Modellverwaltung

FIM One bietet eine vollständig ausgestattete Admin-Benutzeroberfläche zur Verwaltung von LLM-Anbietern und Modellen. Diese Anleitung behandelt das Hinzufügen von Anbietern, die Konfiguration einzelner Modelle, die Optimierung erweiterter Einstellungen für strukturierte Ausgaben und die Organisation von Modellen in Gruppen für schnelle Umschaltung. Für ENV-basierte Konfiguration (ohne Admin-UI) siehe Umgebungsvariablen. Für Empfehlungen zur Modellauswahl siehe Empfohlene Modelle.

Architektur: Provider, Modell, Gruppe

FIM One organisiert die LLM-Konfiguration in drei Ebenen:

Ebene	Was es darstellt	Beispiel
Provider	Ein Satz gemeinsamer Anmeldedaten (API-Schlüssel + Basis-URL). Ein Provider kann viele Modelle hosten.	”Mein OpenAI-Konto”, “Company Bedrock Relay”
Modell	Ein einzelnes Modell unter einem Provider. Hat seinen eigenen Anzeigenamen, API-Modellbezeichner und erweiterte Einstellungen.	”GPT-4o”, “Claude Sonnet 4.6”
Modellgruppe	Eine benannte Voreinstellung, die Modelle Rollen zuweist (Allgemein / Schnell / Reasoning). Das Aktivieren einer Gruppe wechselt alle Rollen auf einmal.	”Production (OpenAI)”, “Budget (DeepSeek)“

Provider: "My OpenAI Account"
  ├── Model: "GPT-4o"         (model_name: gpt-4o)
  ├── Model: "GPT-5 Nano"     (model_name: gpt-5-nano)
  └── Model: "o3"             (model_name: o3)

Provider: "Anthropic Direct"
  ├── Model: "Claude Sonnet"   (model_name: claude-sonnet-4-6)
  └── Model: "Claude Haiku"    (model_name: claude-haiku-4-5)

Group: "Production"
  ├── General → GPT-4o
  ├── Fast    → GPT-5 Nano
  └── Reasoning → o3

Anbieter hinzufügen

Öffnen Sie die Seite "Modelle"

Navigieren Sie zu Admin (Seitenleiste) und wählen Sie die Registerkarte Modelle aus.

Klicken Sie auf "Anbieter hinzufügen"

Klicken Sie auf die Schaltfläche Anbieter hinzufügen im oberen rechten Bereich des Abschnitts „Anbieter”.

Wählen Sie eine Voreinstellung oder verwenden Sie einen benutzerdefinierten Endpunkt

Das Dialogfeld zeigt Voreinstellungsschaltflächen für gängige Anbieter: OpenAI, Anthropic (Claude), Google Gemini, DeepSeek, Mistral AI und OpenAI Compatible (benutzerdefinierter Endpunkt). Durch Klicken auf eine Voreinstellung werden der Anbieter-Name und die Basis-URL automatisch ausgefüllt.Wählen Sie OpenAI Compatible, wenn Ihr Anbieter nicht aufgelistet ist (z. B. ein Drittanbieter-Relay, Ollama oder ein anderer OpenAI-kompatibler Endpunkt).

Geben Sie Anmeldedaten ein

Füllen Sie die erforderlichen Felder aus:

Anbieter-Name – Eine benutzerfreundliche Bezeichnung (z. B. „Mein OpenAI-Konto”). Dies dient nur als Referenz für Sie.
Basis-URL – Der API-Endpunkt. Voreinstellungen füllen dies automatisch aus. Geben Sie für benutzerdefinierte Endpunkte die vollständige URL ein (z. B. http://localhost:11434/v1 für Ollama).
API-Schlüssel – Der API-Schlüssel Ihres Anbieters. Geben Sie für lokale Modelle (Ollama) eine beliebige nicht-leere Zeichenkette ein (z. B. ollama).

Speichern

Klicken Sie auf Erstellen. Der Anbieter wird in der Liste angezeigt und ist bereit, damit Sie Modelle unter ihm hinzufügen können.

Sie können mehrere Anbieter für denselben Dienst erstellen. Beispielsweise zwei „OpenAI”-Anbieter mit unterschiedlichen API-Schlüsseln für separate Abrechnungskonten oder ein „Anthropic (Direkt)” und „Anthropic (über Bedrock)” mit unterschiedlichen Basis-URLs.

Ein Modell hinzufügen

Einen Anbieter erweitern

Klicken Sie auf der Seite „Modelle” auf das Chevron neben einem vorhandenen Anbieter, um ihn zu erweitern und seine Modelle anzuzeigen.

Klicken Sie auf "Modell hinzufügen"

Klicken Sie auf die Schaltfläche Modell hinzufügen, die unter dem erweiterten Anbieter angezeigt wird.

Modelldetails eingeben

Füllen Sie die zwei erforderlichen Felder aus:

Anzeigename — Ein benutzerfreundlicher Name, der in der Benutzeroberfläche angezeigt wird (z. B. „GPT-4o”, „Claude Sonnet”). Kann beliebig sein.
Modellname (API) — Der genaue Modellbezeichner, der an die API gesendet wird (z. B. gpt-4o, claude-sonnet-4-6, deepseek-chat). Dies muss dem entsprechen, was Ihr Anbieter erwartet.

Erweiterte Einstellungen konfigurieren (optional)

Klicken Sie auf den Schalter Erweitert, um zusätzliche Einstellungen anzuzeigen: Max. Ausgabe-Token, Kontextgröße, Temperatur, Native Funktionsaufrufe und JSON-Modus. Weitere Informationen zu den einzelnen Einstellungen finden Sie im Abschnitt Erweiterte Einstellungen unten.

Speichern

Klicken Sie auf Erstellen. Das Modell wird unter seinem Anbieter angezeigt und ist nun verfügbar, um es Modellgruppen zuzuweisen.

Erweiterte Einstellungen

Jedes Modell verfügt über erweiterte Einstellungen, die steuern, wie FIM One mit der API des Anbieters für die Extraktion strukturierter Ausgaben interagiert. Diese Einstellungen finden Sie unter dem Umschalter Erweitert im Dialog zum Erstellen/Bearbeiten von Modellen.

Native Function Calling

Setting name: Native Function Calling (stored as tool_choice_enabled) Default: ON Controls whether FIM One uses forced tool_choice for structured output extraction. This is Level 1 in the structured output degradation chain — the most reliable method when the model supports it. When to disable:

Your model returns errors like "tool_choice 'specified' is incompatible with thinking enabled". This is a per-provider rule rather than a property of thinking models: deepseek-reasoner and the thinking Kimi models reject a forced tool choice, while MiniMax thinks on every call and accepts one. Table B of the Provider Capability Matrix has the verdict for each provider
Structured output requests are consistently slow with a ~10-second penalty per call, followed by a fallback to JSON Mode anyway

Effect when disabled: FIM One skips Level 1 (native function calling) and starts from Level 2 (JSON Mode) for structured output. The ReAct agent’s tool calling is completely unaffected — it uses tool_choice="auto", which works with all models regardless of this setting.

This setting only affects forced tool selection used for structured output extraction (DAG planning, schema annotation). It does not affect the ReAct agent, which freely decides when to call tools using tool_choice="auto".

For technical details, see LLM Provider Compatibility — tool_choice_enabled.

JSON Mode

Einstellungsname: JSON Mode (gespeichert als json_mode_enabled) Standard: AN Steuert, ob FIM One response_format=json_object für strukturierte Ausgaben verwendet. Dies ist Level 2 in der Degradationskette. Wann deaktivieren:

Ihr Provider lehnt Assistant Message Prefill ab — hauptsächlich AWS Bedrock Relays, die "This model does not support assistant message prefill" werfen

Auswirkung bei Deaktivierung: FIM One überspringt Level 2 (JSON Mode) und fällt auf Level 3 (Nur-Text-Extraktion) zurück. Moderne Modelle erzeugen gültiges JSON aus Prompt-Anweisungen allein, daher gibt es typischerweise keinen Qualitätsverlust. Technische Details finden Sie unter LLM Provider Compatibility — json_mode_enabled.

Temperatur

Standard: 0.7 (geerbt von der globalen Einstellung, wenn nicht festgelegt) Steuert die Zufälligkeit der Modellausgabe. Bereich: 0 (deterministisch) bis 2 (hochkreativ).

Wenn Reasoning/Extended Thinking für Anthropic-Modelle aktiviert ist, wird die Temperatur vom System automatisch auf 1.0 erzwungen. Sie müssen dies nicht manuell festlegen.

Max Output Tokens

Die maximale Anzahl von Tokens, die das Modell in einer einzelnen Antwort generieren kann. Lassen Sie dieses Feld leer, um den Systemstandard (64.000) zu verwenden. Für lokale Modelle mit begrenztem VRAM sollten Sie diesen Wert explizit auf einen niedrigeren Wert setzen (z. B. 8192).

Kontextfenstergröße

Die Größe des Kontextfensters des Modells in Token. Lassen Sie dieses Feld leer, um den Systemstandard (128.000) zu verwenden. Stellen Sie diesen Wert so ein, dass er der tatsächlichen Kapazität Ihres Modells entspricht – bei lokalen Modellen liegt dieser Wert je nach Modell und verfügbarem Speicher oft zwischen 4K und 32K.

Empfohlene Konfiguration

Die meisten Modelle funktionieren korrekt mit den Standardeinstellungen (beide Schalter AN). Passen Sie die Einstellungen nur an, wenn Sie auf Fehler oder unnötige Latenz stoßen. Die folgende Tabelle behandelt häufige Anbieter und Modelle. Daten stammen aus UniAPI-Funktionsetiketten und wurden gegen das Laufzeitverhalten vom 2026-03-22 überprüft. Modellfunktionen ändern sich häufig – wenn Sie auf Fehler stoßen, überprüfen Sie die neueste Dokumentation Ihres Anbieters. Dies ist die Pro-Modell-Operatoransicht: welche Schalter beim Hinzufügen eines Modells gesetzt werden sollen. Die Anbieter-Ebenen-Regeln, denen es folgt, mit den Code-Ankern, die sie implementieren, befinden sich in der Provider Capability Matrix. Falls die beiden jemals nicht übereinstimmen, ist die Matrix maßgeblich und diese Tabelle muss aktualisiert werden.

Schnellregeln

Native FC AN für Modelle mit Funktionsaufrufen-Unterstützung (die meisten modernen Modelle)
Native FC AUS für Modelle mit ständiger Denkfunktion, die erzwungene tool_choice ablehnen
JSON Mode AN für die meisten Modelle (sichere Standardeinstellung)
JSON Mode AUS nur für AWS Bedrock-Relays (Prefill-Ablehnung)

Matrix der Konfiguration pro Anbieter

OpenAI

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`gpt-5.4`	Allgemein	1.050K	128K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning
`gpt-5.4-mini`	Schnell	400K	128K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning
`o3-pro`	Reasoning	200K	100K	AN	AN	Reasoning-Modell; FC funktioniert mit automatisch deaktiviertem Denken

Anthropic (Claude)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`claude-sonnet-4-6`	Allgemein	1.000K	64K	AN	AN	Funktionsaufrufe + Reasoning; Denken automatisch deaktiviert für FC
`claude-haiku-4-5`	Schnell	200K	64K	AN	AN	Funktionsaufrufe unterstützt
`claude-opus-4-6`	Reasoning	1.000K	128K	AN	AN	Funktionsaufrufe + Reasoning; Denken automatisch deaktiviert für FC

Google Gemini

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`gemini-3.1-pro-preview`	Allgemein	1.048K	65K	AN	AN	Neueste Vorschau; Nachfolger des veralteten gemini-3-pro-preview
`gemini-2.5-pro`	Schnell	1.048K	65K	AN	AN	Stabiles GA; produktionsbereit
`gemini-3.1-pro-preview`	Reasoning	1.048K	65K	AN	AN	Thinking-Unterstützung mit konfigurierbarem thinking_level

DeepSeek

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`deepseek-chat`	Allgemein	128K	8K	AN	AN	V3.2 Non-Thinking-Modus; FC + JSON-Modus unterstützt
`deepseek-chat`	Schnell	128K	8K	AN	AN	Gleiches Modell wie Allgemein; nur zwei offizielle API-Modell-IDs vorhanden
`deepseek-reasoner`	Reasoning	128K	64K	AUS	AN	Thinking immer aktiviert; erzwungene tool_choice abgelehnt; 64K umfasst CoT

xAI (Grok)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`grok-4-1-fast-non-reasoning`	Allgemein	2.000K	30K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe
`grok-3-mini-fast`	Schnell	131K	131K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning; 131K ist gemeinsames Kontext-Budget
`grok-4-1-fast-reasoning`	Reasoning	2.000K	30K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning

Qwen (Alibaba Cloud)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`qwen3.5-plus`	Allgemein	1.000K	64K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe
`qwen-turbo-latest`	Schnell	1.000K	16K	AN	AN	FC wahrscheinlich unterstützt (UniAPI-Tags unvollständig)
`qwq-plus`	Reasoning	131K	16K	AN	AN	Reasoning + Funktionsaufrufe; Thinking umschaltbar via enable_thinking

Zhipu (GLM)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`glm-4.7`	Allgemein	200K	65K	AUS	AN	Erzwungene tool_choice nicht unterstützt (nur `auto`); starke Codierung
`glm-4.7-flashx`	Schnell	200K	65K	AUS	AN	Variante mit höherem Durchsatz; kostenloses `glm-4.7-flash` auch verfügbar
`glm-5`	Reasoning	200K	65K	AUS	AN	745B MoE Flaggschiff; integriertes Reasoning (kein API-Schalter)

Moonshot (Kimi)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`kimi-k2.5`	Allgemein	262K	65K	AUS	AN	FC funktioniert, aber erzwungene tool_choice abgelehnt, wenn Thinking aktiviert ist (Standard)
`kimi-k2`	Schnell	131K	32K	AN	AN	Non-Thinking; natives FC funktioniert (in Produktion verifiziert)
`kimi-k2-thinking`	Reasoning	131K	—	AUS	AN	Thinking immer aktiviert; erzwungene tool_choice abgelehnt

MiniMax

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`MiniMax-M2.7`	Allgemein	205K	131K	AN	AN	Neueste (März 2026); Funktionsaufrufe + strukturierte Ausgabe
`MiniMax-M2.5`	Schnell	197K	65K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe; günstigeres Cache-Lesen ($0,03/MTok)
`MiniMax-M2.7-highspeed`	Schnell (Geschwindigkeit)	205K	131K	AN	AN	2x Durchsatz (~100 Token/s), 2x Kosten
`MiniMax-M2.5-highspeed`	Schnell (Geschwindigkeit)	197K	65K	AN	AN	2x Durchsatz (~100 Token/s), 2x Kosten

ByteDance (Doubao)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`doubao-seed-2-0-pro`	Allgemein	256K	128K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning
`doubao-seed-1-6`	Schnell	256K	16K	AN	AN	Funktionsaufrufe + strukturierte Ausgabe + Reasoning
`doubao-seed-1-6`	Reasoning	256K	16K	AN	AN	Unterstützt `reasoning_effort` (minimal/low/medium/high)

Meta (Llama)

Modell	Rolle	Kontext	Max. Ausgabe	Native FC	JSON-Modus	Notizen
`llama-3.3-70b`	Allgemein	131K	16K	AN	AN	FC + JSON-Modus hängen vom Hosting-Anbieter ab; max. Ausgabe variiert (2K–16K)

”—” bei Max. Ausgabe bedeutet, dass der Anbieter kein Limit gemeldet hat. In der Praxis unterstützen diese Modelle normalerweise 4K-16K Ausgabe-Token. Legen Sie Max. Ausgabe-Token explizit in den erweiterten Einstellungen des Modells fest, wenn Sie einen bestimmten Wert benötigen.

Diagnose: Überprüfen Sie Ihre Anwendungsprotokolle auf structured_llm_call: native_fc call raised Warnungen. Wenn Sie diese Warnungen gefolgt von erfolgreicher JSON-Modus-Extraktion sehen, profitiert das Modell nicht von nativen Funktionsaufrufen. Deaktivieren Sie Native Funktionsaufrufe für dieses Modell, um den verschwendeten API-Aufruf und die ~10-Sekunden-Latenz-Strafe pro strukturierter Ausgabeanfrage zu vermeiden.

Modellkapazitäten ändern sich häufig, wenn Anbieter ihre APIs aktualisieren. Die obigen Empfehlungen basieren auf Daten vom 2026-03-26 (UniAPI-Kapazitäts-Tags + Produktions-Laufzeit-Verifizierung). Wenn ein Modell, das zuvor funktioniert hat, Fehler zurückgibt, überprüfen Sie das Changelog des Anbieters auf Breaking Changes.

Modellgruppen

Mit Modellgruppen können Sie Modelle bestimmten Rollen zuweisen und mit einem einzigen Klick zwischen Konfigurationen wechseln.

Rollen

FIM One verwendet drei Modellrollen. Jede Rolle erfüllt einen anderen Zweck in der Ausführungs-Pipeline:

Rolle	Verwendet für	Empfehlung
General	Planung, Analyse, ReAct-Agent, DAG-Schrittausführung (Standard)	Ihr leistungsstärkstes Modell (z. B. `gpt-4o`, `claude-sonnet-4-6`)
Fast	`model_hint="fast"` DAG-Schritte, Kontext-Komprimierung, Verlaufszusammenfassung	Optimiert für Geschwindigkeit und Kosten (z. B. `gpt-5-nano`, `deepseek-chat`). Fällt auf General zurück, falls nicht zugewiesen.
Reasoning	`model_hint="reasoning"` DAG-Schritte, domänen-eskalierte ReAct (Recht/Medizin/Finanzen)	Ein starkes Reasoning-Modell (z. B. `o3`, `deepseek-reasoner`). Fällt auf General zurück, falls nicht zugewiesen.

Erstellen einer Modellgruppe

Öffnen Sie den Bereich "Gruppen"

Scrollen Sie auf der Seite Admin > Modelle zum Bereich Modellgruppen.

Klicken Sie auf "Gruppe hinzufügen"

Klicken Sie auf die Schaltfläche Gruppe hinzufügen.

Benennen Sie die Gruppe

Geben Sie einen aussagekräftigen Namen ein (z. B. „Production (OpenAI)”, „Budget (DeepSeek)”, „Local Dev”).

Weisen Sie Modelle Rollen zu

Wählen Sie für jede Rolle (General, Fast, Reasoning) ein Modell aus dem Dropdown-Menü aus. Das Dropdown-Menü zeigt alle aktiven Modelle von aktiven Anbietern, gruppiert nach Anbieter-Name. Sie können eine Rolle nicht zugewiesen lassen – sie wird dann auf das Modell „General” zurückgreifen (oder auf ENV-konfigurierte Modelle, wenn „General” ebenfalls nicht zugewiesen ist).

Speichern

Klicken Sie auf Erstellen. Die Gruppe ist nun zur Aktivierung verfügbar.

Eine Gruppe aktivieren

Um eine Modellgruppe zu aktivieren, verwenden Sie das Dropdown-Menü oder die Aktivierungskontrolle auf der Seite „Modelle”. Es kann jeweils nur eine Gruppe aktiv sein. Das Aktivieren einer Gruppe wendet ihre Modellzuweisungen sofort auf alle neuen Gespräche an. Um die aktuelle Gruppe zu deaktivieren (Rückgriff auf ENV-konfigurierte Modelle), wählen Sie die Deaktivierungsoption.

Das Wechseln der aktiven Modellgruppe wirkt sich auf alle neuen Gespräche systemweit aus. Laufende Gespräche verwenden weiterhin das Modell, das aktiv war, als sie gestartet wurden.

Domänenspezifische Modellstufenerhöhung

Wenn der Auto-Router eine spezialisierte Domäne erkennt — legal, medizinisch oder finanziell — eskaliert das System automatisch die Modellauswahl über die normalen Rollenzuweisungen hinaus:

ReAct-Modus: Das allgemeine Modell wird durch das Reasoning-Modell (registry.get_by_role("reasoning")) ersetzt. Das bedeutet, dass der Reasoning-Slot in Ihrer Modellgruppe nicht nur für DAG model_hint="reasoning" Schritte verwendet wird — er dient auch als Eskalationsziel für domänenspezifische ReAct-Aufgaben.
DAG-Modus: Domänenkontext wird in den Planner-Prompt eingefügt und leitet ihn an, model_hint="reasoning" Schritte zuzuweisen, die spezialisierte Genauigkeit erfordern.

Diese Eskalation ist automatisch und erfordert keine Konfiguration über das Vorhandensein eines zugewiesenen Reasoning-Modells in Ihrer aktiven Modellgruppe (oder über die REASONING_LLM_MODEL Umgebungsvariable) hinaus. Zugehörige Umgebungsvariablen:

Variable	Standard	Beschreibung
`DAG_CITATION_VERIFICATION`	`true`	Aktivieren Sie die Zitierverifizierung nach Schritten für rechtliche/medizinische/finanzielle Inhalte. Extrahiert Zitate über Regex und verifiziert die Genauigkeit durch LLM-Bewertung.
`DAG_STRUCTURED_CONTEXT_MULTIPLIER`	`3.0`	Kürzungsbudget-Multiplikator für strukturierte Inhalte (Zitate, Tabellen, Code-Blöcke) im DAG-Abhängigkeitskontext. Höhere Werte bewahren mehr strukturierte Daten zwischen Schritten.

Wenn Ihre Workload rechtliche, medizinische oder finanzielle Anfragen umfasst, stellen Sie sicher, dass Ihr Reasoning-Modell ein starker Reasoner ist (z. B. o3, claude-opus-4-6, deepseek-reasoner). Die automatische Eskalation hängt davon ab, dass dieser Slot mit einem Modell gefüllt ist, das domänenkritische Genauigkeitsanforderungen erfüllen kann.

ENV-Fallback

Wenn keine vom Administrator konfigurierte Modellgruppe aktiv ist, greift FIM One auf ENV-basierte Konfiguration zurück:

Rolle	ENV-Variable
Allgemein	`LLM_MODEL`
Schnell	`FAST_LLM_MODEL` (greift auf `LLM_MODEL` zurück)
Reasoning	`REASONING_LLM_MODEL` (greift auf `LLM_MODEL` zurück)

Vom Administrator konfigurierte Modelle haben immer Vorrang vor ENV-Variablen. Die Systemgesundheitsprüfung berücksichtigt beide Quellen – solange entweder eine aktive Modellgruppe oder gültige ENV-Variablen konfiguriert sind, meldet das LLM-Subsystem einen fehlerfreien Status. Die vollständige ENV-Referenz finden Sie unter Umgebungsvariablen.

Export und Import

Die Seite „Models” unterstützt den Export Ihrer gesamten Anbieter- und Modellkonfiguration (Anbieter, Modelle und Gruppen) als JSON-Datei und deren Import auf einer anderen Instanz. Dies ist nützlich für:

Migration der Konfiguration zwischen Entwicklungs-, Staging- und Produktionsumgebungen
Austausch einer bekanntermaßen funktionierenden Modellkonfiguration mit Teammitgliedern
Sicherung Ihrer Konfiguration vor Änderungen

Die exportierte Konfiguration enthält keine API-Schlüssel. Nach dem Import müssen Sie jeden Anbieter bearbeiten, um den entsprechenden API-Schlüssel einzugeben.

Warum FIM One

Erste Schritte

Konfiguration

Integrationen

Funktionen

FIM One erweitern

Modellverwaltung

Architektur: Provider, Modell, Gruppe

Anbieter hinzufügen

Ein Modell hinzufügen

Erweiterte Einstellungen

Native Function Calling

JSON Mode

Temperatur

Max Output Tokens

Kontextfenstergröße

Empfohlene Konfiguration

Schnellregeln

Matrix der Konfiguration pro Anbieter

Modellgruppen

Rollen

Erstellen einer Modellgruppe

Eine Gruppe aktivieren

Domänenspezifische Modellstufenerhöhung

ENV-Fallback

Export und Import

​Architektur: Provider, Modell, Gruppe

​Anbieter hinzufügen

​Ein Modell hinzufügen

​Erweiterte Einstellungen

​Native Function Calling

​JSON Mode

​Temperatur

​Max Output Tokens

​Kontextfenstergröße

​Empfohlene Konfiguration

​Schnellregeln

​Matrix der Konfiguration pro Anbieter

​Modellgruppen

​Rollen

​Erstellen einer Modellgruppe

​Eine Gruppe aktivieren

​Domänenspezifische Modellstufenerhöhung

​ENV-Fallback

​Export und Import

Architektur: Provider, Modell, Gruppe

Anbieter hinzufügen

Ein Modell hinzufügen

Erweiterte Einstellungen

Native Function Calling

JSON Mode

Temperatur

Max Output Tokens

Kontextfenstergröße

Empfohlene Konfiguration

Schnellregeln

Matrix der Konfiguration pro Anbieter

Modellgruppen

Rollen

Erstellen einer Modellgruppe

Eine Gruppe aktivieren

Domänenspezifische Modellstufenerhöhung

ENV-Fallback

Export und Import