Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Short

Eine Analyse von Artificial Analysis zeigt die KI-Preissteigerung durch Reasoning-Prozesse am Beispiel von Googles Gemini Flash 2.5. Die Betriebskosten des Modells sind 150-mal höher als bei Gemini Flash 2.0. Grund dafür sind deutlich teurere Ausgabetoken – 3,5 US-Dollar pro Million Token mit Reasoning, im Vergleich zu 0,4 Dollar bei 2.0 – sowie eine 17-fach höhere Token-Nutzung bei den Tests. Gemini 2.5 Flash verbraucht damit so viele Token für logische Schlussfolgerungen wie kein anderes Modell. OpenAIs o4-mini ist pro Token zwar teurer, verbrauchte im Benchmark aber weniger Token, was zu geringeren Gesamtkosten führte.

Balkendiagramm mit dem Titel „Cost to Run Artificial Analysis Intelligence Index“. Es zeigt die Gesamtkosten in US-Dollar, um alle Tests im Artificial Analysis Intelligence Index mit verschiedenen KI-Modellen durchzuführen. Die Balken sind in drei Farben unterteilt: Input (blau), Reasoning (lila), Output (grün).Links stehen die teuersten Modelle:  

GPT-3 ($1951),  

Claude 3 Opus ($1485),  

Gemini 2.5 Pro ($844).

In der Mitte:  

Gemini 2.5 Flash mit Reasoning ($445),  

o4-mini (high) ($323).

Rechts die günstigsten Modelle:  

Gemini 2.0 Flash ($3),  

Llama 3 8B ($2).

Ein lila Pfeil darüber zeigt den Kostenunterschied zwischen Gemini 2.0 Flash und Gemini 2.5 Flash mit Reasoning und hebt „150x“ hervor. Quelle ist „Artificial Analysis“.
Die Betriebskosten für Googles Gemini 2.5 Flash mit aktiviertem Reasoning sind 150-mal höher als bei Gemini 2.0 Flash. | Bild: Artificial Analysis
Short

Google führt beim Sprachmodell Gemini 2.5 "implizites Caching" ein. Damit werden wiederkehrende Inhalte automatisch erkannt und nur einmal berechnet, was die Kosten für Entwickler laut Google um bis zu 75 Prozent senken kann. Im Gegensatz zum bisherigen expliziten Caching müssen Nutzer dafür keinen eigenen Cache mehr erstellen. Um die Chance auf Kosteneinsparungen zu erhöhen, empfiehlt Google, den stabilen Teil eines Prompts – also z. B. die Systemanweisung – am Anfang zu platzieren und erst danach nutzerspezifische Eingaben wie Fragen einzufügen. Die Funktion gilt für Gemini 2.5 Flash ab 1024 Tokens und für Pro-Versionen ab 2048 Tokens. Weitere Details und Empfehlungen zur Nutzung stehen in der Gemini-API-Dokumentation.

Anzeige
Anzeige
Short

OpenAI bietet ab sofort einen GitHub-Connector für den Deep-Research-Agenten in ChatGPT an. Nutzer mit Plus-, Pro- oder Team-Abo können damit eigene GitHub-Repositories verbinden und Fragen stellen. ChatGPT durchsucht daraufhin Quellcode und Dokumentation im Repo und liefert einen ausführlichen Bericht mit Quellenangaben. Dabei gelten die bestehenden Zugriffsrechte: Nur freigegebene Inhalte sind für ChatGPT sichtbar. Der Rollout erfolgt in den nächsten Tagen, Versionen für Enterprise-Kunden sollen bald folgen. Ziel ist es laut OpenAI-Produktchef Nate Gonzalez, ChatGPT besser in interne Arbeitsabläufe zu integrieren. Weitere Deep-Research-Konnektoren sind geplant.

Google News