KI-Modelle
KI-Modelle machen Vorhersagen auf Basis ihrer Trainingsdaten. Sie können in jedem Bereich eingesetzt werden, beispielsweise in Zahlen, Texten oder Multimedia-Inhalten.
Marktanteile von LLM: Vergleich von Nutzung und Akzeptanz
Wir analysierten die Marktanteile von LLM (Large Language Models) anhand von Nutzungsdaten und geschätzten Webseitenbesuchen, um die Verteilung der Nachfrage nach großen Sprachmodellen auf KI-Labore und KI-Anwendungen darzustellen: Vergleich der LLM-Marktanteile nach Ländern. Die Methodik erläutert, wie wir diese Ergebnisse gemessen und berechnet haben. Die Vereinigten Staaten führten die Liste der Webseitenbesuche an.
Vergleich relationaler Fundamentmodelle
Wir haben SAP-RPT-1-OSS anhand von Gradient Boosting (LightGBM, CatBoost) auf 17 tabellarischen Datensätzen verglichen, die das semantisch-numerische Spektrum abdecken: kleine/hochsemantische Tabellen, gemischte Geschäftsdatensätze und große, niedrigsemantische numerische Datensätze. Unser Ziel ist es, zu ermitteln, wo die vortrainierten semantischen Priors eines relationalen LLM Vorteile gegenüber traditionellen Baummodellen bieten und wo sie bei großen Datenmengen oder niedrigsemantischen Strukturen an ihre Grenzen stoßen.
LLM-Quantisierung: BF16 vs FP8 vs INT4
Wir haben Qwen3-32B mit vier Genauigkeitsstufen (BF16, FP8, GPTQ-Int8, GPTQ-Int4) auf einer einzelnen NVIDIA H100 80GB GPU getestet. Jede Konfiguration wurde anhand von zwei Benchmarks (~12.200 Fragen) zur Wissens- und Codegenerierung sowie über 2.000 Inferenzläufen zur Messung des Durchsatzes evaluiert.
LLM-Parameter: GPT-5 Hoch, Mittel, Niedrig und Minimal
Neue LLMs, wie beispielsweise die OpenAI-Familie GPT-5, sind in verschiedenen Versionen (z. B. GPT-5, GPT-5-mini und GPT-5-nano) und mit unterschiedlichen Parametereinstellungen (hoch, mittel, niedrig und minimal) erhältlich. Im Folgenden untersuchen wir die Unterschiede zwischen diesen Modellversionen anhand ihrer Benchmark-Ergebnisse und der Kosten für die Durchführung der Benchmarks. Preis-Leistungs-Verhältnis: Wichtigste Erkenntnisse.