KI-Modelle
KI-Modelle machen Vorhersagen auf Basis ihrer Trainingsdaten. Sie können in jedem Bereich eingesetzt werden, beispielsweise in Zahlen, Texten oder Multimedia-Inhalten.
- LLMEinblick27. Aug
LLM-Automatisierung: Top 7 Tools & 8 Fallstudien
LLM-Automatisierung bezeichnet den Wandel hin zu intelligenten Automatisierungstools, die LLMs nutzen, darunter KI-Agenten, feinabgestimmte LLMs und RAG-Modelle, um Aufgaben zu automatisieren und zu koordinieren. Erfahren Sie, was LLM-Automatisierung ist, ihre wichtigsten Anwendungen aus der Praxis und die wichtigsten Tools: LLM in der Automatisierung ist ein systematischer Ansatz, der Natural Language Processing (NLP) mit bestehenden Methoden…
- KI-Modelle24. Aug
Zeitreihenklassifikations-Benchmark: Foundation Models vs. klassische Methoden
Wir haben 13 Methoden zur Zeitreihenklassifikation verglichen – von vortrainierten Time-Series-Foundation-Models bis zu einer 22-Feature-Baseline von 2019 – auf 33 UCR/UEA-Datensätzen unter einem eingefrorenen Protokoll. Das sind 14.638 erfasste Methoden-Datensatz-Resample-Zellen, von denen 11.874 bewertet wurden. Die Grafik vergleicht 12 Methoden auf den 15 univariaten Datensätzen, die jede von ihnen vollständig bearbeitet hat; jeder Datensatz wurde…
- LLMEinblick19. Aug
ChatGPT für Kundenservice: Top 10 Anwendungsfälle
ChatGPT hat sich im Kundenservice von einer Neuheit zu einer Infrastruktur entwickelt. Unternehmen nutzen ihn, um Antwortzeiten zu verkürzen, ein Volumen zu bewältigen, das ihre Teams nicht auffangen können, und die Kosten für Routineinteraktionen zu senken. Aber die Ergebnisse variieren stark, je nachdem, wie er implementiert ist. OpenAI hat GPT-5.6 auf den Markt gebracht, ein…
- LLMBenchmark16. Aug
Intelligenzdichte von 71 LLMs für intelligentere & dichtere Modelle
Wir haben 71 LLMs verfolgt, die zwischen Februar 2023 und Mai 2026 veröffentlicht wurden, und 10 öffentliche Benchmarks gesammelt, um die Intelligenzdichte zu messen. Wir haben den Fähigkeitswert durch die vom Modell verbrauchte Ressource geteilt (aktive Parameter, Trainingsrechenleistung und Inferenzpreis). Um die Intelligenzdichte zu berechnen, haben wir die folgenden Schritte ausgeführt: Siehe Methodik für den…
- LLMBenchmark15. Apr
LLM Quantisierung: BF16 vs FP8 vs INT4
Wir haben Qwen3-32B auf 4 Genauigkeitsstufen (BF16, FP8, GPTQ-Int8, GPTQ-Int4) auf einer einzelnen NVIDIA H100 80GB GPU getestet. Jede Konfiguration wurde auf 2 Benchmarks (~12,2K Fragen) bewertet, die Wissen und Code-Generierung abdecken, sowie auf 2.000+ Inferenzläufen zur Messung des Durchsatzes. Int4 ist 2,7-mal schneller als BF16, verliert jedoch weniger als 2 Punkte auf MMLU-Pro, während…