P1 Coach
Bewertet Züge danach, ob sie das Schlussfolgern der teilnehmenden Person voranbringen, nicht danach, ob sie klug klingen.
Palestra
Ein Debatten- und Anstrengungslabor, in dem Menschen und Modelle das Schlussfolgern unter Echtzeit-Bewertung üben.
Ein Debatten- und Anstrengungslabor, in dem Menschen und Modelle das Schlussfolgern unter Echtzeit-Bewertung üben – nicht an einem statischen Benchmark.
Format Debatte · Drill · Stimme · sokratisch
Bewertende Coach · Kritiker · Anstrengung · Sokratik
Sprachschleife whisper large-v3 → kokoro v1
Was Palestra ist
Ein Trainingslabor, kein Benchmark
Palestra ist das kognitive Trainingslabor, mit dem wir die Zusammenarbeit von Mensch und KI untersuchen. Es führt strukturierte Runden aus – Debatten, Drills, Sprachübungen – mit mehrköpfigen Bewertenden für Coaching, Kritik, Anstrengung und sokratisches Nachfragen. Hier messen wir die Qualität des Schlussfolgerns unter Echtzeitbedingungen, nicht an einem statischen Benchmark.
Benchmark
- statischer Prompt-Satz
- Einzelbewertung
- belohnt Sprachgewandtheit
- keine Erwiderung erlaubt
Trainingslabor
- lebende Gegnerinnen und Gegner
- über den gesamten Verlauf bewertet
- belohnt Schlussfolgern, das einen echten Austausch übersteht
- die Sonde muss die tragende Behauptung treffen
Wie es funktioniert
Vier Bewertungsköpfe, ein Trainingslabor
Vier Köpfe, unabhängig bewertet. Die Rundenbewertung ist der Verlauf, nicht eine einzelne Zahl.
P2 Kritiker
Adversariale Rolle, die in jeder Runde die schwächste Behauptung auf die Probe stellt.
P3 Anstrengungs-Belohnungsmodell
Trennt Anstrengung vom Ergebnis, sodass die Qualität des Schlussfolgerns auch dann bewertet wird, wenn die Antwort zufällig glücklich oder unglücklich ausfällt.
P4 Sokratisch
Stellt die nächste Frage, statt die nächste Antwort zu geben. Nützlich, wenn das Trainingslabor zum Trainieren genutzt wird, nicht zum Bewerten.
Anatomie einer Runde
Sechs Züge, vier Köpfe, ein Verlauf.
Die Bewertungsspalten sind pro Kopf und pro Zug. Der Verlauf ist das, was die Teilnehmenden mitnehmen.
# wer Zug P1 P2 P3 P4
01 A Opening claim: X causes Y under conditions C. 0.72 0.41 0.66 –
02 B Counter: prior P shows Y occurs without X. 0.81 0.74 0.70 why C?
03 A Refines: only under C₁ does the causal link hold. 0.78 0.62 0.74 –
04 B Probes the weakest claim: define C₁ operationally. 0.65 0.88 0.71 –
05 A Operationalises C₁ with measurable threshold. 0.84 0.79 0.82 –
06 B Accepts refinement, asks for an out-of-sample test. 0.86 0.83 0.78 OOS?
Stimme in der Schleife
Eine Runde, in die man hineinsprechen kann.
Audio rein, Audio raus, durchgängig. Die Bewertungspipeline bricht nicht, wenn sich das Medium ändert.
01
mic
16 kHz capture
+0 ms
02
whisper L3
faster-whisper large-v3
+120 ms
03
evaluator
4-head scoring
+280 ms
04
response
reasoning trace
+720 ms
05
kokoro v1
speech synthesis
+920 ms
Round-Trip verifiziert · STT und TTS laufen, ohne die 4-Kopf-Pipeline zu unterbrechen
Trainingsmodi
Vier Formate, dieselbe Pipeline.
Debatte
strukturiertes Argument unter Echtzeit-Bewertung
Drill
kurze Wiederholungen zu einem einzelnen Zug
Stimme
Audio rein / Audio raus, durchgängig
Sokratisch
stellt die nächste Frage, gibt nie die Antwort
Stimme in der Schleife
Palestra verfügt über einen Sprachmodus, der an einen verifizierten Pfad für Sprache-zu-Text und Text-zu-Sprache angebunden ist, sodass Live-Debattenübungen durchgängig laufen, ohne die Bewertungspipeline zu unterbrechen.
Warum es zählt
Statische Benchmarks belohnen Sprachgewandtheit. Das Trainingslabor belohnt Schlussfolgern, das einen echten Austausch übersteht. Wir nutzen es, um zu untersuchen, wie Teams aus Menschen und Modellen tatsächlich zusammenarbeiten – wobei die Bewertungsköpfe für beide Seiten sichtbar sind.