Was ist ein LLM?

Die drei Wörter, in der Reihenfolge, die zählt

Nimm den Namen rückwärts auseinander.

Model. Ein Modell ist eine Funktion, die eine Eingabe in eine Ausgabe verwandelt, mit Regeln, die aus Daten gelernt und nicht von einem Programmierer geschrieben wurden. Das Wettermodell nimmt die heutigen Messwerte und gibt die Vorhersage für morgen aus. Ein Sprachmodell nimmt Text und gibt eine Wahrscheinlichkeit dafür aus, was als Nächstes kommt.

Language. Eingabe und Ausgabe sind Text, zerlegt in Tokens, also Wortstücke. Was sind Tokens in der KI behandelt die Einheit ausführlich; kurz gesagt liest und schreibt das Modell in Fragmenten von etwa drei Vierteln eines Wortes.

Large. Das Modell hat eine sehr große Zahl an Parametern, den internen Zahlen, die das Training anpasst. GPT-2 hatte 2019 1,5 Milliarden. GPT-3 hatte 2020 175 Milliarden. Der Katalog, den diese Seite 2026 bepreist, enthält ein Qwen-Modell mit 2,4 Billionen Parametern, von denen etwa 95 Milliarden bei jedem einzelnen Token aktiv sind. Large leistet im Namen eine Menge Arbeit, die Zahl ist in sieben Jahren um mehr als das Tausendfache gewachsen.

Ein LLM ist also ein sehr großer Vorhersager des nächsten Tokens. Jede andere Eigenschaft, die man ihm zuschreibt, das Schlussfolgern, der Tonfall, die selbstsicheren Fehler, folgt aus genau dieser einen Aufgabe.

Ein LLM ist kein Chatbot, und der Unterschied ist das ganze Produkt

ChatGPT ist eine App. GPT ist das Modell darin. Claude ist sowohl eine Modellfamilie als auch die App, die Anthropic darum baut. Bei Gemini und Google ist es die gleiche Geschichte. Was ist ein KI-Chatbot behandelt die App-Ebene, diese Seite geht es um den Motor.

Der Unterschied hört auf, akademisch zu sein, sobald man merkt, dass der Motor austauschbar ist. Dasselbe Chatfenster kann deine Nachricht an GPT, Claude, Gemini, DeepSeek oder Llama schicken, und die Antworten unterscheiden sich in Ton, Kosten, Geschwindigkeit und Genauigkeit. Ein Multi-Modell-Arbeitsbereich wie Whizi ist genau das: ein Fenster, 280+ Modelle dahinter und eine Auswahl, welches antwortet. Die App ist das Lenkrad. Das LLM ist der Motor, und davon gibt es Dutzende.

Wie ein LLM trainiert wird, in zwei Stufen

Stufe eins, Pretraining. Das Modell liest einen riesigen Textkorpus und versucht an jeder Position, das nächste Token zu erraten. Jeder falsche Versuch stellt die Parameter ein kleines Stück nach. Meta gab an, dass Llama 3 auf mehr als 15 Billionen Tokens vortrainiert wurde, was bei rund 100.000 Tokens für einen 75.000 Wörter langen Roman (drei Viertel eines Wortes pro Token) dem Text von rund 150 Millionen Büchern entspricht. Nach dieser Stufe ist das Modell eine hervorragende Autovervollständigung und ein schlechter Assistent: Stellt man ihm eine Frage, setzt es womöglich mit drei weiteren Fragen fort, weil Text im Internet das oft so macht.

Stufe zwei, Post-Training. Dem Modell werden dann Beispiele guter Antworten gezeigt, und Menschen bewerten, welche von zwei Antworten besser ist, ein Verfahren namens Reinforcement Learning from Human Feedback, kurz RLHF. Daher kommt das Assistentenverhalten: die Frage im gewünschten Format beantworten und manche Anfragen ablehnen. Das ist Coaching, kein neues Wissen. Die Fakten kommen weiterhin aus Stufe eins.

Aus den zwei Stufen folgen zwei Dinge. Das Wissen des Modells endet an dem Datum, an dem seine Pretraining-Daten enden, weshalb jedes Modell einen Wissensstichtag hat. Und keine der beiden Stufen installiert einen Faktenchecker: Das Modell hat gelernt, wahrscheinlichen Text zu erzeugen und danach sympathischen Text. Wahrheit ist bei beidem ein häufiger Nebeneffekt, keine Garantie. Warum KI Dinge falsch macht führt das weiter aus.

Warum ein LLM vorhersagt statt nachzuschlagen

Eine Suchmaschine ruft ab. Sie hat einen Index von Seiten und liefert die passenden zurück. Ein LLM hat keinen Index. Alles, was es beim Pretraining gelesen hat, wurde in seine Parameter komprimiert, und zur Antwortzeit erzeugt es aus dieser Komprimierung neu Text, Token für Token, wobei jedes Token aus einer Wahrscheinlichkeitsverteilung ausgewählt wird.

Deshalb kann ein LLM ein funktionierendes Rezept für ein Gericht schreiben, das es nie namentlich gesehen hat, und deshalb kann es auch ein Gerichtszitat erfinden, das nicht existiert. Beides sind plausible Fortsetzungen. Das Modell hat keinen separaten Mechanismus, der prüft, ob eine plausible Fortsetzung auch eine reale ist.

Die Lösung, die Produkte nutzen, ist Retrieval anzuflanschen: erst das Web oder die eigenen Dateien durchsuchen, dann dem Modell die Passagen geben und es bitten, daraus zu antworten. Diese Technik heißt RAG, und was ist RAG erklärt sie. Websuche in einer Chat-App ist RAG mit dem Internet als Quelle. Das Modell sagt weiterhin vorher, nur eben aus besserem Material.

Was der Preis innerhalb einer Familie bringt, gemessen

Jede Familie liefert eine Leiter: ein kleines Modell, ein mittleres, ein Flaggschiff. Der Artificial Analysis Intelligence Index, ein Gesamtwert über öffentliche Reasoning-, Coding- und Wissensbenchmarks, gibt jeder Sprosse eine Zahl, und das Leaderboard listet daneben einen kombinierten Preis pro Million Tokens. Die vier Leitern unten wurden am 2026-09-17 gelesen.

OpenAI kauft 15 Punkte zum 18-fachen Preis, Anthropic 35 Punkte zum 36-fachen, Qwen 19 Punkte zum 16-fachen. DeepSeek durchbricht das Muster: V4 Flash übertrifft V4 Pro bei weniger als der Hälfte des Preises. Zwei Dinge folgen daraus. Innerhalb einer Familie sind die letzten paar Punkte die teuren, bei einer kurzen Faktenfrage liefert das kleine Modell also dieselbe Antwort wie das Flaggschiff. Und über Familien hinweg ist der Preis ein schwacher Hinweis auf Qualität: DeepSeek V4 Flash erzielt für $0.27 pro Million Tokens zwei Punkte mehr als Claude Sonnet 5 für $5.09. Das ist als Käufer das nützlichste Einzelwissen über LLMs: Das Modell ist ein Regler, kein fester Preis. Whizi berechnet nach derselben Logik, ein Credit für eine Nachricht auf dem Hausmodell, 20 für Claude Opus 5, und bis zu 100 für die teuersten Reihen, was wie Whizi-Credits funktionieren pro Modell aufschlüsselt.

Der ehrliche Vorbehalt ist, dass ein zusammengesetzter Index ein Durchschnitt über Aufgaben ist. Bei einer langen Argumentationskette verdient sich das Flaggschiff seinen Preis, bei einem Umschreiben nicht. Für einen Vergleich, worin jede Familie tatsächlich gut ist, ist welches KI-Modell soll ich nutzen die Entscheidungsseite.

Was ein LLM nicht kann, in einer Liste

Alles unten ist eine Folge der Architektur, kein Bug, den die nächste Version behebt.

• Es kann nichts nach seinem Trainings-Stichtag wissen, außer Retrieval liefert ihm den Text.
• Es kann bei langen Eingaben nicht zuverlässig zählen, weil es in Tokens und Wahrscheinlichkeiten arbeitet, nicht in einer Schleife über Elemente.
• Es kann seine eigene Ausgabe nicht verifizieren, ein zweiter Durchgang desselben Modells ist derselbe Vorhersager, der erneut rät.
• Es kann sich zwischen Gesprächen nicht an dich erinnern, außer das Produkt speichert Notizen und fügt sie wieder ein, dieses Gedächtnis ist eine Produktfunktion, keine Modellfunktion.
• Es kann nicht das gesamte Gespräch für immer sehen. Jedes Modell hat ein Kontextfenster, den maximalen Text, den es auf einmal berücksichtigen kann, und was ist ein Kontextfenster erklärt, was passiert, wenn man daran stößt.

Die praktische Konsequenz: Behandle ein LLM wie einen flüssigen, gelegentlich falschen Kollegen und behalte die Überprüfung auf deiner Seite des Schreibtischs. Die Schleife, die aus einem Modell etwas macht, das eigenständig handelt, ist eine andere Sache, und was ist ein KI-Agent zieht diese Grenze. Bei allem, woran Kosten hängen, frag ein zweites Modell. Wenn zwei verschiedene Vorhersager übereinstimmen, ist das ein schwacher Beleg, wenn sie sich widersprechen, ein starkes Signal zum Nachprüfen.