Eschatia Labs labs

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.

16.272Downloads unserer Modelle und Datensätze auf Hugging Face
12.997Downloads unserer Code-Pakete auf npm
7offene Projekte
3offene Benchmarks

Stand:

Forschung

Eschatia Labs · fünf Gebiete · eine Methode

01 Entscheidungsmodelle Ein Entscheidungsmodell liest eine Situation, wählt eine der vorgegebenen Antworten und gibt jeder Antwort eine Wahrscheinlichkeit. Deem-4B arbeitet auf Englisch, Karar-4B auf Türkisch und Wähler-4B auf Deutsch. Alle drei wurden ausgehend von Intern-Decision-4B trainiert.Auf jevalt-bench erreicht Deem-4B 94,7 % Genauigkeit, gegenüber 84,7 % für Kev-4B. 02 Offene Benchmarks Ein Benchmark ist ein fester Satz von Testfragen mit einer Bewertungsregel. jevalt-bench enthält 3.116 beschriebene Situationen in drei Sprachen. JevOss prüft, ob sich eine Antwort ändert, wenn die Frage leicht umformuliert wird. Tholos-Bench enthält 160 Aufgaben in einem gemeinsamen Arbeitsbereich mit Tabellen, Notizen und einer Aufgabentafel.3 Testsuiten · 3.116 Situationen · 160 Aufgaben im Arbeitsbereich 03 Erklärbare Deepfake-Erkennung Ein Deepfake ist ein Video, in dem KI ein Gesicht verändert oder ersetzt hat. xdfdet prüft jedes Videobild mit EfficientNet-B4, einem Bilderkennungsmodell. Grad-CAM-Heatmaps zeigen, auf welche Teile des Gesichts sich jede Entscheidung stützt. Die AUC bewertet einen Detektor auf einer Skala von 0,5 (Raten) bis 1 (perfekt).Auf FaceForensics++ erreicht EfficientNet-B4 mit variierten und teilweise geschwärzten Trainingsbildern einen AUC-Wert von 0,897, gegenüber 0,868 ohne sie. 04 Lokale Aufgabenassistenten Ein lokaler Aufgabenassistent erledigt Arbeit auf dem eigenen Computer, nach Regeln, die man selbst festlegt. Tholos-Assistenten teilen sich Tabellen, Notizen und eine Aufgabentafel. Jede Aktion wird ausgeführt, wartet auf eine Freigabe oder wird blockiert.Auf Tholos-Bench besteht Tholos-2B auf einer Kaggle-T4-Grafikkarte 137 von 160 Aufgaben, gegenüber 112 für MiniCPM5-2B. 05 Spracherhalt Eldalambë hilft beim Lesen und Schreiben von Quenya und Sindarin, den von Tolkien erfundenen Elbensprachen, und ihrer Schrift Tengwar. Ein kleines Sprachmodell prüft seine Antworten anhand eines Wörterbuchs und grammatischer Regeln. Das Paper ist öffentlich; Code, Daten und Modelldateien sind privat.Öffentlicher Preprint · Code, Daten, Modelle und Testsatz privat

Projekte

Sieben Projekte von Eschatia Labs

Spiel

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 öffnen
Entwicklerwerkzeug

reevesagents

Führt mehrere KI-Programmierassistenten (Claude Code, Codex und über 20 weitere) parallel in einem Terminal aus, wobei ein Assistent die übrigen koordiniert.

Projekt öffnen
Entscheidungsmodelle

JevAlt

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 öffnen
Bildverarbeitung

xdfdet

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.

Projekt öffnen →
Lokaler Assistent

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 öffnen
Benchmark

JevOss

Eine offene Testsuite für Antwortabweichungen, also für den Fall, dass ein Modell nach einer kleinen Umformulierung der Frage seine Antwort ändert.

Projekt öffnen
Sprache

Eldalambë

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 öffnen

Offene Benchmarks von Eschatia Labs

Testfragen bleiben vom Training getrennt. Ergebnisse, Fehler und Reproduktionsschritte werden veröffentlicht.

jevalt-bench enthält 3.116 beschriebene Situationen. JevOss prüft Antwortabweichungen, also veränderte Antworten nach kleinen Umformulierungen einer Frage. Tholos-Bench umfasst 160 Aufgaben im Arbeitsbereich, bei denen Assistenten Tabellen, Notizen und Aufgabenzuweisungen bearbeiten.

Publikationen

Preprints, Paper und technische Berichte von Eschatia Labs

UBMK 2026

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.

IEEE Xplore
Preprint

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.

Öffentlich
Technischer Bericht

JevAlt: Technical report

Wie Deem-4B, Karar-4B und Wähler-4B trainiert und getestet wurden, mit Ergebnissen, Grenzen und Downloadlinks.

Öffentlich
Technischer Bericht

Tholos-2B: Technical report

Wie Tholos-2B aus MiniCPM5-2B trainiert wurde und wie es bei den 160 Tholos-Bench-Aufgaben abschneidet.

Öffentlich
Masterarbeit

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.

Zenodo

Arbeitsweise

Ein Modell, eine Aufgabe, ein festgelegter Test.

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