An Industrial-Scale Insurance LLM Achieving Verifiable Domain Mastery and Hallucination Control without Competence Trade-offs

Stellen Sie sich vor, Sie haben einen extrem intelligenten, weltumspannenden Allrounder, einen „Super-Assistenten", der alles über Geschichte, Mathematik und Programmieren weiß. Das ist ein modernes Sprachmodell (LLM). Aber wenn Sie diesen Assistenten in eine Versicherungsgesellschaft schicken, um Verträge zu prüfen oder Schadensfälle zu bewerten, wird er zum Problemkind.

Warum? Weil er anfängt zu halluzinieren. Er erfindet vielleicht Klauseln, die es gar nicht gibt, oder vermischt Fakten. In der Versicherungswelt ist das katastrophal – hier geht es um Geld, Gesetze und das Vertrauen der Kunden. Ein Fehler kann zu Klagen führen.

Die Forscher von Ant Group haben sich gedacht: „Wir brauchen einen Assistenten, der nicht nur alles weiß, sondern auch perfekt diszipliniert ist." Das Ergebnis ist INS-S1.

Hier ist die Erklärung, wie sie das geschafft haben, mit ein paar einfachen Bildern:

1. Das Problem: Der „Generalist" vs. der „Spezialist"

Bisher gab es ein Dilemma:

• Wenn man den Super-Assistenten nur auf Versicherungswissen trainiert, vergisst er plötzlich, wie man Mathe löst oder wie man höflich spricht (man nennt das „katastrophales Vergessen").
• Wenn man ihn nur oberflächlich mit Dokumenten füttert (wie ein Nachschlagen in einem Buch), versteht er die komplexen Zusammenhänge nicht und erfindet Dinge dazu.

INS-S1 löst das, indem es beides kann: Es bleibt ein brillanter Allrounder, wird aber zum perfekten Versicherungsexperten.

2. Die Lösung: Drei magische Werkzeuge

Werkzeug A: Der „Fakten-Drucker" (Verifiable Data Synthesis)

Stellen Sie sich vor, Sie wollen jemanden zum Versicherungsexperten ausbilden. Statt ihm einfach tausende Bücher zu geben, bauen die Forscher eine Fabrik, die perfekte Lehrmaterialien herstellt.

• Diese Fabrik erstellt Fragen und Antworten, bei denen die Logik überprüfbar ist.
• Die Analogie: Es ist wie ein strenger Lehrer, der nicht nur die Antwort auf einen Zettel schreibt, sondern den gesamten Lösungsweg Schritt für Schritt auf eine Tafel malt und prüft: „Stimmt das? Ja? Gut. Stimmt das? Nein? Löschen und neu."
• So lernt das Modell nicht nur auswendig, sondern versteht die Logik hinter den Versicherungsregeln.

Werkzeug B: Der „Stufen-Lehrplan" (Progressive SFT-RL Curriculum)

Niemand lernt alles auf einmal. Man beginnt mit dem ABC und arbeitet sich zu komplexer Physik vor.

• Phase 1 (SFT): Das Modell lernt die Grundlagen und wird mit einfachen Versicherungsaufgaben vertraut gemacht, während es gleichzeitig seine allgemeinen Fähigkeiten (wie Mathe) trainiert, damit es sie nicht vergisst.
• Phase 2 (RL - Der Trainer): Hier kommt der echte Coach ins Spiel. Das Modell bekommt Aufgaben, die es lösen muss.
  • Wenn es die Antwort richtig und logisch herleitet, gibt es einen Stern (Belohnung).
  • Wenn es etwas Erfindet (halluziniert), gibt es eine Rote Karte (Strafe).
  • Besonders clever: Der Trainer nutzt zwei Methoden gleichzeitig. Bei harten Fakten (wie Mathe in der Versicherung) prüft er die Antwort automatisch. Bei offenen Fragen (wie „Wie formuliere ich einen freundlichen Brief?") nutzt er eine andere KI als Schiedsrichter, um zu prüfen, ob der Ton stimmt und keine Fakten erfunden wurden.

Werkzeug C: Der „Sicherheitsgurt" (Halluzinations-Kontrolle)

Versicherungen dulden keine Erfindungen.

• Die Forscher haben dem Modell einen Sicherheitsgurt angelegt. Bevor es eine Antwort gibt, muss es sich selbst fragen: „Habe ich das in den Regeln gelesen oder erdacht ich mir das?"
• Das Ergebnis ist eine Halluzinationsrate von nur 0,6 %. Das ist so, als würde ein Arzt bei 1.000 Patienten nur in 6 Fällen einen falschen Namen für ein Medikament nennen – und das ist für eine KI bereits ein Weltrekord an Präzision.

3. Das Ergebnis: Der „Meister-Praktikant"

Das Modell INS-S1 wurde getestet und hat alles überragt:

• Es ist besser als die größten, allgemeinen Modelle (wie DeepSeek-R1 oder Gemini), wenn es um Versicherungsthemen geht.
• Aber das Beste: Es hat nicht vergessen, wie man Mathe löst oder programmiert. Es ist also kein „Ein-Ding-Experte", der alles andere verlernt hat, sondern ein Super-Experte, der auch noch ein Super-Allrounder ist.

Zusammenfassung in einem Satz

Die Forscher haben einen KI-Assistenten gebaut, der so diszipliniert ist wie ein strenger Versicherungsjurist, aber so schlau wie ein Universitätsprofessor – und das, ohne jemals etwas zu erfinden oder seine allgemeinen Fähigkeiten zu verlieren. Sie haben den „roten Teppich" für KI in der Versicherungsbranche ausgerollt, auf dem keine Stolpersteine (Fehler) mehr liegen.