Die Zukunft großer Sprachmodelle

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

Erfolgsratenvergleich der LLMs

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

LLM-Benchmark-Methodik

Wir haben führende große Sprachmodelle gebenchmarkt über 10 Softwareentwicklungsaufgaben hinweg mithilfe eines agentischen CLI-Harness. Jedes Modell lief 3-mal 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 aufgerufen: derselbe Harness, dieselben Aufgabenanweisungen, dieselbe Hardware-Umgebung.

Getestete Modelle

Der Benchmark umfasst Modelle, die mit Stand Juni 2026 über die 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 beginnt 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 Token-Nutzung in Echtzeit über die Kategorien Eingabe, Ausgabe und Cache.

Die Aufgaben reichen von Reservierungssystemen bis hin zu interaktiven Dashboards. Alle erfordern die Verwaltung von Projekten mit mehreren 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 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: Browser-Automatisierung simuliert echte Nutzerabläufe, einschließlich Preflights, Rendering, Login-Übermittlung und Verhalten nach dem Login. Acht Schritte sind in zwei Gruppen unterteilt:

• 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 aus dem Verhaltensnenner ausgeschlossen, damit 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 stärker gewichtet, da Logikfehler auf API-Ebene in der Regel jeden Frontend-Erfolg zunichte machen.

Kostenmessung

Die Kosten pro Zelle werden aus der Token-Nutzung berechnet, die aus der LLM-API-Antwort extrahiert wird. Gecachte Eingabe-Tokens werden von den gesamten Eingabe-Tokens abgezogen, um die effektive Eingabe zu erhalten (nur neu verarbeitete Tokens). Ausgabe-Tokens werden nie gecacht und bleiben unverändert. Die Preise pro Token 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 domänenspezifischen Arbeitslasten (Recht, Medizin, Finanzen) ab. Die Punktzahlen spiegeln speziell die agentische Programmierfähigkeit wider.
• Nur API-Zugriff: Alle Modelle wurden über die API getestet. Lokale oder On-Premise-Bereitstellungen derselben Modelle können je nach Quantisierung, Hardware und Inference-Konfiguration unterschiedliche Ergebnisse liefern.
• Momentaufnahme: Modellversionen ändern sich. Die Ergebnisse spiegeln die zum Testzeitpunkt aktive API-Version wider. Ein Modellupdate kann die Punktzahlen ohne Ankündigung des Anbieters in beide Richtungen verschieben.
• Tool-Call-Stil: Modelle unterscheiden sich darin, wie sie Dateischreib- und Bearbeitungsvorgänge strukturieren (z. B. bündelt OpenAIs apply_patch einen Full-File-Diff in einem einzigen Aufruf; Anthropic-Modelle schreiben und bearbeiten über mehrere Aufrufe hinweg erneut). Die Anzahl der Tool-Calls ist kein direkter Proxy für Qualität.
• Einzelner Harness: Alle Tests verwendeten Opencode als Agenten-Harness. Ein anderer Harness kann zu anderen relativen Rangfolgen führen, insbesondere bei Modellen, deren Standardverhalten auf bestimmte Tool-Use-Muster abgestimmt ist.

Zukünftige Trends großer Sprachmodelle

1- Echtzeit-Faktenprüfung mit Live-Daten

LLMs greifen während Gesprächen auf externe Quellen zu, statt sich nur auf Trainingsdaten zu verlassen. Das Modell fragt externe Datenbanken ab, ruft aktuelle Informationen ab und liefert Zitate.

Einschränkung: Macht immer noch Fehler. Zitate 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 Reasoning über verschiedene Aufgabentypen hinweg ein.¹ Der Researcher-Agent kombiniert GPT für die anfängliche Recherche mit Anthropics Claude, das die Ausgaben vor der Auslieferung auf Genauigkeit und Zitierqualität prüft, und liefert eine Verbesserung von 13.8 % auf dem DRACO-Deep-Research-Benchmark gegenüber eigenständigen Systemen.²

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

2- Synthetische Trainingsdaten

Modelle generieren ihre eigenen Trainings-Datasets, statt auf menschlich annotierte Daten angewiesen zu sein.

Googles selbstverbesserndes Modell (Forschung von 2023):

• Das Modell erstellt Fragen
• Kuratiert Antworten
• Nimmt ein Fine-Tuning an sich selbst mit generierten Daten vor

Leistung verbessert: von 74.2 % auf 82.1 % bei GSM8K-Mathematikaufgaben, von 78.2 % auf 83.0 % beim DROP-Leseverständnis.

OpenAI, Anthropic und Google nutzen alle synthetische Daten, um menschlich gelabelte Datasets zu ergänzen. Dies senkt die Kosten für die Datenkennzeichnung, birgt aber neue Bias-Risiken; 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 die 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 bei den LLM-Fähigkeiten eher durch architektonische Innovationen wie verbesserte Trainingseffizienz, spärliche Architekturen oder Reasoning-Verbesserungen zustande kommen dürfte als durch die weitere Skalierung bestehender Ansätze.³

3- Sparse-Expert-Modelle (Mixture of Experts)

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

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 einzigen H100 GPU.
• Mistral Devstral 2: Speziell für Softwareentwicklungsaufgaben entwickelt. 123B Parameter, 256K Token-Kontextfenster. Erreicht 72.2 % bei SWE-bench Verified und etabliert sich damit als führendes 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 weniger als 0.45, mit Bearbeitungszeiten von über 1.700 Sekunden pro Aufgabe. Die agentische Programmierfähigkeit des Modells bleibt hinter seiner starken Single-Query-Benchmark-Leistung zurück, was wahrscheinlich auf eine geringere Tool-Use-Reife im Vergleich zu den Frontier-Anthropic- und Google-Modellen in dieser Phase hindeutet.

4- Integration in Unternehmensworkflows

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

Beispiele aus der Praxis:

• Salesforce Agentforce (früher Einstein Copilot): Integriert LLMs in CRM-Abläufe. 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, generiert Präsentationen und fasst E-Mail-Threads zusammen, wobei es über Microsoft Graph auf Unternehmensdaten zugreift, um Antworten im organisatorischen Kontext zu verankern.⁶ Der Researcher-Agent nutzt eine Multi-Modell-Architektur, bei der GPT die anfängliche Recherche übernimmt und Claude die Ausgaben vor der Auslieferung prüft – die erste bestätigte kommerzielle Bereitstellung konkurrierender KI-Anbieter in einem einzigen Unternehmensprodukt.
• Anthropic Claude für Unternehmen: Projektbasierte Speichertrennung hält Arbeitskontexte über Teams hinweg getrennt. Claude Opus 4.6 führte Agententeams ein, sodass mehrere Claude-Agenten größere Aufgaben in parallele Arbeitsströme aufteilen können, wobei jeder ein Segment besitzt und gleichzeitig mit anderen koordiniert. Dieselbe Version integrierte Claude direkt als natives Seitenpanel in PowerPoint (Forschungsvorschau), sodass Präsentationen innerhalb 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 es ihnen, Inhalte über verschiedene Medientypen hinweg zu verstehen und zu generieren.

• In unserem A-CODE-LLM-Bench erzielte GPT 5.5 Thinking 0.597 mit einer durchschnittlichen Bearbeitungszeit von 276 Sekunden und war damit das schnellste Modell über 0.50 in Bezug auf die Zeit. Die API-Kosten pro Zelle lagen für die Mini-Varianten bei $0,41–$0,45, etwa ein Drittel der Kosten von Claude Sonnet 4.6 bei 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 KI und NotebookLM. Die Preise beginnen bei $1,25 pro Million Eingabe-Tokens und $10 pro Million Ausgabe-Tokens über die API.⁸
• Llama 4 Scout und Maverick: Metas Open-Weight-Modelle verwenden Early-fusion-multimodale Text- und Vision-Tokens, die von Anfang an gemeinsam trainiert werden, statt als separate Module hinzugefügt zu werden. Die Modelle wurden über 200 Sprachen hinweg vortrainiert und boten spezielle Fine-Tuning-Unterstützung für 12 Sprachen, darunter Arabisch, Spanisch, Deutsch und Hindi.⁹

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

6- Reasoning-Modelle

Modelle, die Probleme Schritt für Schritt durchdenken, statt sofortige Antworten zu generieren.
Dieser Wandel von der Vorhersage zum 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 fundiert sind, nicht nur plausibel klingend.
• Claude Sonnet 4.6: Anthropics aktueller Produktionsführer bei agentischen Coding-Benchmarks, mit 0.748 im A-CODE-LLM-Bench von AIMultiple über jeder Opus-Variante. Verwendet adaptives Thinking, bei dem das Modell die Reasoning-Tiefe dynamisch anhand der Aufgabenkomplexität bestimmt, ohne dass ein manueller Moduswechsel erforderlich ist. Die Preise liegen bei $3/$15 pro Million Tokens. Bei SWE-bench Verified erreicht Sonnet 4.6 79.6 % und liegt damit innerhalb eines Punktes von Opus 4.7s 80.8 % – zu einem Fünftel der Kosten.
• Claude Opus 4.7: Anthropics Flaggschiff für komplexes mehrstufiges Reasoning und Vision (98.5 % beim Visual-Acuity-Benchmark von XBOW, gegenüber 54.5 % für die vorherige Generation). Preis: $5/$25 pro Million Tokens. Im Benchmark von AIMultiple erzielte Opus 4.7 0.61 und lag damit unter Sonnet 4.6 (0.748) und Opus 4.8 (0.702), hauptsächlich aufgrund höherer Latenz (1.562 Sekunden durchschnittlich pro Aufgabe), die UI-Punktzahlen verschlechterte. Der Abstand zu Sonnet vergrößert sich bei abstrakten Reasoning-Aufgaben wie ARC-AGI-2.
• Claude Opus 4.8: Nach Opus 4.7 veröffentlicht und erholte sich damit von der 4.7-Regression im agentischen Coding. Erzielte 0.702 im A-CODE-LLM-Bench und belegte insgesamt Platz fünf. Bewältigte 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 fine-tuned Modelle

Modelle, die auf spezialisierten Daten für bestimmte Branchen trainiert wurden, statt auf allgemeine Zwecke.
Google, Microsoft und Meta haben alle bedeutende proprietäre domänenspezifische und fine-tuned Modelle veröffentlicht, die zusätzlich zu ihren Allzweckangeboten auf unternehmensspezifische Anwendungsfälle abzielen.
Diese spezialisierten LLMs können zu weniger Halluzinationen und höherer Genauigkeit führen, indem sie domänenspezifisches Pre-Training, Modell-Alignment und überwachtes Fine-Tuning nutzen.

Coding

GitHub Copilot: Fine-tuned auf Code-Repositories. Seit Juli 2025 nutzen 20 Millionen Entwickler GitHub Copilot, ein Anstieg von 400 % gegenüber dem Vorjahr, 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-Dataset aus Bloomberg-Finanzdokumenten, übertrifft Modelle vergleichbarer Größe bei Finanz-NLP-Benchmarks, einschließlich Sentimentanalyse, Named Entity Recognition und Question Answering.¹¹

Gesundheitswesen

Googles Med-PaLM 2: Fine-tuned auf medizinischen Datasets, erreichte eine Genauigkeit von 85 %+ bei Fragen im Stil der U.S. Medical Licensing Examination (USMLE) und war damit das erste LLM, das bei diesem Benchmark Expertenniveau erreichte. Es treibt MedLM an, die Familie der Gesundheits-Foundation-Modelle von Google Cloud.¹²

Recht

ChatLAW: Ein Open-Source-Sprachmodell, das speziell auf Datasets aus dem chinesischen Rechtsbereich 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 von simulierten Nutzern mit wahnhaften Überzeugungen bestätigten. Anthropic entwickelte daraufhin das Bloom-Testframework, um dieses Verhalten bei neuen Modellen zu benchmarken.
• Anthropic veröffentlichte außerdem Claude Mythos Preview (Project Glasswing), ein nur auf Einladung erhältliches Modell, das einer kleinen Gruppe von Organisationen zur Verfügung gestellt wurde, um Cybersicherheitslücken in wichtigen Betriebssystemen und Webbrowsern zu finden und zu beheben. Anthropic hat erklärt, dass es nicht plant, dieses Modell allgemein verfügbar zu machen. Der Ansatz des kontrollierten Zugriffs stellt ein neues Framework für die Bereitstellung hochleistungsfähiger Spezialmodelle dar, wenn 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 Wert-Alignment, Manipulationsrisiken, Anthropomorphismus, Privatsphäre und Gerechtigkeit. Die Responsible KI-Bewertung des Unternehmens umfasste über 350 gegnerische Red-Team-Übungen und führte ein neues Critical Capability Level speziell für schädliche Manipulation ein, das als Risiko auf Frontier-Niveau neben Cyberangriffen und CBRN-Bedrohungen behandelt wird.

Einschränkungen 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 Grounded Summarization. Auf dem ursprünglichen Vectara-Dataset belegen Googles Gemini-Modelle durchgängig die Spitzenplätze, wobei Gemini-Flash-Varianten Halluzinationsraten von unter 1 % erreichen. Die GPT-Familie von OpenAI gruppiert sich zwischen 0.8 % und 2.0 %.

Vectara startete Ende 2025 einen deutlich schwierigeren Benchmark mit 7.700 Artikeln (vorher 1.000), längeren Dokumenten von bis zu 32K Tokens und Inhalten aus Recht, Medizin, Finanzen und Technologie. Die Ergebnisse des neuen Datasets zeigen ein kontraintuitives Muster: Reasoning- und Thinking-Modelle, die bei komplexen Aufgaben hervorragend abschneiden, halluzinieren bei Grounded Summarization häufig stärker als kleinere, schnellere Modelle. Die meisten Modelle der Thinking-Klasse zeigen auf dem schwierigeren Dataset Halluzinationsraten von über 10 %, während leichtere Modelle wie Gemini-Flash-Varianten niedrigere Raten beibehalten.¹⁵

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

Alle Modelle halluzinieren. Die Häufigkeit ist deutlich zurückgegangen, von etwa 21 % im Jahr 2021 auf unter 5 % für die besten Ergebnisse in Standard-Benchmarks, aber sie ist nicht beseitigt. Kritische Anwendungen erfordern weiterhin menschliche Überprüfung.

2- Bias

Modelle absorbieren und verstärken soziale Verzerrungen aus den Trainingsdaten.

Abbildung: Gesamt-Bias-Werte nach Modellen und Größe

Quelle: Arxiv¹⁶

Beobachtete Arten von Bias:

• Geschlechterbias bei Berufsvorschlägen
• Racial Bias bei Simulationen des Lebenslauf-Screenings
• Altersbias bei Gesundheitsempfehlungen
• Sozioökonomischer Bias bei Bildungsinhalten

3- Toxizität

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

Abbildung: Toxizitätskarte der 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 bei diesen 3 Modellen verzerrt sein.

Strenge Sicherheitsmaßnahmen reduzieren die Toxizität, erhöhen aber falsch positive Ergebnisse (die Ablehnung harmloser Anfragen). Lasche 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 diese Grenze überschritten, kürzt das Modell entweder frühere Inhalte oder lehnt die Anfrage ab. Der praktische Unterschied zwischen den Modellen ist groß genug, um für reale Arbeitslasten von Bedeutung zu sein.

Die neuesten Kontextfenster:

• Llama 4 Scout (Meta): 10M Tokens (~7.5M Wörter) – das größte produktionsgeprüfte Kontextfenster unter führenden Modellen.¹⁸ In der Praxis bedeutet dies, dass gesamte Codebasen, Rechtsarchive oder mehrtägige Gesprächsverläufe ohne Chunking geladen werden können.
• Gemini 2.5 Pro: 1.048.576 Tokens (~780.000 Wörter), mit nativem multimodalem Input über Text, Audio, Bilder und Video innerhalb desselben Fensters. Die Recall-Rate liegt bei 100 % bis zu 530.000 Tokens und bei 99.7 % am vollen Limit von 1 Million Tokens
• 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 hinweg. Die Recall-Rate verschlechtert sich bei den meisten Modellen zur Mitte sehr langer Kontexte hin, und die Kosten steigen mit der Eingabelänge – die Verarbeitung von 1M Tokens kostet deutlich mehr als die Verarbeitung von 10K Tokens auf demselben Modell. Für die meisten Produktions-Workloads ist die praktische Frage nicht, welches Modell das größte Fenster hat, sondern welches Modell bei den Kontextlängen zuverlässig abruft, die Ihr Anwendungsfall tatsächlich erfordert.

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, aktuelle Entwicklungen zu verarbeiten
• Geringere Relevanz in dynamischen Bereichen (Technologie, Finanzen, Medizin)

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

Wichtige LLM-Plattformen

GPT-5.5

OpenAIs aktuelles Flaggschiff wurde am 23. April 2026 veröffentlicht. Es basiert auf konfigurierbarem Reasoning-Aufwand: Entwickler legen die Denktiefe pro Anfrage fest (von „none“ bis „xhigh“), sodass einfache Anfragen keine Rechenleistung verbrauchen, die für schwierige Probleme reserviert ist. Das Modell zeichnet sich durch agentisches Coding, Computernutzung und langfristige Aufgaben aus, bei denen es Kontext über große Systeme hinweg halten und seine eigene Arbeit während der Ausführung überprüfen muss.²⁰

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

Einschränkungen: $5/$30 pro Million Tokens – der höchste Grundpreis in dieser Liste. Halluziniert immer noch. Erfordert Websuch-Integration für alles nach seinem Trainingsstichtag.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 führt den A-CODE-LLM-Bench von AIMultiple mit einer Gesamtpunktzahl von 0.748 zu Kosten von $1,26–$1,33 pro Zelle an – über jeder getesteten Opus-Variante. Claude Opus 4.8 folgt mit 0.702 und erholt sich damit von der Regression von Opus 4.7 (0.61) bei $2,92 pro Zelle. Opus 4.7 bleibt die erste Wahl bei komplexen mehrstufigen Reasoning- und Vision-Aufgaben (98.5 % beim Visual-Acuity-Benchmark von XBOW), aber seine durchschnittliche Bearbeitungszeit 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 Thinking: Das Modell bestimmt die Reasoning-Tiefe anhand der Aufgabenkomplexität, ohne dass ein manueller Moduswechsel erforderlich ist. Sonnet 4.6 machte unter den Anthropic-Modellen die wenigsten Tool-Calls pro Aufgabe (51 Basis, 48 Thinking) und erreichte den Spitzen-Benchmarkwert 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 es nutzt: Entwickler und Unternehmen, die agentisches Coding, Forschungs-Workflows oder Multi-Agenten-Pipelines betreiben. Teams, die auf Kosteneffizienz achten, verwenden Sonnet 4.6; Teams mit visionlastigen oder komplexen Reasoning-Workloads verwenden Opus 4.7.

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

Gemini 3.5 Flash

Gemini 3.5 Flash Thinking erzielte 0.625, das beste Nicht-Anthropic-Ergebnis zu $1,30 pro Zelle und 390 Sekunden durchschnittlicher Bearbeitungszeit. Die Basisvariante schnitt schlechter ab als Thinking und war teurer ($0,56 pro Basiszelle), was auf das 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 einzigen NVIDIA H100 GPU mit int4-Quantisierung. Die praktische Konsequenz ist, dass ein 10M-Token-Kontextfenster ohne Rechenzentrumsvertrag zugänglich ist.¹⁸ Early-fusion-Multimodalität bedeutet, dass Text und Vision von der ersten Schicht an gemeinsam verarbeitet werden, statt erst auf der Ausgabestufe kombiniert zu werden. Verfügbar unter Metas Llama-4-Community-Lizenz.

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

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

DeepSeek V4

DeepSeeks Modell der vierten Generation ist als Vorschau verfügbar. Es verwendet eine MoE-Architektur mit 1 Billion Parametern, die etwa 50 % größer als V3 ist, mit multimodalen Fähigkeiten über Text, Bild und Video. Thinking in Tool-Use lässt das Modell intern nachdenken, bevor es externe Tools aufruft und die Tool-Ausgaben anhand seiner eigenen Logik überprüft – der zentrale Differenzierungsfaktor für agentische Workflows. Die API-Eingabepreise beginnen bei $0,27 pro Million Tokens (Cache-Miss) und sind damit rund 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  = jun,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Abgerufen am 25. Juni 2026}
}

Änderungsprotokoll

12 Aktualisierungen

Alle12Allgemein11Methodik1

1. 202625. 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.

6. 202527. Mai

   Reasoning-Modelle zum Abschnitt vielversprechende Ansätze hinzugefügt.

7. 202412. Sep

   Der Abschnitt „Was ist der aktuelle Stand großer Sprachmodelle?“ wurde durch neue Inhalte ersetzt.

8. 10. Sep

   Der Abschnitt „Wie sieht die Zukunft großer Sprachmodelle aus?“ wurde mit neuen Kategorien und Beispielen aus der Praxis aktualisiert.

9. 9. Sep

   Die Einleitung wurde mit neuen Besucherstatistiken für ChatGPT aktualisiert.

10. 8. Sep

    Claude 3 (Anthropic) zur Liste der LLMs hinzugefügt.

11. 7. Sep

    Abbildung 1 aus der Einleitung entfernt.

12. 5. Sep

    Multimodale Modelle zum Abschnitt „Synthetische Trainingsdaten“ hinzugefügt.

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 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 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