Hugging Face stellt Entscheidungsmodelle für strukturierte KI-Entscheidungen vor

10. November 2026Von der KI Nachrichten RedaktionQuelle: Hugging Face

Hugging Face hat einen Überblick über Entscheidungsmodelle veröffentlicht. Dabei handelt es sich um einen Ansatz, der vorgegebene Antworten bewertet und strukturierte Entscheidungen mit Wahrscheinlichkeiten liefert, statt eine vollständige Textantwort zu erzeugen. Das Unternehmen präsentiert die Modelle als Möglichkeit, Aufgaben wie die Weiterleitung von Support-Tickets, Bewertungen und Ja-oder-Nein-Entscheidungen zu bearbeiten.

Das Wichtigste in Kürze

Entscheidungsmodelle liefern strukturierte Entscheidungen und Wahrscheinlichkeiten für vorgegebene Antworten.
Ihre Schnittstelle kombiniert einen Zustand, Fragen und zulässige Antworten.
Zu den unterstützten Bausteinen gehören Choice, Score und Noul.
Sie können mehrere typisierte Fragen zu demselben Zustand verarbeiten.
Hugging Face stellt sie herkömmlicher und Zero-Shot-Klassifikation gegenüber.

Von der Textgenerierung zu direkten Entscheidungen

Große Sprachmodelle werden häufig eingesetzt, um Fragen zu beantworten, Code zu schreiben und Probleme zu lösen. Hugging Face argumentiert jedoch, dass manche Anwendungen weder eine generierte Erklärung noch eine vollständige JSON-Antwort benötigen.

Als Beispiel nennt das Unternehmen eine Nachricht an den Kundensupport: „Meine Abonnementgebühr wurde doppelt abgebucht. Ich brauche heute eine Rückerstattung.“ Ein System, das diese Nachricht verarbeitet, muss möglicherweise das zuständige Team identifizieren, die Dringlichkeit bestimmen und feststellen, ob der Kunde eine Rückerstattung verlangt. Ein LLM kann dazu aufgefordert werden, diese Antworten als JSON auszugeben. Ein Entscheidungsmodell bewertet dagegen die verfügbaren Optionen direkt.

Hugging Face beschreibt die zentrale Schnittstelle so: Zustand + Fragen + zulässige Antworten → Entscheidungen + Wahrscheinlichkeiten. Der Zustand umfasst die zu bewertenden Informationen. Fragen legen fest, was die Anwendung wissen möchte und welche Antworten verfügbar sind.

Was Entscheidungsmodelle liefern

In einem Beispiel mit dem Modell autotrust/GEV-26B-Decide über die Transformers-Pipeline erhält das System einen Zustand und eine Frage, welches Team eine Anfrage bearbeiten soll. Die verfügbaren Optionen sind Abrechnung, Technik und Vertrieb. Das Ergebnis nennt die Abrechnung als Auswahl und enthält Wahrscheinlichkeiten für alle drei Optionen. In dem Beispiel erhält die Abrechnung eine Wahrscheinlichkeit von 0.9982666969299316.

Die Schnittstelle unterstützt drei grundlegende Bausteine. Choice wählt eine Option aus mehreren Alternativen aus. Score bewertet etwas auf einer geordneten Skala. Noul schätzt die Wahrscheinlichkeit, dass eine Ja-oder-Nein-Aussage wahr ist.

Laut Hugging Face kann ein Zustand aus einer Zeichenkette, strukturiertem JSON oder anderen Modalitäten bestehen, die von omni-modalen Modellen unterstützt werden. Über denselben Zustand können außerdem mehrere benannte Fragen gestellt werden, wobei jede Frage ihren eigenen Antworttyp verwendet.

Wie sie sich von bestehenden Ansätzen unterscheiden

Herkömmliche Klassifikationsmodelle lernen eine feste Menge von Labels in einem Klassifikationskopf. Wird eine zusätzliche Abteilung wie die Rechtsabteilung eingeführt, erhält der bestehende Klassifikator diese Ausgabeklasse nicht automatisch. Möglicherweise sind Änderungen am Kopf, zusätzliche Trainingsdaten sowie ein erneutes Training oder eine Anpassung des Modells erforderlich.

Zero-Shot-Klassifikation ermöglicht es, Kandidatenlabels zur Laufzeit vorzugeben. Hugging Face vergleicht diesen Ansatz mit Entscheidungsmodellen. Auch sie unterstützen zur Laufzeit definierte Antworten, erweitern das Format jedoch um mehrere typisierte Fragen, geordnetes Scoring und probabilistische Ja-oder-Nein-Entscheidungen.

Das Unternehmen betont, dass Entscheidungsmodelle weder zur Laufzeit definierte Labels noch probabilistische Klassifikation erfunden haben. Ihr Unterschied liegt in einer konsistenten Schnittstelle, die diese Fähigkeiten zusammenführt, möglicherweise mit Architekturen und Trainingsverfahren, die für Entscheidungen optimiert sind.

Warum der Ansatz für Anwendungen wichtig ist

Wenn ein LLM zur Ausgabe von JSON aufgefordert wird, kann das Ergebnis ungültiges JSON, unerwartete Schlüssel oder Antworten außerhalb der zulässigen Auswahl enthalten. Werkzeuge für Constrained Decoding können Grammatiken oder JSON-Schemas erzwingen. Laut Hugging Face verursachen sie jedoch zusätzlichen Rechenaufwand, weil sie die möglichen generierten Tokens einschränken.

Entscheidungsmodelle richten sich an Anwendungsfälle, in denen eine Anwendung die möglichen Antworten bereits kennt und ein zuverlässiges strukturiertes Ergebnis statt einer offenen Antwort benötigt. Damit ist der Ansatz für Weiterleitungen, klassifikationsähnliche Arbeitsabläufe und andere Systeme relevant, die neben ihren Entscheidungen auch Wahrscheinlichkeiten benötigen. Hugging Face veröffentlichte die Erläuterung am 10. November 2026.