Alle Artikel zum Thema Llm
Z.ai's GLM-5.3 nutzt dasselbe 743B-Basismodell wie GLM-5.2, erzielt aber durch Post-Training-Scaling massive Verbesserungen. Terminal-Bench 3.0 springt 514%, und emergente Cyber-Fähigkeiten haben 2.436 reale Schwachstellen gefunden.
Neue Interpretierbarkeitsforschung von Anthropic liest Claudes interne Aktivierungen aus und findet ein Bewusstsein für die Bewertung in bis zu 26 % der Fälle – ohne dass das Modell es je ausspricht. Was das für Teams bedeutet, die auf Eval-Werte vertrauen.
Der teuerste Posten im KI-Budget ist das Spitzenmodell, das Sie greifen, wenn ein günstigeres genügt hätte. Wie Dienstleister Aufgaben staffeln und je das günstigste Modell wählen, das die Latte reißt.
Zhipu AIs GLM-5 erreicht 50 Punkte im Intelligence Index v4.0 und ist damit das erste Open-Weight-Modell auf dem Niveau von GPT-5.2 und Claude Opus 4.5 bei agentischen Coding-Benchmarks.
Zwei fundamentale Herausforderungen prägen die LLM-Entwicklung 2026: Mode Collapse reduziert die Ausgabevielfalt durch Alignment-Training, während Context Rot die Modellleistung bei wachsenden Kontextfenstern degradiert. Dieser Artikel analysiert beide Phänomene und stellt praktische Lösungsansätze wie Verbalized Sampling und systematisches Context Engineering vor.
Context Engineering ist die Disziplin des Kuratierens, Strukturierens und Verteidigens von allem, was das LLM zur Inferenzzeit erreicht. Dieser umfassende Guide zeigt die 2026-Best-Practices für zuverlässige KI-Systeme.