Ein kleines Kollektiv von Forschenden
Eschatia Labs ist ein unabhängiges, nicht gewinnorientiertes Open-Source-Labor für KI-Forschung.
Eschatia Labs ist eine kleine Gruppe von Forschenden, die als Kollektiv arbeitet. Unsere Preprints sammeln wir hier, unsere Modelle stehen auf Hugging Face, unser Code ist Open Source, und alles davon teilen wir mit allen.
Stand:
Forschung
Eschatia Labs · fünf Gebiete · eine Methode
Projekte
Sieben Projekte von Eschatia Labs
Emberwick
Ein mittelalterliches Dorf, das man im Browser spielt. Drei kleine Entscheidungsmodelle, Deem-4B, Karar-4B und Wähler-4B, bestimmen, was die Dorfbewohner bei Stürmen, Bränden, Märkten und Wölfen tun.
Projekt öffnenreevesagents
Führt mehrere KI-Programmierassistenten (Claude Code, Codex und über 20 weitere) parallel in einem Terminal aus, wobei ein Assistent die übrigen koordiniert.
Projekt öffnenJevAlt
Die drei Entscheidungsmodelle hinter Emberwick, für Englisch, Türkisch und Deutsch. Jede Antwort kommt mit einer Wahrscheinlichkeit, und die Modelle laufen auf einem Laptop mit etwa 3 GB Arbeitsspeicher.
Projekt öffnenxdfdet
Erklärbare Deepfake-Erkennung: acht EfficientNet-B4-Modelle, die KI-veränderte Gesichter Bild für Bild erkennen, mit Grad-CAM-Heatmaps als Beleg. Die Masterarbeit und das Paper zur UBMK 2026 stammen aus dieser Arbeit.
Tholos
Kleine lokale Assistenten, die sich auf dem eigenen Computer Tabellen, Notizen und eine Aufgabentafel teilen. Eine Regel prüft jede Aktion zuerst: Sie wird ausgeführt, wartet auf eine Freigabe oder wird blockiert.
Projekt öffnenJevOss
Eine offene Testsuite für Antwortabweichungen, also für den Fall, dass ein Modell nach einer kleinen Umformulierung der Frage seine Antwort ändert.
Projekt öffnenEldalambë
Ein kleines Modell für Quenya und Sindarin, die von Tolkien erfundenen Elbensprachen, und ihre Schrift Tengwar. Das Paper ist öffentlich; Code und Daten sind privat.
Projekt öffnenPublikationen
Preprints, Paper und technische Berichte von Eschatia Labs
Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention
Vergleicht neun Trainingsverfahren für einen Deepfake-Detektor: wie genau er ist, wie gut seine Wahrscheinlichkeitseinschätzung zu den Ergebnissen passt und auf welche Teile des Gesichts er sich stützt. Die Arbeit wurde auf der UBMK 2026 in Istanbul vorgestellt und in IEEE Xplore veröffentlicht.
Language Preservation Using Agentic AI Architectures: A Tool-Grounded Small Language Model on a Constructed-Language Testbed
Ein kleines Sprachmodell für Quenya und Sindarin, die von Tolkien erfundenen Elbensprachen, mit Werkzeugen, die jede Antwort anhand eines Wörterbuchs und grammatischer Regeln prüfen.
JevAlt: Technical report
Wie Deem-4B, Karar-4B und Wähler-4B trainiert und getestet wurden, mit Ergebnissen, Grenzen und Downloadlinks.
Tholos-2B: Technical report
Wie Tholos-2B aus MiniCPM5-2B trainiert wurde und wie es bei den 160 Tholos-Bench-Aufgaben abschneidet.
Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques
Die Masterarbeit hinter xdfdet: EfficientNet-B4-Detektoren, Bild für Bild auf FaceForensics++ getestet, mit Grad-CAM-Heatmaps. TED University, 2025. DOI 10.5281/zenodo.18998566.
Arbeitsweise
Ein Modell, eine Aufgabe, ein festgelegter Test.

- IJedes Modell wird für eine Aufgabe trainiert und anhand dieser Aufgabe getestet.
- IITestfragen fließen nicht in den abschließenden Trainingslauf ein.
- IIIErgebnisse, bekannte Fehler und die Dateien zur Wiederholung werden gemeinsam veröffentlicht.
- IVDie veröffentlichten JevAlt-Dateien laufen auf einem Laptop-Prozessor mit etwa 3 GB Arbeitsspeicher.




