Spezialisierte Modelle
Kleine, schnelle, zweckgebundene Modelle für Spracherkennung, Entitätserkennung, Lemmatisierung, Embeddings und Re-Ranking. Das sind die Arbeitstiere, die StellarBase intern antreiben – und sie alle sind als APIs verfügbar.
Textverarbeitung
Spracherkennung
Erkennt die Sprache eines Textes über mehr als 1.000 Sprachen hinweg, einschließlich seltener und ressourcenarmer Sprachen. Leichtgewichtig, schnell, nur CPU.
- Anwendungsfall: mehrsprachige Korpora an das passende nachgelagerte Modell weiterleiten; Inhalte in mehrsprachigen Pipelines kennzeichnen
- Genauigkeit: > 99 % bei wohlgeformtem Text mit mehr als 100 Zeichen
- Einheit: pro 1 Mio. Anfragen
Lemmatisierung
Reduziert flektierte Wörter auf ihre Grundformen über mehr als 60 Sprachen hinweg. Nützlich für die Stichwortsuche, Topic Modeling und zur Verbesserung der nachgelagerten NER-Leistung.
- Anwendungsfall: Suche über flektierte Sprachen (Tschechisch, Polnisch, Ungarisch, Finnisch)
- Einheit: pro 1.000 Dokumente
Zero-Shot Named Entity Recognition
Sie geben die gewünschten Entitätstypen an („person, medication, trial_id“) und das Modell findet sie – kein Fine-Tuning erforderlich.
- Anwendungsfall: individuelle Entitätsextraktion über domänenspezifische Korpora
- Stärken: Flexibilität (beliebiger Entitätstyp per Prompt), mehrsprachig
- Einheit: pro 1 Mio. Tokens
Entity Linking
Nimmt erkannte Entitäten und verknüpft sie mit kanonischen Bezeichnern – Wikidata, Ihre interne Wissensdatenbank oder ein beliebiger benutzerdefinierter Graph.
- Anwendungsfall: „Dr. Nováková“ einer konkreten Person in Ihrem HR-Verzeichnis zuordnen
- Einheit: pro 1.000 Dokumente
Dokumentenverarbeitung
StellarOCR
Zusammengesetzte Dokumentenverarbeitungs-Engine – ein Endpunkt, der Text, Layout, Tabellen, Abbildungen und mathematische Formeln aus jedem PDF oder Bild zurückgibt. Detailliert in der StellarOCR-Dokumentation.
- Einheit: pro 1.000 Seiten
- Abrechnung: Pauschaltarif, unabhängig davon, wie viele interne Modelle laufen
Embeddings
Mehrsprachige Embeddings – schnell
Schnelle mehrsprachige Embeddings für umfangreiche Workloads.
- Anwendungsfall: semantische Suche im großen Maßstab, Clustering, Duplikaterkennung
- Einheit: pro 1 Mio. Tokens
Mehrsprachige Embeddings – High-Recall
Mehrsprachige Embeddings höherer Qualität, wenn es vor allem auf Recall ankommt.
- Anwendungsfall: Retrieval für unternehmenskritische Workloads, bei denen ein paar zusätzliche Recall-Punkte den Unterschied machen
- Einheit: pro 1 Mio. Tokens
Long-Context Embeddings
Mehrsprachige Embeddings, abgestimmt auf lange Passagen und das Retrieval ganzer Dokumente.
- Anwendungsfall: einen ganzen Vertrag oder ein ganzes Paper als einen Vektor einbetten
- Einheit: pro 1 Mio. Tokens
Bild-Embeddings
Visuelle Embeddings, die direkt auf Pixeln arbeiten – keine Textunterschriften oder Labels erforderlich.
- Anwendungsfall: Bildsuche, Duplikaterkennung, modalitätsübergreifendes Retrieval
- Einheit: pro 1.000 Bilder
Retrieval
Reranker
Bewertet für eine gegebene Anfrage und eine Reihe von Kandidatenpassagen jede einzelne hinsichtlich ihrer Relevanz. Deutlich schärfer als die Embedding-Ähnlichkeit allein.
- Anwendungsfall: die Top-Ergebnisse aus einem Retrieval-Schritt neu ordnen, bevor sie an das LLM übergeben werden
- Einheit: pro 1.000 Suchanfragen
Auswahl
| Aufgabe | Fähigkeit |
|---|---|
| Sprache erkennen | Spracherkennung |
| Entitäten extrahieren (jeder Typ) | Zero-Shot NER |
| Entitäten mit einer KB verknüpfen | Entity Linking |
| Text → Vektor (schnell, günstig) | Mehrsprachige Embeddings – schnell |
| Text → Vektor (bester Recall) | Mehrsprachige Embeddings – High-Recall |
| Lange Dokumente → ein Vektor | Long-Context Embeddings |
| Bild → Vektor | Bild-Embeddings |
| Suchergebnisse neu ordnen | Reranker |
| Beliebiges Dokument parsen | StellarOCR |
Preise
Preise pro Einheit in EUR, keine Stufen, keine Mindestmengen. Siehe die vollständige Preistabelle.
Selbst gehostet
Jedes Modell auf dieser Seite läuft innerhalb des StellarBase-On-Premise-Bundles. Für Air-Gapped-Bereitstellungen werden die Modellgewichte als signierte Data Packs ausgeliefert und nach Ihrem Zeitplan aktualisiert. Siehe On-Premise.
Eigene Modelle
Bringen Sie Ihre eigenen mit – HuggingFace-Endpunkte, REST-APIs, gRPC-Dienste, lokale Checkpoints. Einmal als Tool registrieren, und Agenten und Workflows können es aufrufen. Siehe Agents.