> ## Documentation Index > Fetch the complete documentation index at: https://docs.pioneer.ai/llms.txt > Use this file to discover all available pages before exploring further. # Pioneer-Modellkatalog: Encoder, Decoder und Inferenz > Durchsuchen Sie die Encoder- (GLiNER) und Decoder-Modelle (LLM) von Pioneer für Fine-Tuning und Inferenz. Behandelt On-Demand vs. Serverless. Pioneer unterstützt zwei Modellfamilien: **Encoder-Modelle** (GLiNER) für strukturierte Extraktionsaufgaben wie Named Entity Recognition und **Decoder-Modelle** (LLMs) für Textgenerierung, Klassifikation und offenes Prompting. Die folgenden Tabellen sind eine Momentaufnahme des aktuellen Katalogs – verwenden Sie `GET /base-models`, um die Live-Liste abzufragen, die immer die aktuelle Verfügbarkeit und Fähigkeiten widerspiegelt. Einige Modelle in Rollout-Phasen sind funktions-gated. Sie erscheinen im Live-Katalog nur für Workspaces, für die der entsprechende Rollout aktiviert ist. ## Encoder-Modelle (GLiNER) GLiNER-Modelle führen Named Entity Recognition und strukturierte Extraktion durch. Die meisten GLiNER-Basismodelle unterstützen sowohl Training als auch On-Demand-Inferenz nach dem Training. Preise sind pro 1 Mio. Tokens. | Model ID | Label | Input | Output | Training | Inferenz | | :----------------------------------------- | :--------------------------------- | :----- | :----- | :--------- | :-------------------- | | `fastino/gliner2-base-v1` | GLiNER2 Base | \$0.15 | \$0.15 | LoRA, Full | Serverless, On-demand | | `fastino/gliner2-large-v1` | GLiNER2 Large | \$0.15 | \$0.15 | LoRA, Full | Serverless, On-demand | | `fastino/gliner2-multi-v1` | GLiNER2 Multi | \$0.15 | \$0.15 | LoRA, Full | Serverless, On-demand | | `fastino/gliner2-multi-large-v1` | GLiNER2 Multi Large | \$0.15 | \$0.15 | LoRA, Full | Serverless, On-demand | | `fastino/gliguard-LLMGuardrails-300M` | GLiGuard LLM Guardrails 300M | \$0.15 | \$0.15 | — | Serverless | | `fastino/gliner2-privacy-filter-PII-multi` | GLiNER2 Privacy Filter PII (Multi) | \$0.15 | \$0.15 | — | Serverless | | `fastino/gliguard-PII-multi` | GLiNER2-Guardrails-PII-Multi | \$0.15 | \$0.15 | — | Serverless | `fastino/gliner2-multi-v1` und `fastino/gliner2-multi-large-v1` sind mehrsprachige Varianten, die für nicht-englische Texte geeignet sind. ## Decoder-Modelle — Training LoRA-Fine-Tuning über `POST /felix/training-jobs` ist auf die Nemotron-3.5-Lightning-Familie begrenzt: | Model ID | Label | Training | | :-------------------------------------------------- | :---------------------------------------- | :------- | | `nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16` | Nemotron 3.5 Lightning 30B-A3B | LoRA | | `fastino/Fastino-Nemotron-3.5-Lightning-Finance` | Fastino Nemotron 3.5 Lightning Finance | LoRA | | `fastino/Fastino-Nemotron-3.5-Lightning-Healthcare` | Fastino Nemotron 3.5 Lightning Healthcare | LoRA | Für neue Trainingsjobs stehen die Nemotron-3.5-Lightning-Familie sowie die trainierbaren GLiNER-Basismodelle zur Verfügung. Die oben aufgeführten PII- und GLiGuard-Varianten sind reine Serverless-Inferenzziele. Fragen Sie vor dem Absenden eines Jobs `GET /base-models?supports_training=true` ab; dies ist die Live-Quelle für die Verfügbarkeit. ## Decoder-Modelle — Serverless-Inferenz Dies sind die unterstützten vorab bereitgestellten Inferenzfamilien. Fragen Sie `GET /base-models?supports_inference=true` für Live-Verfügbarkeit, Kontextlimits und Preise ab. ### Nemotron 3.5 Lightning | Model ID | Label | | --------------------------------------------------- | ----------------------------------------- | | `nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16` | Nemotron 3.5 Lightning 30B-A3B | | `fastino/Fastino-Nemotron-3.5-Lightning-Finance` | Fastino Nemotron 3.5 Lightning Finance | | `fastino/Fastino-Nemotron-3.5-Lightning-Healthcare` | Fastino Nemotron 3.5 Lightning Healthcare | ### Anthropic | Model ID | Label | | ----------------- | --------------- | | `claude-opus-5` | Claude Opus 5 | | `claude-sonnet-5` | Claude Sonnet 5 | | `claude-haiku-5` | Claude Haiku 5 | ### OpenAI | Model ID | Label | | --------------- | ------------- | | `gpt-5.5` | GPT-5.5 | | `gpt-5.6-luna` | GPT-5.6 Luna | | `gpt-5.6-terra` | GPT-5.6 Terra | | `gpt-5.6-sol` | GPT-5.6 Sol | ### DeepSeek | Model ID | Label | | ------------------------------- | ----------------- | | `deepseek-ai/DeepSeek-V4-Flash` | DeepSeek V4 Flash | ### Z.ai | Model ID | Label | | ---------------------- | ------------ | | `zai-org/GLM-5.2` | GLM 5.2 | | `zai-org/GLM-5.2-Fast` | GLM 5.2 Fast | Modelle außerhalb dieser Familien werden nicht als Inferenzziele unterstützt. Verwenden Sie vor der Integration `GET /base-models` für den Live-Katalog und den Lifecycle-Status. ## Prompt-Caching Viele Serverless-Modelle rechnen gecachte Input-Tokens mit einem Rabatt ab, und einige Anbieter berechnen einen einmaligen Aufpreis, um Tokens in den Cache zu schreiben. Pioneer reicht die veröffentlichten Cache-Raten jedes Anbieters direkt durch – dies sind dieselben Raten, die `GET /base-models` als `cache_read_price_per_million` und `cache_write_price_per_million` zurückgibt, und dieselben Raten, die Pioneer Ihnen berechnet. Cache-Raten werden aus der Input-Rate jedes Modells anhand der folgenden Multiplikatoren abgeleitet. Wo ein Anbieter keine separate Cache-Write-Position hat, werden Cache-Writes zur regulären Input-Rate abgerechnet. | Anbieter | Cache-Read | Cache-Write | | ---------------------- | ---------- | --------------------------------------------- | | Anthropic (Claude) | 0,1× Input | 1,25× Input | | OpenAI (GPT-5-Familie) | 0,1× Input | Input-Rate (1,25× bei GPT-5.6 Luna/Sol/Terra) | Fragen Sie den Live-Katalog für exakte Cache-Raten ab. Jedes Modell ohne expliziten Cache-Rabatt rechnet gecachten Input zur regulären Input-Rate ab. ## On-Demand vs. Serverless-Inferenz Pioneer bietet zwei Möglichkeiten, Vorhersagen zu bedienen, und die richtige Wahl hängt von Ihrem Workflow ab. **Serverless**-Inferenz verwendet vorab bereitgestellte Basismodell-Endpunkte. Es gibt keine Startverzögerung und Sie werden pro Token abgerechnet. Dies ist ideal, wenn Sie ein Spitzenmodell aufrufen möchten, ohne Fine-Tuning durchzuführen. **On-Demand**-Inferenz stellt nach Abschluss des Fine-Tunings eine dedizierte GPU bereit. Ihr LoRA-Adapter wird auf die GPU geladen und exklusiv für Ihre Anfragen bereitgestellt. Pioneer leitet Inferenzaufrufe automatisch an ein On-Demand-Deployment weiter, wenn Sie eine Trainingsjob-ID als `model_id` übergeben. ## Abfrage des Live-Katalogs Die obigen Tabellen können neu hinzugefügten Modellen hinterherhinken. Verwenden Sie `GET /base-models`, um den aktuellen Katalog zur Laufzeit abzurufen. ```bash theme={null} # Alle Modelle curl https://api.pioneer.ai/base-models \ -H "X-API-Key: YOUR_API_KEY" # Nur Modelle, die Inferenz unterstützen curl "https://api.pioneer.ai/base-models?supports_inference=true" \ -H "X-API-Key: YOUR_API_KEY" # Nur Modelle, die Training unterstützen curl "https://api.pioneer.ai/base-models?supports_training=true" \ -H "X-API-Key: YOUR_API_KEY" # Nach Modellfamilie filtern curl "https://api.pioneer.ai/base-models?task_type=encoder" \ -H "X-API-Key: YOUR_API_KEY" curl "https://api.pioneer.ai/base-models?task_type=decoder" \ -H "X-API-Key: YOUR_API_KEY" ``` Jeder Eintrag in der Antwort enthält die Modell-ID, ihr Anzeige-Label, die Kontextlänge, Raten pro 1 Mio. Tokens (`input_price_per_million`, `output_price_per_million`, `cache_read_price_per_million`, `cache_write_price_per_million`) sowie Boolean-Flags für `supports_training` und `supports_inference`. Verwenden Sie den Modell-ID-Wert direkt in Trainingsjob-Anfragen und Inferenzaufrufen. Um jedes Modell zusammen mit seinen Input-, Output- und Cache-Raten aufzulisten: ```bash theme={null} curl -s "https://api.pioneer.ai/base-models?supports_inference=true" \ -H "X-API-Key: YOUR_API_KEY" \ | jq -r '["model","input/M","output/M","cache_read/M","cache_write/M"], (.models[] | [.id, .input_price_per_million, .output_price_per_million, .cache_read_price_per_million, .cache_write_price_per_million]) | @tsv' \ | column -t -s $'\t' ```