Themen Hub KI-Forschung
Künstliche Intelligenz ist längst im Alltag angekommen. Seit dem ImageNet-Moment 2012, bei dem Deep Learning in Kombination mit viel Rechenleistung und gigantischen Datenmengen seinen großen Nutzen bewies, sind gerade einmal rund zehn Jahre vergangen – dennoch gab es mehr Fortschritte als in einem halben Jahrhundert davor.
Dennoch bleiben viele Fragen offen: Bleibt Deep Learning der Goldstandard der KI-Entwicklung? Was sind die Leistungsgrenzen großer KI-Systeme? Benötigen wir symbolische Systeme? Welche Technologie führt zu genereller Künstlicher Intelligenz? Und überhaupt: Was ist eigentlich Intelligenz?
Mit diesen und mehr Themen beschäftigen wir uns beim Thema Künstliche Intelligenz Forschung.
Sogenannte "Reasoning-Modelle" generieren deutlich mehr Wörter (Token), bevor sie antworten. Offene KI-Modelle benötigen dabei mitunter drei- bis viermal mehr Token als geschlossene Modelle wie Grok-4 oder OpenAI, zeigt eine Analyse von Nous Research. Besonders bei einfachen Wissensfragen produzieren offene Modelle unnötige Gedankenschritte, was trotz niedrigerer Tokenpreise zu höheren Gesamtkosten führen kann.
OpenAIs gpt-oss-120b zeige jedoch, dass auch Open-Source-Modelle mit sehr kurzen Denkpfaden effizient arbeiten können, insbesondere bei Mathematikaufgaben. Mistrals Magistral-Modelle hingegen fallen durch hohen Tokenverbrauch auf. Die Token-Effizienz hängt stark vom Aufgabentyp ab.
