Andere KI-Tools: Bewertungen & Vergleiche

Jev ist das KI-Modell von TypeSafe, das Auswahlentscheidungen, Skalenwerte und Ja/Nein-Wahrscheinlichkeiten statt generierter Texte liefert. Der Artikel erklärt Choice, Score und Noul, die Bedeutung von confidence und den Aufbau einer API-Anfrage zur Zuordnung von Supportfällen. Typgarantien gewährleisten keine richtigen Entscheidungen. Behandelt werden dokumentierte Schwächen bei Berechnungen, Datumswerten und irreführenden Eingaben sowie Preise, beide Eingabegrenzen und die Evaluation vor einem Einsatz mit deutschen Texten. Grundlage sind offizielle Quellen, keine praktischen Leistungstests der API.

Die Frage „Nimmt mir die KI die Arbeit weg?“ passt auf dieses Thema nicht mehr. Siddiq und Zhang von der UCLA Anderson haben 49.610 Personen und 2,26 Mio. Verträge auf Upwork von Januar 2021 bis März 2026 verfolgt, und was sie zeigen, ist nicht das Verschwinden von Arbeit, sondern eine Veränderung darin, wie ausgewählt wird. Das Gewicht der Humankapital-Signale, also Zertifikate, Werdegang und Selbstbeschreibung, sank um 7,8 Prozent, das Gewicht des Preises stieg um 1,1 Prozent, und die Zahl der Verträge ging um 7,0 Prozent zurück. In den letzten vier Quartalen, vom Quartal April bis Juni 2025 bis zum Quartal Januar bis März 2026, fällt die Nachfrage um 9,6 Prozent, das Gewicht des Humankapitals um 10,1 Prozent und das Gewicht des Preises steigt um 1,8 Prozent. Die Studie selbst schreibt, dieser Trend beschränke sich nicht auf die Zeit direkt nach dem Start von ChatGPT, sondern halte an. Verifizierte Zertifikate, Berufsverlauf, Portfolio und Kundenbewertungen haben ihre Vorhersagekraft für den Zuschlag eingebüßt. Im selben Zeitraum läuft eine Bewegung in die entgegengesetzte Richtung: Laut dem Future Workforce Index 2026 von Upwork stieg der Freelancer-Anteil erfahrener Wissensarbeiter von 28 Prozent im Jahr 2025 auf 38 Prozent im Jahr 2026, und 58 Prozent der Angestellten erwägen den Wechsel. In einen Markt mit Zulauf verlieren die Signale zur Abgrenzung ihre Wirkung, und der Druck auf die Mitte kommt gleichzeitig von der Nachfrage- und der Angebotsseite. Dazu kommen zwei Paradoxe. Erstens liegt laut Stanford Digital Economy Lab die Beschäftigung der 22- bis 25-jährigen Angestellten in KI-exponierten Berufen rund 19 Prozent niedriger, während es bei Erfahrenen keine vergleichbare Differenz gibt, doch in der Studie aus Organization Science fiel der Rückgang bei den erfahrensten Freelancern am größten aus. Unternehmen stellen eine Rolle ein, Kunden kaufen ein Arbeitsergebnis. Zweitens gingen in der Studie von Demirci und Kollegen leicht automatisierbare Ausschreibungen um 21 Prozent zurück, während die verbliebenen Aufträge komplexer sind und besser bezahlt werden. Nicht die Arbeit ist verschwunden, sondern die Mitte. Der Artikel behandelt außerdem die Einwände zu Zinsen und zum Markt mit wenigen Einstellungen und wenigen Entlassungen sowie die Vorbehalte von Stanford selbst, wonach zur Kausalität noch nichts Abschließendes gesagt werden kann und ein Teil des Zeitpunkts auf andere Faktoren als KI zurückgeht. Am Ende stehen 3 Prognosen mit ausdrücklichen Widerlegungsbedingungen und Handlungsoptionen, die als Spekulation gekennzeichnet sind.

Ein Modell auf dem eigenen PC Code schreiben zu lassen, ging jahrelang nur als Vervollständigung der angefangenen Zeile. Der agentische Einsatz, also das Repository lesen, mehrere Dateien ändern und Tests laufen lassen, war für lokale Hardware zu schwer. Zwischen Ende 2025 und 2026 hat sich das verschoben, und dieser Artikel ordnet ausschließlich anhand von Primärquellen ein, was heute wirklich geht und wo es hakt. Die Hersteller selbst werben mittlerweile mit agentischem Programmieren: Die offizielle Qwen-Modellkarte nennt CLINE namentlich, und Mistral AI hat Devstral Small 2 mit 24B unter Apache 2.0 veröffentlicht. Das wichtigste Kapitel ist die Kontextlänge. Der Standardwert von Ollama ist kein fester Wert, sondern ergibt sich aus dem VRAM: unter 24 GiB nur 4k, zwischen 24 und 48 GiB 32k, ab 48 GiB 256k. Ein üblicher Gaming-PC landet damit bei 4k, der Agent überschreitet das mühelos und der Anfang des Gesprächs wird still abgeschnitten, ohne dass eine Fehlermeldung erscheint. Offiziell empfohlen sind für Coding-Werkzeuge mindestens 64000 Token, gesetzt über OLLAMA_CONTEXT_LENGTH beim Serverstart, danach die Prüfung mit ollama ps, ob wirklich alles auf der GPU liegt. Bei der Modellwahl stehen nur Herstellerangaben: Qwen3.6-35B-A3B mit 3B aktiven Parametern, 262.144 Kontext und SWE-bench Verified 73,4 gegen Devstral Small 2 mit 68,0 Prozent. Dazu kommen die Abgrenzung zwischen Continue und Cline, Richtwerte für den Arbeitsspeicher, die Frage, warum sich der Abstand zur Cloud kaum noch messen lässt, seit die Frontier-Modelle SWE-bench Verified nicht mehr ausweisen, eine ehrliche Kostenrechnung und sieben FAQ-Antworten von 8 GB VRAM über den Mac bis zur Nutzung mit Firmencode.

Am 16. Juli 2026 hat Moonshot AI Kimi K3 veröffentlicht, ein Modell mit 2,8 Billionen Gesamtparametern. US-Halbleiteraktien wurden abverkauft, und die Geschichte eskalierte bis zu einem Vertreter des Weißen Hauses, der dem Unternehmen namentlich vorwarf, Anthropics Modelle destilliert zu haben. Weil die Zahlen und sogar die Bezeichnungen je nach Quelle auseinandergehen, gleicht dieser Artikel die Benchmark-Herausgeber, die Wirtschaftspresse, Moonshots eigene Ankündigungen und die tatsächliche Seite auf Hugging Face ab und nennt jeweils, wer die einzelne Zahl erhoben hat. Bei der Leistung stehen 57 Punkte und Platz 3 im Artificial Analysis Intelligence Index (Stand 17. Juli 2026, wobei es auch Zählungen gibt, die dieselben 57 Punkte auf Platz 4 und Platz 7 führen). Bei GDPval-AA v2, der praxisnäheren Kennzahl, liegt K3 bei 1668 gegenüber 1760 für Fable 5 und 1600 für Opus 4.8 — ein Sprung von 478 Punkten gegenüber dem Vorgänger K2.6 mit 1190, und es war dieses Verkürzen des Abstands und nicht die absolute Platzierung, das den Markt bewegte. Beim Coding holte es in der Frontend Code Arena von Arena.ai mit 1679 den ersten Platz (Fable 5 bei 1631), bei FrontierSWE verliert es dagegen mit 81,2 % gegen 86,6 % von Fable 5. Der Preis kippt mit dem Vergleich: $3 Eingabe und $15 Ausgabe sind rund 40 % günstiger bei der Eingabe und 40 bis 50 % günstiger bei der Ausgabe als Claude Opus 4.8 ($5/$25) oder GPT-5.6 Sol ($5/$30), und die gemessenen Kosten von $0.94 je Aufgabe liegen unter den $1.80 von Opus 4.8. Gegenüber chinesischen Konkurrenten ist es mit etwa dem Dreifachen von GLM-5.2 und dem 23-Fachen von DeepSeek V4 Pro jedoch das teuerste der Gruppe, der Abschlag um eine Größenordnung wie beim DeepSeek-Schock ist das also nicht. Bei den Gewichten spalten sich die Medien zwischen „Open Source“ (VentureBeat, SCMP) und dem „open weight“ von Reuters, und Letzteres ist der zutreffende Begriff. Die Gewichte sind wie angekündigt am 27. Juli 2026 erschienen und lassen sich ohne Freigabeantrag von Hugging Face herunterladen (96 safetensors-Shards). Die zusammen mit ihnen veröffentlichte Lizenz ist Moonshots eigene „Kimi K3 License“: eine MIT-ähnliche Erlaubnis plus zwei Bedingungen — eine gesonderte Vereinbarung für jedes Model-as-a-Service-Geschäft mit mehr als 20 Millionen US-Dollar Umsatz und ein gut sichtbarer Hinweis auf „Kimi K3“ in der Oberfläche von Produkten mit mehr als 100 Millionen monatlich aktiven Nutzern. Weil sich die Erlaubnis mit der Größe des Nutzers ändert, ist es nach der OSI-Definition kein Open Source; der Streit um die Bezeichnung ist damit durch den Lizenztext entschieden. An den Märkten fiel der Nasdaq am Freitag um 1,5 %, Taiwan um mehr als 6 %, Japan um 4 %, und der Halbleiter-ETF (SMH) rutschte über 20 % unter sein Hoch von Ende Juni; der Wochenrückgang des SOX wird je nach Medium aber zwischen -9 % und -12,5 % angegeben, und die Verluste wurden später von Schnäppchenjägern eingedämmt. Den Destillationsvorwurf weisen Forschende wegen der Zeitschiene zurück — 15 Tage zwischen Fables Veröffentlichung am 1. Juli und dem Start von K3 am 15. Juli —, und Belege wurden nicht öffentlich gemacht. Tempo (Messungen zwischen 33 und 62 Token pro Sekunde, dazu ein Warnhinweis von OpenRouter auf häufige 429er durch knappe Kapazität), die von 39 % auf 51 % gestiegene Halluzinationsrate und der klare Abstand im Nutzungserlebnis, den Moonshot selbst einräumt, werden durchgehend mit ausdrücklichen Konfidenzangaben behandelt.

Anthropic hat Claude Opus 5 am 24. Juli 2026 veröffentlicht und beschreibt das Modell in der eigenen Dokumentation als Sprung statt schrittweise Verbesserung gegenüber Opus 4.8 — und trotzdem bewegt sich der Preis nicht: $5 Input / $25 Output pro Million Tokens, exakt die Hälfte des Flaggschiffs Fable 5 ($10 / $50). Dieser Artikel gleicht die offizielle Ankündigung und die Dokumentation mit mehreren Berichten ab und ordnet die Eckdaten ein (claude-opus-5, 1M Kontext als Standard und Maximum zugleich, 128K maximaler Output, Wissensstand Mai 2026), die Preise inklusive Cache-Raten und Fast Mode (rund 2,5-fache Geschwindigkeit zum doppelten Preis, nur über die Claude API), die Benchmarks (Anthropic schreibt selbst, dass Frontier-Bench mehr als das Doppelte von Opus 4.8 erreicht, CursorBench 3.2 innerhalb von 0,5 % von Fable 5 landet, ARC-AGI 3 das Dreifache des Zweitplatzierten erzielt und OSWorld 2.0 Fable 5 zu rund einem Drittel der Kosten schlägt; aus Diagrammen abgelesene Pressewerte nennen Frontier-Bench 43,3 %, ARC-AGI-3 30,2 %, GDPval-AA 1.861 und OSWorld 70,6 %) sowie die Stellen, an denen Opus 5 weiterhin unterliegt (68,8 % gegenüber 72,7 % von GPT-5.6 Sol in DeepSWE v1.1, offensive Sicherheit und langfristige Biologieforschung, wo Mythos 5 führt, und Konstellationen, in denen Effort max schlechter abschneidet als niedrigere Stufen). Danach folgen die beiden Breaking Changes der API (Thinking ist standardmäßig aktiv, weshalb knapp bemessene max_tokens-Budgets zu abgeschnittenen Antworten führen; Thinking lässt sich nur bei Effort high oder darunter abschalten, xhigh oder max liefert einen 400-Fehler), die Wahl unter den fünf Effort-Stufen, neue Funktionen wie Tool-Änderungen mitten im Gespräch, eine auf 512 Tokens halbierte Cache-Mindestlänge und der Fallback-Modus default, das veränderte Verhalten mit längeren Antworten, mehr Kommentierung, bereitwilligerer Delegation und unaufgeforderter Selbstprüfung — mit der Migrationsregel, dass man Prompt-Text entfernt statt ergänzt — und schließlich, wer jetzt migrieren sollte, samt einer Checkliste in sechs Schritten.

Am 8. Juli 2026 hat OpenAI mit GPT-Live die Sprachfunktion von ChatGPT von Grund auf erneuert: ein Vollduplex-Modell, das hört und spricht zugleich – es gibt Hörsignale, fängt Unterbrechungen auf und schneidet nachdenkliches Schweigen nicht ab. Mit einer Latenz von <250ms erreicht es ein menschennahes Gesprächstempo; tiefes Schlussfolgern und Web-Suche werden im Hintergrund an GPT-5.5 delegiert. Free nutzt GPT-Live-1 mini, Go/Plus/Pro GPT-Live-1. Dieser Beitrag erklärt Funktionsweise, Unterschiede zum Advanced Voice Mode, Tarife, aktuelle Einschränkungen und die Abgrenzung zu GPT-Realtime.

Genau die Leute, die das Zeichnen aufgegeben haben, weil sie „nicht zeichnen können“, finden im KI-Zeichnen einen Spielplatz. Bring das Bild in deinem Kopf in Worte, und es wird zu Kunst; ein Handyfoto oder das Gekritzel eines Kindes verwandelt sich in Sekunden in ein Kunstwerk. Das ist kein Tool-Vergleich und kein ernsthafter Kurs — es ist ein Ideen-Spielbuch für Spaß allein oder mit der Familie. Von kostenlosen Tools für den Anfang (ChatGPT, Google Gemini, Microsoft Copilot, Canva) über 10 Ideen (① Gekritzel in Kunst ② Foto in neuem Stil ③ eigene Figur durch Szenen ④ Kinderzeichnung als Bilderbuchseite ⑤ eigene Emojis ⑥ Vierbild-Comics ⑦ Was-wäre-wenn-Mashups ⑧ eigene Ausmalseiten ⑨ Zimmer-Makeover ⑩ Zeichen-Duelle) bis zu kleinen Tricks für bessere Bilder und drei Dingen, die du vor dem Spielen wissen solltest (keine fremden Gesichter nutzen, Rechte und kommerzielle Nutzung prüfen, es als KI-gemacht kennzeichnen).

Ollama ist das erste Tool, das du für lokale LLMs installieren solltest – es nimmt dir die mühsame Einrichtung fast vollständig ab, sodass du ein Modell mit einem einzigen Befehl herunterladen und sofort loschatten kannst. Dieser Einsteiger-Leitfaden führt von A bis Z durch Installation (Win/Mac/Linux), die wichtigsten Befehle, das Beschaffen und Auswählen von Modellen nach VRAM-Größe, GUIs wie Open WebUI, die lokale und OpenAI-kompatible API zum Einbinden in eigene Apps, Anpassung über Modelfile und Umgebungsvariablen sowie Fehlerbehebung – damit du Ollama als „Docker für LLMs“ schnell zum Laufen bringst.

Welches lokale LLM solltest du installieren? Dieser Leitfaden für 2026 ordnet die wichtigsten Modellfamilien – Qwen, Llama, Gemma, DeepSeek, Mistral, Phi und mehr – nach Entwickler, Herkunftsland, Einsatzzweck, Größe und Lizenz, damit du das passende „erste Modell“ für deinen PC findest. Mit einem eigenen Abschnitt zu deutschen und europäischen Modellen wie Teuken-7B (OpenGPT-X/Fraunhofer), Aleph Alpha, den Llama-Feintunings LeoLM und DiscoLM sowie Mistral aus Frankreich – plus klaren Empfehlungen nach VRAM-Größe, praktischen Tipps zur kommerziellen Lizenzierung und dem Hinweis, dass lokal betriebene Modelle deine Eingaben nie nach außen senden.

Du willst ein lokales LLM betreiben, weißt aber nicht, ob dein PC ausreicht? 90 % der nötigen Spezifikation hängt am VRAM – dem Speicher deiner GPU. Dieser Guide liefert eine VRAM-Schnelltabelle nach Modellgröße (7B bis 70B), eine einfache Formel zum Selbstrechnen, die oft übersehene Speicherfalle aus Kontextlänge und KV-Cache sowie realistische Geschwindigkeiten für gängige GPUs und Macs. Am Ende findest du empfohlene Konfigurationen in drei Budget-Stufen, damit auch Einsteiger sicher entscheiden können, welche Hardware sie wirklich kaufen sollten.

Ein lokales LLM auf dem eigenen PC oder cloudbasierte Dienste wie Claude, ChatGPT und Gemini — beide sind „LLMs“, unterscheiden sich aber klar in Leistung, Kosten, Datenschutz und Aufwand. Dieser Artikel stellt die Unterschiede in einem Vergleich nebeneinander und legt ehrlich dar, wie weit sich der oft missverstandene Leistungsabstand bis 2026 geschlossen hat. Anschließend führt er dich anhand deines Anwendungsfalls zu der Frage, wofür du dich entscheiden solltest — für die meisten Menschen ist Hybrid die Antwort. Geschrieben, sodass man ihn ohne Vorkenntnisse lesen kann.

Ein riesiges KI-Modell von Grund auf neu zu trainieren ist viel zu teuer, aber man möchte es nur für sich anpassen; LoRA (Low-Rank Adaptation) erfüllt diesen Wunsch, indem es das ursprüngliche Modell einfriert und nur ein winziges Zusatzteil (einen Adapter) trainiert, was die trainierbaren Parameter um rund 90% senkt. LoRA macht Fine-Tuning dramatisch günstiger und schneller und ist in der Bildgenerierung wie Stable Diffusion als kleine Datei, die eine Figur oder einen Stil hinzufügt, enorm beliebt. Dieser Artikel erklärt es mit einer Flicken-Analogie. LoRA ist das Aushängeschild des parametereffizienten Fine-Tunings (PEFT): die riesigen ursprünglichen Gewichte bleiben eingefroren, in jede Schicht wird eine kleine Zusatzmatrix eingefügt und nur diese trainiert (W = W0 + BA, wobei W0 eingefroren ist und BA der kleine hinzugefügte Teil). Es baut auf der Erkenntnis auf, dass die Anpassung einer KI keine großen Änderungen erfordert (ein niedriger Rang genügt). Vorteile: rund 90% weniger trainierbare Params (Berichten zufolge 10.000x weniger in GPT-3-Größenordnung), weniger GPU-Speicher (etwa 3x weniger), schnelleres und günstigeres Training, keine Inferenz-Latenz nach dem Verschmelzen des Adapters und geringeres Overfitting-Risiko. Die größte Stärke sind austauschbare Adapter: eine gemeinsame Basis behalten und je nach Anwendungsfall kleine (wenige-MB) LoRA-Dateien sofort tauschen (Support, Unternehmens-Tonfall, eine bestimmte Figur). Viele begegnen LoRA zuerst in der Bildgenerierung, wo Stable-Diffusion-LoRAs, die eine Figur, einen Stil oder ein Motiv gelernt haben, breit geteilt werden (Stil hinzufügen, Figur beibringen, leicht und teilbar). QLoRA kombiniert Quantisierung und trainiert LoRA auf einer 4-bit-Basis für ~4x weniger Speicher als Standard-LoRA, was das Fine-Tuning riesiger Modelle auf einer Consumer-GPU (manchmal CPU) mit minimalem Genauigkeitsverlust ermöglicht. Gegenüber dem vollständigen Fine-Tuning (alle Gewichte trainieren) unterscheidet sich LoRA bei den trainierten Gewichten, den Kosten, dem Ergebnis und dem besten Einsatz; für die meisten Arbeiten genügt LoRA. Die Basis behalten, klein würzen. Die Zahlen sind aus öffentlichen Materialien zitiert, als Richtwert.