Modelle
Die KI-Modell-Landschaft: wer baut was
Die Zahl der Sprachmodelle ist unübersichtlich geworden, und im Monatstakt kommen neue dazu. Diese Seite ordnet die Landschaft: welche Anbieter und Familien es gibt, was „proprietär“ von „open-weight“ unterscheidet und wie man trotz Hype zur richtigen Wahl für die eigene Aufgabe kommt.
Die großen Familien
Den Markt prägt eine Handvoll westlicher Anbieter mit proprietären Spitzenmodellen: Anthropic (Claude), OpenAI (GPT), Google (Gemini) und xAI (Grok). Daneben steht ein lebendiges open-weight-Lager, dessen Spitze derzeit überwiegend aus chinesischen Laboren kommt – DeepSeek, Moonshot (Kimi), Z.ai (GLM), Alibaba (Qwen) und MiniMax – ergänzt um Meta (Llama), das französische Mistral und Googles offenes Gemma.
Eine „Familie“ umfasst dabei meist mehrere Größen und Generationen: ein großes Flaggschiff, schnellere und günstigere Geschwister sowie nummerierte Versionen, die sich oft schon nach Monaten ablösen. Welches Modell wann erschienen ist und was es kostet, steht – mit Beleg – im Katalog.
Proprietär vs. open-weight
Proprietäre Modelle laufen nur über die API oder App des Anbieters. Man bekommt Spitzenleistung und null eigene Infrastruktur, gibt dafür aber Daten und Kontrolle aus der Hand und zahlt pro Token. Open-weight-Modelle stellen ihre Gewichte zum Download bereit – sie lassen sich lokal oder auf eigener Infrastruktur betreiben, was bei Datenschutz, Kostenkontrolle und Unabhängigkeit punktet.
Wichtige Abgrenzung: „open-weight“ ist nicht dasselbe wie „open source“. Offen sind meist nur die fertigen Gewichte, nicht die Trainingsdaten und das Trainingsverfahren – das Modell ist also nutz-, aber nicht reproduzierbar, und manche Lizenzen sind rechtlich noch ungetestet.
Wie groß ist der Leistungsabstand? Er ist ein bewegliches Ziel. Als datierter Snapshot (Mitte 2026, Artificial-Analysis-Index): Die open-weight-Spitze liegt rund zehn Indexpunkte hinter der proprietären – aber der Abstand ist über das letzte Jahr deutlich geschrumpft. Für viele Alltagsaufgaben ist die Lücke längst klein genug, dass die Wahl eher an Datenschutz, Kosten und Betrieb hängt als an reiner Leistung.
- Proprietär
- nur per API/App · Spitzenleistung, kein eigener Betrieb · Pay-per-Token · Daten extern
- Open-weight
- Gewichte herunterladbar · lokal/self-host möglich · Datenschutz & Kontrolle · Betriebsaufwand
- open-weight ≠ open source
- meist nur Gewichte offen, nicht Trainingsdaten/-code → nutzbar, nicht reproduzierbar
Merksatz Proprietär kauft Leistung ohne Betrieb; open-weight kauft Kontrolle mit Betrieb. Der Leistungsabstand schrumpft – die Entscheidung fällt zunehmend über Datenschutz und Kosten.
Open-weight-Modelle selbst betreiben →Was Recht & Datenschutz dazu sagen →
Es gibt kein „bestes“ Modell
Modelle sind in ihren Fähigkeiten ungleichmäßig – ein Modell, das eine Sache brillant kann, kann bei der nächsten überraschend schwächeln. Eine einzelne Rangliste, die ein „bestes“ Modell krönt, führt deshalb in die Irre. Die nützlichere Frage lautet immer: am besten wofür?
Das zeigt sich schon daran, dass verschiedene seriöse Messungen sich widersprechen. Auf den unabhängigen Fähigkeits-Indizes (Artificial Analysis) liegen andere Modelle vorn als beim menschlichen Geschmack (LMArena-Elo, eine Blind-Abstimmung echter Nutzer). Ein günstiges, schnelles Modell kann beim Nutzer-Geschmack mit einem viel teureren gleichziehen – und beim Coding trotzdem zurückfallen.
Merksatz Frag nicht „welches Modell ist das beste“, sondern „welches für meine Aufgabe“. Benchmark-Spitze und Nutzer-Präferenz sind nicht dasselbe.
Benchmarks und Ranglisten richtig lesen →Empfehlungen nach Aufgabe →
Tempo der Landschaft – und wie man wählt
Die Landschaft ist intransparenter denn je: bevorzugter Frühzugang für Lobredner, geleakte Benchmarks, firmeneigene Vergleichszahlen. Der quellenkritische Analyse-Kanal AI Explained bringt es auf den Punkt – die Szene zu ignorieren sei für Profis teurer denn je; der praktische Rat laute, sich nicht an ein Modell zu ketten, sondern mehrere Top-Modelle parallel zu nutzen und an der eigenen Aufgabe zu testen.
Für die konkrete Wahl helfen wenige nüchterne Kriterien mehr als jede Schlagzeile: die Aufgabe (Coding, Schreiben, Agenten, Multimodales), das nötige Kontextfenster, der Preis pro Token, die unterstützten Modalitäten und – oft unterschätzt – Lizenz und Datenschutz. Weil sich Versionen schnell ablösen, lohnt es sich, die Wahl regelmäßig zu überprüfen statt einmal festzulegen.
- Auswahl-Kriterien
- Aufgabe · Kontextfenster · Preis/Token · Modalitäten · Lizenz/Datenschutz · Verlässlichkeit
- Praktiker-Rat
- nicht an ein Modell ketten – mehrere parallel testen, regelmäßig neu prüfen
Preise und Kosten verstehen →Modelle nach Kennzahlen sortieren →