KI-Modelle

Ein KI-Modell ist ein trainiertes neuronales Netz, das aus Beispielen ein Muster gelernt hat — und dieses Muster nutzt, um neue Eingaben zu verarbeiten. „Modell” ist dabei wörtlich gemeint: eine mathematische Nachbildung dessen, was in den Trainingsdaten steckt. Wenn du heute mit ChatGPT, Claude oder Gemini chattest, sprichst du mit einem Sprachmodell — der derzeit prominentesten Form. Es gibt aber auch Modelle für Bilder, Audio, Video oder Code, und zunehmend solche, die mehrere dieser Modalitäten gleichzeitig beherrschen.

Wichtig zur Abgrenzung: „KI” ist der Oberbegriff für alles, was Maschinen intelligent erscheinen lässt. „KI-Modell” ist konkret das Stück Software, das die eigentliche Arbeit erledigt. Und ein „Algorithmus” ist die Methode, mit der das Modell trainiert wurde — nicht das Modell selbst.

Wie ein KI-Modell grob funktioniert

Im Training bekommt das Modell riesige Datenmengen vorgesetzt — bei großen Sprachmodellen (LLMs) sind das Texte aus dem Web, Büchern, Code-Repositories und vielem mehr. Aus diesen Daten lernt es Wahrscheinlichkeiten: Welches Wort folgt typischerweise auf welches? Welche Bildregionen gehören zusammen? Das Ergebnis sind Parameter — Zahlen, die das gelernte Muster speichern. Ein modernes Sprachmodell hat Milliarden bis Billionen davon.

Wenn du dem Modell später eine Frage stellst, zerlegt es deinen Text in Tokens (kleine Wort- oder Zeichenstücke) und berechnet Schritt für Schritt das nächste wahrscheinlichste Token — und dann das übernächste, und so weiter, bis die Antwort steht. Das ist der ganze Trick: Vorhersage des nächsten Tokens, milliardenfach pro Antwort.

Was ein Modell gut kann, hängt von drei Faktoren ab: den Trainingsdaten, der Modellgröße (mehr Parameter = oft mehr Fähigkeit, aber auch teurer) und dem Nachtraining — etwa Fine-Tuning auf Spezialaufgaben oder RLHF, mit dem Modelle gelernt haben, hilfreiche statt nur wahrscheinliche Antworten zu geben.

Welche KI-Modelle gibt es?

Grob lassen sich heutige KI-Modelle in drei Kategorien einteilen:

Closed-Source-Modelle stammen von kommerziellen Anbietern wie OpenAI (GPT-Reihe), Anthropic (Claude), Google (Gemini) oder xAI (Grok). Sie laufen auf den Servern der Anbieter und sind über APIs oder Chat-Apps zugänglich. Stärken: meist führend bei Qualität und Multimodalität. Nachteile: laufende Kosten pro Anfrage, Datenschutz-Fragen, Abhängigkeit vom Anbieter.

Open-Weight-Modelle wie Meta Llama, Mistral, DeepSeek, Alibaba Qwen oder Z.ai GLM kannst du herunterladen und selbst betreiben — auf eigenen Servern oder über spezialisierte Hoster. Die Lücke zu den Closed-Modellen ist in den letzten Jahren stark geschrumpft; bei vielen Aufgaben sind Open-Weight-Modelle inzwischen konkurrenzfähig oder besser.

Lokale Modelle sind eine Unterkategorie: kleinere oder stark komprimierte Open-Weight-Modelle, die auf einem normalen Rechner oder Laptop laufen — über Tools wie Ollama oder LM Studio. Vorteile: kostenlos, offline, datenschutzfreundlich. Grenzen: weniger leistungsfähig als die großen Cloud-Modelle, brauchen ausreichend RAM und idealerweise eine GPU.

Innerhalb jeder Kategorie gibt es zusätzlich Spezialisierungen: Coding-Modelle (GPT-Codex, Codestral, DeepSeek-Coder), Reasoning-Modelle für komplexes Schlussfolgern, multimodale Modelle für Bild/Audio/Video, und kleine, schnelle Varianten („Mini”, „Flash”, „Haiku”) für hohe Volumen bei niedrigen Kosten.

Was du auf dieser Seite findest

Unten siehst du eine Themenwelt rund um KI-Modelle: aktuelle News zu neuen Releases, Blog-Artikel mit Hintergrund und Praxis, Lexikon-Artikel für tieferes Eintauchen und ein Glossar der wichtigsten Begriffe. Über die Filter darüber kannst du gezielt nach Anbieter wechseln — OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek und weitere — oder dir das Thema LLM-Pricing ansehen, wenn dich vor allem Kosten und Abrechnungsmodelle interessieren.