Worum es geht
K3Q entsteht als eigener KI-Kern für BengaOS. Ziel ist ein kompaktes System, das lokal arbeitet, nachvollziehbar geprüft wird und nicht einfach ungefiltert aus einem Rohdecoder antwortet.
Software / KI
K3Q
Lokaler nativer KI-Kern für BengaOS: bytebasierter Modellpfad, CrystalTensor, Memory-Prüfung, Safety-Regeln und Release-Gates statt ungeprüfter Rohantworten.
Lokaler KI-Kern
K3Q
K3Q ist ein lokales KI-Projekt von Benga Tech für BengaOS. Der Kern kombiniert einen bytebasierten Modellpfad, CrystalTensor, lokale Memory-Prüfung, Safety-Regeln und Release-Gates, damit Antworten lokal entstehen und vor der Ausgabe kontrolliert werden.
Der K3Q-Quellcode ist als AGPL-3.0-or-later veröffentlicht. Kommerzielle Nutzung ohne AGPL-Pflichten ist nur mit separater Benga-Tech-Lizenz vorgesehen. Name, Logo und Branding von K3Q bleiben vorbehalten.
Technischer Ansatz
Der Kern kombiniert einen bytebasierten Sprachpfad mit CrystalTensor, lokaler Memory-Prüfung, Safety-Regeln und einem Release-Decoder. Dadurch steht Kontrolle über das Verhalten stärker im Fokus als reine Modellgröße.
Freigabe statt Bauchgefühl
Trainingsstände werden checkpointbasiert und gate-orientiert bewertet. Ein niedriger Loss reicht nicht aus, wenn Chatverhalten, Safety, Memory-Grenzen oder K3Q-Erklärungen danach brechen.
Technische Bausteine
Was der aktuelle Entwicklungsstand abbildet.
Bytebasierter Modellpfad: kleiner Tokenizer, direkte Verarbeitung von Zeichen und robuste Grundlage für deutschsprachige Inhalte.
CrystalTensor: strukturierter Zustand aus Aufgabe, Kontext und Memory, der den Modellzustand mitsteuert.
Memory Court: Erinnerungen können helfen, bleiben aber schwächer als aktueller Kontext und Safety-Regeln.
Antiphase: Prüfung auf Gegenpunkte wie Drift, Rollenleck, unsichere Behauptungen und Prompt-Injection.
Tachyon: schneller Prüfpfad, bei dem stabile Teile der internen Struktur erhalten bleiben und aktive Stellen aktualisiert werden.
Release-Decoder: entscheidet, welche Antwort wirklich ausgegeben wird, wenn Rohdecoder und stabilere lokale Hinweise konkurrieren.
Segmentiertes Training: Training und Validation werden getrennt, Chunks geprüft, Gates bewertet und fehlerhafte Stände repariert oder zurückgerollt.
Technisches
Rahmenbedingungen.
- Python-basiertes lokales Entwicklungsprojekt.
- Start laut Repository über start.bat oder manuell mit virtueller Python-Umgebung und requirements.txt.
- Quellcode liegt öffentlich auf GitHub; Checkpoints, Trainingsdaten, lokale Memory-Dateien und erzeugte Laufberichte sind nicht Teil des öffentlichen Repositories.
- Aktuell kein fertiges Endanwender-Release und kein Benga-Tech-Downloadpaket vorgesehen.
- Lizenz- und Nutzungshinweise im GitHub-Repository beachten.
Website
Quellcode auf GitHub.
K3Q ist derzeit kein fertiges Downloadprodukt für Endanwender. Das öffentliche Repository dient als Quellcode- und Entwicklungsstand. Checkpoints, Trainingsdaten, lokale Memory-Dateien und erzeugte Laufberichte gehören bewusst nicht in den öffentlichen Source.