Fast alles, was Sie heute „KI“ nennen, ist ein LLM. ChatGPT, Claude, Gemini: alles Large Language Models. Die Idee dahinter ist einfacher, als sie klingt.

Ein LLM rät das nächste Wortstück

Ein LLM zerlegt Text in Tokens, das sind meist Wortstücke. Dann fragt es sich: Welches Token passt jetzt am besten? Es hängt das Token an und fragt von vorn. Fachleute nennen das autoregressiv.

Das Grundgerüst heißt Transformer und stammt aus dem Jahr 2017 ¹. Bis heute bauen die großen Modelle darauf auf.

Darum sind LLMs gut, aber langsam

Weil jedes Token alle vorherigen sieht, bleibt der Text stimmig. Das ist die große Stärke. Der Nachteil: Man kann nicht parallel schreiben. Token zwei muss warten, bis Token eins fertig ist.

Genau hier setzen Diffusion und NCM an.

Reasoning ist kein eigener Typ

Reasoning-Modelle sind normale LLMs, die vor der Antwort länger nachdenken. Sie schreiben erst Zwischenschritte und dann das Ergebnis. Das kostet Zeit und Geld, hilft aber bei schweren Aufgaben. Billiger soll das mit Hybrid Reasoning Agents werden.

SLM: dasselbe, nur klein

Ein SLM (Small Language Model) ist ein kleines LLM. Es läuft auf dem Laptop oder Handy. Google baut Gemma 4 auch für diesen Einsatz ². Der Vorteil: Ihre Daten bleiben bei Ihnen. Der Nachteil: Bei schweren Aufgaben kommt es schneller an seine Grenzen.

Worauf ich im Alltag achte

Ein LLM klingt immer sicher, auch wenn es falsch liegt. Deshalb prüfe ich alles, was zählt: Zahlen, Quellen, Code. Bei Code geht das am besten mit Tests.

Für Text und Code bleibt ein LLM meine erste Wahl. Für reines Sortieren ist es aber oft zu langsam und zu teuer. Dafür gibt es Jev.

Stand: 01.11.2026. Herstellerzahlen sind nicht unabhängig geprüft. Titelbild: KI-generiert (MiniMax image-01).

Quellen

Vaswani et al.: Attention Is All You Need, 2017, arXiv:1706.03762.
Google Developers Blog: Bring state-of-the-art agentic skills to the edge with Gemma 4. https://developers.googleblog.com/bring-state-of-the-art-agentic-skills-to-the-edge-with-gemma-4/