evidenzabschnitt erklärt, was heruntergeladen oder reproduziert werden kann.

Zeitverständnis · kontrolliertes Experiment

Das Modell nutzt Zeitinformationen zur Auswahl des richtigen Intervalls

Nutzt das Modell tatsächliche Zeitinformationen, um das richtige Intervall zwischen Ereignissen auszuwählen, oder rät es anhand von Hinweisen im Text?

Experimentelle Kriterien erfüllt · drei Trainingsdurchläufe

Getestet wurde die Auswahl eines Zeitintervalls aus vorgegebenen Möglichkeiten. Ein einsatzbereites Sprachmodell für beliebige Zeitfragen ist damit nicht belegt. Ein früheres Experiment ließ auch die zuverlässige Zuordnung wiederholter Intervalle zu Ereignissen ungelöst.

Bericht lesen →

Zeitdauern vergleichen · Trainingsexperiment

Zeitdauer-Reasoning: vom Vergleich zur numerischen Antwort

Hilft das zusätzliche Lernen von Zeitverhältnissen dabei, längere Zeitdauern zu erkennen und ihren Wert genauer zu bestimmen?

Teilfortschritt · Ziel für numerische Antworten nicht erreicht

Damit liegt noch kein fertiges System für Zeitdauerfragen vor. Weitere Arbeit muss Vorhersagen an reale Zeitdauern anpassen und Antworten bei Unsicherheit begrenzen.

Bericht lesen →

Pyrodit RM · R7-Verbesserungsstudie

Risikoerkennung: Trainingskontinuität und kontextuelle Präzision

Verbessern der Erhalt des vollständigen Modells und breitere Trainingsdaten die Erkennung, ohne mehr Fehlalarme oder den Verlust bestehender Fähigkeiten?

R7-Bewertung abgeschlossen · R5 bleibt die eingesetzte Basis

Dies sind englische Entwicklungsergebnisse mit einer separat gewählten Schwelle pro Bewertungsgruppe, keine Validierung einer gemeinsamen Produktionsschwelle. Sie belegen keine Leistung für Türkisch, Deutsch oder andere Risikokategorien. Der Kontextdatensatz war bereits untersucht worden und ist kein unberührter unabhängiger Test. Da kein R7-Kandidat qualifiziert war, fand kein abschließender Kontexttest für R7 statt; die berichteten Kontextwerte gehören zur separaten Wortmusterkontrolle.

Bericht lesen →

Open Source · Vektorkompression

Semafold: kleinere Vektoren, messbare Abwägungen

Wie viel Speicher lässt sich für KI-Vektoren einsparen, wenn die vollständige komprimierte Darstellung einschließlich Metadaten zählt?

Synthetischer Benchmark · Quellbericht 0.1.0 vom 31. März 2026 · Bibliothek 0.2.0 geprüft

Die Kompression ist verlustbehaftet. Suchqualität und Modellverhalten müssen am vorgesehenen Einsatzfall geprüft werden. Sehr kleine Cache-Blöcke können wegen Metadaten größer als die 16-Bit-Darstellung werden. Kompressions- und Cache-APIs bleiben Vorschau-Schnittstellen; fertige Serving-Integrationen sind nicht Gegenstand dieses Berichts.

Bericht lesen →

Forschungsberichte

Diese Berichte erläutern abgeschlossene Experimente und Forschungspläne. Sie sind noch nicht unabhängig wissenschaftlich begutachtet.

Temporale Intelligenz

Das Modell nutzt Zeitinformationen zur Auswahl des richtigen Intervalls

Mit korrekten Zeitinformationen wählte das Modell deutlich häufiger das richtige Intervall. Der Effekt blieb bei identischem Text bestehen und spricht dafür, dass das Modell auch die Zeitinformationen nutzt.

Bericht lesen →

Objective-Design

Zeitdauer-Reasoning: vom Vergleich zur numerischen Antwort

Eine zusätzliche Lernaufgabe zu Verhältnissen zwischen Zeitdauern verbesserte deren Vergleich. Für korrekte numerische Antworten reichte dieser Fortschritt jedoch nicht aus.

Bericht lesen →

Risikomodellierung

Risikoerkennung: Trainingskontinuität und kontextuelle Präzision

Die R7-Studie bewertete die Weiterführung des vollständigen Modells und eine breitere Datenabdeckung anhand vorab festgelegter Kriterien. Sie verdeutlichte das Verhältnis zwischen Risikoerkennung und kontextabhängigen Fehlalarmen; R5 blieb die eingesetzte Basis. Die Ergebnisse leiten weitere kontrollierte Vergleiche zu sprachlichem Vortraining und Labelkonsistenz an.

Bericht lesen →

KI-Sicherheit

Die Grundlage von Sicherheitsentscheidungen sichtbar machen

Eine Sicherheitsprüfung sollte zeigen, was sie untersucht hat und worauf ihr Befund beruht. Wir untersuchen, wie Textprüfung, das Verbergen sensibler Daten und Freigabeentscheidungen diese Befunde mit klaren Zuständigkeiten nutzen können.

Bericht lesen →

Open Source · Vektorkompression

Semafold: kleinere Vektoren, messbare Abwägungen

Semafold ist unsere quelloffene Python-Bibliothek zur Kompression numerischer KI-Repräsentationen. Sie reduziert den Speicherbedarf von Embeddings und ermöglicht Experimente mit kleineren Attention-Cache-Tensoren. Speicherersparnis und Rekonstruktionsfehler werden gemeinsam ausgewiesen.

Bericht lesen →

Pyrodit Scan Lab · Reasoning-Bewertung

Hält die Antwort einer Prüfung stand?

Eine flüssige Antwort kann das Ziel verfehlen oder eine richtige Schlussfolgerung unter Druck aufgeben. Die Reasoning-Engine von Scan Lab bewertet die beobachtbare Antwort, die zu lösende Aufgabe und die Reaktion auf Feedback.

Programm ansehen →

Wissen, was eine Sicherheitsprüfung untersucht hat

Ein Risikosignal allein ist noch keine Entscheidung. Die untersuchte Eingabe und die Belege müssen sichtbar sein; Unternehmensregeln bestimmen die Handlung.

Programm ansehen →

Unsere Forschungsrichtung für Unternehmens-KI

Wir untersuchen, wie KI Geschäftsprozesse ausführen kann, während Befugnisse, menschliche Freigaben und Verantwortung klar bleiben. Dies sind Forschungspläne, keine fertigen Produktfunktionen.

Programm ansehen →

Mit Mindtro entwickeln

Gemeinsam die passende
Lösung finden.

Gespräch beginnen ↗

MINDTRO

Notwendige und angeforderte Einstellungen

Sprache, gewähltes Erscheinungsbild und Ihre Datenschutzentscheidung ermöglichen die von Ihnen angeforderte Nutzung.

Immer aktiv

Ihre Auswahl wird 180 Tage in diesem Browser gespeichert. Sie können sie hier jederzeit ändern oder widerrufen. Beim Deaktivieren einer geladenen Karte wird die Seite neu geladen, um Verbindungen zu beenden.

Cookie-RichtlinieDatenschutzhinweise
Forschung | Mindtro | Intelligence, Engineered