Kann ich Pangram vibecoden?
NEIN · nicht sinnvollDer Anbieter rechnet in US-Dollar ab
Pangram rechnet in US-Dollar ab: Individual regulär 15 Dollar pro Monat bei Jahreszahlung (180 Dollar im Jahr), bis 30. September als Aktion 9 Dollar pro Monat im ersten Jahr. Ein monatlich abgerechneter Preis steht nicht auf der Seite, ein kostenloser Tarif ist vorhanden.
Für deutsche Unternehmen kann bei Softwareleistungen aus dem Ausland das Reverse-Charge-Verfahren gelten. Das hängt nicht von der Währung allein ab. Was du auf Rechnung und USt-Voranmeldung prüfen solltest →
geprüft am 17.09.2026 · Quelle ↗ · so prüfen wir
Die Oberfläche ist ein Textfeld und eine Prozentzahl, und genau so etwas verleitet dazu, ein Wochenendprojekt zu vermuten. Das Produkt ist nicht das Textfeld: Es ist ein Klassifikator, trainiert auf einem sehr großen, laufend erneuerten Korpus menschlicher Texte gepaart mit Ausgaben jeder Modellgeneration, hart gegen falsche Treffer abgestimmt, weil eine echte Person des Schummelns zu beschuldigen der Fehler ist, der die Firma beendet. Einen lokalen Detektor aus Perplexität und Burstiness baust du an einem Nachmittag, und er liegt selbstbewusst oft genug daneben, um für jede Entscheidung, die zählt, nutzlos zu sein. Niemand außer dir akzeptiert deinen hausgemachten Wert, und die Kalibrierung driftet mit jedem neuen Spitzenmodell. Bau ihn, um das Problem zu verstehen, nicht, um dich darauf zu verlassen.
Build a local AI-text-detection playground so I can see how weak naive detection actually is. No cloud calls, no accounts, no telemetry. Stack, no substitutions: Python 3.11, FastAPI + uvicorn, transformers + torch, a single server-rendered HTML page with vanilla JS. No build step, no database, no Docker. Core loop: 1. One page with a large textarea and an Analyze button. 2. POST /analyze takes the text and returns a JSON report. 3. Scoring runs entirely locally with gpt2 (small) loaded once at startup via transformers. Download on first run and cache it. Features to compute per submission: - Mean token log-probability and perplexity under gpt2. - Burstiness: standard deviation of per-sentence mean log-probability. - Rank-based signal: fraction of tokens that were in the model's top-10 predictions. - Style stats: sentence length mean and variance, type-token ratio, punctuation counts, count of common LLM filler phrases from a hardcoded list. Output: a 0-100 score from a simple weighted formula over those features with the weights in a single WEIGHTS dict at the top of the file, per-sentence heat colouring in the page, and a full feature table so I can see what drove the score. Calibration, and be honest about it: - Add a CLI command: python calibrate.py --human dir --ai dir that runs the features over two folders of .txt files, prints mean and spread per class, and prints the ROC AUC of the current weights. - The web page must show a fixed banner: this is an uncalibrated heuristic, not evidence, false positives are common. Explicitly out of scope: user accounts, saved history, PDF or DOCX parsing, any hosted API, model fine-tuning, mixed-authorship segmentation, batch uploads. Deliver: main.py, calibrate.py, features.py, templates/index.html, requirements.txt, and a README with run instructions and one paragraph stating plainly why this cannot match a trained commercial detector. No .env needed since there are no secrets; say so in the README. Antworte mir auf Deutsch. Oberfläche, Kommentare und README auf Deutsch, alle Bezeichner wie Tabellen, Spalten, Variablen, Routen und Dateinamen bleiben Englisch.
$ im Agenten öffnen (Prompt ist vorausgefüllt, du drückst Enter) oder direkt kopieren · dieser Bauplan ist noch auf Englisch, die Bitte um deutsche Antworten hängt unten dran · dieser Prompt wurde aus dem Bauplan erzeugt · Verbesserung einreichen
Prompt kopiert. Modelle werden besser, Urteile ändern sich.
Fünf Vibe-Coding-Tipps und geänderte Urteile. Donnerstags, kostenlos, ein Klick zum Abmelden.
Weil die Zahl vor jemand anderem bestehen muss. Institutionen und Verlage kaufen keinen Klassifikator, sie kaufen eine dritte Partei, die für eine Falsch-Positiv-Rate geradesteht, plus laufendes Nachtrainieren gegen das Modell vom letzten Monat. Ein lokaler Heuristik-Detektor liefert eine plausibel klingende Prozentzahl ohne Fehlerbalken, und das ist schlimmer als nichts, wenn am Ende eine Beschuldigung steht.
Die Bewertungsoberfläche ist ein Nachmittag, das Vertrauen hinter dem Wert nicht. Der Graben ist ein ständig nachtrainierter Korpus aus Mensch- und Modelltext plus ein Ruf, der andere das Urteil akzeptieren lässt.
xKalibrierung: eine echte Falsch-Positiv-Rate, die du zitieren kannst, statt eines Gefühls
xAbdeckung neuer Modelle, die sich alle paar Wochen ändert, ob du aktualisierst oder nicht
xErkennung auf Satzebene und bei gemischter Autorschaft statt einer groben Dokumentzahl
xjede externe Glaubwürdigkeit, denn ein selbst gebauter Wert überzeugt exakt null Lehrkräfte, Redaktionen oder Kunden
xDurchsatz, Stapel-Uploads, API-Zugang und Dokumenten-Parsing
Nichts, das wir guten Gewissens empfehlen können. Deshalb gibt es den Prompt.
Kann ich Pangram vibecoden?
Nein. Der entscheidende Wert von Pangram liegt nicht nur im Code. Weil die Zahl vor jemand anderem bestehen muss. Institutionen und Verlage kaufen keinen Klassifikator, sie kaufen eine dritte Partei, die für eine Falsch-Positiv-Rate geradesteht, plus laufendes Nachtrainieren gegen das Modell vom letzten Monat. Ein lokaler Heuristik-Detektor liefert eine plausibel klingende Prozentzahl ohne Fehlerbalken, und das ist schlimmer als nichts, wenn am Ende eine Beschuldigung steht.
Was kostet Pangram?
Pangram hat keinen belastbar bestätigten Monatspreis. Pangram rechnet in US-Dollar ab: Individual regulär 15 Dollar pro Monat bei Jahreszahlung (180 Dollar im Jahr), bis 30. September als Aktion 9 Dollar pro Monat im ersten Jahr. Ein monatlich abgerechneter Preis steht nicht auf der Seite, ein kostenloser Tarif ist vorhanden.
Was verliere ich beim Selbstbau von Pangram?
Ganz ehrlich: Kalibrierung: eine echte Falsch-Positiv-Rate, die du zitieren kannst, statt eines Gefühls; Abdeckung neuer Modelle, die sich alle paar Wochen ändert, ob du aktualisierst oder nicht; Erkennung auf Satzebene und bei gemischter Autorschaft statt einer groben Dokumentzahl; jede externe Glaubwürdigkeit, denn ein selbst gebauter Wert überzeugt exakt null Lehrkräfte, Redaktionen oder Kunden; Durchsatz, Stapel-Uploads, API-Zugang und Dokumenten-Parsing. Wenn einer dieser Punkte für dich entscheidend ist, lohnt sich der Selbstbau möglicherweise nicht.
Gibt es eine Open-Source-Alternative zu Pangram?
Keine ausgereifte Open-Source-Alternative, die wir guten Gewissens empfehlen können. Genau deshalb gibt es den Prompt auf dieser Seite.