KI-Sprachmodelle

KI

Allgemeine Informationen

Information
Informationen
Betriebssystem	Alle
Service	KI
Interessant für	Studierende und Angestellte
HilfeWiki des ZIM der Uni Paderborn

no displaytitle found: KI-Sprachmodelle

KI-Sprachmodelle sind ein wesentlicher Bestandteil moderner künstlicher Intelligenz und finden Anwendung in verschiedensten Bereichen, von der automatisierten Textverarbeitung bis hin zu interaktiven Dialogsystemen. Diese Modelle sind darauf trainiert, menschliche Sprache zu verstehen und zu verarbeiten, und ermöglichen es Maschinen, menschenähnliche Texte zu generieren und zu analysieren.

Open-Source-Sprachmodelle

Open-Source- und Open-Weight-Sprachmodelle bieten eine breite Palette von Stärken, die für unterschiedliche Anwendungen optimiert sind. Hier sind einige Beispiele für solche Modelle und ihre spezifischen Vorteile:

• Metas Llama 3.1 8B Instruct: Dieses entwickelte Modell ist bekannt für seine hohe Geschwindigkeit und allgemeine Leistungsfähigkeit. Es eignet sich hervorragend für Anwendungen, die schnelle und präzise Antworten erfordern.
• DeepSeek R1: Besonders stark im Bereich des Reasonings und der Problemlösung. Dieses Modell aus China kann komplexe logische Schlussfolgerungen ziehen und zeigt eine hohe Performance in anspruchsvollen kognitiven Aufgaben, allerdings mit einer Tendenz zu politischem Bias.
• Google Gemma: Verschiede Sprachmodelle unterschiedlicher Größe für Arbeiten mit Texten, Modelle für Bildererkennungen (Vision) und Modelle zur Codegenerierung. Die Modellfamilie ist die quelloffene Alternative der Gemini-Modelle.

Die Stärke von Open-Source-Sprachmodellen liegt oft in ihrer Anpassungsfähigkeit und der Unterstützung durch eine große Community, die kontinuierlich zur Verbesserung und Weiterentwicklung dieser Modelle beiträgt.

Proprietäre Sprachmodelle

Neben den öffentlich zur Verfügung stehenden Sprachmodellen, gibt es proprietäre Sprachmodelle wie OpenAIs GPT- oder Omni-Modelfamilie. Diese werden von Unternehmen kommerziell betrieben oder mit Lizenzen kontrolliert. Ein lokales Angebot ist daher meist nicht umsetzbar. Einige bekannte Unternehmen und deren KI-Modelle sind:

• OpenAI: GPT und Omni Modelle (https://platform.openai.com/docs/models)
• Mistral AI: Medium und Large Mistral Modelle ( https://docs.mistral.ai/getting-started/models/models_overview/ )
• xAI: Grok ( https://docs.x.ai/docs/models )
• Anthropic: Claude ( https://docs.anthropic.com/en/docs/about-claude/models/overview )
• Google: Gemini ( https://ai.google.dev/gemini-api/docs/models?hl=de )

Es gibt allerdings auch Modelle dieser Provider die Open-Source gestellt wurden. So ist Mistrals Small- und Research-Modelle oder OpenAIs Whisper-Model zu erwähnen.

Welche Sprachmodelle stehen mir an der Universität zur Verfügung?

Unser Angebot umfasst eine Vielzahl an Open-Source-Modellen, die von der GWDG/KISSKI betrieben werden. Zusätzlich bieten wir Zugang zu den bekannten KI-Modelle von OpenAI. Die Auswahl wird stetig um neu veröffentliche Modelle erweitert und veraltete Modelle werden entfernt. Sie können die Modelle über die Chat-Oberfläche https://ai-chat.upb.de nutzen (Hinweise zur Chat-Anwendung) oder mittels eines API-Keys über das Gateway der Universität. Allgemein teilt sich das Angebot in OpenAI's GPT-Modelle (Proprietäre Modelle) und im Open-Source-Bereich empfehlen wir die Modelle von Qwen3.

Artificial Analysis Intelligence Index: Score vs. Release Date (Quelle: https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index?models=...)

Allrounder / Große Sprachmodelle (LLMs)

Im Vergleich zu spezialisierten Modellen für Aufgaben wie Bilderkennung, Programmiersprachen, Schlussfolgerungen oder (Fremd-)Sprachen sind die Modelle in der Kategorie "Allrounder" für all diese Aufgaben ein gutes Mittel. Die meisten Allrounder sind auf ausreichenden Trainingsdaten für verschiedene Sprachen trainiert. Wenn allerdings z.B. vertieftes Wissen oder ein umfangreicher Wortschatz einer Sprache benötigt wird, schneiden die Allrounder oft schlechter im Vergleich zu Experten-Modellen ab, welches auf einen größeren Korpus für die ausgewählte Sprache oder Aufgabe trainiert wurde. Die folgende Liste der Allrounder-Sprachmodelle zeigt das Angebot der UPB. (Mit einem Klick auf den Model-Bezeichner können Sie den AI-Chat direkt öffnen und das Model testen:

OpenAI: GPT-5.5 OpenAIs aktuelles GPT-Flagship ist GPT-5.5 (Stand Juni). Weiterhin können auch andere Modelle aus der GPT-Modelfamilie ausgewählt werden. Darunter eignet sich ebenfalls das GPT-5.4 Model als gutes Allrounder-Model für den produktiven Einsatz. Version: gpt-5.5 Veröffentlicht: Frühjahr 2026 Unterstützte Sprachen: Multilingual mit "mehr als 80 Sprachen, darunter Englisch, Spanisch, Französisch, Deutsch, Chinesisch, Japanisch, Arabisch und viele mehr." Wissensstand: Dezember 2025 Quelle: openai.com	Qwen 3.6 (Non-Reasoning) Das Qwen 3.6 Modell ist eigentlich ein Reasoning-Model, verfügt allerdings über eine "Non-Reasoning" Anweisung. Die zugrunde liegende Architektur des Models ändert sich dabei nicht, aber ermöglicht es das Model anzuweisen ohne "Thinking"-Iterationen zu arbeiten und stattdessen direkt eine Antwort zu generieren. Das erlaubt es Nutzende möglichst schnell Texte zu generieren und das Model auch für einfache Aufgaben ohne benötigte Schlussfolgerungen zu nutzen. Version: Qwen3.6-35B-A3B Veröffentlicht: April 2026 Unterstützte Sprachen: Multilingual mit "Unterstützung für über 119 Sprachen und Dialekte, darunter Indoeuropäisch, Sinotibetisch, Afroasiatisch, Austronesisch, Dravidisch, Turksprachen, Tai-Kadai, Uralisch, Austroasiatisch und Andere." Wissensstand: Anfang 2026 Quellen: huggingface.co/qwen, qwenlm.github.io
Gemma 4Die Modell-Serie Gemma ist die Open-Source Variante der Gemini-Reihe von Google. Zu betonen ist dass das Open-Source-Modell von der GWDG/KISSKI betrieben wird und damit kein Datenfluss zu Google besteht. Im Vergleich dazu, können die Gemini-Modelle, welche nicht Open-Source sind, leider nicht von der GWDG/KISSKI betrieben werden. Version: Gemma 4 31B Instruct Veröffentlicht: April 2026 Unterstützte Sprachen: Multilingual. "Unterstützung für über 140 Sprachen" * Wissensstand: ~ Ende 2024/Anfang 2025 Quellen: ai.google.dev/gemma, huggingface.co/google	Mistral 3 Das französische Unternehmen "Mistral" wird in den Medien oft als die europäische Lösung betitelt, welche mit den großen Sprachmodellen der amerikanischen Konkurrenten mithalten kann. Durch den Unternehmenssitz innerhalb der EU, ist es im Vergleich zu anderen Anbietern in den USA, regulierter. Folglich sind Angaben zu Trainings-Daten und der Umgang mit Lizenzen freundlicher gegenüber EU-Verordnungen und -Richtlinien. Hier muss allerdings unterschieden werden, dass es nur um die Entwicklung der Modelle und damit um Fragen geht, wie die Transparenz der Traningsdaten. Betrieben werden aber alle Modelle im Angebot mit der Kennzeichnung "GWDG" im KISSKI-Rechenzentrum. Im Vergleich zur Nutzung von Produkten wie ChatGPT, fließen bei der Nutzung des AI-Chats und den GWDG-Modellen also keine Daten in die USA. Version: Mistral Large 3 675B ~A41B Instruct 2512 Veröffentlicht: Dezember 2025 Unterstützte Sprachen: Französisch, Deutsch, Spanisch, Italienisch, Niederländisch, Portugiesisch, Russisch, Koreanisch, Japanisch, Chinesisch. Wissensstand: Dezember 2025 Quellen: huggingface.co/mistralai, docs.mistral.ai, Mistral Blog Release
Apertus Das in der Schweiz entwickelte Modell fokussierte sich auf Transparenz und Offenheit. Insbesondere bei den verwendeten Trainingsdaten und deren Offenlegung, stehe andere Modelle in der Kritik. Apertus geht dabei neue Wege. Version: Apertus-70B-Instruct-2509 Veröffentlicht: September 2025 Unterstützte Sprachen: Multilingual mit "1811 nativ unterstützte Sprachen" Wissensstand: April 2024 Quellen: huggingface.co/swiss-ai, swiss-ai.org/apertus	Qwen 3 Version: Qwen3-30B-A3B-Insstruct-2507 Veröffentlicht: Juli 2025 Unterstützte Sprachen: Multilingual mit "Unterstützung für über 119 Sprachen und Dialekte, darunter Indoeuropäisch, Sinotibetisch, Afroasiatisch, Austronesisch, Dravidisch, Turksprachen, Tai-Kadai, Uralisch, Austroasiatisch und Andere." Wissensstand: April 2025 Quellen: huggingface.co/qwen/thinking, qwenlm.github.io

Schlussfolgernde Sprachmodelle / Reasoning-Models (LRMs)

Reasoning oder Schlussfolgerungsfähigkeit ist ein entscheidender Aspekt moderner KI-Sprachmodelle. Diese Fähigkeit erlaubt es Sprachmodellen, ausgiebige logische Zusammenhänge zu erkennen und komplexe kontextbezogene Schlussfolgerungen zu ziehen. Modelle wie DeepSeek R1 und GPT o4-mini sind z.B. dafür bekannt, fortschrittliche Reasoning-Qualitäten zu besitzen, die sie in Anwendungen wie juristische Analysen oder interaktive Lernsysteme besonders nützlich machen.

GPT OSS OpenAI hat neben den proprietären Modellen auch Open-Source Modelle veröffentlicht. Zuletzt sind dies die Modelle GPT-OSS 20B und GPT-OSS 120B. Letzteres kann im Angebot der Hochschule verwendet werden. Zu betonen ist dass das Open-Source-Modell von der GWDG/KISSKI betrieben wird und damit kein Datenfluss zu OpenAI besteht. Im Vergleich zu Modellen wie GPT-5 oder o4, welche nicht Open-Source sind, können diese leider nicht von der GWDG/KISSKI betrieben werden. Version: GPT OSS 120B Veröffentlicht: August 2025 Wissensstand: Juni 2024 Quellen: openai.com, huggingface.co/openai	Qwen 3.6 mit Reasoning Neben der Parameter-Angabe von 235B (engl.) "billion" - Gibt der Bezeichner "A3B" die Anzahl der aktivierten Parameter an. Version: Qwen3.6-35B-A3B Veröffentlicht: April 2026 Kontext-Fenster: 262K Wissensstand: Anfang 2026 Quellen: huggingface.co/qwen/thinking, qwenlm.github.io
Qwen 3.5 Sehr groß Neben der Parameter-Angabe von 387B (engl.) "billion" - Gibt der Bezeichner "A17B" die Anzahl der aktivierten Parameter an. Version: Qwen3.5-387-A17B Veröffentlicht: Feb 2026 Kontext-Fenster: 256K Wissensstand: April 2025 Quellen: huggingface.co/qwen, qwenlm.github.io	Qwen 3.5 Groß Neben der Parameter-Angabe von 122B (engl.) "billion" - Gibt der Bezeichner "A10B" die Anzahl der aktivierten Parameter an. Version: Qwen3.5-122B-A10B-Thinking-2507 Veröffentlicht: Feb 2026 Kontext-Fenster: 256K Wissensstand: April 2025 Quellen: huggingface.co/qwen, qwenlm.github.io
o4-mini Das Model o4 ist OpenAIs älteres Reasoning-Model vor der GPT-5-Serie. OpenAI bezeichnet GPT-5-mini als Nachfolger. Version: o4-mini Veröffentlicht: April 2025 Wissensstand: Juni 2024 Quelle: openai.com	o3-mini Das kleine Model des o3-Reasoning-Models von OpenAI. Version: o3-mini Veröffentlicht: Januar 2025 Wissensstand: Oktober 2023 Quelle: openai.com
DeepSeek R1 Distill Llama 70B Diese Distill-Modellvariante setzt als Basis-Model Metas Llama 3.3 70B ein und wurde durch das Model DeepSeek R1 weiter trainiert. Version: DeepSeek R1 Distill Llama 70B Veröffentlicht: Dezember 2024 Wissensstand: Dezember 2023 Quelle: huggingface.co/deepseek-ai

Bilderkennung / Vision-Models

Neben bildgenerierenden Modellen in Form von Text-zu-Bild oder Bild-zu-Bild, gibt es auch den Anwendungsfall Bild-zu-Text. KI-Modelle mit der sog. Vision-Fähigkeit sind in der Lage Bilder (+ Instruktionen) als Eingabe zu verarbeiten und Fragen oder Aufgaben in Text-Form zu beantworten. Diese Modelle können z.B. zum Generieren von Bildbeschreibungen genutzt werden, Analysen des Bildes welche für den Nutzenden ohne Hintergrundwissen nicht beantwortet werden können, Kategorisierung/Labeling von Bildern, extrahieren von sichtbaren Informationen aus dem Bild, und vieles mehr.

Qwen3 VL	InternVL 3.5
Gemma 4	GPT-4.1 mini

Video-Verarbeitung

Eingaben in Video-Formaten werden von den aktuellen Vision-Modellen Qwen3 und OpenGVLab unterstützt. Das Ausgabeformat ist aber immer textbasiert. Es können also zum Beispiel Transkripte, Untertitel oder Zusammenfassungen erstellt werden aber keine eigenen Videos.

Qwen3 VL

InternVL 3.5

Audio-Verarbeitung

Eingaben mit Audio-Dateien werden werden vom Qwen3 Omni Modell unterstützt. Das Ausgabeformat ist aber immer textbasiert. Es können also zum Beispiel Transkripte erstellt werden aber keine eigenen Stimmen o.Ä. (Avatare).

Agentic / Coding

Auch Programmiersprachen lassen sich trainieren und damit als Unterstützung in der Software-Entwicklung nutzen. Vor allem im Bereichen der Code-Generierung, Code-Reasoning, Fehlerbehebung und Coding-Agenten.

GLM-4.7 Das Model von Z.ai fokusiert sich auf die Coding-Fähigkeit. Nach eigenen Aussagen schlägt es in aktuelle Benchmarks (AIME25, LiveCodeBenchv6,GPQA,HLE,...) vergleichbare Modelle von DeepSeek, Anthropic und OpenAI. Version: GLM-4.7-FP8 Veröffentlicht: Dezember 2025 Quellen: huggingface.co/qwen, z.ai/blog/glm-4.7	Qwen3 Coder Der Nachfolger von Qwen2.5 Coder, entwickelt von Alibaba Cloud, wurde weiterhin verbessert und spezialisiert sich ebenfalls in den Bereichen Agentic Coding, Agentic Browser-Use, Agentic Tool-Use (vgl. Claude Sonnet 4) Version: Qwen3 Coder 30B A3B Instruct Veröffentlicht: Juli 2025 Wissensstand: März 2025 Quellen: huggingface.co/qwen, qwenlm.github.io
Devstral 2 Das Model wurde von Mistral entwickelt und für über 80 Programmiersprachen spezialisiert, wie Python, Java, C, C++, JavaScript und Bash. Version: Devstral 2 123B Instruct 2512 Veröffentlicht: Dezember 2025 Wissensstand: Ende 2021 Quelle: huggingface.co/mistralai

Aufgabenmodelle / Task-Models

Kleine Aufgaben wie z.B. einen Titel für einen Chat zu generieren, werden oft von den kleinen Varianten der großen Sprachmodelle übernommen. Diese sind für die Aufgabe völlig ausreichend und verbrauchen weniger Ressourcen. Damit sind sie oft auch günstiger und schneller als die Verwendung der großen Sprachmodelle. Wie groß Sprachmodelle sind, kann anhand von Bezeichnern wie "mini" und "nano" oder der "Billion-Parameter" im Modelnamen eingeschätzt werden. Beispiele sind "Llama 3.1 8B" gegenüber "Llama 3.1 70B". Diese Zahl repräsentieren die Anzahl der "Einstellungen", die ein KI-Modell während des Trainingsprozesses lernt. Jeder Parameter kann als ein kleiner Baustein betrachtet werden, welches das Modell verwendet, um bestimmte Aufgaben zu erfüllen. Ein Modell mit einer höheren Anzahl an Parametern ist oft leistungsfähiger und kann komplexere Muster erkennen. Allerdings bedeutet dies auch, dass das Modell größer ist und mehr Ressourcen benötigt, um effizient zu arbeiten. Wichtig zu beachten ist, dass mehr Parameter nicht immer gleichbedeutend mit "besser" ist. Die Qualität eines Modells hängt stark vom spezifischen Einsatzkontext ab.

Llama 3.1 8B

GPT-4.1 mini

GPT-4o mini

Spezialisierte Modelle

• Vertieftes Training mit Fokus auf deutschsprachige Texten: SauerkrautLM 70B
• Vertieftes Training mit Fokus auf europäische Sprachen: Teuken 7B Research
• Medizinische Inhalte: MedGemma 27B

Welches Modell sollte ich nutzen?

Die Wahl des passenden Sprachmodells hängt stark vom Anwendungsfall ab. Es gibt nicht das eine "beste" Modell, sondern vielmehr verschiedene Stärken und Schwächen, die je nach Bedarf unterschiedlich ins Gewicht fallen.

Allrounder oder spezialisierte Modelle?

Allrounder sind vielseitig einsetzbar und eignen sich für Nutzer*innen, die flexibel mit vielen unterschiedlichen Aufgaben arbeiten wollen. Spezialisierte Modelle sind auf konkrete Aufgaben trainiert, etwa Programmierung, juristische Texte oder medizinische Fachsprache. Sie erzielen in diesen Nischen oft deutlich präzisere Ergebnisse, sind aber weniger universell einsetzbar. Wenn das Einsatzgebiet klar umrissen ist, kann ein spezialisiertes Modell besser passen. Für wechselnde oder schwer vorhersehbare Anforderungen sind Allrounder meist die bessere Wahl.

Ranglisten, Benchmarks und Scoring

Im Internet finden sich zahlreiche Ranglisten und Benchmarks, in denen Modelle anhand ihrer Leistung in Tests bewertet werden. Dabei gilt es zu beachten:

• Hersteller veröffentlichen oft eigene Benchmarks, die ihre Modelle ins beste Licht rücken.
• Keine Rangliste deckt alle möglichen Anwendungsfälle ab. Ein Modell, das in akademischen Tests hervorragend abschneidet, ist nicht zwingend das nützlichste im Arbeitsalltag.
• Externe, unabhängige Vergleichsportale können einen neutraleren Überblick bieten, sind aber trotzdem nur Anhaltspunkte.
• Es gibt viele verschiedene Listen, welche je nach Metrik oder Evaluierungsmethode unterschiedliche Top-3 Modelle auswählen.

Rankings sind nützlich für eine grobe Orientierung, ersetzen aber nicht eigene Tests mit den tatsächlichen Aufgaben, die gelöst werden sollen.

Das Modell selbst befragen und vergleichen

Eine praktische Methode, um die Stärken eines bestimmten Sprachmodells zu verstehen, besteht darin, das Modell selbst zu befragen. Viele Modelle können Hinweise geben, worin ihre spezifischen Stärken und Schwächen liegen, wodurch Nutzer*innen sie effektiver für ihre Zwecke einsetzen können.

Ein praktischer Ansatz zur Auswahl des richtigen Modells ist der direkte Vergleich:

1. Dieselbe Aufgabe mit verschiedenen Modellen bearbeiten lassen.
2. Die Ergebnisse systematisch prüfen: Verständlichkeit, Genauigkeit, Stil, Relevanz.
3. Abwägen, welches Modell dem gewünschten Standard am nächsten kommt.

Diese Art des Praxis-Tests ist oft hilfreicher als jede externe Bewertung, da sie an Ihre individuellen Anforderungen ausgerichtet sind.

Die Chat-Oberfläche unterstützt Sie beim Vergleichen, indem Sie über das "+"-Symbol mehrere Modelle gleichzeitig auswählen können und die Antworten direkt im Vergleich sichtbar werden.

Siehe auch

• Datenschutz bei KI-Diensten
• Der EU AI Act (KI Verordnung) und seine Bedeutung
• Halluzinationen und Validierung von Informationen bei KI
• Bias und Filter bei Künstlicher Intelligenz
• Individualisierte Einstellungsmöglichkeiten bei KI
• Hochrisiko-Anwendungen von KI im Hochschulbereich
• KI in der Lehre
• KI in der Forschung

Textbasierte Kommunikation zwischen zwei oder mehreren Nutzern in Echtzeit.

Artificial Analysis Intelligence Index - Results (2 Apr '26).png×

Artificial Analysis Intelligence Index: Score vs. Release Date (Quelle: https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index?models=...)

Dateiseite aufrufenSchließen

Ai-chat-multi-model-selection.png×

Dateiseite aufrufenSchließen

Ai-chat-multi-answer.png×

Dateiseite aufrufenSchließen

---

Bei Fragen oder Problemen können Sie uns zu unseren Servicezeiten telefonisch oder per E-Mail erreichen:

☎ Helpdesk: +49 5251 60-5544 • ☎ Medien: +49 5251 60-2821 • E-Mail: zim@uni-paderborn.de

Oder Sie besuchen uns vor Ort: Sie finden das Notebook-Café gemeinsam mit dem Servicecenter Medien in H1.201.

Servicezeiten

	Mo. – Do.	Fr.
Vor-Ort-Support	08:30 – 16:00 Uhr	08:30 – 14:00 Uhr
Telefonsupport	08:30 – 16:00 Uhr	08:30 – 14:00 Uhr
Servicecenter Medien	08:30 – 16:00 Uhr	08:30 – 14:00 Uhr