KI-Lexikon — Das Wörterbuch der Künstlichen Intelligenz

A

Agent (KI)

KI-Agent

Ein KI-System das nicht nur antwortet, sondern selbständig Aktionen ausführt: Dateien lesen, Code ausführen, im Web suchen, E-Mails verschicken. Ein Agent kombiniert ein Sprachmodell mit Werkzeugen (Tools) und einem Ziel. Er plant Schritt für Schritt und führt jeden Schritt aus — ohne dass ein Mensch jeden Klick bestätigt.

Konzept

Alignment

KI-Ausrichtung

Das Problem sicherzustellen, dass eine KI das tut was Menschen tatsächlich wollen — nicht was sie buchstäblich gesagt haben. Ein Modell das "maximiere Glück" buchstäblich umsetzt könnte grauenvolle Entscheidungen treffen. Alignment-Forschung beschäftigt sich damit, KI mit menschlichen Werten auszurichten. Anthropic hat dafür Constitutional AI entwickelt.

Sicherheit

API

Application Programming Interface

Eine Schnittstelle über die Programme miteinander kommunizieren. Bei KI: Die URL über die du ein Modell per Code anfragen kannst. OpenAI, Anthropic und Google bieten APIs an — du sendest Text, bekommst Text zurück, bezahlst pro Token. Ollama stellt auf deinem Mac Mini ebenfalls eine lokale API bereit.

Technik

Attention Mechanism

Aufmerksamkeitsmechanismus

Das Herzstück moderner KI-Modelle. Beim Verarbeiten eines Satzes "achtet" das Modell nicht auf jedes Wort gleichmäßig — sondern gewichtet welche Wörter für den aktuellen Kontext wichtig sind. "Die Bank am Fluss war nass" — das Modell achtet bei "nass" stärker auf "Fluss" als auf "Bank". Das macht Transformer so mächtig.

Architektur

Autoregression

Autoregressions-Modell

Wie Sprachmodelle funktionieren: Sie sagen immer das nächste Token vorher, basierend auf allem was davor kam. GPT steht für "Generative Pre-trained Transformer" — generativ, weil es Token für Token erzeugt. Jedes generierte Token wird sofort Teil des Kontexts für das nächste. Das ist warum Modelle "tippen" statt alles auf einmal erscheinen zu lassen.

Konzept

B

Benchmark

KI-Benchmark

Standardisierte Tests um KI-Modelle zu vergleichen. MMLU testet Allgemeinwissen (57 Kategorien), HumanEval testet Code-Schreiben, MT-Bench testet Konversationsqualität. Modelle trainieren oft auf Benchmark-Daten — daher sagen Benchmark-Scores nicht immer alles über Praxistauglichkeit aus.

Evaluation

BERT

Bidirectional Encoder Representations from Transformers

Googles 2018 veröffentlichtes Sprachmodell — ein Meilenstein. Im Gegensatz zu GPT liest BERT Text in beide Richtungen gleichzeitig (bidirektional). Gut zum Verstehen, nicht zum Generieren. Wird für Suchmaschinen, Sentimentanalyse und Klassifikation eingesetzt. Heute meist von neueren Modellen übertroffen.

Modell

Bias (KI)

Voreingenommenheit / Verzerrung

KI-Modelle lernen aus menschlichen Daten — und übernehmen deren Vorurteile. Ein Modell das auf englischen Texten trainiert wurde benachteiligt Nicht-Muttersprachler. Ein Modell das auf alten Jobbörsen trainiert wurde bevorzugt männliche Bewerber. Bias ist unvermeidbar — aber durch bewusstes Training reduzierbar.

Sicherheit

C

Chain-of-Thought

Gedankenkette

Eine Prompting-Technik bei der das Modell aufgefordert wird schrittweise zu denken statt direkt zu antworten. "Denk laut nach." Dadurch entstehen bei komplexen Aufgaben deutlich bessere Ergebnisse. DeepSeek R1 zeigt seine Gedankenkette sichtbar — man kann zusehen wie es denkt. Sehr nützlich bei Mathematik, Logik und Code-Debugging.

Prompting

Context Window

Kontextfenster

Wie viel Text ein Modell gleichzeitig "sehen" kann — sein kurzfristiges Gedächtnis. Gemessen in Token. GPT-4o: 128k Token (~100.000 Wörter), Claude: 200k Token, Gemini API: 1 Million Token. Was außerhalb des Fensters liegt, vergisst das Modell. Ein größeres Kontextfenster erlaubt längere Gespräche und mehr Dokumenten-Input.

Konzept

Constitutional AI

Konstitutionelle KI

Anthropics Trainingsansatz für Claude. Statt nur von Menschen zu lernen was gut und schlecht ist, bewertet das Modell seine eigenen Antworten anhand einer "Verfassung" — einem Satz von Prinzipien. Das macht Claude weniger anfällig für Manipulation und ehrlicher bei Unsicherheiten. Die Methode reduziert nachweislich Halluzinationen.

Methode

D

Diffusion Model

Diffusionsmodell

Eine KI-Architektur für Bildgenerierung. Das Modell lernt zuerst wie Bilder mit Rauschen "verfallen" — und dann den umgekehrten Weg: aus Rauschen ein Bild entstehen lassen. Stable Diffusion, DALL-E und Midjourney basieren auf diesem Prinzip. Komplett anders als Sprachmodelle — kein Transformer, kein Text-Token-Ansatz.

Architektur

Distillation

Modell-Destillation

Ein großes Modell (Teacher) lehrt ein kleines Modell (Student) — nicht mit Rohdaten, sondern mit seinen eigenen Antworten als Lernmaterial. Ergebnis: Ein kleines Modell das sich verhält wie das große, aber weniger RAM braucht und schneller läuft. Viele der 7B-Modelle auf Ollama sind DeepSeek-Destillate.

Training

E

Embedding

Vektordarstellung

Eine Methode um Text als mathematische Vektoren (Zahlenreihen) darzustellen — so dass ähnliche Texte ähnliche Vektoren bekommen. "König" und "Königin" liegen im Vektorraum näher beieinander als "König" und "Apfel". Grundlage für Semantische Suche und RAG. In Ollama: ollama pull nomic-embed-text.

Technik

Encoder-Decoder

Encoder-Decoder-Architektur

Eine KI-Architektur die aus zwei Teilen besteht: Der Encoder "versteht" den Input (z.B. deutschen Text), der Decoder "erzeugt" den Output (z.B. englische Übersetzung). T5 und manche Übersetzungsmodelle nutzen diese Architektur. GPT verwendet nur den Decoder-Teil — daher "Decoder-only" Modell.

Architektur

F

Few-Shot Learning

Lernen mit wenigen Beispielen

Ein Modell bekommt im Prompt ein paar Beispiele wie etwas aussehen soll — und macht dann selbständig weiter. "Übersetze: Hund → Dog. Katze → Cat. Auto → ?" Das Modell lernt das Muster aus den Beispielen ohne neues Training. Je größer das Modell, desto besser ist es bei Few-Shot. Gegenteil: Zero-Shot (keine Beispiele).

Prompting

Fine-Tuning

Feinabstimmung / Nachtraining

Ein vortrainiertes Modell wird mit neuen, spezifischen Daten weitertrainiert — um es auf einen bestimmten Zweck auszurichten. Ein allgemeines Modell wird zum Medizin-Experten, Rechtsanwalt oder Kundensupport-Bot. Kleiner und günstiger als Training von Null. LoRA ist eine populäre Fine-Tuning-Methode die wenig GPU-Speicher braucht.

Training

Foundation Model

Basismodell

Ein sehr großes Modell das auf riesigen allgemeinen Datensätzen vortrainiert wurde und als Basis für viele verschiedene Anwendungen dient. GPT-4, Claude, Llama sind Foundation Models — sie "wissen" alles Mögliche und können für spezifische Aufgaben angepasst werden. Begriff geprägt von Stanford 2021.

Konzept

G

GPT

Generative Pre-trained Transformer

OpenAIs Modell-Serie — der Namensgeber für viele KI-Assistenten. GPT-1 (2018) war noch unbeeindruckend, GPT-3 (2020) überraschte die Welt, GPT-4 (2023) setzte neue Maßstäbe. "GPT" wird oft fälschlich als Synonym für alle Chatbots verwendet — tatsächlich ist es nur OpenAIs Marke. Das aktuelle Modell ist GPT-4o.

Modell

GPU

Graphics Processing Unit

Ursprünglich für 3D-Grafik gebaut, heute das Herzstück von KI-Training. GPUs können viele einfache Berechnungen parallel durchführen — genau was KI braucht. NVIDIA dominiert den Markt (A100, H100 für Training; RTX-Serie für lokale Nutzung). Apples M4-Chip hat eine eingebaute GPU die sich RAM mit der CPU teilt — das ist der Grund warum Macs so gut für lokale KI sind.

Hardware

Guardrails

Schutzleitplanken

Regeln und Filter die bestimmen was ein KI-Modell sagen darf und was nicht. Bezahlte Cloud-Modelle haben strenge Guardrails — sie weigern sich bei gefährlichen Anfragen. Lokale Open-Source-Modelle haben oft keine oder schwächere Guardrails. Das ist ein Trade-off: mehr Freiheit, aber auch mehr Verantwortung des Nutzers.

Sicherheit

H

Halluzination ⚠KI-Halluzination
Wenn ein KI-Modell mit großer Selbstverständlichkeit falsche Fakten erfindet — und dabei so klingt als wäre es sicher. Namen, Daten, Zitate, Gesetze, wissenschaftliche Quellen. Das Modell "weiß" nicht dass es lügt — es wählt statistisch plausible Token, egal ob wahr oder falsch. Wichtigste Regel: KI-Fakten immer verifizieren. Claude halluziniert nachweislich weniger als GPT.
Problem

HuggingFace

Die GitHub-Plattform für KI-Modelle

Die wichtigste Plattform für Open-Source-KI-Modelle. Über 500.000 Modelle, Datasets und Demos zum kostenlosen Download. Wer ein neues offenes Modell veröffentlicht, stellt es meist auf HuggingFace bereit. Auch Ollama bezieht Modelle von dort. Für Entwickler unverzichtbar, für Endnutzer interessant zum Stöbern.

Platform

I

Inferenz

Modell-Ausführung

Der Vorgang wenn ein trainiertes Modell tatsächlich benutzt wird — im Gegensatz zum Training. Wenn du eine Frage stellst und die KI antwortet: das ist Inferenz. Viel günstiger als Training, aber bei großen Modellen trotzdem rechenintensiv. "Inferenz-Hardware" wie Macs M4 oder NVIDIA-GPUs ist darauf optimiert.

Technik

Instruct-Modell

Anweisungs-Modell

Ein Basismodell das extra darauf trainiert wurde Anweisungen zu befolgen. Ein Rohmodell (Base) schreibt einfach Text weiter — ein Instruct-Modell antwortet auf Fragen, folgt Befehlen, bleibt höflich. Die meisten Nutzer-KIs sind Instruct-Varianten. In Ollama: llama3.2:instruct vs. llama3.2.

Training

K

KI / AI

Künstliche Intelligenz

Der Oberbegriff für alle Systeme die menschliche Fähigkeiten wie Denken, Lernen und Problemlösen imitieren. Im aktuellen Kontext meist gemeint: Large Language Models (LLMs) wie GPT, Claude oder Llama. Frühere KI umfasste Schach-Computer (Deep Blue), Spam-Filter, Empfehlungssysteme. "KI" heute bedeutet meist: Sprachmodelle und generative Modelle.

Grundlagen

Kontextfenster

→ Siehe: Context Window

Deutsches Wort für Context Window — wie viel Text ein Modell gleichzeitig verarbeiten kann. Gemessen in Token. Claude hat 200k, GPT-4o 128k, Gemini bis 1 Million in der API. Was außerhalb des Fensters liegt "vergisst" das Modell komplett — daher ist ein großes Kontextfenster für lange Dokumente entscheidend.

Konzept

Quantisierung

Modellkomprimierung

Modellgewichte werden von 32-bit Floats auf kleinere Formate (4-bit, 8-bit) komprimiert — das reduziert RAM-Verbrauch drastisch ohne viel Qualität zu verlieren. Qwen 2.5:32b in Q4_K_M braucht ~20 GB statt ~65 GB. Ollama macht das automatisch. Format: GGUF. Stärkere Quantisierung = weniger RAM aber leicht schlechtere Qualität.

Optimierung

L

LLMLarge Language Model
Ein sehr großes KI-Modell das auf riesigen Textmengen trainiert wurde und Sprache versteht und erzeugt. "Large" bezieht sich auf die Anzahl der Parameter — GPT-3 hat 175 Milliarden. LLMs können übersetzen, zusammenfassen, Code schreiben, Fragen beantworten — alles ohne spezielles Training für jede Aufgabe. Das ist der Kernbegriff der aktuellen KI-Welle.
Grundlagen

LoRA

Low-Rank Adaptation

Eine effiziente Fine-Tuning-Methode. Statt alle Millionen von Modellgewichten neu zu trainieren, werden kleine Adapter-Matrizen eingefügt die nur einen Bruchteil der Parameter enthalten. 100x weniger Speicher als volles Fine-Tuning. Beliebt für Community-Finetuning auf HuggingFace. Mit einer RTX 3060 und LoRA kann man eigene Modelle trainieren.

Training

Llama

Metas Open-Source-Modell-Serie

Metas Familie von Open-Source-Sprachmodellen. Llama 1 (2023) wurde intern veröffentlicht, dann geleakt — was die Open-Source-KI-Szene explodieren ließ. Llama 2 und 3 kamen offiziell, Llama 3.3 70B ist das bisher stärkste. Kostenlos nutzbar, auf Ollama verfügbar, Grundlage für hunderte abgeleiteter Modelle.

Modell

M

MoE

Mixture of Experts

Eine Architektur bei der das Modell aus vielen Experten-Teilnetzwerken besteht — und für jede Anfrage nur die relevanten aktiviert. Effizient: Ein 47B-MoE-Modell verhält sich qualitativ wie ein 47B-Modell, braucht aber nur ~12B aktive Parameter pro Anfrage. Mistral 8x7B und GPT-4 nutzen vermutlich MoE. Vorteil: qualitätsstärker bei gleichem RAM-Verbrauch.

Architektur

Multimodal

Mehrmodales Modell

Ein Modell das nicht nur Text versteht, sondern mehrere "Modalitäten": Bilder, Audio, Video, PDFs. GPT-4o ist multimodal (Text + Bild + Audio), Gemini 2.0 ebenfalls. Lokal: Llama 3.2 Vision 11B kann Bilder analysieren. Multimodal ≠ besser — aber für viele Anwendungsfälle unverzichtbar.

Konzept

MMLU

Massive Multitask Language Understanding

Der meistgenutzte KI-Benchmark. 57 verschiedene Themenbereiche von Mathematik über Geschichte bis Jura — Multiple-Choice-Fragen auf Bachelor/Master-Niveau. GPT-4 erreicht ~87%, menschliche Experten ~89%. Kritik: Modelle trainieren teils auf MMLU-Daten, was Scores verfälscht. Trotzdem: der wichtigste Referenzpunkt für Modellvergleiche.

Evaluation

N

Neuronales Netz

Neural Network

Das mathematische Fundament von KI. Inspiriert vom menschlichen Gehirn: Millionen von Knoten (Neuronen) in Schichten, verbunden durch Gewichte. Beim Training werden diese Gewichte angepasst bis das Netzwerk korrekte Ausgaben produziert. "Deep Learning" = viele Schichten. Transformer-Modelle sind eine besondere Art tiefer neuronaler Netze.

Grundlagen

NLP

Natural Language Processing

Das Forschungsfeld das sich mit der maschinellen Verarbeitung von Sprache beschäftigt. Übersetzung, Sentimentanalyse, Textzusammenfassung, Named Entity Recognition — alles NLP. LLMs haben das Feld revolutioniert: Was früher spezialisierte Modelle brauchte, erledigt ein einziges großes Sprachmodell.

Forschung

O

Ollama

Lokaler Modell-Manager

Das einfachste Tool um KI-Modelle lokal zu betreiben. Ein Befehl installiert Ollama, ein weiterer lädt ein Modell. Läuft auf Mac, Linux und Windows. Stellt eine lokale REST-API bereit (Port 11434) auf die Open WebUI und andere Tools zugreifen. Unsere komplette Anleitung: Ollama + Open WebUI →

Tool

Open Source KI

Offene KI-Modelle

Modelle deren Gewichte öffentlich verfügbar sind — zum Download, lokalen Betrieb und Anpassen. Llama, Qwen, Mistral, Gemma, Phi sind Open Source (mit unterschiedlichen Lizenzen). Vorteil: Datenschutz, kein Abo, lokaler Betrieb, anpassbar. Nachteil: Technische Hürde, kein Support. Der Abstand zu proprietären Modellen schrumpft rasant.

Konzept

Open WebUI

Lokales ChatGPT-Interface

Eine Browser-Oberfläche für Ollama die identisch zu ChatGPT aussieht. Läuft als Docker-Container auf Port 3000. Konversationshistorie, Modellauswahl, System-Prompts, Dateien hochladen — alles lokal, kein Account. Im Heimnetz von jedem Gerät erreichbar. Anleitung →

Tool

P

Parameter

Modellgewichte

Die lernbaren Zahlen in einem neuronalen Netz — das "Wissen" des Modells. GPT-3 hat 175 Milliarden Parameter, Llama 3.3 70B hat 70 Milliarden. Mehr Parameter = mehr Speicher, aber tendenziell besser. "7B" bedeutet 7 Milliarden Parameter. Durch Quantisierung kann man Speicher sparen ohne viel Qualität zu verlieren.

Grundlagen

Prompt

Die Eingabe an die KI

Der Text den du an ein KI-Modell sendest. Einfach: eine Frage. Komplex: strukturierte Anweisung mit Kontext, Beispielen, Ausgabeformat und Rolle. "Du bist ein erfahrener Koch. Erkläre für Anfänger wie man Risotto macht. Antworte in 5 Schritten." Die Kunst bessere Prompts zu schreiben nennt sich Prompt Engineering.

Grundlagen

Prompt Engineering

Kunst des richtigen Fragenstellens

Die Praxis, Prompts so zu formulieren dass KI-Modelle bestmögliche Ergebnisse liefern. Techniken: Rollen-Zuweisung ("Du bist Experte für..."), Chain-of-Thought ("Denk schrittweise"), Few-Shot ("Hier sind 3 Beispiele"), Ausgabeformat ("Antworte als JSON"), Negativbeispiele. Kein Programmieren nötig — aber Übung macht den Unterschied.

Methode

Q

Quantisierung

→ Siehe auch unter K

Modellgewichte werden von 32-bit auf 4-bit oder 8-bit komprimiert. In Ollama-Dateinamen erkennbar: Q4_K_M = 4-bit, mittlere Qualität. Q8 = besser aber größer. Q4 halbiert den RAM-Verbrauch mit ~5% Qualitätsverlust. Das Format heißt GGUF (früher GGML). Ollama wählt automatisch das beste Format für deinen RAM.

Optimierung

Qwen

Alibabas KI-Modell-Serie

Alibabas Open-Source-Modell-Familie. Qwen 2.5 ist in vielen Benchmarks das beste lokal lauffähige Modell für Deutsch und Code. Läuft in der 32B-Variante auf einem Mac Mini M4 mit 24 GB. Kostenlos, Open Source (Apache 2.0). Qwen 2.5 Coder ist ein dediziertes Code-Modell. ollama pull qwen2.5:32b.

Modell

R

RAGRetrieval-Augmented Generation
Eine Technik um KI-Modellen Zugang zu externen Dokumenten zu geben. Ablauf: 1. Dokumente werden in Embeddings umgewandelt und in einer Vektordatenbank gespeichert. 2. Bei einer Anfrage werden die relevantesten Passagen gesucht. 3. Diese werden dem Modell als Kontext mitgegeben. Ergebnis: Das Modell kann über eigene Dokumente "sprechen" — ohne Fine-Tuning.
Architektur

RLHF

Reinforcement Learning from Human Feedback

Eine Trainingsmethode die menschliche Präferenzen in Modelle einbaut. Menschen bewerten Modell-Antworten (diese ist besser als jene). Ein separates "Belohnungsmodell" lernt daraus was Menschen gut finden. Das Hauptmodell wird dann mit dem Belohnungsmodell als Ziel weitertrainiert. ChatGPT und Claude nutzen Varianten von RLHF.

Training

S

Sampling

Token-Auswahl-Strategie

Wie das Modell das nächste Token auswählt. Greedy: immer das wahrscheinlichste Token (vorhersehbar, manchmal langweilig). Random Sampling: zufällig aus wahrscheinlichen Tokens (kreativer). Temperatur steuert die Zufälligkeit: 0 = immer gleich, 1 = normal, 2 = chaotisch. Top-P und Top-K begrenzen den Auswahlpool. In Open WebUI einstellbar.

Technik

System-Prompt

Hintergrundanweisung

Eine versteckte Anweisung die vor dem eigentlichen Gespräch steht und das Modellverhalten global beeinflusst. "Du bist ein freundlicher Kundenservice-Mitarbeiter für Firma X. Antworte immer auf Deutsch." Nutzer sehen den System-Prompt meist nicht. In Open WebUI unter "Einstellungen" konfigurierbar. Basis für alle Chatbot-Anwendungen.

Konzept

T

Temperature

Kreativitäts-Regler

Ein Parameter zwischen 0 und 2 der steuert wie "kreativ" oder "zuverlässig" das Modell antwortet. 0 = immer die gleiche, wahrscheinlichste Antwort (gut für Fakten, Code). 0.7 = Standard (ausgewogen). 1.5+ = chaotisch kreativ (gut für Brainstorming, schlecht für Fakten). In der API und Open WebUI einstellbar.

Parameter

TokenDie kleinste KI-Einheit
Wie KI-Modelle Text verarbeiten — nicht als Wörter, sondern als Stücke. "Tokenisierung" ist der Vorgang. Englisch: ~1 Token = ~4 Zeichen. Deutsch ist tokenineffizienter (~1.3 Token/Wort wegen langer Komposita). "Maiskolbendampfschiff" = viele Token. API-Kosten und Kontextfenster werden in Token gemessen. 1000 Token ≈ 750 englische Wörter.
Grundlagen

Tokenizer

Text-Zerteiler

Das System das Text in Token zerlegt bevor er ins Modell geht. Jedes Modell hat seinen eigenen Tokenizer — deshalb sehen Modelle "gleichen" Text unterschiedlich. Byte-Pair-Encoding (BPE) ist die meistgenutzte Methode: häufige Wortteile bekommen eigene Token, seltene werden zerlegt. Entscheidend für Token-Effizienz und Deutsch-Qualität.

Technik

Transformer

Die Architektur hinter allem

Die 2017 in "Attention Is All You Need" vorgestellte Architektur die alles verändert hat. Kern: Self-Attention (jedes Token kann direkt mit jedem anderen interagieren). Vorher: RNNs die Text sequenziell verarbeiteten. Transformer verarbeiten parallel — viel schneller trainierbar, viel besser skalierbar. GPT, Claude, Llama, Gemini — alle Transformer.

Architektur

U

Unified MemoryApples gemeinsamer Speicher
Apples M-Chip-Architektur: CPU, GPU und Neural Engine teilen sich denselben physischen RAM statt getrennte Speicher zu haben. Für KI revolutionär: Ein Mac Mini M4 mit 24 GB kann 32B-Modelle laden die normalerweise 24 GB VRAM einer dedizierten GPU bräuchten. Diese GPU kostet ~800€ allein — der Mac Mini kostet ~799€ komplett. Größter technischer Vorteil von Apple Silicon für lokale KI.
Hardware

V

Vektordatenbank

Vector Database

Eine Datenbank die Embeddings (Vektoren) speichert und schnell ähnliche Vektoren findet. Grundlage für RAG-Systeme. Bekannte Tools: ChromaDB, Qdrant, Weaviate, Pinecone. Für einfache Anwendungen reicht SQLite FTS5 — robuster, kein zusätzliches Tool, BM25 eingebaut. Vektordatenbanken glänzen bei semantischer Suche über hunderttausende Dokumente.

Tool

VRAM

Video RAM — GPU-Speicher

Der Arbeitsspeicher auf einer dedizierten Grafikkarte. Kritisch für lokale KI: Modelle müssen komplett in VRAM passen um GPU-Beschleunigung zu nutzen. RTX 3060: 12 GB VRAM — zu wenig für 32B-Modelle. RTX 4090: 24 GB. Apples Lösung: Unified Memory — kein getrennter VRAM, RAM wird mit GPU geteilt. Deshalb: Mac Mini M4 24 GB ≈ RTX 4090 für lokale KI.

Hardware

W

Weights (Gewichte)

Das gespeicherte Wissen

Die numerischen Werte in einem neuronalen Netz die beim Training gelernt werden und das "Wissen" des Modells repräsentieren. Ein 7B-Modell hat 7 Milliarden Gewichte. Sie werden als Dateien (GGUF, SafeTensors) gespeichert und sind das was heruntergeladen wird wenn man ein Modell lädt. Größere Modelle haben mehr Gewichte — und brauchen mehr Speicher.

Grundlagen

Whisper

OpenAIs Sprach-zu-Text-Modell

OpenAIs Open-Source-Modell für Spracherkennung. Transkribiert Audio in Text — auf Deutsch, Englisch und 99 weiteren Sprachen. Läuft lokal über Ollama oder direkt. In Kombination mit einem guten Mikrofon: kaum Fehler, 100% offline, kostenlos. Basis für alle lokalen Voice-KI-Anwendungen. Mikrofon-Guide →

Modell

Z

Zero-Shot Learning

Ohne Beispiele sofort lösen

Ein Modell löst eine Aufgabe ohne ein einziges Beispiel im Prompt gezeigt zu bekommen. "Übersetze diesen Text ins Japanische." — ohne vorherige Beispiele. Große Modelle sind exzellent bei Zero-Shot weil sie im Training alle nötigen Muster gesehen haben. Kleinen Modellen helfen Beispiele (Few-Shot) oft deutlich mehr.

Konzept

Das KI-Wörterbuch

Begriff fehlt im Lexikon?

Begriffe in der Praxis erleben

Direkt starten ohne Hardware