Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch19. Juni 2024 · Q006202

Language models compose the large majority of large-scale AI models

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI gibt an, dass Sprachmodelle den größten Teil der 454 erfassten großskaligen KI-Modelle mit bekanntem Trainingsaufwand ausmachen und seit 2021 dominieren; daneben nennt der Bericht unter anderem multimodale, biologische, Video-, Bild-, Sprach- und Audiomodelle. Auswahl und Berechnungsmethode werden nicht erläutert, und die Tabelle reicht trotz eines Metadatums von Juni 2024 bis September 2025.

Mittel

Der Epoch-AI-Bericht vergleicht große KI-Modelle nach Anwendungsbereich, Trainingsaufwand, Organisation und Veröffentlichungsdatum. Laut Vorspann haben 363 von 454 Modellen mit bekanntem Rechenaufwand einen Sprachbezug; zusätzlich werden 93 Vision-Language-Modelle genannt. Der Bericht behauptet, dass Sprachmodelle seit 2021 die Entwicklung großskaliger Modelle prägen. Frühere Modelle mit mindestens 10^23 FLOP seien zunächst für Spiele entwickelt worden. Die Tabelle führt daneben Systeme für Multimodalität, Biologie, Video- und Bildgenerierung, Sprache, Bildverarbeitung und Audio auf.

Der Text enthält eine Übersicht und Beispieldaten, erläutert aber nicht, wie Modelle ausgewählt, Rechenwerte ermittelt oder Kategorien abgegrenzt wurden. Die Verteilung bezieht sich daher auf die erfasste Auswahl. Zudem nennt das Metadatum als Aktualisierungsdatum Juni 2024, während die Tabelle Veröffentlichungen bis September 2025 enthält; sie ist außerdem doppelt enthalten. Diese Abweichungen werden im bereitgestellten Text nicht erklärt.

Ausführlich lesen

Der Bericht von Epoch AI ordnet große KI-Modelle nach ihrem Anwendungsbereich, dem für das Training angegebenen Rechenaufwand in FLOP, der entwickelnden Organisation und dem Veröffentlichungsdatum. Seine zentrale Aussage lautet, dass Sprachmodelle den größten Teil der erfassten großskaligen Modelle ausmachen. Laut Vorspann umfasst die Auswertung 454 Modelle mit bekanntem Rechenaufwand; davon seien 363 Sprachmodelle. Zusätzlich nennt der Text 93 Vision-Language-Modelle, darunter GPT-4. Die genaue Beziehung zwischen diesen Zahlen und den Kategorien in der Tabelle wird im bereitgestellten Text nicht erläutert.

Der zeitliche Überblick beschreibt einen Wandel: Die ersten Modelle mit einem Trainingsaufwand von 10^23 FLOP seien für Spiele entwickelt worden; seit 2021 dominierten Sprachmodelle. Daneben listet die Darstellung Modelle aus Bereichen wie multimodaler KI, Biologie, Video- und Bildgenerierung, Spracheingabe beziehungsweise Spracherkennung, visueller Verarbeitung, Audio und Spielen. Die Tabelle nennt konkrete Systeme, Organisationen, Publikationsdaten und FLOP-Werte. Als Beispiele aus verschiedenen Bereichen erscheinen AlphaStar für Spiele, DALL·E 2 für Bildgenerierung, Whisper für Sprache, ESM3 für Biologie sowie GPT-4 und Gemini-Modelle unter „Multimodal“.

Das Vorgehen ist im vorliegenden Bericht im Wesentlichen als Katalogisierung und grafischer Vergleich nach Domäne und Veröffentlichungsdatum erkennbar. Ein erklärendes Verfahren zur Auswahl der Modelle, zur Ermittlung oder Prüfung ihrer Rechenwerte oder zur Definition der Kategorien ist im Text nicht beschrieben. Die Aussage zur Verteilung ist daher als Berichtsaussage über die erfasste Auswahl zu verstehen, nicht als belegte Zählung sämtlicher großer KI-Modelle.

Der übermittelte Quelltext weist außerdem Grenzen und Unstimmigkeiten auf: Die Metadaten nennen eine letzte Aktualisierung am 19. Juni 2024, während die Tabelle Modelle mit Veröffentlichungsdaten bis September 2025 enthält. Zudem ist die umfangreiche Tabelle im Text zweimal nahezu vollständig wiederholt. Der bereitgestellte Text erklärt diese Abweichungen nicht. Die Zusammenfassung gibt deshalb die angegebenen Trends und Zahlen wieder, ohne daraus eine vollständige oder zeitlich konsistente Bestandsaufnahme abzuleiten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung enthält eine sachliche Fehlstellung: Die 93 Vision-Language-Modelle sind Teil der 363 Sprachmodelle und nicht zusätzlich. Die Einordnung stützt sich nur auf den Bericht; die Sammelfragen sind im Bericht höchstens am Rande behandelt. Teilfragen wurden nicht angegeben und daher nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Robotik als weiterer Anwendungsbereich großskaliger Modelle, den der Vorspann nennt
  • Die Tabelle erscheint im Bericht doppelt; die Mittelfassung erwähnt dies, die Kurzfassung nicht

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Angabe, die 93 Vision-Language-Modelle kämen zusätzlich zu den 363 Sprachmodellen hinzu. Im Bericht sind sie Teil der 363 Sprachmodelle.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
  2. SF-F3 Welche Regeln gelten für gefährliche Fähigkeiten jenseits von Cyber, etwa in Biologie, Chemie, bei radioaktiven Stoffen oder in der Nukleartechnik?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 39 %gleiches Oberthema, hilft nicht
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 68 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 45 %gleiches Oberthema, hilft nicht
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 78 %Hintergrund, keine Belege
    • JEV 30 %Hintergrund, keine Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →