Die Zukunft großer Sprachmodelle

Erkunden Sie die Zukunft von großen Sprachmodellen, indem Sie vielversprechende Ansätze wie Selbsttraining, Faktenprüfung und spärliche Expertise untersuchen, die die Grenzen von LLMs überwinden könnten.

Erfolgsratenvergleich von LLMs

Claude Sonnet 4.6 führte den Benchmark mit einer Gesamtpunktzahl von 0.748 an, wobei Basis‑ und Thinking‑Varianten auf drei Dezimalstellen gleichauf lagen. Claude Opus 4.8 (0.702), Opus 4.6 Basis (0.706) und Opus 4.6 Thinking (0.729) folgten und sicherten Anthropic die ersten fünf Plätze. Das erste Nicht‑Anthropic‑Modell war Gemini 3.5 Flash (Thinking) mit 0.625. GPT‑Varianten gruppierten sich zwischen 0.57 und 0.60, wobei stärkere Backend‑Ergebnisse durch Instabilität im Frontend geschmälert wurden. Mehr dazu in unserem Benchmark‑Artikel.

LLM‑Benchmark‑Methodik

Wir haben führende große Sprachmodelle in 10 Softwareentwicklungsaufgaben mit einer agentenbasierten CLI‑Testumgebung verglichen. Jedes Modell lief 3‑mal pro Aufgabe (30 Durchläufe pro Modell, 270 Validierungszellen pro Iteration), um die Werte zu stabilisieren und die Varianz pro Zelle zu messen. Alle Modelle wurden unter identischen Bedingungen über OpenRouter angesteuert – dieselbe Testumgebung, dieselben Aufgabenanweisungen, dieselbe Hardware.

Getestete Modelle

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

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

Testumgebung

Jeder Agent und jede Aufgabe startet in einer sauberen Umgebung. Die Aufgabenanweisungen liegen als TASK.md‑Datei vor. Ein 20‑Minuten‑Heartbeat‑Watchdog überwacht jeden Durchlauf. Wir zeichnen Exit‑Codes, Ausführungszeit, Dateierstellung im Backend und Frontend sowie Echtzeit‑Token‑Verbrauch für Eingabe, Ausgabe und Cache auf.

Die Aufgaben reichen von Reservierungssystemen bis zu interaktiven Dashboards. Alle erfordern die Verwaltung mehrerer Dateien 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, selbst wenn Routennamen von der Spezifikation abweichen
• Strikter Modus verlangt exakte Vertragstreue (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‑Eingabe und Verhalten nach dem Login. Acht Schritte, aufgeteilt in zwei Gruppen:

• Infrastrukturschritte (Backend‑Preflight, Frontend‑Rendering, Login‑Formular sichtbar, Login absenden, Login 2xx, kein Laufzeitabsturz)
• Verhaltensschritte (Auth‑Signal 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 lädt.

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

Das Backend wird stärker gewichtet, weil Logikfehler auf API‑Ebene in der Regel jeden Erfolg im Frontend zunichte machen.

Kostenmessung

Die Kosten pro Zelle werden aus dem Token‑Verbrauch berechnet, der aus der LLM‑API‑Antwort extrahiert wird. Gecachte Eingabetoken werden von den gesamten Eingabetoken abgezogen, um die effektiven Eingaben (nur neu verarbeitete Token) zu erhalten. Ausgabetoken werden nie gecacht und bleiben unverändert. Die Token‑Preise stammen von LLM Pricing zum Zeitpunkt des Tests.

Einschränkungen

• Aufgabenumfang: Alle 10 Aufgaben sind Full‑Stack‑Webanwendungen. Der Benchmark deckt keine reinen Denkaufgaben, wissenschaftliche Problemlösung, Zusammenfassung oder domänenspezifische Aufgaben (Recht, Medizin, Finanzen) ab. Die Ergebnisse spiegeln spezifisch die agentenbasierte Programmierfähigkeit wider.
• Nur API‑Zugriff: Alle Modelle wurden über die API getestet. Lokale oder On‑Premise‑Installationen derselben Modelle können je nach Quantisierung, Hardware und Inferenzkonfiguration abweichende Ergebnisse liefern.
• Momentaufnahme: Modellversionen ändern sich. Die Ergebnisse spiegeln die zum Testzeitpunkt aktive API‑Version wider. Ein Modellupdate kann die Punktzahlen in beide Richtungen verschieben, ohne dass der Anbieter dies ankündigt.
• Tool‑Aufrufstil: Modelle unterscheiden sich darin, wie sie Dateischreibvorgänge und Bearbeitungen strukturieren (z. B. bündelt OpenAI’s apply_patch einen vollständigen Dateidiff in einen einzigen Aufruf; Anthropic‑Modelle schreiben und bearbeiten über mehrere Aufrufe hinweg). Die Anzahl der Tool‑Aufrufe ist kein direktes Qualitätsmerkmal.
• Einzige Testumgebung: Alle Tests verwendeten Opencode als Agenten‑Umgebung. Eine andere Umgebung könnte andere relative Rangfolgen ergeben, insbesondere bei Modellen, deren Standardverhalten auf bestimmte Tool‑Nutzungsmuster abgestimmt ist.

Zukünftige Entwicklungen großer Sprachmodelle

1 – Echtzeit‑Faktenprüfung mit Live‑Daten

LLMs greifen während der Konversation 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. Zitate garantieren keine Korrektheit; Modelle zitieren manchmal Quellen falsch oder interpretieren den zitierten Inhalt fehl.

Microsoft Copilot: Integriert GPT-5.4 Thinking mit Live‑Internetdaten und führt die Modi „Quick Response“ und „Think Deeper“ für maßgeschneiderte Denkprozesse bei unterschiedlichen Aufgabentypen ein.¹ Der Researcher‑Agent kombiniert GPT für die erste Recherche mit Anthropic’s Claude, die die Ausgaben auf Genauigkeit und Zitatqualität prüft, bevor sie ausgeliefert werden – eine 13.8%ige Verbesserung im DRACO‑Deep‑Research‑Benchmark gegenüber eigenständigen Systemen.²

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

2 – Synthetische Trainingsdaten

Modelle generieren ihre eigenen Trainingsdatensätze, anstatt menschenannotierte Daten zu benötigen.

Googles selbstverbesserndes Modell (Forschung 2023):

• Das Modell erzeugt Fragen
• Kuratiert Antworten
• Feinabstimmung auf den selbst generierten Daten

Leistungssteigerung: 74.2% auf 82.1% bei GSM8K‑Matheaufgaben, 78.2% auf 83.0% bei DROP‑Leseverständnis.

OpenAI, Anthropic und Google verwenden alle synthetische Daten, um menschenannotierte Datensätze zu ergänzen. Dies senkt die Kosten für die Datenanreicherung, birgt jedoch neue Risiken der Verzerrung; Modelle können ihre eigenen Fehler verstärken.

Quelle: „Large Language Models Can Self-Improve“

Eine Umfrage vom März 2026 ergab, dass 76% der KI‑Forscher glauben, dass die Zuwächse durch Skalierung von Rechenleistung und Daten ein Plateau erreicht haben, wobei große Labore trotz massiver Investitionen sinkende Grenzerträge melden. Die Erkenntnis deutet darauf hin, dass der nächste Sprung in der LLM‑Fähigkeit eher durch architektonische Innovationen wie verbesserte Trainingseffizienz, spärliche Architekturen oder Verbesserungen des logischen Denkens kommen wird als durch das bloße Skalieren bestehender Ansätze.³

3 – Spärliche Expertenmodelle (Mixture of Experts)

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

Beispiele aus der Praxis:

• Llama 4 Scout: 109B Parameter gesamt, 17B aktiv pro Token. Die Mixture‑of‑Experts‑Architektur (MoE) ermöglicht ein 10M‑Token‑Kontextfenster auf einer einzigen H100‑GPU.
• Mistral Devstral 2: Speziell für Softwareentwicklungsaufgaben konzipiert. 123B Parameter, 256K‑Token‑Kontextfenster. Erreicht 72.2% im SWE‑bench Verified und etabliert sich als das führende Open‑Weight‑Coding‑Modell. Eine kleinere Variante, Devstral Small 2 (24B Parameter), läuft lokal auf Consumer‑Hardware unter der Apache‑2.0‑Lizenz.⁴
• In unserem A-CODE-LLM‑Bench erzielten sowohl die Basis‑ als auch die Thinking‑Variante von DeepSeek V4 Pro insgesamt unter 0.45, mit Fertigstellungszeiten von über 1,700 Sekunden pro Aufgabe. Die agentenbasierte Programmierfähigkeit des Modells hinkt seiner starken Einzelabfrage‑Benchmark‑Leistung hinterher, was wahrscheinlich auf eine geringere Reife der Werkzeugnutzung im Vergleich zu den führenden Anthropic‑ und Google‑Modellen in dieser Phase zurückzuführen ist.

4 – Integration in Unternehmensarbeitsabläufe

LLMs werden direkt in Geschäftsprozesse eingebettet, anstatt als eigenständige Werkzeuge zu fungieren.

Beispiele aus der Praxis:

• Salesforce Agentforce (ehemals Einstein Copilot): Integriert LLMs in CRM‑Abläufe. Beantwortet Kundenanfragen, generiert Inhalte und führt Aktionen in Salesforce aus, gestützt auf die CRM‑Daten und Metadaten der Organisation über die Einstein Trust Layer.⁵
• Microsoft 365 Copilot: In Word, Excel, PowerPoint und Outlook eingebettet. Verfasst Dokumente, analysiert Tabellen, generiert Präsentationen und fasst E‑Mail‑Threads zusammen, wobei Unternehmensdaten über Microsoft Graph einbezogen werden, um Antworten im Unternehmenskontext zu verankern.⁶ Der Researcher‑Agent verwendet eine Multi‑Modell‑Architektur, bei der GPT die erste Recherche durchführt und Claude die Ergebnisse vor der Auslieferung prüft – der erste bestätigte kommerzielle Einsatz konkurrierender KI‑Anbieter in einem einzigen Unternehmensprodukt.
• Anthropic Claude für Unternehmen: Projektbasierte Speichertrennung hält Arbeitskontexte teamübergreifend getrennt. Claude Opus 4.6 führte Agententeams ein, die es mehreren Claude‑Agenten ermöglichen, größere Aufgaben in parallele Arbeitsströme aufzuteilen, wobei jeder ein Segment übernimmt und sich gleichzeitig mit den anderen abstimmt. Im selben Release wurde Claude direkt als native Seitenleiste in PowerPoint integriert (Forschungsvorschau), sodass Präsentationen direkt in der Anwendung erstellt und bearbeitet werden können, ohne Dateien übertragen zu müssen.⁷

5 – Hybride LLMs mit multimodalen Fähigkeiten

Große multimodale Modelle integrieren mehrere Datenformen wie Text, Bilder und Audio und ermöglichen es ihnen, Inhalte medienübergreifend zu verstehen und zu generieren.

• In unserem A-CODE-LLM‑Bench erreichte GPT 5.5 Thinking einen Score von 0.597 bei einer durchschnittlichen Fertigstellungszeit von 276 Sekunden – das schnellste Modell über 0.50 in Bezug auf die 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 Punktebereichen.
• Gemini 2.5 Pro: Verarbeitet nativ Text, Audio, Bilder, Video und ganze Code‑Repositories in einem 1M‑Token‑Kontextfenster. Verfügbar über Google KI Studio, Vertex KI und NotebookLM. Die Preise beginnen bei $1.25 pro Million Eingabetoken und $10 pro Million Ausgabetoken über die API.⁸
• Llama 4 Scout und Maverick: Metas Open‑Weight‑Modelle verwenden frühe Fusion multimodaler Text‑ und Vision‑Token, die von Anfang an gemeinsam trainiert und nicht als separate Module hinzugefügt wurden. Die Modelle wurden in 200 Sprachen vortrainiert und bieten spezifische Feintuning‑Unterstützung für 12 Sprachen, darunter Arabisch, Spanisch, Deutsch und Hindi.⁹

Multimodale Fähigkeit ist bei führenden Modellen Standard. Die verbleibende Herausforderung ist die Konsistenz: Modelle funktionieren gut bei gängigen Bild‑Text‑Kombinationen, verschlechtern sich aber bei seltenen visuellen Kontexten, niedrig aufgelösten Eingaben und modalitätsübergreifendem Denken, das visuelle und textuelle Belege miteinander verbinden muss.

6 – Reasoning‑Modelle

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

• Agentenbasiertes Verhalten, bei dem Modelle Aufgaben planen, ausführen und autonom anpassen.
• Interpretierbare KI, bei der die Ausgaben Schritt für Schritt und logisch nachvollziehbar sind, nicht nur plausibel klingen.

• Claude Sonnet 4.6: Anthropics derzeitiger Produktionsführer bei agentenbasierten Coding‑Benchmarks, erreichte 0.748 in AIMultiples A-CODE-LLM‑Bench – über allen Opus‑Varianten. Verwendet adaptives Denken, bei dem das Modell die Denktiefe dynamisch je nach Aufgabenkomplexität bestimmt, ohne dass ein manueller Moduswechsel erforderlich ist. Preis: $3/$15 pro Million Token. Im SWE‑bench Verified erreicht Sonnet 4.6 79.6%, innerhalb eines Punktes von Opus 4.7’s 80.8%, zu einem Fünftel der Kosten.
• Claude Opus 4.7: Anthropics Flaggschiff bei komplexem mehrschrittigem Denken und visuellen Aufgaben (98.5% im XBOW‑Visus‑Benchmark, gegenüber 54.5% der Vorgängergeneration). Preis: $5/$25 pro Million Token. In AIMultiples Benchmark erreichte Opus 4.7 0.61, unter Sonnet 4.6 (0.748) und Opus 4.8 (0.702), hauptsächlich aufgrund höherer Latenz (1,562 Sekunden im Durchschnitt pro Aufgabe), die die UI‑Scores verschlechtert. Der Abstand zu Sonnet vergrößert sich bei abstrakten Denkaufgaben wie ARC‑AGI‑2.
• Claude Opus 4.8: Veröffentlicht nach Opus 4.7 und behebt den Rückschritt von 4.7 im agentenbasierten Coding. Erreichte 0.702 im A-CODE-LLM‑Bench, insgesamt Platz fünf. Die Basisaufgabe wurde in 34 Sekunden abgeschlossen – das schnellste Modell im Benchmark für diese Aufgabe, mit nur 6 Tool‑Aufrufen. Preis: $2.92 pro Zelle unter Benchmark‑Bedingungen ($15/$75 pro Million Token).

7 – Domänenspezifische feinabgestimmte Modelle

Modelle, die auf spezialisierten Daten für bestimmte Branchen trainiert wurden, anstatt auf allgemeinem Training.
Google, Microsoft und Meta haben alle bedeutende proprietäre domänenspezifische und feinabgestimmte Modelle für unternehmensspezifische Anwendungsfälle auf den Markt gebracht, zusätzlich zu ihren Allzweckangeboten.
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 Vergleich zum Vorjahr, und 90% der Fortune‑100‑Unternehmen setzen es ein. 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‑Erkennung und Frage‑Antwort‑Aufgaben.¹¹

Gesundheitswesen

Googles Med‑PaLM 2: Feinabgestimmt auf medizinische Datensätze, erreichte über 85% Genauigkeit bei USMLE‑ähnlichen Fragen (U.S. Medical Licensing Examination), das erste LLM, das bei diesem Benchmark Expertenniveau erreichte. Es treibt MedLM an, Google Clouds Familie von Gesundheits‑Foundation‑Modellen.¹²

Recht

ChatLAW: Ein Open‑Source‑Sprachmodell, das speziell auf chinesischen Rechtsdatensätzen trainiert wurde.¹³

8 – Ethische KI und Verzerrungsminderung

Unternehmen konzentrieren sich zunehmend auf ethische KI und die Minderung von Verzerrungen bei der Entwicklung und dem Einsatz großer Sprachmodelle.

• Anthropic und OpenAI führten Mitte 2025 eine gegenseitige Alignment‑Evaluierung durch und testeten die öffentlichen Modelle des jeweils anderen auf Sykophanz, Whistleblowing‑Tendenzen und Selbsterhaltungsverhalten. Die Übung deckte Sykophanz in allen getesteten Modellen auf, einschließlich Fällen, in denen Modelle schädliche Entscheidungen von simulierten Nutzern mit wahnhaften Überzeugungen bestätigten. Anthropic entwickelte daraufhin das Bloom‑Test‑Framework, um dieses Verhalten in neuen Modellen gezielt zu benchmarken.
• Anthropic veröffentlichte auch Claude Mythos Preview (Project Glasswing), ein nur auf Einladung erhältliches Modell, das einer kleinen Gruppe von Organisationen speziell zur Identifizierung und Behebung von Cybersicherheitslücken in wichtigen Betriebssystemen und Webbrowsern zur Verfügung gestellt wird. Anthropic hat erklärt, dass es nicht beabsichtigt, dieses Modell allgemein verfügbar zu machen. Der Ansatz des kontrollierten Zugriffs stellt einen neuen Rahmen für den Einsatz hochspezialisierter Modelle dar, bei dem das Risikoprofil eine eingeschränkte Verbreitung erfordert.¹⁴
• Google DeepMind: Veröffentlichte „The Ethics of Advanced KI Assistants“, die erste systematische Behandlung ethischer und gesellschaftlicher Fragen, die durch KI‑Agenten aufgeworfen werden, und deckt Werteangleichung, Manipulationsrisiken, Anthropomorphismus, Privatsphäre und Gerechtigkeit ab. Die Responsible KI‑Evaluierung des Unternehmens umfasste über 350 gegnerische Red‑Team‑Übungen und führte ein neues Critical Capability Level speziell für schädliche Manipulation ein, das es als Risiko auf Frontier‑Niveau neben Cyberangriffen und CBRN‑Bedrohungen einstuft.

Grenzen großer Sprachmodelle (LLMs)

1 – Halluzinationen

Modelle generieren plausibel klingende, aber falsche Informationen.

Das Vectara‑Halluzinations‑Leaderboard ist der in der Branche am häufigsten referenzierte Benchmark für fundierte Zusammenfassung. Im ursprünglichen Vectara‑Datensatz belegen Googles Gemini‑Modelle durchgehend die Spitzenplätze, wobei Gemini‑Flash‑Varianten Halluzinationsraten unter 1% erreichen. OpenAIs GPT‑Familie gruppiert sich zwischen 0.8% und 2.0%.

Vectara brachte Ende 2025 einen deutlich härteren Benchmark mit 7,700 Artikeln (zuvor 1,000), längeren Dokumenten bis zu 32K Token und Inhalten aus Recht, Medizin, Finanzen und Technologie heraus. Die Ergebnisse des neuen Datensatzes zeigen ein kontraintuitives Muster: Reasoning‑ und Thinking‑Modelle, die bei komplexen Aufgaben brillieren, halluzinieren bei fundierter Zusammenfassung oft häufiger als kleinere, schnellere Modelle. Die meisten Modelle der Thinking‑Klasse weisen im härteren Datensatz Halluzinationsraten über 10% auf, während leichtere Modelle wie Gemini‑Flash‑Varianten niedrigere Raten beibehalten.¹⁵

Hinweis: Kein einzelner Benchmark liefert eine definitive „Halluzinationsrate“ für ein Modell. Eine verantwortungsvolle Evaluierung vergleicht mindestens zwei Benchmarks, 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 hat von etwa 21% im Jahr 2021 auf unter 5% für die besten Modelle in Standard‑Benchmarks abgenommen, ist aber nicht beseitigt. Kritische Anwendungen erfordern nach wie vor menschliche Überprüfung.

2 – Verzerrungen

Modelle absorbieren und verstärken gesellschaftliche Verzerrungen aus den Trainingsdaten.

Abbildung:  Gesamt‑Bias‑Scores nach Modellen und Größe

Quelle: Arxiv¹⁶

Beobachtete Arten von Verzerrungen:

• Geschlechtsspezifische Verzerrung bei Berufsvorschlägen
• Rassenvoreingenommenheit in Lebenslauf‑Screeningsimulationen
• Altersbedingte Verzerrung in Gesundheitsempfehlungen
• Sozioökonomische Verzerrung in Bildungsinhalten

3 – Toxizität

Modelle können trotz Sicherheitsvorkehrungen schädliche, anstößige oder toxische Inhalte generieren.

Abbildung: Toxizitätskarte von LLMs

Quelle: UCLA, UC Berkeley Researchers¹⁷

*GPT-4-turbo-2024-04-09*, Llama-3-70b*, und Gemini-1.5-pro* werden als Moderator verwendet; die Ergebnisse könnten auf diese 3 Modelle verzerrt sein.

Strenge Sicherheitsmaßnahmen reduzieren die Toxizität, erhöhen aber falsche Positive (Ablehnung harmloser Anfragen). Laxe Maßnahmen lassen Toxizität durch.

4 – Kontextfenster‑Beschränkungen

Jedes Modell hat eine feste Speicherkapazität – die Anzahl der Token, die es in einer Sitzung verarbeiten kann. Überschreitet man diese Grenze, so kürzt das Modell entweder frühere Inhalte oder verweigert die Anfrage. Der praktische Unterschied zwischen den Modellen ist groß genug, um in realen Arbeitslasten eine Rolle zu spielen.

Die neuesten Kontextfenster:

• Llama 4 Scout (Meta): 10M Token (~7.5M Wörter) – das größte produktivbestätigte Kontextfenster unter führenden Modellen.¹⁸ In der Praxis bedeutet dies, ganze Codebasen, Rechtsarchive oder mehrtägige Gesprächsverläufe ohne Chunking laden zu können.
• Gemini 2.5 Pro: 1,048,576 Token (~780,000 Wörter), mit nativer multimodaler Eingabe aus Text, Audio, Bildern und Video im selben Fenster. Die Abrufgenauigkeit liegt bei 100% bis 530,000 Token und bei 99.7% an der vollen 1‑Millionen‑Token‑Grenze.
• Claude Sonnet 4.6: 1M Token (~750,000 Wörter) zum Standardpreis, ohne Beta‑Header oder spezielle Konfiguration verfügbar.¹⁹
• GPT-5.5: 1M‑Token‑Kontextfenster auf API‑Ebene.²⁰

Ein großes Kontextfenster bedeutet nicht automatisch eine bessere Leistung über die gesamte Länge. Die Abrufqualität nimmt bei den meisten Modellen zur Mitte sehr langer Kontexte hin ab, und die Kosten skalieren mit der Eingabelänge – die Verarbeitung von 1M Token kostet deutlich mehr als die von 10K Token beim selben Modell. Für die meisten Produktions‑Workloads geht es nicht darum, welches Modell das größte Fenster hat, sondern welches Modell bei den Kontextlängen, die Ihr Anwendungsfall tatsächlich benötigt, zuverlässig abruft.

5 – Statische Wissensgrenze

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

Probleme:

• Veraltete Informationen zu aktuellen Ereignissen
• Unfähigkeit, mit neuesten Entwicklungen umzugehen
• Weniger Relevanz in dynamischen Bereichen (Technologie, Finanzen, Medizin)

Lösung: Integration von Websuchen. ChatGPT, Claude und Perplexity bieten alle Echtzeitsuche an. Aber die Suche beseitigt Halluzinationen nicht; Modelle interpretieren Suchergebnisse manchmal falsch.

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

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 keine Rechenressourcen verbrauchen, die für schwierige Probleme reserviert sind. Das Modell glänzt bei agentenbasierter Programmierung, Computernutzung und langlaufenden Aufgaben, bei denen es Kontext über große Systeme hinweg halten und seine eigene Arbeit während der Ausführung überprüfen muss.²¹

Wer es nutzt: Entwickler, Unternehmen und Content‑Creator. Größte Nutzerbasis unter den LLMs.

Einschränkungen: $5/$30 pro Million Token – der höchste Basistarif in dieser Liste. Halluziniert immer noch. Benötigt Integration von Websuchen für alles, was nach dem Trainingsstichtag liegt.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 führt AIMultiples A-CODE-LLM‑Bench mit einer Gesamtpunktzahl von 0.748 an, bei $1.26–$1.33 pro Zelle – über allen getesteten Opus‑Varianten. Claude Opus 4.8 folgt mit 0.702, womit es den Rückschritt von Opus 4.7 (0.61) zu $2.92 pro Zelle wettmacht. Opus 4.7 bleibt führend bei komplexem mehrschrittigem Denken und visuellen Aufgaben (98.5% im XBOW‑Visus‑Benchmark), aber seine durchschnittliche Fertigstellungszeit von 1,562 Sekunden in agentenbasierten Arbeitsabläufen treibt die Gesamtkosten auf $3.08 pro Zelle – das teuerste Modell im Benchmark.

Sowohl Sonnet 4.6 als auch die Opus‑Varianten nutzen adaptives Denken: Das Modell bestimmt die Denktiefe basierend auf der Aufgabenkomplexität, ohne dass ein manueller Moduswechsel erforderlich ist. Sonnet 4.6 gab die wenigsten Tool‑Aufrufe pro Aufgabe unter den Anthropic‑Modellen ab (51 Basis, 48 Thinking) und erreichte den Spitzen‑Benchmark‑Wert mit weniger Iterationen als die Opus‑Varianten (56–70 Tool‑Aufrufe). 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 es nutzt: Entwickler und Unternehmen, die agentenbasiertes Coding, Forschungsworkflows oder Multi‑Agent‑Pipelines betreiben. Teams, die Kosteneffizienz priorisieren, nutzen Sonnet 4.6; Teams mit visuell intensiven oder komplexen Denkaufgaben setzen auf 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 Token.

Gemini 3.5 Flash

Gemini 3.5 Flash Thinking erreichte 0.625, das beste Nicht‑Anthropic‑Ergebnis, zu $1.30 pro Zelle und einer durchschnittlichen Fertigstellungszeit von 390 Sekunden. Die Basisvariante lag unter der Thinking‑Variante und war teurer ($0.56 pro Basis‑Zelle), bedingt durch Überschreibungen (131 Zeilen für eine Aufgabe, deren Referenzlösung ~50 Zeilen beträgt).

Llama 4 Scout

Metas Open‑Weight‑MoE‑Modell. 109B Parameter gesamt, 17B aktiv pro Token, läuft auf einer einzelnen NVIDIA H100‑GPU mit int4‑Quantisierung. Die praktische Konsequenz ist, dass ein 10M‑Token‑Kontextfenster ohne einen Rechenzentrumsvertrag zugänglich ist.²² Frühe Fusion‑Multimodalität bedeutet, dass Text und Bild bereits ab der ersten Schicht gemeinsam verarbeitet werden, anstatt sie erst auf der Ausgabestufe zu kombinieren. Verfügbar unter Metas Llama 4 Community License.

Wer es nutzt: Forscher, Organisationen, die eine lokale Bereitstellung benötigen, Entwickler, die Vendor‑Lock‑in vermeiden wollen, und Teams, bei denen Skalierungskosten eine API‑Preisgestaltung untragbar machen.

Einschränkungen: Die Leistung hängt stark von der Hosting‑Konfiguration und den Quantisierungswahlen ab. Erfordert Infrastrukturinvestitionen und ML‑Ops‑Kapazitäten. Weniger Produktionsreife als kommerzielle Modelle.

DeepSeek V4

DeepSeeks Modell der vierten Generation ist als Vorschau verfügbar. Verwendet eine MoE‑Architektur mit 1 Billion Parametern – etwa 50% größer als V3 – mit multimodalen Fähigkeiten für Text, Bild und Video. Thinking in Tool‑Use erlaubt dem Modell, intern zu schlussfolgern, bevor es externe Werkzeuge aufruft, und die Werkzeugausgaben mit der eigenen Logik abzugleichen – der zentrale Differenzierungsfaktor für agentenbasierte Arbeitsabläufe. Die API‑Eingabepreise beginnen bei $0.27 pro Million Token (Cache‑Miss), etwa 18x günstiger als GPT-5.5.²³

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  = jun,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Abgerufen am 25. Juni 2026}
}

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 365 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 Cognitive Biases in Large Language Models as Evaluators

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 - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

Introducing GPT-5.5 | OpenAI

22.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

23.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI Fan Site

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sena Sezer

Branchenanalyst

Folgen auf

Sena ist Branchenanalystin bei AIMultiple. Sie hat ihren Bachelor-Abschluss an der Bogazici-Universität erworben.

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