Das Kernproblem, das der Beitrag adressiert, ist strukturell: Strings wie „Владимир Путин" und „Vladimir Putin" teilen buchstäblich kein einziges Zeichen, weshalb klassische Ähnlichkeitsmaße wie Edit-Distance oder Soundex vollständig versagen. Autor Vedant Jumle beschreibt, wie statt eines großen multilingualen Sprachmodells ein schlanker Transformer-Encoder mit rund 4 Millionen Parametern von Grund auf auf rohen UTF-8-Bytes trainiert wurde – ohne Tokenizer, ohne vortrainiertes Backbone und ohne explizite Schrifterkennung. Die zentrale Beobachtung: Jedes Unicode-Zeichen zerlegt sich deterministisch in 1–4 Bytes aus einem fixen 256-Symbol-Alphabet, das universell für alle Schriften gilt. Das Trainingskorpus wurde mit einer vierstufigen LLM-Pipeline aufgebaut: Erst wurden 2 Millionen Personennamen-Entitäten stratifiziert aus Wikidata gesampelt, dann generierte Llama-3.1-8B phonetische Lateinvarianten, anschließend transliterierte Qwen3-Coder-30B-A3B-Instruct-FP8 diese in acht Nicht-Latin-Schriften (Arabisch, Russisch, Chinesisch, Japanisch, Hebräisch, Hindi, Griechisch, Koreanisch). Das Ergebnis: 119.040 Entitäten mit 4,67 Millionen positiven Paaren, klassifiziert in die Pair-Typen „phonetic", „script" und „combined". Die Modellarchitektur umfasst 6 Transformer-Layer, 8 Attention-Heads, Hidden-Dim 256 und FFN-Dim 1024. Negatives werden nicht statisch gespeichert, sondern dynamisch während des Trainings gemint. Das Verfahren richtet sich explizit an Compliance-, Migrations- und Krankenhaussysteme, die täglich skriptübergreifende Namensabgleiche durchführen müssen.