Mira

Mira ist eine lokal betriebene KI-Assistentin: Sprachmodell, Gedächtnis, Wissensarchiv und Prüflogik laufen vollständig auf einem einzelnen Arbeitsplatzrechner. Für die eigentliche Denkarbeit gibt es keinen API-Aufruf an einen Cloud-Anbieter. Entwicklung, Betrieb und Evaluation liegen bei mir – mit fremdvergebener Gegenprüfung durch getrennte KI-Rollen aus verschiedenen Modellfamilien.

Der Anspruch ist nicht ein ChatGPT-Klon zum Selberhosten, sondern die fähigste und lernfähigste KI, die auf genau dieser Hardware dauerhaft laufen kann – messbar, nicht behauptet.

Mira läuft produktiv als Version 1.36.35. Die Zahl ist seit Mitte August gleich; gemessen hat sich der Betrieb danach weiterbewegt. Geprüft am 29. August 2026.

Worum es geht

Dass lokale KI möglich ist, ist keine These mehr, die man beweisen müsste. Die eigentliche Frage ist eine andere: Wie stellt man bei einem Einzelprojekt sicher, dass «besser geworden» eine Messung ist und keine Selbstbestätigung? Mira ist der Versuch, diese Frage ernst zu nehmen:

• Antworten entstehen in einer orchestrierten Kette aus acht Stufen – Klassifikation, deterministische Löser, Belegsuche, Modellaufruf, unabhängiger Zweitprüfer, Belegbindung, Final Gate, Ausgabefilter. Unsicherheit führt zu einem Vorbehalt, nicht zu einem geratenen Satz. Hart gehalten wird nur, wo Sicherheit, Offenlegung, Prozessintegrität oder eine nachweislich leere oder falsche Antwort es verlangen.
• Die Kernregel: bei Unsicherheit nicht raten, bei Ressourcenknappheit drosseln statt ausfallen, bei unklaren Eingaben nachfragen statt abweisen.
• Sachwissen wächst ausserhalb des Modells, in versionierten Archiven mit Herkunftsangabe («Seed-Prinzip»). Ein fehlender Fakt lässt sich durch ein Archiv beheben – fehlende Denkfähigkeit nicht.

Das Setup, gemessen

Keine Schätzungen, keine Aufrundungen (Stand 29. August 2026, Version 1.36.35):

• Hardware: Ryzen 9 9950X3D2, 64 GB RAM und zwei Grafikkarten – RTX 5090 für den Denker, RTX PRO 4000 Blackwell für den unabhängigen Prüfer. Jedes Modell ist fest an seine Karte gebunden; eine falsche oder fehlende Zuordnung verhindert den Start.
• Denker: Ornith-1.5-35B-A3B-BigBang-MTP – ein 35B-MoE auf der 5090, quantisiert Q4_K_M, rund 19,7 GiB. Seit 29. August 2026.
• Prüfer: Qwen3.8-27B auf der eigenen, zweiten Karte, quantisiert Q4_K_M, rund 15,9 GiB. Seit 15. August 2026 – nicht mehr das frühere 3B-Modell.

Die Messdisziplin

Das Unterscheidungsmerkmal von Mira ist nicht das lokale Modell, sondern die Evaluation:

• Versiegeltes Benchmark: 180 Aufgaben in 60 metamorphen Tripeln über zehn Themengruppen, mit 540 automatischen Prüforakeln. Jedes Tripel trennt Verstehen von Mustererkennung: Basis, bedeutungserhaltende Umformulierung (Antwort muss identisch bleiben), sachliche Variante (Antwort muss sich ändern). Das ist der Seal-Vertrag, nicht der letzte Lauf.
• Doppelblinde Autorschaft: Ein Agent formuliert, ein zweiter aus anderer Modellfamilie löst blind – zwei Instanzen desselben Modells machen korrelierte Fehler und bestätigen sich gegenseitig.
• Kontaminationsprüfung (K1–K5): lexikalisch, semantisch, über Lösungsstrukturen, im Cache, auf Umformulierungen. Vier fertig ausgearbeitete Tripel wurden als kontaminiert verworfen.
• Vorregistrierung und Beweiskette: Das Auswertungsverfahren inklusive Konfidenzintervallen wird vor Datensicht festgeschrieben; Aufgaben, Sollantworten, Prüfwerkzeuge und Berichte sind per SHA-256 gebunden. Zwei unabhängig implementierte Prüfprogramme (Python, PowerShell) müssen zu identischen Hashes kommen.

Dazu gehört auch, dokumentiert eigene Erfolgsmeldungen zu entwerten: Eine Kennzahl «36 von 36 bestanden» wurde intern als Nicht-Nachweis entlarvt und darf nicht mehr zitiert werden. Ein erster Messlauf Anfang August ergab, dass die eigene Orchestrierung schlechter abschnitt als das nackte Modell – dieser Befund wurde nicht relativiert, sondern zur Steuergrösse gemacht. Auf derselben 120er-Welle, dreimal wiederholt und gepaart, liegt Mira inzwischen über dem nackten Modell. Das ist eine Messung, kein Etikett.

Mehrfach hat eine fünfminütige Messung eine gut begründete, mehrseitige Argumentation widerlegt.

Kontrolliertes Lernen

Mira darf Lernvorschläge erzeugen. Wirksamkeit läuft hinter vier Toren: Snapshot vorher, protokolliertes Ereignis, automatisches Erfolgsmass mit Rückrollung, und Fremdinhalte bleiben Daten. Modellgewichte und Adapter ändert das System nicht still. Web, Dateien und Werkzeuge liefern Daten, niemals Anweisungen: die Schutzlogik gegen Prompt Injection. Sicherheitsgrenzen und das Messsystem selbst ändert nur der Mensch.

Stand und Fahrplan

Mira ist produktiv im Einsatz. Der Fahrplan ist auslöserbasiert: was als Nächstes kommt, entscheidet das Ergebnis der letzten Messung, nicht eine Kette von gestern. Der frühere Screen ist gelaufen. Eine versiegelte «Welle B» steht nicht als nächster öffentlicher Akt. Als Nächstes steht eine weitere Messung auf dem bestehenden Lineal, nachdem der Denker gewechselt hat.

Verbesserungen kommen datengetrieben und einzeln: eine Variable pro Messakt, kein Urteil aus einem Einzellauf, für Wirkungsaussagen mindestens drei Wiederholungen. Mehr Arbeitsspeicher (von 64 auf 128 GB) ist geplant und noch nicht eingebaut.

Einordnung im Schweizer Kontext

Wie sich Mira zu Apertus und den übrigen Schweizer KI-Projekten verhält – und warum das eher eine Arbeitsteilung als ein Wettbewerb ist – steht im Beitrag Mira: Lokale KI in der Schweiz. Der methodische Rahmen ist derselbe wie bei Nextfrag: Messen statt Behaupten.

Hinweise

Mira ist ein privates Einzelprojekt, kein Produkt und kein öffentliches Angebot. Es gibt nichts zu kaufen, nichts herunterzuladen und keine Zugänge für Dritte. Alle genannten Zahlen sind gemessen oder aus Projektartefakten belegt – nichts hochgerechnet, nichts aufgerundet. Aussagen wie «die beste lokale KI» kommen hier bewusst nicht vor; der Massstab des Projekts ist der eigene, versiegelte Benchmark, nicht ein Etikett.