Die Zukunft großer Sprachmodelle

Sehen Sie die Zukunft großer Sprachmodelle, indem Sie vielversprechende Ansätze wie Selbsttraining, Faktenprüfung und spärliche Expertise untersuchen, die Einschränkungen von LLM begegnen könnten.

Erfolgsratenvergleich von LLMs

Claude Sonnet 4.6 führte den Benchmark mit einer Gesamtpunktzahl von 0.748 an, wobei Basis- und Denkvarianten bis auf drei Dezimalstellen gleichauf lagen. Claude Opus 4.8 (0.702), Opus 4.6 Basis (0.706) und Opus 4.6 Denken (0.729) folgten, wodurch Anthropic die ersten fünf Plätze belegte. Das erste Nicht-Anthropic-Modell war Gemini 3.5 Flash, Denken bei 0.625. GPT-Varianten lagen zwischen 0.57 und 0.60, wobei stärkere Backend-Ergebnisse durch Frontend-Instabilität ausgeglichen wurden. Weitere Informationen finden Sie in unserem Benchmark-Artikel.

LLM-Benchmark-Methodik

Wir haben führende große Sprachmodelle über 10 Softwareentwicklungsaufgaben mit einem agentischen CLI-Harness getestet. Jedes Modell lief dreimal pro Aufgabe (30 Stichproben pro Modell, 270 Validierungszellen pro Iteration), um die Ergebnisse zu stabilisieren und die Varianz pro Zelle zu messen. Alle Modelle wurden über OpenRouter unter identischen Bedingungen, demselben Harness, denselben Aufgabenanweisungen und derselben Hardwareumgebung abgerufen.

Getestete Modelle

Der Benchmark umfasst Modelle, die ab Juni 2026 über die API verfügbar sind. Alle unten aufgeführten Varianten wurden unabhängig getestet:

• Claude Sonnet 4.6 (Basis und Denken)
• Claude Opus 4.8
• Claude Opus 4.6 (Basis und Denken)
• Claude Opus 4.7
• Gemini 3.5 Flash (Basis und Denken)
• GPT 5.5 (Denken)
• GPT 5.4 Mini
• GPT 5.3 Codex
• MiniMax M3
• Grok 4.3
• Qwen 3.6 Plus (Basis und Denken)
• GLM 5.1 (Basis und Denken)
• Deepseek V4 Pro (Basis und Denken)

Testumgebung

Jeder Agent und jede Aufgabe startet in einer sauberen Umgebung. Die Aufgabenanweisungen werden als TASK.md-Datei bereitgestellt. Ein 20-minütiger Heartbeat-Watchdog überwacht jeden Lauf. Wir erfassen Exit-Codes, Ausführungszeit, Backend- und Frontend-Dateierstellung sowie die Echtzeit-Token-Nutzung über Eingabe-, Ausgabe- und zwischengespeicherte Kategorien.

Die Aufgaben reichen von Reservierungssystemen bis hin zu interaktiven Dashboards. Alle erfordern die Verwaltung von Mehrdateiprojekten und ein funktionsfähiges Full-Stack-Ergebnis.

Bewertung

Backend-Validierung: Generierte Projekte werden in isolierten Umgebungen bereitgestellt und gegen einen kanonischen YAML-Vertrag getestet, der Happy-Path-Szenarien, Fehlerbehandlung (400/403/409) und Datenkonsistenz abdeckt. Zwei Modi werden verwendet:

• Adaptiver Modus validiert die Funktionalität auch dann, wenn Routennamen von der Spezifikation abweichen
• Strikter Modus erfordert die exakte Einhaltung des Vertrags (Routen, Statuscodes, Antwortfelder)

Backend-Punktzahl pro Zelle: backend_overall = has_backend × (0.7 × adaptive_pass_rate + 0.3 × strict_pass_rate)

UI-Validierung: Browserautomatisierung simuliert echte Benutzerabläufe, einschließlich Preflights, Rendering, Login-Übermittlung und Verhalten nach dem Login. Acht Schritte, die in zwei Gruppen unterteilt sind:

• Infrastrukturschritte (Backend-Preflight, Frontend-Rendering, Anmeldeformular sichtbar, Login absenden, Login 2xx, kein Laufzeitabsturz)
• Verhaltensschritte (Authentifizierungssignal nach dem Login, Verhaltenssignal nach dem Login)

UI-Punktzahl pro Zelle: ui_score = (behavior_passed / (behavior_passed + behavior_failed)) × (infra_passed / infra_total)

Blockierte Verhaltensschritte werden vom Verhaltensnenner ausgeschlossen, sodass eine Zelle nicht doppelt bestraft wird, wenn die App nicht geladen werden kann.

Endpunktzahl: Final Score = (0.7 × backend_overall) + (0.3 × ui_score)

Das Backend wird höher gewichtet, da Logikfehler auf API-Ebene in der Regel jeden Frontend-Erfolg zunichtemachen.

Kostenmessung

Die Kosten pro Zelle werden aus der Token-Nutzung berechnet, die aus der LLM-API-Antwort extrahiert wird. Zwischengespeicherte Eingabetokens werden von den gesamten Eingabetokens abgezogen, um die effektive Eingabe (nur neu verarbeitete Tokens) zu erhalten. Ausgabetokens werden nie zwischengespeichert und bleiben unverändert. Die Tokenpreise stammen von LLM-Preisgestaltung zum Zeitpunkt der Tests.

Einschränkungen

• Aufgabenumfang: Alle 10 Aufgaben sind Full-Stack-Webanwendungs-Builds. Der Benchmark deckt keine reinen Denkaufgaben, wissenschaftliche Problemlösungen, Zusammenfassungen oder domänenspezifische Arbeitslasten (Recht, Medizin, Finanzen) ab. Die Ergebnisse spiegeln speziell die agentische Programmierfähigkeit wider.
• API-Zugriff nur: Alle Modelle wurden über die API getestet. Lokale oder On-Premise-Bereitstellungen derselben Modelle können je nach Quantisierung, Hardware und Inferenzkonfiguration unterschiedliche Ergebnisse liefern.
• Momentaufnahme: Modellversionen ändern sich. Die Ergebnisse spiegeln die zum Testzeitpunkt aktive API-Version wider. Ein Modellupdate kann die Ergebnisse ohne Ankündigung des Anbieters in beide Richtungen verschieben.
• Tool-Call-Stil: Modelle unterscheiden sich darin, wie sie Dateischreibvorgänge und -bearbeitungen strukturieren (z. B. bündelt OpenAIs apply_patch einen vollständigen Datei-Diff in einem einzigen Aufruf; Anthropic-Modelle schreiben und bearbeiten über mehrere Aufrufe hinweg). Die Anzahl der Tool-Calls ist kein direktes Maß für die Qualität.
• Einzelner Harness: Alle Tests verwendeten Opencode als Agenten-Harness. Ein anderer Harness könnte unterschiedliche relative Ranglisten ergeben, insbesondere bei Modellen, deren Standardverhalten auf bestimmte Tool-Use-Muster abgestimmt ist.

Zukunftstrends großer Sprachmodelle

1- Echtzeit-Faktenprüfung mit Live-Daten

LLMs greifen während Unterhaltungen auf externe Quellen zu, anstatt sich nur auf Trainingsdaten zu verlassen. Das Modell fragt externe Datenbanken ab, ruft aktuelle Informationen ab und liefert Quellenangaben.

Einschränkung: Macht immer noch Fehler. Quellenangaben garantieren keine Genauigkeit; Modelle zitieren Quellen manchmal falsch oder interpretieren zitierte Inhalte falsch.

Microsoft Copilot: Integriert GPT-5.4 Thinking mit Live-Internetdaten und führt die Modi „Quick Response“ und „Think Deeper“ für maßgeschneidertes Denken bei verschiedenen Aufgabentypen ein.¹ Der Researcher-Agent kombiniert GPT für die erste Recherche mit Anthropics Claude, das die Ausgaben auf Genauigkeit und Zitatqualität prüft, bevor es eine 13,8%ige Verbesserung auf dem DRACO-Tiefenrecherche-Benchmark gegenüber eigenständigen Systemen liefert.²

• ChatGPT: Durchsucht das Web, wenn nach aktuellen Ereignissen gefragt wird. Zitiert Quellen in den Antworten.
• Perplexity: Wurde speziell für zitierte Suche entwickelt. Jede Antwort enthält Quelllinks.

2- Synthetische Trainingsdaten

Modelle generieren ihre eigenen Trainingsdatensätze, anstatt auf menschlich gekennzeichnete Daten angewiesen zu sein.

Googles selbstverbesserndes Modell (Forschung 2023):

• Das Modell erstellt Fragen
• Kuratiert Antworten
• Optimiert sich selbst anhand generierter Daten

Leistung verbessert: 74,2 % auf 82,1 % bei GSM8K-Mathematikaufgaben, 78,2 % auf 83,0 % beim DROP-Leseverständnis.

OpenAI, Anthropic und Google nutzen alle synthetische Daten, um menschlich gekennzeichnete Datensätze zu ergänzen. Dies senkt die Kosten für die Datenkennzeichnung, birgt jedoch neue Verzerrungsrisiken; Modelle können ihre eigenen Fehler verstärken.

Quelle: „LLM können sich selbst verbessern“

Eine Umfrage vom März 2026 ergab, dass 76 % der KI-Forscher glauben, dass die Gewinne durch Skalierung von Rechenleistung und Daten ein Plateau erreicht haben, wobei große Labore trotz massiver Investitionen abnehmende Erträge melden. Das Ergebnis deutet darauf hin, dass der nächste Sprung in der LLM-Fähigkeit eher durch architektonische Innovationen wie verbesserte Trainingseffizienz, spärliche Architekturen oder Verbesserungen des Denkvermögens zustande kommt als durch die weitere Skalierung bestehender Ansätze.³

3- Spärliche Expertenmodelle (Mixture of Experts)

Anstatt bei jeder Eingabe das gesamte neuronale Netz zu aktivieren, wird nur eine relevante Teilmenge der Parameter aktiviert, je nach Aufgabe. Das Modell leitet die Eingabe an spezialisierte „Experten“ innerhalb des Netzwerks weiter. Nur aktivierte Experten verarbeiten die Abfrage.

Beispiele aus der Praxis:

• Llama 4 Scout: 109B Gesamtparameter, 17B aktiv pro Token. Die Mixture-of-Experts-Architektur (MoE) liefert ein 10M-Token-Kontextfenster auf einer einzelnen H100-GPU.
• Mistral Devstral 2: Speziell für Softwareentwicklungsaufgaben entwickelt. 123B Parameter, 256K-Token-Kontextfenster. Erreicht 72,2 % auf SWE-bench Verified und etabliert sich damit als führendes Open-Weight-Coding-Modell. Eine kleinere Variante, Devstral Small 2 (24B Parameter), läuft lokal auf Verbraucherhardware unter der Apache-2.0-Lizenz.⁴
• In unserem A-CODE-LLM-Bench erzielten sowohl die Basis- als auch die Denkvariante von DeepSeek V4 Pro insgesamt unter 0.45, wobei die Fertigstellungszeiten 1.700 Sekunden pro Aufgabe überschritten. Die agentische Programmierfähigkeit des Modells bleibt hinter seiner starken Einzelabfrage-Benchmark-Leistung zurück, was wahrscheinlich eine geringere Tool-Use-Reife im Vergleich zu den führenden Anthropic- und Google-Modellen in dieser Phase widerspiegelt.

4- Unternehmens-Workflow-Integration

LLMs werden direkt in Geschäftsprozesse eingebettet, anstatt als eigenständige Tools verwendet zu werden.

Beispiele aus der Praxis:

• Salesforce Agentforce (ehemals Einstein Copilot): Integriert LLMs in CRM-Vorgänge. Beantwortet Kundenanfragen, generiert Inhalte und führt Aktionen in Salesforce aus, gestützt auf die CRM-Daten und Metadaten des Unternehmens über die Einstein Trust Layer.⁵
• Microsoft 365 Copilot: Eingebettet in Word, Excel, PowerPoint und Outlook. Entwirft Dokumente, analysiert Tabellen, erstellt Präsentationen und fasst E-Mail-Threads zusammen, wobei Unternehmensdaten über Microsoft Graph genutzt werden, um Antworten im organisatorischen Kontext zu verankern.⁶ Der Researcher-Agent verwendet eine Multi-Modell-Architektur, bei der GPT die erste Recherche übernimmt und Claude die Ausgaben vor der Bereitstellung prüft – die erste bestätigte kommerzielle Bereitstellung konkurrierender KI-Anbieter innerhalb eines einzigen Unternehmensprodukts.
• Anthropic Claude for Enterprise: Projektbasierte Speichertrennung hält Arbeitskontexte über Teams hinweg getrennt. Claude Opus 4.6 führte Agententeams ein, die es mehreren Claude-Agenten ermöglichen, größere Aufgaben in parallele Arbeitsströme aufzuteilen, wobei jeder ein Segment besitzt und gleichzeitig mit anderen koordiniert. Dieselbe Version integrierte Claude direkt als natives Seitenpanel in PowerPoint (Forschungsvorschau), sodass Präsentationen in der Anwendung ohne Dateiübertragungen erstellt und bearbeitet werden können.⁷

5- Hybride LLMs mit multimodalen Fähigkeiten

Große multimodale Modelle integrieren mehrere Datenformen wie Text, Bilder und Audio und ermöglichen so das Verstehen und Generieren von Inhalten über verschiedene Medientypen hinweg.

• In unserem A-CODE-LLM-Bench erzielte GPT 5.5 Denken 0.597 mit einer durchschnittlichen Fertigstellungszeit von 276 Sekunden – das schnellste Modell über 0.50 in Bezug auf Zeit. Die API-Kosten pro Zelle betrugen $0,41–$0,45 für die Mini-Varianten, etwa ein Drittel der Kosten von Claude Sonnet 4.6 in ähnlichen Punktzahlbereichen.
• Gemini 2.5 Pro: Verarbeitet nativ Text, Audio, Bilder, Video und ganze Code-Repositories innerhalb eines 1M-Token-Kontextfensters. Verfügbar über Google KI Studio, Vertex AI und NotebookLM. Die Preise beginnen bei $1,25 pro Million Eingabetokens und $10 pro Million Ausgabetokens über die API.⁸
• Llama 4 Scout und Maverick: Metas Open-Weight-Modelle verwenden frühe Fusion multimodaler Text- und Vision-Tokens, die von Anfang an gemeinsam trainiert wurden, anstatt als separate Module hinzugefügt zu werden. Die Modelle wurden in über 200 Sprachen vortrainiert und boten spezifische Fine-Tuning-Unterstützung für 12 Sprachen, darunter Arabisch, Spanisch, Deutsch und Hindi.⁹

Multimodale Fähigkeiten sind bei Frontier-Modellen Standard. Die verbleibende Herausforderung ist die Konsistenz: Modelle schneiden bei gängigen Bild-Text-Kombinationen gut ab, verschlechtern sich jedoch bei seltenen visuellen Kontexten, niedrig aufgelösten Eingaben und modalübergreifendem Denken, das die Verbindung visueller und textlicher Belege erfordert.

6- Reasoning-Modelle

Modelle, die Probleme Schritt für Schritt durchdenken, anstatt sofortige Antworten zu generieren.
Dieser Wandel von Vorhersage zu Reasoning ist entscheidend für:

• Agentisches Verhalten, bei dem Modelle Aufgaben autonom planen, ausführen und anpassen.
• Interpretierbare KI, bei der Ausgaben Schritt für Schritt und logisch nachvollziehbar sind, nicht nur plausibel klingen.
• Claude Sonnet 4.6: Anthropics aktueller Produktionsführer bei agentischen Coding-Benchmarks, erzielte 0.748 im A-CODE-LLM-Bench von AIMultiple und übertraf damit jede Opus-Variante. Verwendet adaptives Denken, bei dem das Modell die Denktiefe anhand der Aufgabenkomplexität dynamisch bestimmt, ohne dass ein manueller Moduswechsel erforderlich ist. Die Preisgestaltung beträgt $3/$15 pro Million Tokens. Auf SWE-bench Verified erreicht Sonnet 4.6 79,6 %, innerhalb eines Punktes von Opus 4.7s 80,8 %, zu einem Fünftel der Kosten.
• Claude Opus 4.7: Anthropics Flaggschiff für komplexes mehrstufiges Denken und Vision (98,5 % auf XBOWs Visual-Acuity-Benchmark, gegenüber 54,5 % für die Vorgängergeneration). Preis: $5/$25 pro Million Tokens. In AIMultiples Benchmark erzielte Opus 4.7 0.61, unter Sonnet 4.6 (0.748) und Opus 4.8 (0.702), hauptsächlich aufgrund höherer Latenz (1.562 Sekunden durchschnittlich pro Aufgabe), die UI-Ergebnisse verschlechtert. Der Abstand zu Sonnet vergrößert sich bei abstrakten Denkaufgaben wie ARC-AGI-2.
• Claude Opus 4.8: Nach Opus 4.7 veröffentlicht und die 4.7-Regression im agentischen Coding behebend. Erzielte 0.702 im A-CODE-LLM-Bench, insgesamt Fünfter. Erledigte die Basisaufgabe in 34 Sekunden – das schnellste Modell im Benchmark bei dieser Aufgabe – mit nur 6 Tool-Calls. Preis: $2,92 pro Zelle unter Benchmark-Bedingungen ($15/$75 pro Million Tokens).

7- Domänenspezifische feinabgestimmte Modelle

Modelle, die auf spezialisierten Daten für bestimmte Branchen trainiert wurden, anstatt auf Allzwecktraining.
Google, Microsoft und Meta haben alle bedeutende proprietäre domänenspezifische und feinabgestimmte Modelle für unternehmensspezifische Anwendungsfälle zusätzlich zu ihren Allzweckangeboten veröffentlicht.
Diese spezialisierten LLMs können zu weniger Halluzinationen und höherer Genauigkeit führen, indem sie domänenspezifisches Vortraining, Modellabgleich und überwachte Feinabstimmung nutzen.

Programmierung

GitHub Copilot: Feinabgestimmt auf Code-Repositories. Seit Juli 2025 nutzen 20 Millionen Entwickler GitHub Copilot, ein Anstieg von 400 % im Jahresvergleich, und 90 % der Fortune-100-Unternehmen verwenden es. Es vervollständigt Code automatisch, generiert Funktionen und schlägt Fehlerbehebungen vor.¹⁰

Finanzen

BloombergGPT: 50-Milliarden-Parameter-LLM, trainiert auf einem 363-Milliarden-Token-Datensatz von Bloomberg-Finanzdokumenten, übertrifft Modelle vergleichbarer Größe bei Finanz-NLP-Benchmarks, einschließlich Sentimentanalyse, Named Entity Recognition und Fragebeantwortung.¹¹

Gesundheitswesen

Googles Med-PaLM 2: Feinabgestimmt auf medizinische Datensätze, erreichte 85 %+ Genauigkeit bei Fragen im Stil der U.S. Medical Licensing Examination (USMLE) und war das erste LLM, das auf diesem Benchmark Expertenniveau erreichte. Es unterstützt MedLM, die Familie von Gesundheits-Grundlagenmodellen von Google Cloud.¹²

Recht

ChatLAW: Ein Open-Source-Sprachmodell, das speziell auf chinesischen Rechtsdomänen-Datensätzen trainiert wurde.¹³

8- Ethische KI und Bias-Minderung

Unternehmen konzentrieren sich zunehmend auf ethische KI und Bias-Minderung bei der Entwicklung und Bereitstellung großer Sprachmodelle.

• Anthropic und OpenAI führten Mitte 2025 eine gegenseitige Alignment-Bewertung durch und testeten die öffentlichen Modelle des jeweils anderen auf Sykophanz, Whistleblowing-Tendenzen und Selbsterhaltungsverhalten. Die Übung fand Sykophanz in allen getesteten Modellen, einschließlich Fällen, in denen Modelle schädliche Entscheidungen simulierter Nutzer mit wahnhaften Überzeugungen bestätigten. Anthropic entwickelte daraufhin das Bloom-Testframework speziell, um dieses Verhalten in neuen Modellen zu benchmarken.
• Anthropic veröffentlichte außerdem Claude Mythos Preview (Project Glasswing), ein nur auf Einladung verfügbares Modell, das einer kleinen Gruppe von Organisationen speziell zur Verfügung gestellt wurde, um Schwachstellen in der Cybersicherheit in großen Betriebssystemen und Webbrowsern zu finden und zu beheben. Anthropic hat erklärt, dass es nicht plant, dieses Modell allgemein verfügbar zu machen. Der kontrollierte Zugangsansatz stellt ein neues Framework für die Bereitstellung hochfähiger Spezialmodelle dar, bei denen das Risikoprofil einen eingeschränkten Rollout erfordert.¹⁴
• Google DeepMind: Veröffentlichte „The Ethics of Advanced KI Assistants“ und bot damit die erste systematische Behandlung ethischer und gesellschaftlicher Fragen, die von KI-Agenten aufgeworfen werden, einschließlich Wertausrichtung, Manipulationsrisiken, Anthropomorphismus, Datenschutz und Gerechtigkeit. Die Responsible KI-Evaluierung des Unternehmens umfasste über 350 adversariale Red-Team-Übungen und führte ein neues Critical Capability Level speziell für schädliche Manipulation ein, das es neben Cyberangriffen und CBRN-Bedrohungen als Risiko auf Frontier-Niveau behandelt.

Einschränkungen großer Sprachmodelle (LLMs)

1- Halluzinationen

Modelle erzeugen plausibel klingende, aber falsche Informationen.

Das Vectara-Hallucination-Leaderboard ist der am weitesten verbreitete Benchmark für fundierte Zusammenfassungen in der Branche. Auf dem ursprünglichen Vectara-Datensatz belegen Googles Gemini-Modelle durchweg die Spitzenpositionen, wobei Gemini-Flash-Varianten Halluzinationsraten von unter 1 % erreichen. OpenAIs GPT-Familie liegt zwischen 0,8 % und 2,0 %.

Vectara startete Ende 2025 einen deutlich schwierigeren Benchmark mit 7.700 Artikeln (vorher 1.000), längeren Dokumenten bis zu 32K Tokens und Inhalten aus Recht, Medizin, Finanzen und Technologie. Die Ergebnisse des neuen Datensatzes offenbaren ein kontraintuitives Muster: Denk- und Reasoning-Modelle, die bei komplexen Aufgaben brillieren, halluzinieren bei fundierter Zusammenfassung häufig mehr als kleinere, schnellere Modelle. Die meisten Modelle der Denkklasse weisen auf dem schwierigeren Datensatz Halluzinationsraten über 10 % auf, während leichtere Modelle wie Gemini-Flash-Varianten niedrigere Raten halten.¹⁵

Hinweis: Kein einzelner Benchmark liefert eine definitive „Halluzinationsrate“ für ein Modell. Eine verantwortungsvolle Bewertung gleicht mindestens zwei Benchmarks ab, die unterschiedliche Dinge messen: eine fundierte Aufgabe (Vectara), eine offene Wissensaufgabe, und gibt die genaue Modellversion und die Aufrufbedingungen an.

Alle Modelle halluzinieren. Die Häufigkeit ist erheblich von etwa 21 % im Jahr 2021 auf unter 5 % für die besten Modelle bei Standardbenchmarks gesunken, aber nicht beseitigt. Kritische Anwendungen erfordern weiterhin menschliche Überprüfung.

2- Verzerrung

Modelle absorbieren und verstärken soziale Verzerrungen aus Trainingsdaten.

Quelle: Gesamt-Verzerrungswerte nach Modellen und Größe.¹⁶

Beobachtete Arten von Verzerrung:

• Geschlechterbias bei Berufsvorschlägen
• Rassistische Verzerrung bei Simulationen zur Lebenslaufprüfung
• Altersbias bei Gesundheitsempfehlungen
• Sozioökonomische Verzerrung in Bildungsinhalten

3- Toxizität

Modelle können trotz Sicherheitsmaßnahmen schädliche, beleidigende oder toxische Inhalte erzeugen.

Quelle: LLMs-Toxizitätskarte von UCLA- und UC-Berkeley-Forschern¹⁷

*GPT-4-turbo-2024-04-09*, Llama-3-70b* und Gemini-1.5-pro* werden als Moderator verwendet, die Ergebnisse könnten bei diesen 3 Modellen verzerrt sein.

Strenge Sicherheitsmaßnahmen reduzieren die Toxizität, erhöhen aber falsch-positive Ergebnisse (Ablehnung harmloser Anfragen). Lockere Maßnahmen lassen Toxizität durch.

4- Kontextfenster-Einschränkungen

Jedes Modell hat eine feste Speicherkapazität – die Anzahl der Tokens, die es in einer einzigen Sitzung verarbeiten kann. Wird dieses Limit überschritten, schneidet das Modell frühere Inhalte ab oder lehnt die Anfrage ab. Der praktische Unterschied zwischen Modellen ist groß genug, um für reale Arbeitslasten von Bedeutung zu sein.

Aktuellste Kontextfenster:

• Llama 4 Scout (Meta): 10M Tokens (~7.5M Wörter) – das größte produktiv verifizierte Kontextfenster unter führenden Modellen.¹⁸ In der Praxis bedeutet dies, ganze Codebasen, juristische Archive oder mehrtägige Gesprächsverläufe ohne Chunking zu laden.
• Gemini 2.5 Pro: 1.048.576 Tokens (~780.000 Wörter), mit nativer multimodaler Eingabe über Text, Audio, Bilder und Video im selben Fenster. Die Erinnerung hält bis zu 100 % bis 530.000 Tokens und 99,7 % bei der vollen 1-Millionen-Token-Grenze.
• Claude Sonnet 4.6: 1M Tokens (~750.000 Wörter) zu Standardpreisen, verfügbar ohne Beta-Header oder spezielle Konfiguration.¹⁹
• GPT-5.5: 1M-Token-Kontextfenster auf API-Ebene.²⁰

Ein großes Kontextfenster bedeutet nicht automatisch eine bessere Leistung über das gesamte Fenster. Bei den meisten Modellen nimmt die Erinnerung in der Mitte sehr langer Kontexte ab, und die Kosten skalieren mit der Eingabelänge – die Verarbeitung von 1M Tokens kostet erheblich mehr als die Verarbeitung von 10K Tokens bei demselben Modell. Für die meisten Produktions-Workloads ist die praktische Frage nicht, welches Modell das größte Fenster hat, sondern welches Modell bei den tatsächlich benötigten Kontextlängen zuverlässig abruft.

5- Statischer Wissensstichtag

Modelle stützen sich auf vortrainiertes Wissen mit einem bestimmten Stichtag. Sie haben keinen Zugriff auf Informationen nach dem Training, sofern sie nicht mit externen Quellen verbunden sind.

Probleme:

• Veraltete Informationen zu aktuellen Ereignissen
• Unfähigkeit, jüngste Entwicklungen zu verarbeiten
• Geringere Relevanz in dynamischen Domänen (Technologie, Finanzen, Medizin)

Lösung: Web-Suchintegration. ChatGPT, Claude und Perplexity bieten alle Echtzeitsuche. Aber Suche beseitigt keine Halluzinationen; Modelle interpretieren Suchergebnisse manchmal falsch.

Wichtige LLM-Plattformen

GPT-5.5

OpenAIs aktuelles Flaggschiff wurde am 23. April 2026 veröffentlicht. Es basiert auf konfigurierbarem Denkaufwand: Entwickler legen die Denktiefe pro Anfrage fest (none bis xhigh), sodass einfache Abfragen nicht die Rechenleistung verbrauchen, die für schwierige Probleme reserviert ist. Das Modell glänzt bei agentischem Coding, Computernutzung und langfristigen Aufgaben, bei denen es den Kontext über große Systeme hinweg halten und seine eigene Arbeit während der Ausführung überprüfen muss.²⁰

Wer nutzt es: Entwickler, Unternehmen und Content-Ersteller. Größte Nutzerbasis unter LLMs.

Einschränkungen: $5/$30 pro Million Tokens – der höchste Grundpreis in dieser Liste. Halluziniert weiterhin. Erfordert Web-Suchintegration für alles nach dem Trainingsstichtag.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 führt AIMultiples A-CODE-LLM-Bench mit einer Gesamtpunktzahl von 0.748 bei $1,26–$1,33 pro Zelle an und liegt damit über allen getesteten Opus-Varianten. Claude Opus 4.8 folgt mit 0.702 und erholt sich von der Regression von Opus 4.7 (0.61) bei $2,92 pro Zelle. Opus 4.7 bleibt der Spitzenreiter bei komplexem mehrstufigem Denken und Vision-Aufgaben (98,5 % auf XBOWs Visual-Acuity-Benchmark), aber seine durchschnittliche Fertigstellungszeit von 1.562 Sekunden in agentischen Workflows treibt die Gesamtkosten auf $3,08 pro Zelle – das teuerste Modell im Benchmark.

Sowohl Sonnet 4.6 als auch die Opus-Varianten verwenden adaptives Denken: Das Modell bestimmt die Denktiefe anhand der Aufgabenkomplexität, ohne dass ein manueller Moduswechsel erforderlich ist. Sonnet 4.6 führte die wenigsten Tool-Calls pro Aufgabe unter den Anthropic-Modellen aus (51 Basis, 48 Denken) und erreichte die beste Benchmark-Punktzahl mit weniger Iterationen als die Opus-Varianten (56–70 Tool-Calls). Agententeams, die in der gesamten Produktlinie von Anthropic verfügbar sind, ermöglichen es mehreren Claude-Instanzen, eine Aufgabe in parallele Arbeitsströme aufzuteilen, die in Echtzeit koordiniert werden.

Wer nutzt es: Entwickler und Unternehmen, die agentisches Coding, Recherche-Workflows oder Multi-Agenten-Pipelines ausführen. Teams, die Kosteneffizienz priorisieren, verwenden Sonnet 4.6; Teams mit visionlastigen oder komplexen Denk-Workloads verwenden Opus 4.7.

Einschränkungen: Verlängertes Denken ist langsamer und teurer pro Token. Der Leistungsabstand zu Sonnet vergrößert sich bei abstrakten Denkaufgaben (ARC-AGI-2). Opus 4.8 kostet $15/$75 pro Million Tokens.

Gemini 3.5 Flash

Gemini 3.5 Flash Denken erzielte 0.625, das beste Nicht-Anthropic-Ergebnis, bei $1,30 pro Zelle und 390 Sekunden durchschnittlicher Fertigstellungszeit. Die Basisvariante schnitt schlechter ab als Denken und war teurer ($0,56 pro Basiszelle), was auf Überschreiben zurückzuführen ist (131 Zeilen für eine Aufgabe, deren Referenzlösung ~50 Zeilen umfasst).

Llama 4 Scout

Metas Open-Weight-MoE-Modell. 109B Gesamtparameter, 17B aktiv pro Token, läuft auf einer einzelnen NVIDIA H100 GPU mit int4-Quantisierung. Die praktische Konsequenz ist, dass ein 10M-Token-Kontextfenster ohne Rechenzentrumsvertrag zugänglich ist.¹⁸ Frühe Fusion-Multimodalität bedeutet, dass Text und Vision von der ersten Schicht an gemeinsam verarbeitet werden, anstatt erst in der Ausgabestufe kombiniert zu werden. Verfügbar unter Metas Llama 4 Community License.

Wer nutzt es: Forscher, Organisationen, die On-Premise-Bereitstellung benötigen, Entwickler, die Herstellerabhängigkeit vermeiden möchten, und Teams, bei denen die Kosten in großem Maßstab die API-Preise untragbar machen.

Einschränkungen: Die Leistung hängt stark von der Hosting-Konfiguration und den Quantisierungsentscheidungen ab. Erfordert Infrastrukturinvestitionen und ML-Ops-Kapazitäten. Weniger Produktionspolitur als kommerzielle Modelle.

DeepSeek V4

DeepSeeks Modell der vierten Generation ist als Preview verfügbar. Es verwendet eine 1-Billionen-Parameter-MoE-Architektur, die etwa 50 % größer ist als V3, mit multimodalen Fähigkeiten über Text, Bild und Video. „Thinking in Tool-Use“ ermöglicht es dem Modell, intern zu denken, bevor es externe Tools aufruft, und Tool-Ausgaben anhand seiner eigenen Logik zu überprüfen – das wichtigste Unterscheidungsmerkmal für agentische Workflows. Die API-Eingabepreise beginnen bei $0,27 pro Million Tokens (Cache-Miss), etwa 18x günstiger als GPT-5.5.²¹

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{Die Zukunft großer Sprachmodelle}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Abgerufen am 17. September 2026}
}

Änderungsprotokoll

12 Aktualisierungen

Alle12Allgemein11Methodik1

202620252024

1. 25. Jun

   Entfernt wurde das Halluzinations-Benchmark-Diagramm für gängige LLMs.

2. 25. Jun

   Einen Abschnitt zur Benchmark-Methodik mit getesteten Modellen und Bewertung hinzugefügt.

3. 2. Mai

   GPT-5.2, Gemini 3.1 Pro und DeepSeek V3.2 durch GPT-5.5, Gemini 2.5 Pro, DeepSeek V4 und Claude Opus 4.7 ersetzt.

4. 25. Feb

   Aktualisiert die Daten der 'Praxisbeispiele' im Abschnitt 'Domain-Specific Fine-Tuned Models'.

5. 26. Jan

   Der Abschnitt „Zukünftige Trends großer Sprachmodelle“ wurde mit neuen Beispielen zur Echtzeit-Faktprüfung aktualisiert.

Referenzlinks

1.

Available today: GPT-5.4 Thinking in Microsoft 365 Copilot | Microsoft Community Hub

2.

GPT drafts, Claude critiques: Microsoft blends rival AI models in new Copilot upgrade – GeekWire

GeekWire

3.

Vectara Hallucination Leaderboard: Claude, GPT, Gemini Compared

4.

Introducing: Devstral 2 and Mistral Vibe CLI. | Mistral AI

5.

Salesforce’s Einstein Copilot is Here: The Conversational AI Assistant for CRM that Delivers Trusted AI Responses Grounded with Your Company Data - Salesforce

Salesforce

6.

What is Microsoft Copilot? | Microsoft Learn

7.

Anthropic releases Opus 4.6 with new 'agent teams' | TechCrunch

TechCrunch

8.

Gemini Developer API | Gemma open models  |  Google AI for Developers

Google AI for Developers

9.

meta-llama/Llama-4-Scout-17B-16E-Instruct · Hugging Face

10.

GitHub Copilot crosses 20M all-time users | TechCrunch

TechCrunch

11.

[2303.17564] BloombergGPT: A Large Language Model for Finance

12.

Sharing Google’s Med-PaLM 2 medical large language model, or LLM | Google Cloud Blog

Google Cloud

13.

[2306.16092] Chatlaw: A Multi-Agent Legal Assistant based on a Role-Aligned Mixture-of-Experts Architecture

14.

Claude (AI) - Wikipedia

Contributors to Wikimedia projects

15.

Introducing the next generation of Vectara's Hallucination Leaderboard

16.

Benchmarking kognitiver Verzerrungen in großen Sprachmodellen als Evaluatoren

17.

OR-Bench: An Over-Refusal Benchmark for Large Language Models

18.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

19.

Claude Platform release notes - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sena Sezer

Branchenanalystin

Folgen auf

Sena ist Branchenanalystin bei AIMultiple. Sie hat ihren Bachelor an der Bogazici University abgeschlossen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten