You can deploy this model and start earning money today!

ProfEngel/
OwlLM2-e2b

Name: OwlLM2-e2b
Rating: 2.5 (30 reviews)

google/gemma-3n-E2B-it

Views

No views yet

ModelCard – OwlLM2 Controlling-Experte

Modellübersicht

Modellname: OwlLM2 Basis-Modell: Google Gemma-3n-2B Finetuning-Framework: Unsloth Spezialisierung: Deutsches Controlling & Rechnungswesen

OwlLM2 ist eine speziell auf deutsches Controlling und Rechnungswesen finegetunete Version von Gemma-3n-2B. Das Modell wurde entwickelt, um präzise und fachkundige Antworten zu komplexen Controlling-Fragen zu liefern und eignet sich ideal für Bildung, Beratung und praktische Anwendungen im Finanzwesen.

Trainingsdaten

Merkmal	Details
Beispiele	932 Conversational-Paare
Sprache	Deutsch
Fachgebiet	Controlling, Bilanzierung, Rechnungswesen
Format	Strukturierte Frage-Antwort-Dialoge

Themenabdeckung

Grundlagen des Controllings: KPI-Entwicklung, Budgetplanung, Forecast-Methoden
Kostenrechnung: Vollkosten-, Teilkosten-, Prozesskostenrechnung
Bilanzierung: Handels- vs. Steuerbilanz, Jahresabschlussanalyse
Finanzplanung: Liquiditätsplanung, Working Capital Management
Reporting: Management-Information-Systeme, Dashboard-Design
Controlling-Tools: Excel-Modellierung, Business Intelligence

Training-Konfiguration

Hardware & Performance

Parameter	Wert
GPU	NVIDIA L4 (24GB VRAM)
Trainingsdauer	76,76 Minuten (4.605,80 Sekunden)
Peak Memory	8,268 GB (37,31% der verfügbaren VRAM)
Training Memory	0,62 GB (2,80% für LoRA-Training)

Hyperparameter

per_device_train_batch_size = 1
gradient_accumulation_steps = 6
num_train_epochs = 4
learning_rate = 2e-5
warmup_steps = 50
total_training_steps = 624
optimizer = "adamw_8bit"
lr_scheduler_type = "cosine"

Trainingsstatistiken

Gesamtschritte: 624
Effektive Batch Size: 6
Finaler Training-Loss: 1,2578 (Step 620)
Trainierbare Parameter: ~10,6M (0,19% des Gesamtmodells)

Loss-Entwicklung (Auswahl)

| Step | Loss | | Step | Loss | |------|------| |------|------| | 10 | 3.8401 | | 300 | 1.5494 | | 100 | 2.1918 | | 480 | 1.2288 | | 200 | 1.6631 | | 620 | 1.2578 |

Verfügbare Modellformate

OwlLM2 wird in verschiedenen optimierten Formaten bereitgestellt:

LoRA-Adapter

Format: Safetensors
Größe: ~40-80 MB
Verwendung: Mit Basis-Gemma-3n-2B kombinierbar
Ideal für: Entwicklung und Experimente

Vollständiges Modell (Safetensors)

Format: vLLM-kompatible Safetensors
Größe: ~7-9 GB
Verwendung: Direkter Einsatz ohne Basis-Modell
Ideal für: Production-Deployments

GGUF-Quantisierung

8-Bit GGUF: ~4-5 GB, optimiert für CPU/kleine GPUs
4-Bit GGUF: ~1-2 GB, maximale Kompression (noch nicht verfügbar!)
Ideal für: Edge-Computing, lokale Anwendungen

Verwendung

Installation der Abhängigkeiten

pip install unsloth transformers torch

LoRA-Modell laden

python

from unsloth import FastLanguageModel

# LoRA-Adapter laden
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/gemma-2-2b-it-bnb-4bit",
    max_seq_length=2048,
    load_in_4bit=True,
)

# LoRA-Adapter anwenden
model.load_adapter("path/to/owllm2-lora")
FastLanguageModel.for_inference(model)

Vollständiges Modell laden

python

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "path/to/owllm2-full",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("path/to/owllm2-full")

GGUF-Modell (mit llama-cpp-python)

python

from llama_cpp import Llama

llm = Llama(
    model_path="path/to/owllm2-8bit.gguf",
    n_ctx=2048,
    n_gpu_layers=0  # CPU-Modus
)

response = llm("Was ist die Bedeutung des EBITDA im Controlling?")

Inferenz-Beispiel

python

# Prompt-Template
template = """Below is an instruction that describes a task, paired with an input that provides further context.
Write a response that appropriately completes the request.

### Instruction:
{}

### Input:
{}

### Response:
{}"""

prompt = template.format(
    "Du bist ein Experte für deutsches Controlling. Beantworte die Frage präzise und praxisnah:",
    "Wie unterscheiden sich Voll- und Teilkostenrechnung im operativen Controlling?",
    ""
)

inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
outputs = model.generate(
    **inputs,
    max_new_tokens=512,
    temperature=1.0,
    top_p=0.95,
    top_k=64,
    do_sample=True
)

response = tokenizer.decode(outputs[^0], skip_special_tokens=True)
print(response)

Empfohlene Inferenz-Parameter

Temperature: 1.0 (kreativ, aber kontrolliert)
Top-p: 0.95 (fokussiert auf wahrscheinlichste Tokens)
Top-k: 64 (Gemma-3-Team-Empfehlung)
Max Tokens: 512-1024 (je nach Anwendungsfall)

Modell-Stärken

Fachliche Expertise

Tiefes Verständnis deutscher Controlling-Standards
Präzise Terminologie im Finanz- und Rechnungswesen
Praxisnahe Lösungsansätze für typische Controlling-Herausforderungen

Technische Vorteile

Kompakte Architektur: 2B Parameter für effiziente Inferenz
Flexible Formate: LoRA, Safetensors, GGUF für verschiedene Einsatzzwecke
Optimierte Quantisierung: Bis zu 8x weniger Speicherbedarf

Anwendungsgebiete

Ausbildung: BWL-Studium, Controller-Weiterbildung
Unternehmensberatung: Erste Einschätzungen zu Controlling-Fragen
Interne Tools: Automatisierte Analysehilfen, Chatbots für Finance-Teams
Dokumentation: Erstellung von Controlling-Berichten und -Prozessen

Systemanforderungen

Minimale Anforderungen (GGUF 8-Bit)

RAM: 4GB
Speicher: 3GB
CPU: Moderne Multi-Core-CPU
GPU: Optional (beschleunigt Inferenz)

Empfohlene Konfiguration (Safetensors)

VRAM: 6-8GB (RTX 3060/4060 oder besser)
RAM: 16GB
Speicher: 10GB
GPU: CUDA-fähig für optimale Performance

High-Performance Setup (LoRA + Basis)

VRAM: 12-16GB (RTX 4070/A4000 oder besser)
RAM: 32GB
Speicher: 15GB
Ideal für: Development und Fine-Tuning

Limitierungen

Fachliche Einschränkungen

Domain-Fokus: Außerhalb des Controllings eingeschränkte Genauigkeit
Keine Steuerberatung: Ersetzt keine professionelle Beratung durch Steuerberater oder Wirtschaftsprüfer
Aktualität: Fachinhalte bis Trainingszeitpunkt; spätere Gesetzesänderungen nicht berücksichtigt

Technische Limitierungen

Kontextlänge: 2048 Token (längere Dokumente müssen segmentiert werden)
Quantisierung: Qualitätsverlust bei aggressiver Kompression möglich
Sprache: Primär deutsch-optimiert, andere Sprachen eingeschränkt

Lizenz – Apache 2.0

OwlLM2 wird unter der Apache License, Version 2.0 bereitgestellt und ermöglicht freie kommerzielle und nicht-kommerzielle Nutzung.

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

    http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

Nutzungsrechte:

✅ Kommerzielle Nutzung
✅ Modifikation und Weiterentwicklung
✅ Distribution und Weitergabe
✅ Private Nutzung
✅ Patentschutz inbegriffen

Das Basis-Modell Gemma-3n-2B unterliegt zusätzlich den Google Gemma Terms of Use.

Entwicklung & Support

Technische Dokumentation

Vollständige Trainings-Logs im beigefügten Jupyter Notebook
Beispiele für alle unterstützten Modellformate
Performance-Benchmarks für verschiedene Hardware-Konfigurationen

Community & Feedback

Für Fragen, Verbesserungsvorschläge oder spezielle Anwendungsfälle im deutschen Controlling:

GitHub Issues für technische Probleme
Diskussionen für fachlichen Austausch
Pull Requests für Verbesserungen willkommen

Haftungsausschluss

Wichtiger Hinweis: OwlLM2 dient ausschließlich Informations- und Bildungszwecken. Das Modell:

Ersetzt keine professionelle Beratung durch Steuerberater, Wirtschaftsprüfer oder zertifizierte Controller
Übernimmt keine Gewähr für die Richtigkeit oder Vollständigkeit der Ausgaben
Sollte nicht als alleinige Grundlage für Geschäftsentscheidungen verwendet werden
Kann Fehler enthalten oder veraltete Informationen wiedergeben

Entscheidungen, die auf Basis der Modell-Ausgaben getroffen werden, erfolgen auf eigenes Risiko und eigene Verantwortung.

OwlLM2 – Ihr KI-gestützter Partner für professionelles Controlling

⁂

ProfEngel/OwlLM2-e2b

ModelCard – OwlLM2 Controlling-Experte

Modellübersicht

Trainingsdaten

Themenabdeckung

Training-Konfiguration

Hardware & Performance

Hyperparameter

Trainingsstatistiken

Loss-Entwicklung (Auswahl)

Verfügbare Modellformate

LoRA-Adapter

Vollständiges Modell (Safetensors)

GGUF-Quantisierung

Verwendung

Installation der Abhängigkeiten

LoRA-Modell laden

Vollständiges Modell laden

GGUF-Modell (mit llama-cpp-python)

Inferenz-Beispiel

Empfohlene Inferenz-Parameter

Modell-Stärken

Fachliche Expertise

Technische Vorteile

Anwendungsgebiete

Systemanforderungen

Minimale Anforderungen (GGUF 8-Bit)

Empfohlene Konfiguration (Safetensors)

High-Performance Setup (LoRA + Basis)

Limitierungen

Fachliche Einschränkungen

Technische Limitierungen

Lizenz – Apache 2.0

Entwicklung & Support

Technische Dokumentation

Community & Feedback

Haftungsausschluss

ProfEngel/
OwlLM2-e2b