> ## Documentation Index
> Fetch the complete documentation index at: https://docs.conare.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Custom Models

> Ein auf deinen Daten fine-getuntes Embedding-Modell, gegen ein eingefrorenes Evaluations-Set echter Queries geprüft und erst bei gemessenem Gewinn ausgerollt.

Conare baut den eigenen Retrieval-Stack deines Unternehmens: ein auf deinen Daten fine-getuntes Embedding-Modell, evaluiert an deinen echten Queries, ausgeliefert mit eigenem Reranker und der Datenbank, in der deine Daten liegen.

Das ist keine API zum Selbstbedienen – es ist ein Engagement, weil die Arbeit spezifisch für deine Daten ist. So läuft es genau ab.

## So läuft das Engagement

<Steps>
  <Step title="Deine Daten verbinden">
    Dein Korpus fließt über die [Connectoren](/integrations/overview) oder die API ein – dieselben Ingestion-Pfade wie der Rest der Plattform. Deine Daten trainieren **dein** Modell; sie werden nicht mit denen anderer vermengt.
  </Step>

  <Step title="Evaluations-Set einfrieren">
    Wir bauen aus deinen echten Queries und bewerteten Ergebnissen ein Golden-Set – eingefroren, bevor das Training beginnt, damit das Ziel nicht driften kann, um dem Modell zu schmeicheln. Dieses Set ist das Acceptance-Gate für alles Folgende.
  </Step>

  <Step title="Trainieren und evaluieren">
    Das Modell wird auf deiner Verteilung fine-getunt und gegen das eingefrorene Set anhand der Metriken bewertet, die über die Retrieval-Qualität entscheiden: Recall auf deinen Queries, Ranking-Position der richtigen Antwort und kalibriertes No-Answer-Verhalten.
  </Step>

  <Step title="Nur bei bewiesenem Sieg ausrollen">
    Ein Kandidat geht nur live, wenn er das bestehende Modell auf deinem Evaluations-Set schlägt. Keine Bauchgefühl-Upgrades: Gewinnt er nicht auf deinen Queries, bedient er nicht.
  </Step>

  <Step title="Gepinnt bedienen">
    Das Siegermodell bedient deinen Traffic mit explizitem Version-Pin – dieselbe [Nie-still-substituiert](/embeddings/api#model-pinning)-Garantie wie bei der Hosted API – neben einem Reranker, der auf dieselbe Verteilung abgestimmt ist. Laufende Wartung hält das Modell aktuell, während sich deine Daten weiterentwickeln.
  </Step>
</Steps>

## Was am Ende steht

* Ein Embedding-Modell, das **auf deinen Queries** messbar besser ist als die generische API, die du heute nutzt – mit den Evaluations-Belegen dazu.
* Ein passender Reranker, sodass sich First-Stage-Recall und Final-Ordering gemeinsam verbessern.
* Serving in derselben Plattform wie deine Daten – keine cross-vendor Pipeline zu betreiben.

## Gespräch starten

Custom Models sind je Engagement gescopt – Korpusgröße, Query-Volumen und Bewertungskriterien formen die Arbeit.

<Card title="Gespräch buchen" icon="calendar" href="https://cal.com/amurzin/30min">
  30 Minuten mit dem Gründer: bring eine Beschreibung deines Korpus und eine Handvoll echter Queries mit, bei denen dich das Retrieval heute enttäuscht.
</Card>