Q-Ray Vision

Projekt: Q-Ray Vision

Selbstberichtete Grundlage: Die Beschreibung stammt vollständig aus der eigenen Einreichung des Autors auf dem OpenAI 2026 Hackathon auf Devpost — unbestätigt, selbstberichtet und ohne unabhängige Bestätigung.

Kommerzielle Due-Diligence-Einschätzung: Q-Ray Vision scheint eine eigenständige, KI-gestützte Antivirus-Engine zu sein, die in Kasachstan entwickelt wurde und lokale Bedrohungen mit einem Fokus auf Phishing, Ransomware und Malware, die spezifisch für die zentralasiatischen Märkte sind, anspricht. Es wird als MVP mit Echtzeitschutz beschrieben, der 9 ML-Modelle und eine 5-stufige Erkennungs-Pipeline nutzt. Das Projekt wird behauptet, von einem einzelnen Teammitglied aus Semey, Kasachstan, entwickelt worden zu sein, und positioniert sich als das erste in der Region entwickelte KI-Antivirus.

Wichtigste offene Frage: Gibt es Belege für eine tatsächliche Nutzerakzeptanz oder Traction über die Nutzung durch die Autoren hinaus?

Die Beschreibung besagt, dass Q-Ray Vision ein vollwertiges KI-Antivirus für Windows 10/11 ist, das mit Folgendem erstellt wurde:

• Eine 5-stufige Erkennungs-Pipeline:
  • Trust-Check
  • Hashing
  • Beweissicherung
  • Statische ML-Analyse
  • Dynamische Sandbox (Unicorn Engine)

• 9 ML-Modelle, trainiert auf dem EMBER2024-Datensatz und vollständig on-device über ONNX Runtime ausgeführt

• Echtzeitschutz mit einem Kernel-Modus-Treiber und AMSI-Integration

• Eine Anti-Phishing-Datenbank mit 371K+ Domains, mit dem Ziel, 1M+ zu erreichen

• Verhaltensbasierte Ransomware-Schutzfunktion mit AES-256-verschlüsselter Quarantäne

Das System wird als mit 150K+ Zeilen C++20 und einer JS-basierten Interface-Schicht erstellt beschrieben, wobei statische Analyse und Sandboxing zur Erkennung genutzt werden.

Schlussfolgerung: Das Produkt ist eine Antivirus-Engine, die entwickelt wurde, um lokale Bedrohungen in Kasachstan und Zentralasien zu erkennen, mit einem Fokus auf Phishing, Ransomware und Malware, die spezifisch für die Region sind. Es wird als MVP mit Echtzeitschutz beschrieben, aber es werden keine Belege für eine tatsächliche Implementierung oder eine Nutzerbasis vorgelegt.

Das Projekt wird positioniert als:

• Das erste in Kasachstan entwickelte KI-Antivirus
• Eine lokale Lösung für Bedrohungen, die ausländische Anbieter ignorieren
• Fokussiert auf den Schutz von Nutzern lokaler Dienste wie Kaspi, Halyk und eGov
• Entwickelt von einem Team aus Semey, Kasachstan, das in einem von globalen Playern dominierten Markt konkurriert

Die Entwicklung der Behauptungen zeigt:

• Anfänglicher Fokus auf lokale Bedrohungserkennung
• Betonung der Selbstversorgung aufgrund von Sanktionen und Lizenzproblemen
• Ein Wandel hin zu einer KI-first-Engine, bei der ML-Modelle lokal ausgeführt werden
• Ein erklärtes Ziel einer öffentlichen Beta mit 500+ Nutzern und B2B-Piloten

Schlussfolgerung: Die Positionierung ist eindeutig regional, mit einer Erzählung rund um lokales Bedrohungsawareness und nationale Selbstversorgung. Es ist noch nicht klar, ob das Projekt über ein MVP hinausgewachsen ist oder Traction über seine Schöpfer hinaus gewonnen hat.

Die Beschreibung besagt, dass Q-Ray Vision folgende Zielgruppen anspricht:

• Nutzer von Kaspi, Halyk, eGov und anderen lokalen Diensten
• Kleine Unternehmen in Kasachstan und Zentralasien
• Allgemeine Nutzer auf Windows 10/11

Es gibt keine explizite Erwähnung eines B2B- oder Enterprise-ICP über das erklärte Ziel von B2B-Piloten hinaus.

Schlussfolgerung: Die primäre Kundenbasis scheint aus Einzelnutzern und kleinen Unternehmen in Kasachstan zu bestehen, mit einem Fokus auf lokale Bedrohungen. Es gibt keine Hinweise auf eine darüber hinausgehende definierte ICP.

Es werden keine Informationen zu Preisen, Lizenzierung oder Monetarisierungsstrategie bereitgestellt.

nicht belegt

Das Projekt wird wie folgt beschrieben:

• Entwickelt mit C++20, mit einer JS-basierten Schnittstellenschicht
• Verwendet 150K+ Zeilen Code
• Implementiert eine 5-stufige Erkennungs-Pipeline:
  • Trust-Check → Hashing → Beweissicherung → Statische ML-Analyse → Dynamische Sandbox (Unicorn Engine)
• 9 ML-Modelle, trainiert auf EMBER2024 und ausgeführt über ONNX Runtime
• Echtzeitschutz mit einem kernel-mode-Treiber und AMSI-Integration
• Anti-Phishing-Datenbank mit 371K+ Domains

Das Team nutzte Codex, um die Entwicklung während der Build Week zu beschleunigen, und arbeitet an:

• Refactoring des C++20-Kerns
• Aufbau einer automatisierten Pipeline für ML-Modell-Updates
• Einführung eines User-Dashboards

Schlussfolgerung: Der technische Stack deutet auf einen starken Engineering-Aufwand mit lokaler Bedrohungsawareness hin. Es gibt jedoch keine Hinweise auf eine Produktivdeployment oder Skalierbarkeit über den MVP hinaus.

Die Beschreibung besagt:

• Ein funktionsfähiger MVP mit Echtzeitschutz, der täglich auf den eigenen Maschinen des Teams verwendet wird
• Einer der ersten in Zentralasien entwickelten AI-first-Antivirus-Engines
• Team aus 4 Personen aus Semey, Kasachstan
• Ziel, 1M+ Phishing-Domains zu erreichen
• Nächste Meilensteine: öffentliche Beta mit 500+ Nutzern und B2B-Piloten

nicht belegt: Keine Daten zur tatsächlichen Nutzerakzeptanz, Kundenbasis oder zum Umsatz.

Das Projekt wird als in einem von globalen Antivirus-Anbietern dominierten Markt entwickelt beschrieben. Es positioniert sich als erster in Kasachstan entwickelter KI-Antivirus, was darauf hindeutet, dass es mit ausländischen Lösungen konkurriert, die möglicherweise lokale Bedrohungen nicht abdecken.

Schlussfolgerung: Der Wettbewerbskontext wird durch den Mangel an lokalisierten, KI-gestützten Lösungen für Nutzer in Zentralasien definiert. Es gibt jedoch keine Hinweise auf eine Wettbewerbsanalyse oder Marktpositionierung darüber hinaus.

• Einzelnes Entwicklerteam (laut Beschreibung nur 1 Mitglied aufgeführt)
• Keine verifizierte Nutzerbasis oder Akzeptanz
• Kein Umsatz oder Monetarisierungsstrategie
• MVP-niveau Produkt, noch nicht in Produktion
• Selbstberichtete Behauptungen ohne unabhängige Verifizierung
• Begrenzte technische Tiefe — keine Hinweise auf Integration in größere Ökosysteme oder Enterprise-Plattformen

Schlussfolgerung: Das Projekt befindet sich in einem sehr frühen Stadium, und der Mangel an verifizierter Traction oder Nutzerdaten birgt erhebliche Risiken. Die Einzelteam-Struktur kann die Skalierbarkeit einschränken.

1. Was ist die tatsächliche Nutzerbasis abgesehen von den eigenen Maschinen?
2. Wie planen Sie, über den MVP hinaus zu skalieren?
3. Gibt es Partnerschaften oder Pilotprogramme mit lokalen Unternehmen oder staatlichen Stellen?
4. Was ist der Plan für Monetarisierung und Preisgestaltung?
5. Wie beabsichtigen Sie, die Phishing-Datenbank und die ML-Modelle zu warten und zu aktualisieren?
6. Welche technischen Herausforderungen bestehen bei der Skalierung auf eine größere Nutzerbasis?