Model Summary
Ein LoRA-Adapter für Ministral-3-3B-Instruct-2512-BF16, trainiert auf
strukturierten Tool-Calling und YAML-Analyse Aufgaben.
Der Observer ist die zweite Stufe der Kassandra-Pipeline. Er empfängt
strukturierte Bildbeschreibungen und YAML-Analysen, ruft deterministische
Tools auf und gibt rohe Tool-Ergebnisse strukturiert weiter — ohne zu
formulieren, ohne zu schätzen, ohne zu halluzinieren.
Rolle in der Pipeline
Foto / Dokument / Frage
│
▼ Stufe 1: Ministral 3 3B (Base Vision)
│ → Strukturierte Bildanalyse im Schema-Format
│
▼ Stufe 2: Observer LoRA (dieser Adapter)
│ → YAML-Analyse der Anfrage
│ → Tool-Calls: calculate, convert_unit, date_diff, date_info, astro, weather
│ → Rohe Tool-Ergebnisse strukturiert weitergeben
│
▼ Stufe 3: Kassandra LoRA
→ Atmosphärische Antwort auf Deutsch
Der Observer gibt Tool-Calls im Kurzformat aus:
[TOOL_CALLS]calculate{"expression": "10 * tand(30)"}
[TOOL_CALLS]astro{"object": "jupiter", "speed_kmh": 28000}
[TOOL_CALLS]convert_unit{"value": 5, "from_unit": "miles", "to_unit": "km"}
[TOOL_CALLS]date_diff{"date1": "2026-05-17", "date2": "2026-12-25"}
[TOOL_CALLS]weather{"city": "Berlin"}
Mehrere Tool-Calls pro Runde sind möglich. Der Observer rechnet nie selbst —
alle Berechnungen laufen über deterministische Tools mit Validator-Prüfung.
thema: Mondabstand und Reisezeit
gegeben: 384400 km
gesucht: Reisezeit bei ISS-Tempo
typ: berechnung
einheiten: km, h
hypothese: nein
Das YAML wird vom Router verwendet um zu entscheiden ob Tools nötig sind:
typ: berechnung / typ: faktenfrage → Observer + Toolstyp: meinung / typ: beschreibung → direkt zu Kassandra
Trainingsdaten
Trainiert auf einer Kombination aus vier Tranchen des
sebelsn/tad66k-vision-de
Datensatzes:
Table with columns: Tranche, Inhalt, Gewicht| Tranche | Inhalt | Gewicht |
|---|
| T8b | Tool-Calling (calculate, astro, convert_unit, date_diff, weather) | 31% |
| T8a | YAML-Analyse (Fragen strukturiert zerlegen) | 31% |
| T4 | Instruktions-Tasks (sachliche Kürze) | 16% |
| T7 | Korrekturen und Widerspruch | 14% |
| T8c | Kalenderintegration | 7% |
Gesamt: ~8125 Trainingsbeispiele nach proportionaler Komposition.
Verhalten
- Gibt Tool-Calls im konsistenten Kurzformat aus
- Ruft
astro mit speed_kmh für Reisezeitberechnungen auf
- Verwendet
tand()/sind()/cosd() für Winkelberechnungen
- Gibt rohe Tool-Ergebnisse weiter ohne Interpretation
- Produziert sauberes YAML ohne Schema-Felder in
gegeben
Modell-Details
- Entwickelt von: Sebastian Elsner
- Modelltyp: LoRA Adapter (PEFT)
- Sprache: Deutsch
- Lizenz: MIT
- Basis-Modell: mistralai/Ministral-3-3B-Instruct-2512-BF16
- Training: QLoRA FP8 weight-only (torchao), 2 Epochen, Cosine LR
- LoRA Rank: 32 — LoRA Alpha: 64
- Ziel-Module: q_proj, v_proj, down_proj
- Eval-Loss final: ~0.2215
Verwendung mit vLLM
Einschränkungen
- Vorgesehen innerhalb der Kassandra-Pipeline
- Tool-Ergebnisse werden extern validiert (Kassandra API)
- Geplant: Kalenderintegration via CalDAV — Einträge lesen und schreiben
Final Note
Dieser Adapter wurde nicht darauf trainiert zu antworten,
sondern zu beobachten und weiterzugeben.
Was er liefert, ist immer das Ergebnis eines deterministischen Tools —
nie eine Schätzung, nie eine Interpretation.