Kategorie: KI-News

Was steht in der Model Card von Nano Banana 2.1? Google DeepMind hat am 6. Oktober 2026 ein Dokument veröffentlicht, das Eigenschaften, Messwerte und bekannte Schwächen des Bildmodells bündelt. Wichtig für die Einordnung: Die Modellkarte stammt vom Hersteller selbst, und auch die Benchmarks darin hat Google selbst erhoben, überwiegend mit menschlichen Vergleichsbewertungen. Trotzdem ist eine Model Card kein Werbeprospekt. Sie ähnelt eher einem Prüfprotokoll bei der Hauptuntersuchung eines Fahrzeugs, das der Hersteller allerdings selbst ausfüllt: Beschrieben werden nicht die Fahrt, sondern Messwerte, vorgesehene Einsatzbereiche und dokumentierte Mängel.

Diese Analogie erklärt, warum eine Modellkarte so nüchtern klingt. Ein Prüfprotokoll sagt nichts darüber, ob ein Fahrzeug dir gefällt. Es sagt, was gemessen wurde, unter welchen Bedingungen und was gar nicht geprüft wurde. Genauso ist die Model Card von Nano Banana 2.1 aufgebaut: erst die Beschreibung, dann die Verweise auf das Basismodell, danach Benchmarks, Grenzen und Sicherheit.

Was die Model Card über das multimodale Modell festhält

Nano Banana 2.1 gehört zur Gemini-3-Familie, einer Reihe nativ multimodaler Reasoning-Modelle. Laut Model Card versteht das Modell Eingaben aus unterschiedlichen Quellen, konkret Text und Bilder, und erzeugt in der Antwort sowohl Bild- als auch Textausgabe. Als Eingabe nennt das Dokument Textstrings wie Prompts oder Dokumente sowie Bilder, bei einem Kontextfenster von bis zu einer Million Token. Auf der Ausgabeseite stehen Bilder mit einem Budget von 4K Token und Text mit bis zu 64K Token.

Nano Banana 2.1 erzeugt Bild und Text also in derselben Antwort. Wie das intern umgesetzt ist, beschreibt die Modellkarte nicht selbst; für die Architektur verweist sie auf das Basismodell. Für die Praxis ist vor allem der Einsatzzweck interessant, den Google nennt: Das Modell soll Geminis Weltwissen nutzen, um präzise Ergebnisse von komplexen Infografiken bis zu historisch stimmigen Szenen zu liefern. Verfügbar ist es laut Modellkarte in der Gemini-App, in Google AI Studio, über die Gemini API, im AI Mode der Google-Suche sowie in Google Ads, Google Flow und Google Stitch.

Warum fast alle Angaben auf Gemini 3.6 Flash verweisen

Der Abschnitt zu den Model Dependencies sagt es klar: Nano Banana 2.1 basiert auf Gemini 3.6 Flash. Dasselbe gilt für Architektur, Trainingsdatensatz, Datenverarbeitung, Hardware und Software. In allen diesen Punkten verweist die Model Card auf die Gemini 3.6 Flash Modellkarte, statt eigene Angaben zu wiederholen. Das wirkt wie ein bewusstes Vorgehen: Dokumentiert wird im Wesentlichen, was das neue Modell vom Basismodell unterscheidet.

Für Leser hat das eine praktische Folge. Wer verstehen will, woher die Trainingsdaten stammen, wie sie aufbereitet wurden oder auf welcher Hardware trainiert und betrieben wird, muss zwei Dokumente lesen. Die Modellkarte von Nano Banana 2.1 beschreibt im Wesentlichen das Delta, also die Bildausgabe, die Editierfähigkeiten und die zugehörigen Messungen. Der Rest steht im Prüfprotokoll des Grundmodells, und dessen Einschränkungen gelten weiter.

Wie Text-zu-Bild und Bildbearbeitung gemessen werden

Die Evaluation teilt sich in zwei Bereiche: Capability Sets und Regression Sets. Für die Capability Sets nutzt Google öffentliche Benchmarks und interne Tests. Zu den Capability Sets gehören auf der Seite der Bildgenerierung allgemeine Text-zu-Bild-Aufgaben, Textrendering über mehrere Sprachen hinweg, Factuality mit Weltwissen und Bildungsinhalten, Tool-Nutzung und visuelles Design. Auf der Bearbeitungsseite stehen allgemeine Bildbearbeitung, Stilisierung, Figurenkonsistenz, Objekt- und Umgebungseingriffe, Bearbeitung auf Basis von Kritzeleien (Ink), Multi-Image-Aufgaben wie die Neukontextualisierung mehrerer Produkte sowie Multi-Turn-Szenarien mit statischen und dynamischen Dialogen.

Die Regression Sets sind der Gegencheck. Sie bestehen aus häufigen Anwendungsfällen, die bereits auf Gemini 2.5 Flash Image und Gemini 3 Pro Image beobachtet wurden, und sollen sicherstellen, dass Nano Banana 2.1 keine spürbaren Rückschritte zeigt. Methodisch arbeitet Google mit zwei Verfahren: einem Side-by-Side-Humaneval, das über Präferenzurteile zu Elo-Werten führt, und einem einseitigen AutoRater für Factuality. Elo-Werte sind relative Größen. Sie beschreiben nicht, wie gut ein Bild in absoluten Maßstäben ist, sondern wie es im direkten Vergleich abschneidet.

Was die Benchmarks von Nano Banana 2.1 zeigen

In Googles eigenen Tests mit Stand Oktober 2026 liegt das neue Modell klar vorn. Bei der allgemeinen Präferenz für Text-zu-Bild erreicht Nano Banana 2.1 im Thinking-Modus 1050 Punkte (±14), ohne Thinking 1015 (±13). Die Vergleichsmodelle liegen darunter: Gemini 3.1 Flash Image („Nano Banana 2“, Thinking) kommt auf 990 (±7), Gemini 3 Pro Image („Nano Banana Pro“) auf 935 (±8). Beim Infografik-Design liegen die Werte bei 1048, 1001, 961 und 912, also dieselbe Reihenfolge. Auffällig ist die Factuality der Infografiken: 0,521 im Thinking-Modus gegenüber 0,328 ohne Thinking, 0,179 bei „Nano Banana 2“ und 0,265 bei „Nano Banana Pro“.

Bei der Bildbearbeitung setzt sich das Muster fort. Den größten Vorsprung zeigt die Konsistenz mehrerer Figuren. Allgemeine Bearbeitung liegt bei 1026 (±12) gegenüber 938 und 939 bei den Vergleichsmodellen. Figurenkonsistenz mit einer Figur erreicht 1028 (±14), mit mehreren Figuren sogar 1106 (±14) gegenüber 978 und 1011. Masken- und Kritzeleibearbeitung kommt auf 1049 (±15), Produktkonsistenz auf 1024 (±18), Stilisierung auf 1062 (±20) und Bearbeitung mit mehreren Referenzbildern auf 1066 (±22).

Drei Einschränkungen sind beim Lesen dieser Zahlen zu beachten. Erstens liegt der Thinking-Modus fast überall vorn, teils um dreißig bis vierzig Elo-Punkte; bei der Konsistenz einzelner Figuren und bei der Masken- und Kritzeleibearbeitung ist der Unterschied dagegen kleiner als die Fehlerbalken. Zweitens überschneiden sich die Konfidenzintervalle der älteren Vergleichsmodelle in mehreren Kategorien, während die Abstände zum neuen Modell meist klar außerhalb liegen. Drittens hat Google die Tests selbst durchgeführt und die Vergleichsmodelle selbst ausgewählt; Modelle anderer Anbieter fehlen, eine unabhängige Überprüfung gibt es nicht. Die Rangfolge innerhalb der Google-Modelle wirkt damit plausibel, mehr sagen die Zahlen nicht.

Wo das Modell an Grenzen stößt

Die Model Card benennt die Schwächen offen. Kleine Texte werden weiterhin schlecht gerendert und erscheinen im 1K-Modus oft unscharf; das gilt auch für lange Absätze und seitenfüllende Layouts. Die Konsistenz von Figuren ist zwischen Eingabebild und Ausgabebild nicht immer perfekt. Bei masken- oder kritzelbasierter Bearbeitung folgt das Modell Anweisungen nur teilweise, und Tinte bleibt mitunter stehen, obwohl sie entfernt werden sollte.

Hinzu kommen seltene, aber dokumentierte Effekte: Manchmal übernimmt ein bearbeitetes Bild die Körperhaltung und den strukturellen Aufbau des Ausgangsmotivs. Die räumliche Verortung, also links und rechts, geht gelegentlich durcheinander. Bei Weltwissen, 3D-Schlussfolgerungen und Factuality bleibt das Modell begrenzt, und wie jedes Grundmodell kann es halluzinieren. Gelegentliche Langsamkeit und Timeouts werden ebenfalls erwähnt.

Ein Punkt betrifft die zeitliche Einordnung. Der Knowledge Cutoff von Gemini 3.6 Flash liegt im März 2026, in manchen Domänen aber bereits im Januar 2025, analog zur Gemini-3-Modellfamilie. Wer Nano Banana 2.1 für aktuelle Inhalte nutzt, sollte also nicht davon ausgehen, dass der Wissensstand überall gleich frisch ist. Für ein Modell, das Fakten in Infografiken abbilden soll, ist das eine Einschränkung mit direkter Wirkung auf die Ausgabe.

Sicherheit, Frontier Safety und die praktische Einordnung

Beim Human Red Teaming prüfen spezialisierte Teams außerhalb der Modellentwicklung das Verhalten des Modells; ihre Erkenntnisse fließen zurück ins Entwicklungsteam. Nach Googles Angaben erfüllt Nano Banana 2.1 bei der Kindersicherheit die geforderten Startschwellen, die von Expertenteams zum Schutz von Kindern im Netz entwickelt wurden. Im allgemeinen Vergleich zeigt das Modell ähnliche oder bessere Sicherheitsleistungen als Gemini 3 Flash, und das Red Teaming fand bei einem Vergleich mit Gemini 3.1 Pro keine schwerwiegenden Bedenken.

Beim Frontier Safety Assessment stützt sich Google auf Evaluationen von Gemini 3.1 Pro und Gemini 3.7 Flash. Diese erreichten keine Tracked oder Critical Capability Levels, und da Nano Banana 2.1 nach Googles eigener Bewertung keine wesentlich neuen Fähigkeiten mitbringt, hält das Unternehmen es für unwahrscheinlich, dass das Bildmodell diese Schwellen erreicht. Außerdem arbeite Google laufend an der Widerstandsfähigkeit gegen Jailbreaks und habe die Schutzmaßnahmen im Frontier-Safety-Bereich zuletzt verstärkt. Dieser Teil des Dokuments zeigt sich kaum in Bildern, setzt aber den Rahmen für den produktiven Einsatz.

Die Model Card von Nano Banana 2.1 ist ein Fortschrittsbericht des Herstellers mit klarem Umfang. Als Stärken nennt Google Bildbearbeitung mit professioneller Präzision und schnellen Iterationen, klaren Text für Poster und komplexe Diagramme, Weltwissen mit langem Kontext und mehrsprachiges Textrendering. Ein Versprechen auf Perfektion ist sie nicht. Wenn du das Modell für eine Pipeline planst, lies die dokumentierten Grenzen als Arbeitsanweisung: kleine Schrift vermeiden, Figurenkonsistenz prüfen, maskenbasierte Eingriffe nachkontrollieren, Wissensstichtage beachten. Ein Prüfprotokoll hilft nur, wenn man es vor der Fahrt liest.

Quelle: deepmind.google

Mistral nennt für sein neuestes Modell eine Billion Parameter, von denen bei jeder Anfrage 49 Milliarden aktiv sind. Mistral Large 4 macht der französische Anbieter seit dem 6. Oktober als öffentliche Vorschau zugänglich. Alle folgenden Angaben stammen aus Mistrals eigener Ankündigung im Firmenblog; Benchmarks und Vergleiche sind also überwiegend Herstellerangaben. Technisch handelt es sich laut Produktbeschreibung um ein Mixture-of-Experts-Modell: Es besteht aus vielen spezialisierten Teilnetzen, von denen pro Anfrage nur ein Bruchteil anspringt. Solche Architekturen sollen Rechenkosten und Antwortzeiten senken, weil nie das ganze Modell rechnen muss.

Wichtiger noch als die Architektur sind die offenen Gewichte. Mistral will sie bis Ende des Monats veröffentlichen, zusammen mit Details zur Architektur, weiteren Benchmarks und der Methodik des Nachtrainings. Bis dahin läuft laut Unternehmen ein Red-Teaming in realen Umgebungen, mit Sicherheitsfirmen, geprüften Partnern und staatlichen Stellen, die dieselbe Modellversion mit reduzierter Moderation und erweiterten Cyber-Fähigkeiten bekommen. Wer selbst bestimmen will, was seine Systeme tun, kann mit offenen Gewichten selbst hosten und muss nicht auf einen Anbieter warten.

Eine Billion Parameter, von denen 49 Milliarden pro Anfrage arbeiten

Nativ multimodal heißt: Text und Bild kommen nicht über nachträglich angeflanschte Zusatzmodule zusammen, sondern stecken von Beginn des Trainings an gemeinsam im Modell. Laut Mistral wurde es von Grund auf auf 3.800 NVIDIA-Grace-Blackwell-Beschleunigern in eigenen Rechenzentren in Europa trainiert, und die öffentliche Vorschau läuft auf derselben Infrastruktur. Ein großer Teil der Trainingsdaten war mehrsprachig, über 160 Sprachen, darunter jede Amtssprache der Europäischen Union. Inoffiziell heißt das Modell ML4, ganz offiziell, so die Ankündigung mit Augenzwinkern, le Chonk.

Mistral nennt Mistral Large 4 das größte und leistungsfähigste eigene Modell und einen Meilenstein der offenen Gewichte. Nach eigenen Angaben hält es mit den stärksten Open-Source-Modellen weltweit mit und übertrifft alle Open-Weight-Modelle aus den USA oder Europa deutlich. Bei Unternehmensaufgaben in Cybersecurity, Finanzwesen und Recht soll es unter den offenen Modellen vorn liegen. Solche Sätze kommen vom Hersteller selbst. Was sie wert sind, zeigt sich erst an konkreten Zahlen.

Öffentliche Vorschau, offene Gewichte und die Frage der Souveränität

Die Preview-API steht ab sofort in Mistral Studio bereit, die Gewichte folgen Ende des Monats. Das Modell wird in mehreren Regionen weltweit verfügbar sein, darunter eine europäische Bereitstellung, die Mistral nach eigener Darstellung durchgängig selbst betreibt, unabhängig von anderen digitalen Dienstleistern und unter europäischem Recht. Wer ein Modell selbst hostet, entscheidet über Protokolle, Aufbewahrungsfristen und Zugriffsrechte und muss nicht damit rechnen, dass eine Funktion mitten im Betrieb abgeschaltet oder umgestellt wird.

Offene Gewichte sind allerdings nicht dasselbe wie Open Source im klassischen Sinn. Veröffentlicht werden die trainierten Parameter, also das Ergebnis des Lernprozesses, nicht die Trainingsdaten und in der Regel auch nicht der vollständige Trainingscode. Du kannst ein Modell damit inspizieren, lokal betreiben und weiterentwickeln, aber seine Herkunft nicht vollständig nachvollziehen. Wer das für die Compliance prüft, sollte den Unterschied kennen. Wie Mistral das bei Large 4 handhabt, ist noch offen; die Ankündigung äußert sich weder zur Lizenz noch zu den Trainingsdaten. Sie nennt nur, dass das Modell in enger Zusammenarbeit mit Unternehmen aus Finanzwesen, Fertigung, Logistik, Pharma und öffentlichem Sektor trainiert wurde und dieselbe Trainings-, Anpassungs- und Reinforcement-Learning-Umgebung nutzt, die Kunden über Mistral Forge buchen können.

Cybersecurity: Der Test, bei dem geschlossene Modelle verweigern

Nach Mistrals Darstellung liegt das Modell im Artificial Analysis Cyber Index, einer unabhängigen Bewertung, wie gut KI-Modelle Sicherheitslücken in realer Software finden und beheben, unter den fünf besten Modellen weltweit und führt die Open-Weight-Modelle außerhalb Chinas deutlich an. In einem Test des Index, bei dem ein Modell eine echte Schwachstelle in Open-Source-Software reproduzieren und anschließend patchen muss, erreicht es 82 Prozent, laut Mistral den höchsten Wert aller Modelle. In Cybench, einer Sammlung von 40 Aufgaben aus Sicherheitswettbewerben, löst es 93 Prozent. Mistral spricht von einem der höchsten Werte, die für ein Open-Weight-Modell gemeldet wurden.

Die zweite Hälfte des Arguments ist die Ablehnung. Mehrere führende geschlossene Modelle, darunter Claude Opus 5.5 und GPT-6 Astra, erzielen im selben Test Werte nahe null, weil sie die Aufgabe verweigern. Mistral führt das auf die Sicherheitsfilter der geschlossenen Modelle zurück. Software zu verteidigen beginne oft damit, zu beweisen, dass ein Fehler real ist, und genau diese Arbeit könnten solche Filter blockieren. Daraus formuliert Mistral eine unbequeme These: Wenn Angreifer dieselben Modelle mit Jailbreaks für offensive Zwecke nutzen, brauchen Verteidiger Systeme mit vergleichbaren Fähigkeiten, die nicht an denselben Verweigerungen hängen. Ob diese Abwägung aufgeht, lässt sich mit Benchmarks allein nicht beantworten. Die Version mit reduzierter Moderation gibt Mistral vorerst nur geprüften Partnern.

Das Modell soll auch jenseits dessen nützlich sein, worauf es explizit trainiert wurde. In internen Tests habe es bei der Analyse von Schadsoftware, der Priorisierung von Schwachstellen und dem Schreiben von Erkennungsregeln geholfen. Für Sicherheitsteams, die nachvollziehbare Abläufe brauchen, soll es auf privater Cloud oder im eigenen Rechenzentrum laufen. Gleichzeitig meldet Mistral, dass Mistral Large 4 im Lakera B3 AI Security Benchmark 93,3 Prozent der Angriffe abwehrt und beim KORA-Benchmark 1,691 erreicht, bei einem Maximum von 2. Auf Cyber-Prompts aus JailbreakBench, StrongREJECT und AgentHarm liegt die durchschnittliche Verweigerungsrate sogar höher als bei allen offenen Vergleichsmodellen.

Code, Agenten und der Blick auf Bilder

Im Software-Engineering erreicht Mistral Large 4 nach Herstellerangaben 61,7 Prozent auf DeepSWE v1.1, 59,4 Prozent auf SWE-Atlas-QnA und 28,3 Prozent auf Terminal-Bench 4. Der kombinierte Coding-Agent-Index liegt bei 49,8 Prozent und damit vor DeepSeek V4 Pro 0813 und Qwen3.8 Max. In einer verblindeten Bewertung mit Surge AI, bei der professionelle Annotatoren die Ausgaben auf einer Skala von 1 bis 5 beurteilten, landete die Vorschauversion mit 3,74 auf Platz zwei von fünf Modellen, hinter Claude Opus 5 mit 4,22 und vor Kimi K3, GLM-5.3 und GLM-5.2. Die Bewertung hat Mistral selbst durchführen lassen; sie misst Codequalität bei verdeckten Modellnamen, bleibt aber eine Momentaufnahme mit fünf Modellen.

Bei Agenten, also Systemen, die selbstständig Informationen sammeln, Werkzeuge bedienen und Ergebnisse abliefern, nennt Mistral 59,9 Prozent auf AutomationBench, einer Sammlung von 657 Geschäftsabläufen rund um Gmail, Google Sheets, Slack und Salesforce. Auf AA-Briefcase, das lange Wissensarbeit bewertet, kommt das Modell auf 1.393 Elo und liegt damit vor DeepSeek V4 Pro. Bei AutomationBench sieht Mistral sein Modell außerdem vor Kimi K3 und MiMo-V2.6-Pro. Ob ein Modell über lange Abläufe verlässlich bleibt, zeigt sich allerdings erst im eigenen Einsatz; Benchmarks liefern dafür nur einen Anhaltspunkt.

Am deutlichsten hebt Mistral den Sprung bei Bildern hervor. Das Modell liest komplexe Dokumente, Diagramme und natürliche Aufnahmen und verbindet visuelles Verankern mit agentischen Fähigkeiten: von der Auswertung gigapixelgroßer Satellitenbilder für Katastropheneinsätze bis zur Analyse technischer Zeichnungen, bei der so lange hineingezoomt wird, bis die Antwort sitzt. Beim visuellen Verankern, also dem präzisen Zuordnen von Bildbereichen zu Aussagen, übertrifft Mistral Large 4 nach eigenen Messungen sogar GPT-6-Astra im Dense-200-Test mit 42 zu 41 Prozent. Ein Prozentpunkt in einem einzelnen, von Mistral ausgewählten Test reicht allerdings nicht, um daraus einen generellen Gleichstand mit geschlossenen Spitzenmodellen abzuleiten.

Wissen, Recht, Finanzen und das Training am laufenden Modell

Bei wissenschaftlichen Aufgaben bezeichnet Mistral sein Modell als führend unter den offenen Gewichten, gemessen am SciCode-Verified-Test. In der Praxis soll es eine vollständige Hartree-Fock-Simulation in einem Durchgang erzeugen, also eine mehrstufige quantenchemische Rechnung, die aus einer ganzen Kette fortgeschrittener Einzelroutinen besteht. In eigenen Vergleichen argumentiere es präziser und strukturierter als GLM-5.3 und halte lange, anwendungsnahe Mathematikaufgaben durch. Für Wissensarbeit nennt der Anbieter außerdem FinWorkBench für Tabellenarbeit in Finanz und Buchhaltung sowie Harveys Legal-Agent-Benchmark, wo das Modell alle offenen Konkurrenten übertreffen soll. Externe Prüfungen durch vals.ai auf repräsentativen Rechts- und Finanzaufgaben sehen es nach Angaben von Mistral in beiden Fällen vor GPT-6-Astra.

Ein Abschnitt der Ankündigung handelt vom Training selbst. Mistral schreibt, dass Basismodelle sich schnell verbessern und die Nachbearbeitung Schritt halten muss: Ein Rezept, das für das gestrige Modell passte, lässt beim heutigen Leistung liegen, weil Aufgaben, die früher an die Grenze gingen, inzwischen trivial sind. Deshalb setzt das Unternehmen auf Reinforcement Learning, also auf Training anhand der Ergebnisse eigener Lösungsversuche, bei dem Schwierigkeit und Breite der Aufgaben mitwachsen. Eine gemeinsame, kombinierbare Schnittstelle erlaubt es, in einem Trainingslauf Aufgaben von kurzen Dialogen über wissenschaftliches Problemlösen bis zu Sicherheitsausrichtung und langfristiger Werkzeugnutzung zu mischen. Diese Umgebungen teilen sich Code-Sandboxes, Websuche und externe Schnittstellen. Bei der derzeitigen Größe von rund dreitausend GPUs erzeuge ein einzelner Trainingslauf etwa 33 Milliarden Tokens pro Tag, davon rund 16 Milliarden trainierbare.

Was das praktisch heißt

Für Teams, die heute über den Einsatz entscheiden, sind drei Punkte wichtig. Erstens lässt sich die Preview-API sofort testen, und wer eigene Aufgaben mitbringt, erfährt mehr über das Modell als aus jeder Benchmark-Tabelle. Zweitens lohnt es sich, auf die Gewichte und die zugehörige Lizenz zu warten, denn erst dann zeigt sich, ob Self-Hosting unter eigenen Regeln praktisch und wirtschaftlich trägt. Drittens sind viele der genannten Zahlen Herstellerangaben, teils aus internen Tests, und sollten auch so behandelt werden.

Für die Vorschau-API nennt Mistral 1,36 US-Dollar pro Million Eingabe-Tokens und 4,18 US-Dollar pro Million Ausgabe-Tokens. Das Modell soll zudem die Basis für eine neue Generation spezialisierter Mistral-Modelle werden. Finanziert wird der Ausbau laut Ankündigung aus einer Series-D-Runde über 3 Milliarden Euro, nach Mistrals Angaben die größte Eigenkapitalrunde, die ein europäisches Technologieunternehmen je eingesammelt hat. Der Reinforcement-Learning-Lauf hinter der Vorschau sei noch nicht abgeschlossen und zeige keine Sättigung; Mistral erwartet in den kommenden Wochen und Monaten deutliche Verbesserungen. Das ist eine Ankündigung, kein Messwert.

Unsere Einordnung: Ein offenes Modell mit einer Billion Parametern, trainiert auf europäischer Infrastruktur und unter europäischem Recht betreibbar, macht aus dem Schlagwort KI-Souveränität eine Frage der Infrastruktur. Ob ein Unternehmen im Ernstfall eigene Regeln anwenden darf, dürfte künftig weniger von Grundsatzpapieren abhängen als davon, wo die Gewichte liegen und wer den Strom dafür liefert.

Quelle: mistral.ai

Was ändert sich, wenn ChatGPT neben Bildern wirbt? OpenAI erweitert sein Werbeprodukt um visuelle Anzeigen, die neben generierten Bildern erscheinen. Wer ChatGPT um ein Bild bittet, kann künftig neben dem Motiv auch eine Anzeige sehen. Der Start läuft zunächst nur in den USA, im Verlauf dieses Monats, mit Produkten und Dienstleistungen einer ersten Testgruppe von Werbetreibenden. Laut OpenAI werden die Anzeigen deutlich gekennzeichnet und beeinflussen nicht, welche Antworten ChatGPT gibt.

Hinter der Ankündigung steckt mehr als ein neues Format. OpenAI baut seit diesem Jahr ein Anzeigengeschäft auf, das die kostenlose Version und die günstigen Abos mitfinanzieren soll. Im August wurde das Programm auf Indien ausgeweitet. Jetzt sollen Werbetreibende dazukommen, die lieber mit Bildern werben als mit Text. Wie die TechCrunch-Autorin Sarah Perez berichtet, sind parallel neue Messpartner und Verfahren zur Markeneignung angekündigt worden.

Man kann sich das wie eine Galerie vorstellen, die keinen Eintritt verlangt. Die Bilder hängen an der Wand, daneben Plakate von Sponsoren, die den Betrieb bezahlen. Solange die Plakate nicht bestimmen, welche Bilder entstehen, bleibt die Galerie eine Galerie. An dieser Grenze entscheidet sich, ob das Modell funktioniert. Sie verläuft nicht dort, wo die Anzeige steht, sondern dort, wo sie wirkt.

Visuelle Anzeigen direkt neben generierten Bildern

Bisher bekam, wer ChatGPT um ein Bild bat, nur das Motiv. Künftig kann daneben eine Anzeige stehen, die ein Produkt oder eine Dienstleistung bewirbt. Neu ist vor allem die Form: OpenAI will Werbetreibende gewinnen, die ihre Geschichte lieber mit Bildern erzählen. Ein Bild braucht keinen erklärenden Satz, es wirkt auf den ersten Blick. Und dieser Blick ist wach, sobald ein Motiv erscheint.

Vorerst bleibt die Einführung begrenzt. Die Anzeigen erscheinen in den USA, ab dem späteren Verlauf dieses Monats, zunächst von einer kleinen Gruppe Werbetreibender. Ein weltweiter Start ist das Ziel, aber nicht der erste Schritt. Alle Anzeigen sollen deutlich gekennzeichnet sein. Ob eine Kennzeichnung reicht, damit Nutzer Werbung von Inhalt unterscheiden können, ist offen — die Antwort hängt davon ab, wie aufdringlich die Formate ausfallen.

Warum OpenAI das Werbegeschäft jetzt ausbaut

Das Anzeigengeschäft ist kein Nebenprodukt, sondern eine Finanzierungsfrage. Die kostenlose Version und die günstigen Abos verursachen Rechenkosten, ohne direkt Erlöse zu bringen. Werbung soll laut TechCrunch die kostenlosen und günstigen Tarife mitfinanzieren. Mit 1,2 Milliarden wöchentlichen Nutzern, die Werbetreibende nach dem weltweiten Start erreichen könnten, ist die Reichweite da. Wie schnell das Geschäft bereits gewachsen ist, zeigt unser Beitrag zum bezahlten Platz in ChatGPT-Antworten; wer dort heute schon wirbt, steht in unserer Auswertung der ersten 15.000 Werbetreibenden.

Zeitlich folgt der Schritt auf den Start von Metas Muse, einer agentischen KI-App, die für alle kostenlos ist und laut TechCrunch zunehmend mit Chatbots wie ChatGPT konkurriert. Einen ursächlichen Zusammenhang stellt die Quelle nicht her. Naheliegend ist die Vermutung trotzdem: Wenn ein Wettbewerber kostenlos antritt, wird ein werbefinanzierter Gratiszugang wichtiger. Nach der Einführung der Anzeigen in diesem Jahr und der Ausweitung auf Indien im August sind die visuellen Formate der nächste Ausbauschritt.

Werbung als sanfter Druck in Richtung Abo

Anzeigen in einer Oberfläche, die man wegen ihrer Klarheit schätzt, können stören. Sarah Perez vermutet, dass genau das zum Teil gewollt sein könnte. Wer die Werbung nicht sehen will, kann auf ein bezahltes Abo wechseln. Damit wird aus dem Werbeformat zugleich ein Argument für das Abonnement. Die kostenlose Version bleibt frei, aber unbequemer. Den Mechanismus kennt man von anderen Plattformen.

Für die Finanzierung ist dieser doppelte Effekt attraktiv. Jede Anzeige bringt Erlös, und jeder Nutzer, der wegen der Anzeigen auf ein Abo wechselt, bringt planbare Einnahmen. Zusammen verringert das die Abhängigkeit von einer einzigen Einnahmequelle. Die Kehrseite: Wer die Oberfläche wegen ihrer Ruhe nutzt, verliert genau diese Ruhe. Wie stark das wiegt, hängt davon ab, wie oft und wie deutlich die Anzeigen erscheinen. Ein Format, das den Kern der Nutzung nicht berührt, wird anders bewertet als eines, das mitten im Ergebnis steht.

Messung: Woran Werbetreibende den Erfolg festmachen

Werbung ohne Messung verkauft sich schlecht. Deshalb ist die Liste der Partner mindestens so wichtig wie das Format. OpenAI erweitert das Angebot um Anbieter für Klick-Attribution, darunter AppsFlyer, Adjust, Triple Whale, Branch, Singular, Kochava, Airbridge, Tenjin, DV Rockerbox und Northbeam. Für die Messung über den gesamten Funnel kommen Fospha, Measured und INCRMNTAL dazu. Wer Budgets verteilt, will wissen, welcher Kontakt am Ende zum Kauf geführt hat. Ohne diese Kette bleibt jede Anzeige eine Behauptung.

Dazu kommen Anbieter für geografische Tests. Mit Haus, Measured und WorkMagic sollen Werbetreibende prüfen, wie Anzeigen in verschiedenen Regionen wirken. Das ist im Kern Marktforschung auf der Plattform selbst. Man lässt Regionen gegeneinander laufen und beobachtet, was passiert, wenn man Werbung zeigt — und wenn nicht. Solche Daten brauchen Geduld bei der Auswertung, liefern aber ein klareres Bild als reine Klickzahlen.

Markeneignung: Welche Marke neben welchem Motiv stehen darf

Der heikelste Punkt: welche Anzeige in welchem Umfeld erscheinen darf. Ein generiertes Bild kann alles zeigen, und nicht jede Marke will neben allem stehen. Deshalb entwickelt OpenAI mit DoubleVerify (DV) und Integral Ad Science (IAS) Pilotprojekte zur Markeneignung. Das Ziel ist ein besseres Verständnis der Werbeumgebung, das Werbetreibenden Sicherheit gibt. In der Galerie-Analogie ist das die Frage, ob ein Sponsor seine Tafel neben ein beliebiges Werk hängen möchte. Je feiner die Steuerung, desto eher lassen sich Marken überzeugen.

Was das konkret bedeutet

Für dich als Nutzer ändert sich erst mal wenig, wenn du in Deutschland oder Österreich unterwegs bist. Die Anzeigen starten in den USA, und ob und wann sie hierzulande kommen, ist offen. Die Richtung ist trotzdem klar: Die kostenlose Version von ChatGPT wird mehr und mehr zu einer Fläche, auf der auch andere etwas sagen wollen. Wer die Ruhe behalten will, hat eine Wahl — sie kostet Geld. Das ist keine neue Mechanik, aber eine, die man bewusst treffen sollte.

Für Werbetreibende öffnet sich ein Kanal mit enormer Reichweite — und einer sehr speziellen Situation. Der Moment der Bildgenerierung ist kurz, intensiv und schwer zu ignorieren. Ob Marken dort richtig hineinpassen, hängt davon ab, ob das Umfeld glaubwürdig bleibt. Werbung neben einem Motiv, das zu Marke und Aussage passt, wirkt. Werbung, die aufdringlich in denselben Blick fällt, schadet beiden Seiten.

Die eigentliche Entscheidung fällt nicht bei der Einführung, sondern im Alltag. Bleiben die Nutzer, die wegen des Nutzens kommen, funktioniert das Modell. Kippt die Wahrnehmung hin zu einem Raum, der einem ständig etwas verkaufen will, wandern Aufmerksamkeit und Erlöse ab. OpenAI setzt darauf, die Grenze zu halten. Ob das gelingt, lässt sich nicht ankündigen, sondern nur messen — und genau dafür baut das Unternehmen die Werkzeuge, von denen oben die Rede war.

Quelle: techcrunch.com

100 Millionen Dollar. So viel will Anthropic nach eigenen Angaben in die Ausbildung von KI-Ingenieuren stecken, gebündelt in einem Programm namens Claude Frontier Academy. Die Zahl steht in einem Bericht des US-Senders CNBC. Sie übersteigt die gesamten Weiterbildungsbudgets vieler mittelständischer Firmen. Und sie ist an ein Ziel gebunden: 10.000 ausgebildete Ingenieure bis Ende 2027. Für den Markt für KI-Talent ist das eine klare Ansage.

Die Ausbildung folgt laut Ankündigung dem Modell der medizinischen Facharztausbildung. Nicht Vorlesung, nicht Zertifikat nach zwei Online-Kursen, sondern simulierte Praxis, angeleitete Arbeit an Fallbeispielen und am Ende eine formale Anerkennung. Der Vergleich hilft zu verstehen, was das für Unternehmen bedeutet.

Was hinter der Anthropic KI-Ingenieur-Ausbildung steckt

Das Programm richtet sich nicht an Berufseinsteiger vom Campus, sondern an Ingenieure, die bereits bei Unternehmen arbeiten, die Teil des Claude Partner Network sind. Zu den ersten Gruppen gehören laut Anthropic Mitarbeiter von Accenture, Morgan Stanley und Novo Nordisk sowie von mehreren großen Beratungsfirmen. Die Zielgruppe sind also Menschen, die schon im Geschäft stehen und nun die Werkzeuge lernen sollen, mit denen ihre Arbeitgeber künftig arbeiten. Anthropic nennt die Rolle „frontier deployed engineer“ — wörtlich ein an der vordersten Front eingesetzter Ingenieur.

Der Begriff beschreibt eine Tätigkeit, die sich mit klassischen IT-Jobtiteln kaum fassen lässt. Gemeint sind Leute, die nicht im Forschungslabor Modelle trainieren, sondern beim Kunden sitzen, dessen Daten und Prozesse verstehen und daraus eine funktionierende Anwendung bauen. Sie brauchen zwei Dinge gleichzeitig: technische Sicherheit im Umgang mit Sprachmodellen und genug Geschäftsverständnis, um zu erkennen, welches Problem überhaupt gelöst werden muss. Diese Kombination ist selten. Shambhavi Shambhavi, bei Anthropic für Strategie und Betrieb im Partnergeschäft zuständig, sagt gegenüber CNBC, es brauche mehr Menschen, die sich in Unternehmens-IT und Geschäftskontext auskennen und gleichzeitig viel von KI verstehen.

Simulierter Einsatz, Residency, Zertifikat

Die Ausbildung beginnt laut Ankündigung mit einem „simulated enterprise deployment“ — einer nachgestellten Unternehmenseinführung, die mit einer benoteten Prüfung abschließt. Wer besteht, geht in eine Residency, also in eine Art Assistenzzeit, in der erfahrene Ausbilder anleiten und die Teilnehmer an Fallbeispielen üben. Erst danach folgen eine weitere Bewertung und die eigentliche Zertifizierung. Die ersten Absolventen sollen Anfang 2027 zertifiziert sein.

Die Anleihe bei der Medizin ist bewusst gewählt. In der Facharztausbildung lernst du nicht, indem du ein Lehrbuch über Symptome durcharbeitest, sondern indem du unter Aufsicht Patienten behandelst und deine Entscheidungen anschließend besprochen werden. Übertragen auf KI-Systeme: Die Teilnehmer üben an Fallbeispielen, machen Fehler in einer Umgebung, in der sie noch verzeihlich sind, und bekommen dafür Rückmeldung. Steve Corfield, bei Anthropic global für Geschäftsentwicklung und Partnerschaften zuständig, sagt, das Programm bilde Menschen so aus, wie das eigene Ingenieursteam lerne, und die Absolventen sollten zum Maßstab dafür werden, wie KI in einem Unternehmen gebaut wird.

Warum Unternehmen dieses Problem nicht allein lösen

Der Bedarf ist real. Daten des Analyseanbieters Draup, die CNBC exklusiv vorlagen, zeigen für dieses Jahr im Finanzsektor einen deutlichen Anstieg von Stellenausschreibungen für Forward-Deployed-Engineers und verwandte KI-Rollen. Unternehmen suchen bereits, finden aber nicht genug. Der Grund ist strukturell: Wer Finanzprodukte, Produktionslinien oder Zulassungsverfahren kennt, hat dieses Wissen über Jahre aufgebaut — und ist in der Regel kein Softwareentwickler. Wer Software baut, kennt diese Prozesse wiederum nicht. Eine Weiterbildung muss deshalb dort ansetzen, wo das Domänenwissen schon sitzt.

Das macht das Partner-Network-Modell für Anthropic attraktiv. Statt Personal zu verleihen, werden die Kunden selbst befähigt. Wer seine Leute ausbilden lässt, bindet sie fachlich an die Werkzeuge, mit denen sie danach arbeiten. Für das Unternehmen bleibt die Kompetenz im Haus, für Anthropic wächst die Zahl der Firmen, in denen Claude produktiv eingesetzt wird. Ausbildungsförderung wird damit zum Vertriebskanal, ohne dass jemand etwas verkaufen muss.

Der wirtschaftliche Kontext: IPO, Wachstum, rote Zahlen

Der Zeitpunkt der Ankündigung fällt in eine Phase, in der Anthropic auf den öffentlichen Markt drängt. Das Unternehmen wird laut Berichten noch in diesem Jahr an die Börse gehen und könnte dabei eine Bewertung im Bereich von zwei Billionen Dollar anstreben. Reuters berichtete unter Berufung auf eine durchgesickerte Fassung des Börsenprospekts von knapp 4,6 Milliarden Dollar Umsatz im vergangenen Jahr bei einem operativen Verlust von mehr als 8 Milliarden Dollar.

Die Ausbildungsoffensive verfolgt damit zwei Ziele. Sie mindert den Engpass, der den Verkauf bremst: Ohne Menschen, die KI-Systeme in Geschäftsprozesse einbauen können, bleiben Lizenzen ungenutzt. Und ein Programm, das zehntausend Fachkräfte durch eine anerkannte Zertifizierung führt, ist für Investoren ein Zeichen, dass hier etwas heranwächst. Verteilt man die 100 Millionen Dollar grob auf 10.000 Personen, landet man bei rund 10.000 Dollar pro Kopf — inklusive Curriculum, Ausbildern, Prüfungen und Zertifizierung. Ein Teil der Kosten dürfte bei den entsendenden Arbeitgebern liegen.

Was KI-Weiterbildung in Unternehmen dadurch konkret bedeutet

Für die Personalentwicklung heißt das, dass die Ausbildung von KI-Ingenieuren aus der Nische herauskommt. Es entstehen Zertifikate mit einem Namen, der am Arbeitsmarkt etwas bedeutet, und ein Ausbildungsweg, der über ein Wochenendseminar deutlich hinausgeht. Wenn du in einem Unternehmen für Weiterbildung zuständig bist, wird die Frage künftig nicht mehr lauten, ob es überhaupt Schulungen zum Thema KI gibt. Sie wird lauten, welche davon etwas taugen und ob sie an den Prozessen deines Hauses geübt werden.

Der zweite Punkt ist unangenehmer. Die wertvollsten Kandidaten für solche Programme sind nicht die Jüngsten im Team, sondern die Erfahrenen mit Prozesskenntnis und der Bereitschaft, sich technisch neu einzuarbeiten. Das lässt sich nicht verordnen, sondern braucht Zeit, Anreize und die ausdrückliche Erlaubnis, Fehler zu machen. Ein Unternehmen, das seine Leute in eine Residency schickt, muss sie für die Dauer der Ausbildung aus dem Tagesgeschäft nehmen, wie lange die dauert, hat Anthropic nicht gesagt. Diese Kosten tauchen in keiner Pressemitteilung auf, sie sind aber der eigentliche Preis.

Wie realistisch die Zahl 10.000 ist

Der Zeitplan ist sportlich. Wenn die ersten Ingenieure Anfang 2027 zertifiziert werden, bleibt für fast alle 10.000 Zertifizierungen im Grunde nur das Jahr 2027. Eine Ausbildung mit simuliertem Einsatz, Residency und Abschlussprüfung lässt sich nicht beliebig beschleunigen, ohne dass die Abschlussquote leidet. Es ist daher gut möglich, dass die Zahl zum Zieljahr nicht vollständig erreicht wird und das Programm anschließend verlängert wird. Das wäre nicht ungewöhnlich, es wäre der Normalfall.

Interessanter als die exakte Zahl ist ohnehin die Richtung, die sie anzeigt. Ein Anbieter von KI-Modellen investiert einen dreistelligen Millionenbetrag nicht in Rechenleistung, sondern in Menschen, die diese Modelle in Unternehmen zum Laufen bringen. Die Engstelle der Branche verschiebt sich damit von der Technik zur Anwendung. Die Werkzeuge werden weiter schneller, aber der Vorsprung entsteht künftig dort, wo jemand beides zusammenbringt — das eigene Geschäft und die Fähigkeit, KI darin einzubauen. Wer dafür Zeit investiert, investiert nicht in ein Modell, das in zwei Jahren abgelöst wird, sondern in eine Fähigkeit, die bleibt.

Quelle: cnbc.com

Aleph Alpha hat ein neues Sprachmodell veröffentlicht: Kolibri. Die Heidelberger Firma gibt die vollständigen Gewichte zum freien Download heraus. Kolibri ist auf Englisch und Deutsch ausgelegt und für souveräne, geschäftskritische Aufgaben in Behörden und regulierten Branchen gedacht. Wer das Modell braucht, lädt es von Hugging Face herunter, lizenziert unter Apache 2.0, und betreibt es in der eigenen Umgebung.

Damit besetzt ein Anbieter die Nische der Modelle, die nicht zwingend in eine fremde Cloud wandern müssen – ein Thema, das auch Moonshot AI mit Kimi K3 besetzen will. Kolibri baut auf dem früheren Kolibri Origin auf und entstand in der automatisierten Model Factory des Unternehmens. Die spannendere Frage ist deshalb nicht, ob das Modell in Benchmarks mithält, sondern ob es die Bedingungen erfüllt, unter denen Behörden und Industriekunden ein Modell überhaupt produktiv einsetzen dürfen.

384 Experten, sechs pro Anfrage: Kolibris Mixture-of-Experts-Architektur

Ein brauchbares Bild für dieses Open-Weight-Modell ist eine große Fachkanzlei. Hunderte Spezialisten sitzen im Haus, für einen einzelnen Fall werden nur wenige hinzugezogen. Genau das beschreibt Mixture-of-Experts. Kolibri hält 78,1 Milliarden Parameter im Reservoir, aktiviert pro Token aber nur 3,46 Milliarden davon. Von insgesamt 384 Experten werden jeweils sechs aktiv.

Der Vorteil: Die Wissensbreite eines sehr großen Modells trifft auf die Rechenkosten eines deutlich kleineren. Daran entscheidet sich in der Praxis, ob ein Modell wirtschaftlich betreibbar ist. Wer eine Maschine mit 78 Milliarden aktiven Parametern durchgehend rechnen lässt, bezahlt das mit Strom, Kühlung und Hardware. Rechnerisch aktiviert Kolibri pro Token gut ein Zwanzigstel seiner Parameter.

Auch die Aufmerksamkeitsmechanik folgt diesem Sparsamkeitsgedanken. In zehn von fünfzig Schichten rechnet das Modell mit voller Aufmerksamkeit über den gesamten Kontext, in den übrigen vierzig arbeitet es mit einem gleitenden Fenster von 512 Token. Dieses Sliding Window begrenzt, wie viele Beziehungen zwischen weit auseinanderliegenden Textstellen gleichzeitig verfolgt werden. Ein bewusster Kompromiss: volle Sicht dort, wo sie am meisten bringt, günstige Nähe überall sonst.

Eine Million Token Kontext: ganze Aktenberge in einem Durchgang

Im Training wurde Kolibri bis auf 256.000 Token Kontext adaptiert. Ausgeliefert wird das Modell jedoch mit Einstellungen, die den Betrieb bei 1.048.576 Token erlauben. Die Modellkarte auf Hugging Face empfiehlt allerdings selbst, für effizienten Betrieb und komplexe Aufgaben höchstens 262.144 Token zu nutzen. Ein Token ist grob ein Wortteil, ein deutsches Kompositum zerfällt oft in mehrere. Eine Million Token entspricht damit in etwa einer mittelgroßen Aktenlandschaft, mehreren Gesetzbüchern oder einer umfangreichen Codebasis.

Für die Praxis ist das der Unterschied zwischen Stückwerk und Zusammenhang. Statt Dokumente häppchenweise in ein Modell zu werfen und die Ergebnisse anschließend mühsam zusammenzusetzen, lässt sich ein Vorgang in einem Durchgang bearbeiten. Kolibri kann damit Querverweise sehen, die bei kleinen Kontextfenstern verloren gehen.

Zwei Dinge sollte man trotzdem auseinanderhalten. Ein großes Kontextfenster ist kein perfektes Gedächtnis. Die Qualität der Verarbeitung nimmt über die Länge typischerweise ab, und die Rechenkosten steigen überproportional. Die maximale Länge ist eine Obergrenze, kein Versprechen – das sieht auch der Hersteller so, wenn er ein Viertel davon als sinnvolle Betriebsgröße nennt. Wer Kolibri einsetzt, sollte für den eigenen Anwendungsfall prüfen, bis zu welcher Textlänge die Antworten noch belastbar bleiben.

Deutsch als gleichwertige Sprache: 21,3 Prozent der Vortrainingsdaten

Deutsch macht 21,3 Prozent der Vortrainingsdaten aus. Das klingt nach wenig, ist für ein Modell dieser Klasse aber ein Statement. Viele offene Modelle sind vorwiegend auf Englisch trainiert und zerlegen deutsche Wörter in mehr und kleinere Stücke.

Aleph Alpha verwendet ein zweisprachiges Vokabular mit 128.000 Einträgen und einen Tokenizer, der deutsche Komposita erhält. Wörter wie Verwaltungsverfahrensrecht oder Betriebsrentenstärkungsgesetz sollen so nicht in bedeutungslose Silben zerfallen. Das spart Token, und gesparte Token bedeuten geringere Kosten und weniger Informationsverlust pro Satz.

Das Modell bietet außerdem vier Denkstufen: none, low, medium und high. Wer eine simple Klassifikation braucht, wählt keine Reasoning-Kette und spart Rechenzeit. Wer ein Gutachten strukturieren will, schaltet hoch. Dazu kommt Tool Calling, also die Fähigkeit, externe Funktionen aufzurufen. Aleph Alpha nennt als Schwerpunkte Deutsch, Mathematik, Programmierung, Langkontext und agentische Aufgaben.

Training in Deutschland und Finnland: warum Kolibri On-Premises läuft

Trainiert wurde Kolibri auf 768 B200 GPUs. Den Anfang machten 20 Billionen Token über 21 Tage, danach folgten Mid-Training und eine Phase zur Anpassung an lange Kontexte. In Summe kommen fast 24 Billionen Token zusammen. Entscheidend ist weniger die Zahl als der Ort: Entwicklung und Training fanden in Deutschland und Finnland statt.

Daraus ergibt sich das eigentliche Verkaufsargument für souveräne KI in regulierten Branchen. Aleph Alpha kontrolliert nach eigener Aussage Datenkuratierung, Training, Evaluation, Gewichte und Bereitstellung. Die On-Premises-Bereitstellung erfolgt über das eigene Inference-Paket und ein modellspezifisches vLLM-Plugin, das auch die Parser für Reasoning und Tool-Aufrufe mitbringt.

Für eine Behörde heißt das: Interne Vorgänge müssen nicht an einen fremden Inferenzdienst geschickt werden. Datenhoheit ist hier keine Marketingfloskel, sondern eine technische Eigenschaft der Installation. Wer reguliert ist, weiß, dass diese Frage in jedem Beschaffungsverfahren zuerst gestellt wird.

Verweigern statt Raten: Merlin-Arthur und die 44 Prozent

Ein Sprachmodell, das selbstbewusst falsch antwortet, ist in der Verwaltung schlimmer als eines, das gar nichts sagt. Aleph Alpha hat Kolibri deshalb auf Verweigerungsbeispiele trainiert und mit dem eigenen Merlin-Arthur-Verfahren konfrontiert. Dieses Verfahren lehrt das Modell, eine Antwort zurückzuhalten, wenn die Belege fehlen.

In den firmeneigenen Tests vermied Kolibri bei 44 Prozent der AA-Omniscience-Aufgaben eine falsche Antwort, der Vorgänger Kolibri Origin lag laut Modellkarte bei 15 Prozent. Richtig beantwortet hat Kolibri dabei allerdings nur 14,8 Prozent der Fragen – der Rest der vermiedenen Fehler sind Enthaltungen. Andere Modelle derselben Vergleichstabelle liegen bei der Fehlervermeidung zum Teil deutlich höher, etwa Qwen3.8 27B mit 67,3 Prozent. Im M/A-Grounding-Score auf SQuAD erreicht Kolibri 23,4 Punkte. Solche Werte sind keine Eleganznote, sondern eine Risikokennzahl.

Die Kehrseite ist ebenso real. Ein Modell, das zu oft schweigt, wird unbrauchbar, weil Menschen dann wieder selbst suchen. Die Kunst liegt im richtigen Maß. Deshalb lohnt es sich, Verweigerungsraten nicht nur zu bewundern, sondern am eigenen Datenbestand nachzumessen.

Benchmarks aus dem eigenen Haus und ihre Grenzen

Aleph Alpha meldet für Kolibri 75,5 Punkte im englischen Gesamtdurchschnitt und 70,8 im deutschen. Bei AIME 2025, einem Mathematikwettbewerb, sind es 96,9. LiveCodeBench v6 liegt bei 85,9, BFCL v4 für Funktionsaufrufe bei 61,4. Dazu kommen branchenspezifische Testreihen für öffentliche Verwaltung, Automobil, Halbleiter, Industrietechnik und Luftfahrt, die ohne Kundendaten auskommen.

Diese Zahlen stammen vom Anbieter selbst, erhoben mit eigenen Testumgebungen und, wo möglich, mit der höchsten Denkstufe. Das ist kein Grund, sie zu verwerfen, aber ein Grund, sie als das zu lesen, was sie sind: eine Selbstauskunft. Aleph Alpha behauptet, Kolibri liege auf der Pareto-Grenze zwischen Qualität und Betriebskosten und halte bei Mathematik, Code, Grounding, Agentik und Langkontext mit Modellen mit, die bis zu viermal so viele aktive Parameter haben.

Was heißt das konkret? Kolibri richtet sich nicht an alle. Wer ein schnelles Consumer-Modell für Alltagsfragen sucht, wird mit einem 78-Milliarden-Parameter-Modell auf eigener Hardware wenig Freude haben. Wer dagegen in einer regulierten Umgebung arbeitet, in der Daten das Haus nicht verlassen dürfen und lange Dokumente zusammenhängend bewertet werden müssen, bekommt hier eine weitere Option aus Europa. Die Gewichte sind offen, die Lizenz erlaubt den kommerziellen Betrieb, und die Entscheidung über Datenfluss liegt beim Betreiber. Wer Kolibri prüft, sollte mit dem eigenen Korpus testen, die Verweigerungsquote messen und die tatsächlich nutzbare Kontextlänge bestimmen. Alles andere sind Zahlen aus dem Prospekt.

Quelle: testingcatalog.com