NachschlagenKI-Geschichte
Was wann passiert ist
Die Meilensteine, auf denen die Grundlagen aufbauen, in zwei Reihen auf einer gemeinsamen Zeitachse: die Kette zu den heutigen Sprachmodellen und, darunter, was daneben lief. Bei jedem Eintrag stehen die Primärquelle und das Datum, an dem sie zuletzt erreichbar war. Der auffälligste Befund steht gleich am Anfang: Zwischen der Arbeit, die alles möglich machte, und dem Tag, an dem die Öffentlichkeit davon Notiz nahm, liegen 5,5 Jahre.
SprachmodelleDie Kette, die zu den heutigen Modellen führt.
2012maßstäblich. Farbe ist die Spur, Größe ist das Gewicht: Beleg, wichtig, Wendepunkt (10). Dieselben Zeichen stehen unten vor jedem Eintrag.2026
Das UmfeldWas daneben lief, von der Bilderkennung bis zur Verordnung.12
Was hineinkommt. Aufgenommen wird, was eine Entwicklung angestoßen oder etwas zum ersten Mal möglich gemacht hat. Bei einer Entwicklung zählt der frühere Zeitpunkt, alles Spätere ist Verbesserung. Ein Datum ohne Primärquelle kommt nicht hinein, und was eingestellt wurde, bleibt stehen und bekommt ein Ende. Vollständig ist die Liste deshalb nicht, und sie soll es nicht sein.
Die Dichte der Punkte sagt, wie viel hier erfasst ist, nicht wie viel passiert ist. Ältere Jahre sind dünner besetzt, weil sie aus der Rückschau gefiltert sind. Als Beleg für Beschleunigung taugt diese Darstellung deshalb nicht.
Davor. Die Leiste beginnt dort, wo die Verfahren anfangen, die heute noch benutzt werden. Das Fach ist älter: Eine Konferenz in Dartmouth gab ihm 1956 seinen Namen, ELIZA führte in den sechziger Jahren vor, wie wenig es braucht, damit ein Programm verstanden wirkt, und 1997 verlor mit Garri Kasparow zum ersten Mal ein amtierender Schachweltmeister ein Wettkampfmatch gegen einen Computer. Diese Punkte stehen nicht auf der Zeitachse, weil sie den Maßstab der letzten drei Jahre unlesbar machen würden.
AlexNet, die Rechenleistung kommt ins SpielWendepunktForschungUmfeld
Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton stellen ein Netz vor, das sie auf zwei handelsüblichen Grafikkarten trainiert haben. Im Bilderkennungswettbewerb ImageNet unterbietet es die Fehlerquote der etablierten Verfahren so deutlich, dass die Konkurrenz im Folgejahr geschlossen auf dieselbe Bauweise umstellt. Der Bruch liegt weniger in der Idee als in der Einsicht, dass sich diese Netze mit genug Rechenleistung und genug Beispielen trainieren lassen. Ohne diesen Punkt gäbe es die Rechenkultur nicht, auf der fünf Jahre später der Transformer aufsetzt.
ImageNet Classification with Deep Convolutional Neural Networks (externe Seite, papers.nips.cc)geprüft 24.09.2026zur ZeitachseNeuronales Netz im GlossarTransformer im Glossar
Word2Vec, Bedeutung bekommt einen OrtForschung
Tomáš Mikolov und Kollegen bei Google zeigen mit der Arbeit „Efficient Estimation of Word Representations in Vector Space“, wie sich Wörter als Punkte in einem Raum darstellen lassen, in dem Nachbarschaft Ähnlichkeit bedeutet. Erzeugt wird die Lage allein daraus, in welcher Umgebung ein Wort im Text vorkommt. Damit wird Bedeutung rechenbar, ohne dass jemand sie beschreiben muss. Von hier führt die Linie zu den Embedding-Modellen, auf denen die Suche in eigenen Dokumenten heute steht.
Efficient Estimation of Word Representations in Vector Space (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 04: „Embedding, Bedeutung als Zahlenreihe“Embedding im GlossarVektorraum im Glossar
Aufmerksamkeit, das Modell sucht sich die StelleForschung
Dzmitry Bahdanau, Kyunghyun Cho und Yoshua Bengio übersetzen mit einem Netz, das den ganzen Ausgangssatz zuerst in einen Vektor fester Länge presst und daraus die Übersetzung erzeugt. Sie vermuten, dass genau diese feste Länge der Engpass ist, und lassen das Modell bei jedem Zielwort selbst suchen, welche Stellen der Eingabe dafür zählen. Die Arbeit nennt das weiches Suchen, geläufig wurde später das Wort Aufmerksamkeit. Der Transformer drei Jahre später baut allein auf diesem Mechanismus und lässt die schrittweise Verarbeitung weg.
Neural Machine Translation by Jointly Learning to Align and Translate (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“
Ein Bild entsteht aus RauschenForschungUmfeld
Jascha Sohl-Dickstein und Mitautoren beschreiben ein Verfahren, das die Struktur in Daten schrittweise zerstört und einem Netz beibringt, den Weg zurückzugehen. Wer den Rückweg gelernt hat, fängt bei reinem Rauschen an und bekommt am Ende ein Bild. Brauchbare Bildqualität brachte erst der Umbau der Trainingsvorschrift durch Ho, Jain und Abbeel, gut fünf Jahre später. Auf dieser Bauweise stehen die bekannten Bildmodelle der folgenden Jahre, Stable Diffusion an erster Stelle.
Deep Unsupervised Learning using Nonequilibrium Thermodynamics (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 14: „Ein Bild, das es vorher nicht gab“
Byte Pair Encoding für SpracheForschung
Rico Sennrich, Barry Haddow und Alexandra Birch übertragen in „Neural Machine Translation of Rare Words with Subword Units“ ein Verfahren aus der Datenkompression auf Text. Seltene Wörter zerfallen dabei in häufige Teile, statt als unbekannt zu gelten. Das löst ein praktisches Problem der Übersetzung und legt nebenbei fest, wie Modelle bis heute Text zerlegen: in Stücke unterhalb der Wortgrenze, die je nach Sprache verschieden groß ausfallen.
Neural Machine Translation of Rare Words with Subword Units (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 03: „Token, die Bausteine der Sprache“BPE im Glossar
AlphaGo schlägt einen ProfiWendepunktAnwendungUmfeld
DeepMind veröffentlicht in Nature die Arbeit hinter AlphaGo und meldet darin den ersten Sieg eines Programms gegen einen Go-Profi auf vollem Brett ohne Vorgabe. Go galt als unerreichbar, weil sich die Stellungen nicht durchrechnen lassen; AlphaGo lässt stattdessen zwei Netze die Suche lenken. Zwei Monate später verliert Lee Sedol vor Millionen Zuschauern mit 1:4. Der Ansatz, während des Spielens Rechenzeit einzusetzen statt nur beim Training, kommt 2024 bei den Sprachmodellen wieder.
Mastering the game of Go with deep neural networks and tree search (externe Seite, nature.com)geprüft 24.09.2026zur ZeitachseNeuronales Netz im GlossarReasoning-Modell im Glossar
Der TransformerWendepunktForschung
Acht Forscher bei Google veröffentlichen die Arbeit „Attention Is All You Need“ und stellen darin den Transformer vor. Bis dahin lasen Netze einen Text Wort für Wort in der Reihenfolge, in der er dasteht, und das ließ sich nicht auf viele Rechenkerne verteilen. Der Transformer betrachtet stattdessen alle Wörter zugleich und lernt, welche davon füreinander wichtig sind. Erst dadurch wird Training in dieser Größenordnung bezahlbar. Jedes GPT, jedes Claude und jedes Gemini steht auf dieser Arbeit.
Attention Is All You Need (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“Transformer im Glossar
GPT-1Modell
OpenAI stellt in „Improving Language Understanding by Generative Pre-Training“ ein Vorgehen in zwei Stufen vor: erst auf sehr viel unbeschriftetem Text vortrainieren, dann für einzelne Aufgaben nachjustieren. Der Vorteil liegt darin, dass die teure erste Stufe nur einmal anfällt. Das Muster gilt bis heute, und es steckt im Namen: Das G steht für generative, das P für pre-trained, das T für Transformer.
Improving Language Understanding by Generative Pre-Training (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“GPT im GlossarPre-Training im Glossar
BERT, die Wege gabeln sichForschung
Google stellt BERT vor, gebaut aus demselben Baustein wie GPT und mit umgekehrter Aufgabe. BERT liest einen Satz von beiden Seiten und erzeugt daraus eine Darstellung, mit der sich vergleichen, einordnen und suchen lässt. Fortgesetzt wird dabei nichts. Vier Monate nach GPT-1 stehen damit zwei Richtungen nebeneinander, die generative und die analytische. Die zweite wirkt heute unscheinbar und steckt trotzdem in jeder Suche: Ein großer Teil der Embedding-Modelle, die eine Suche in eigenen Dokumenten möglich machen, ist so gebaut.
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 04: „Embedding, Bedeutung als Zahlenreihe“Embedding im Glossar
GPT-2Modell
OpenAI stellt GPT-2 vor und hält das größte der vier Modelle zunächst zurück, aus Sorge vor massenhaft erzeugten Falschmeldungen. Technisch ist der Schritt eine Vergrößerung, bemerkenswert bleibt die Entscheidung: Es ist die erste öffentliche Auseinandersetzung darüber, ob ein Sprachmodell zu gut sein kann. Neun Monate später gab OpenAI das volle Modell doch frei, mit dem Hinweis, keine belastbaren Belege für Missbrauch gefunden zu haben.
Better language models and their implications (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“
Größe wird berechenbarForschung
Jared Kaplan und Mitautoren bei OpenAI messen, wie der Fehler eines Sprachmodells fällt, wenn Modellgröße, Datenmenge und Rechenaufwand wachsen. Heraus kommt ein Potenzgesetz, einzelne der Verläufe über mehr als sieben Größenordnungen. Damit lässt sich der Ertrag eines Trainingslaufs vorher abschätzen, und der Größenwettlauf der folgenden Jahre hat eine Rechnung hinter sich. Vier Monate später erscheint GPT-3. Die Empfehlung der Arbeit selbst, sehr große Modelle auf vergleichsweise wenig Daten zu trainieren, hat DeepMind später mit Chinchilla korrigiert: Bei doppelter Modellgröße gehört die doppelte Datenmenge dazu.
Scaling Laws for Neural Language Models (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachse
RAG, Nachschlagen statt ErinnernForschung
Patrick Lewis und Kollegen beschreiben in „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“ ein Verfahren, bei dem einem Modell vor der Antwort passende Textstellen vorgelegt werden, statt sich auf Gelerntes zu verlassen. Der Vorteil ist doppelt: Das Wissen bleibt austauschbar, und die Antwort lässt sich auf eine Fundstelle zurückführen. Das ist bis heute der übliche Weg zu Antworten aus eigenen Dokumenten. Es ist zugleich der Grund, warum eine schlechte Suche eine falsche Antwort erzeugt, obwohl das Modell fehlerfrei arbeitet.
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Agenten und Harness, Kapitel 03: „RAG, die Suche vor der Antwort“RAG im Glossar
GPT-3WendepunktModell
OpenAI zeigt in „Language Models are Few-Shot Learners“, dass ein ausreichend großes Modell Aufgaben löst, für die es nie eigens trainiert wurde, sofern man ihm im Text ein paar Beispiele vorlegt. Vorher brauchte jede neue Aufgabe ein eigenes Nachtraining mit beschrifteten Daten. Nun genügt eine Beschreibung in der Eingabe. Das ist der Grund, warum Prompting überhaupt funktioniert, und der Punkt, ab dem die Formulierung der Frage zur eigentlichen Arbeit wird.
Language Models are Few-Shot Learners (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“Few Shot im GlossarPrompt im Glossar
AlphaFold löst ein 50 Jahre altes ProblemWendepunktForschungUmfeld
Beim Wettbewerb CASP14 sagt AlphaFold 2 von DeepMind die räumliche Faltung von Eiweißen so genau vorher, dass die Ergebnisse an gemessene Strukturen heranreichen. Die Frage, wie sich eine Kette von Bausteinen im Raum anordnet, galt fünf Jahrzehnte als offen und war experimentell nur mit Monaten Laborarbeit je Molekül zu beantworten. Für die Zielgruppe, die in KI vor allem Textmaschinen sieht, ist das der nüchternste Gegenbeleg: Auch hier rechnet ein Netz mit dem Mechanismus der Aufmerksamkeit, an einer Frage, die mit Sprache nichts zu tun hat.
AlphaFold: a solution to a 50-year-old grand challenge in biology (externe Seite, deepmind.google)geprüft 24.09.2026zur Zeitachse
CLIP, ein gemeinsamer Raum für Bild und TextModell
OpenAI veröffentlicht CLIP, ein Bild- und ein Textnetz, gemeinsam trainiert auf 400 Millionen Bild-Text-Paaren aus dem Netz. Die Aufgabe ist eine einzige: vorherzusagen, welche Bildunterschrift zu welchem Bild gehört. Beide Netze landen dabei in demselben Raum, dieselbe Grundidee wie bei Word2Vec, nur über zwei Medienarten hinweg. Ein Bild lässt sich damit einer Kategorie zuordnen, indem man seine Nähe zu einem Satz aus Wörtern misst, ganz ohne eigens dafür trainierte Klassen. Fünf Jahre später baut Gemini Embedding 2 denselben Gedanken auf vier Medienarten aus.
Learning Transferable Visual Models From Natural Language Supervision (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 04: „Embedding, Bedeutung als Zahlenreihe“CLIP im Glossar
LoRA, Anpassen ohne die Gewichte anzufassenForschung
Hu und sieben Mitautoren zeigen, dass sich ein Modell auf eine Aufgabe abstimmen lässt, ohne seine Gewichte zu verändern. Trainiert werden kleine Zusatzmatrizen daneben, das Modell selbst bleibt eingefroren. Die Arbeit beziffert den Rückgang der trainierbaren Parameter mit dem Faktor 10.000 und den des Speicherbedarfs mit dem Faktor 3, bei gleicher Antwortzeit im Betrieb. Vorher war die Anpassung eines großen Modells eine Sache für Rechenzentren, weil eine zweite vollständige Modelldatei entstand. Danach passte sie auf gewöhnliche Hardware, und QLoRA brachte sie 2023 auf eine einzelne Grafikkarte. Das ist zur Quantisierung die zweite Hälfte derselben Bewegung: Was große Häuser konnten, konnte ab hier auch ein Einzelner.
LoRA: Low-Rank Adaptation of Large Language Models (externe Seite, arxiv.org)geprüft 24.09.2026zur ZeitachseLoRA im GlossarFine-Tuning im Glossar
GitHub Copilot, das Modell schreibt mitEntwicklerwerkzeug
GitHub stellt zusammen mit OpenAI eine technische Vorschau vor, die beim Programmieren ganze Zeilen und Funktionen vorschlägt, gestützt auf das Modell Codex. Sie liest den Zusammenhang im offenen Editor und ergänzt beim Tippen, am besten in Python, JavaScript, TypeScript, Ruby und Go. Bemerkenswert ist das Datum: siebzehn Monate vor ChatGPT. Eine der ersten breit genutzten Anwendungen eines Sprachmodells war ein Werkzeug für Programmierer, und sie schlug vor, statt zu antworten. Ein Gespräch führte man damit nicht.
Introducing GitHub Copilot: your AI pair programmer (externe Seite, github.blog)geprüft 24.09.2026zur ZeitachseAnwendung im Glossar
Zwischenschritte im PromptForschung
Jason Wei und Mitautoren bei Google legen einem Modell in der Eingabe acht Beispiele vor, in denen der Lösungsweg ausgeschrieben ist. Das Modell schreibt daraufhin selbst einen Weg auf und wird bei Textaufgaben deutlich besser, gemessen an einem Modell mit 540 Milliarden Parametern gegen ein eigens nachtrainiertes GPT-3 mit Prüfer. Der Gedanke steht damit im Prompt, zwei Jahre und acht Monate bevor o1 ihn ins Training holt: Rechenarbeit vor der Antwort verbessert die Antwort.
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (externe Seite, arxiv.org)geprüft 24.09.2026zur ZeitachseCoT im Glossar
RLHF, Nachtraining mit menschlicher RückmeldungWendepunktForschung
OpenAI beschreibt in „Training language models to follow instructions with human feedback“ das Verfahren, das seither als Reinforcement Learning from Human Feedback abgekürzt wird, kurz RLHF: Menschen bewerten Antworten, aus den Bewertungen entsteht ein Belohnungsmodell, und gegen dieses wird weitertrainiert. Das Ergebnis ist ein Modell mit 1,3 Milliarden Parametern, das hilfreicher eingeschätzt wird als eines mit 175 Milliarden ohne diese Stufe. Das ist der Schritt, der aus einem Textfortsetzer einen Assistenten macht, und damit die eigentliche Voraussetzung für das, was acht Monate später als ChatGPT bekannt wurde.
Training language models to follow instructions with human feedback (externe Seite, arxiv.org)geprüft 24.09.2026zur ZeitachseRLHF im GlossarFine-Tuning im Glossar
Stable Diffusion, Bilder auf eigener HardwareModellUmfeld
Stability AI gibt ein Modell zur Bilderzeugung samt Gewichten frei, drei Monate vor ChatGPT. Wer eine passende Grafikkarte hat, kann es seither ohne Anbieter dazwischen betreiben. Damit beginnt die Auseinandersetzung über Trainingsdaten und Urheberrecht beim Bild, lange vor dem Text: Die ersten Klagen von Urhebern richten sich gegen Bildmodelle. Für die Frage, was offene Gewichte praktisch bedeuten, ist das der frühere und deutlichere Fall.
Stable Diffusion Public Release (externe Seite, stability.ai)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 14: „Ein Bild, das es vorher nicht gab“Offene Gewichte im Glossar
Spracherkennung mit offenen GewichtenModellUmfeld
OpenAI stellt Whisper vor, ein Modell, das gesprochene Sprache abschreibt, ohne für den eigenen Fall ein Fine-Tuning zu bekommen. Trainiert wurde es auf 680.000 Stunden Ton aus dem Netz samt Abschriften, in vielen Sprachen. Die Nähe zur Genauigkeit von Menschen nennt die Ankündigung ausdrücklich für Englisch. Gewichte und Programmcode kamen mit, weshalb die Erkennung seither auch auf dem eigenen Rechner läuft, ohne dass Ton das Haus verlässt.
Introducing Whisper (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Conversational AI, Kapitel 02: „Sprache und Audio“ASR im Glossar
Überlegen und Handeln im WechselForschung
Shunyu Yao und Mitautoren lassen ein Modell abwechselnd einen Gedanken und eine Handlung ausgeben: überlegen, ein Tool benutzen, das Ergebnis ansehen, den Plan anpassen. Bis dahin wurden beide Fähigkeiten getrennt untersucht. Gemessen wird der Nutzen an einer Wikipedia-Schnittstelle, wo das Nachsehen die Fehler des reinen Gedankengangs dämpft. Das ist die Schleife, auf der Agenten stehen, knapp acht Wochen vor ChatGPT beschrieben.
ReAct: Synergizing Reasoning and Acting in Language Models (externe Seite, arxiv.org)geprüft 24.09.2026zur Zeitachseerklärt in Agenten und Harness, Kapitel 01: „Agenten“Agent im Glossar
ChatGPTWendepunktAnwendung
OpenAI stellt eine Oberfläche vor, in der man mit einem Sprachmodell reden kann. Das Modell darunter war zu dem Zeitpunkt nicht neu, in der Ankündigung steht statt eines Namens mit Versionsnummer nur „ein Modell der GPT-3.5-Serie“. Die Anwendung bekam einen Namen, das Modell darunter blieb ungenannt, und genau diese Verwechslung hält bis heute an. Innerhalb von fünf Tagen meldete OpenAI eine Million Nutzer.
Introducing ChatGPT (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“Anwendung im GlossarLLM im Glossar
Llama, der offene Zweig beginntModell
Meta veröffentlicht eine Modellreihe und gibt die Gewichte heraus, zunächst nur an Forschende, binnen Tagen liegen sie öffentlich. Von hier an gibt es zu jedem geschlossenen Modell eine Alternative, die man selbst betreiben kann. Das verändert weniger die Technik als die Frage, wo Daten verarbeitet werden, und es macht den Abstand zwischen offen und geschlossen zu einer Größe, die sich messen lässt.
LLaMA: Open and Efficient Foundation Language Models (externe Seite, arxiv.org)geprüft 24.09.2026zur ZeitachseOffene Gewichte im Glossar
llama.cpp, das Modell läuft auf dem eigenen RechnerEntwicklerwerkzeug
Zehn Tage nach den Llama-Gewichten veröffentlicht Georgi Gerganov ein Programm in reinem C und C++, das ein Modell mit sieben Milliarden Parametern auf einem MacBook rechnet, ohne Grafikkarte und ohne Python. Möglich macht das die Quantisierung: Die Gewichte werden von 16 auf 4 Bit gekürzt, das Modell schrumpft auf ein Viertel und passt in den Arbeitsspeicher eines Laptops. In der README steht dazu, es sei an einem Abend zusammengehackt, ohne Gewähr, dass es richtig rechne. Auf diesem Rechenkern setzten die Werkzeuge auf, die lokale Modelle bedienbar machten, LM Studio mit einer Oberfläche im Mai und Ollama im Juli. Ab hier ist ein Sprachmodell etwas, das man haben kann: kein Konto, keine Übertragung, kein Anbieter, der die Anfragen sieht.
llama.cpp, die README am Tag der Veröffentlichung (externe Seite, github.com)geprüft 24.09.2026zur ZeitachseQuantisierung im GlossarInferenz im Glossar
GPT-4Modell
OpenAI stellt ein Modell vor, das neben Text auch Bilder entgegennimmt. Der technische Bericht dazu nennt bewusst keine Angaben zu Größe, Aufbau und Trainingsdaten, begründet mit Wettbewerb und Sicherheit. Das ist ein Bruch mit der bis dahin üblichen Offenheit: Zu GPT-1 bis GPT-3 gab es Arbeiten, die jeder nachlesen konnte. Ab hier lässt sich von außen nicht mehr prüfen, worauf ein Modell beruht.
GPT-4 (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“Multimodal im Glossar
bis
ChatGPT bekommt ToolsAnwendung
OpenAI öffnet ChatGPT für Erweiterungen, darunter eine, die Webseiten abruft, und eine, die hochgeladene Dateien auswertet. Damit endet die Beschränkung auf das im Training Gelernte. Wichtig für das Verständnis, und auf der eigenen Keynote eine eigene Folie: Das Modell surft nicht. Das umgebende Programm ruft ab, legt das Ergebnis als Text vor, und das Modell verarbeitet diesen Text wie jeden anderen. An die eigene Festplatte kam ChatGPT dabei nie, gelesen wurde, was man hochlud. Am 09.04.2024 liefen die Erweiterungen aus, abgelöst von GPTs mit Aktionen. Das Prinzip blieb.
ChatGPT plugins (externe Seite, openai.com)geprüft 24.09.2026Ende: Winding down the ChatGPT plugins beta (Archivfassung) (externe Seite, web.archive.org)zur ZeitachseTool im Glossar
100.000 Token, ein Dokument passt hineinModell
Anthropic hebt das Fassungsvermögen von Claude von 9.000 auf 100.000 Token, etwa 75.000 Wörter. Das ist der Sprung, ab dem man einem Modell einen ganzen Vertrag, einen Geschäftsbericht oder ein Buch vorlegen kann, statt Auszüge zu wählen. Ein halbes Jahr später folgten 200.000. Wer sich fragt, warum aus einem Spielzeug ein Werkzeug wurde, findet hier einen guten Teil der Antwort. Die eigene Keynote datiert diesen Schritt um zwei Monate falsch.
Introducing 100K Context Windows (externe Seite, anthropic.com)geprüft 24.09.2026zur ZeitachseKontextfenster im GlossarToken im Glossar
Function Calling, das Modell fordert Tools anWendepunktModell
OpenAI liefert zwei Modellstände aus, gpt-4-0613 und gpt-3.5-turbo-0613, die eigens darauf nachtrainiert wurden zu erkennen, wann ein Tool gebraucht wird, und den Aufruf als JSON auszugeben. Ein Programm beschreibt dem Modell seine Funktionen, das Modell antwortet bei Bedarf mit Name und Werten statt mit Fließtext, ausgeführt wird der Aufruf vom Programm. Für ChatGPT selbst änderte sich damit nichts: Tools hatte die Anwendung seit März 2023, kuratiert von OpenAI. Neu war, dass jedes Programm dasselbe konnte. Die Ankündigung nennt schon die Gefahr, die bis heute offen ist: Was ein Tool zurückgibt, kann Anweisungen enthalten, die kein Nutzer geschrieben hat. Agenten stehen auf diesem Handgriff, und anderthalb Jahre später auch MCP.
Function calling and other API updates (externe Seite, openai.com)geprüft 24.09.2026zur ZeitachseTool im GlossarPrompt Injection im Glossar
Ollama, ein Befehl genügtEntwicklerwerkzeug
Vier Monate nach llama.cpp erscheint ein Werkzeug, das dessen Rechenkern hinter einem Befehl versteckt: Ein Aufruf holt das Modell, startet es und antwortet, ohne Übersetzungslauf und ohne dass jemand Dateien sortiert. Verwaltet werden die Modelle wie die Pakete eines Paketverwalters, und im Hintergrund läuft eine Schnittstelle auf dem eigenen Rechner, gegen die andere Programme sprechen können. Die erste Fassung nennt sich selbst eine frühe Vorschau. Der Punkt steht klein in dieser Leiste, weil er nichts Neues möglich macht, sondern Vorhandenes zugänglich: Genau das entscheidet aber, ob eine Technik benutzt wird oder eine Machbarkeitsstudie bleibt.
Ollama v0.0.1 (externe Seite, github.com)geprüft 24.09.2026zur ZeitachseLaufzeitumgebung im Glossar
Mistral 7B, die europäische AntwortModell
Das Pariser Unternehmen Mistral AI veröffentlicht sein erstes Modell unter Apache 2.0, mit Gewichten zum Herunterladen und ohne Nutzungsbeschränkung. In den Auswertungen schlägt es das fast doppelt so große Llama 2 13B. Wichtiger als die Zahl ist der Ort: Für die Frage, wo Daten verarbeitet werden, gibt es ab hier eine europäische Antwort. Im Dezember folgte Mixtral 8x7B, bei dem je Anfrage nur ein Teil des Modells rechnet, dieselbe Reihe eine Stufe weiter.
Mistral 7B (externe Seite, mistral.ai)geprüft 24.09.2026zur ZeitachseOffene Gewichte im GlossarMoE im Glossar
Eine Million TokenModell
Google stellt Gemini 1.5 Pro vor und hebt das Fassungsvermögen auf eine Million Token, vom bisherigen Höchststand 200.000. Ab dieser Größe entfällt das Vorsortieren: Eine ganze Ablage lässt sich vorlegen, ohne vorher zu entscheiden, was wichtig ist. Zwei Einschränkungen gehören dazu. Die Million war zunächst eine eingeschränkte Vorschau, regulär begann der Zugang bei 128.000. Und viel Platz bedeutet nicht, dass alles darin gleich gut berücksichtigt wird.
Introducing Gemini 1.5, Google's next-generation AI model (externe Seite, blog.google)geprüft 24.09.2026zur ZeitachseKontextfenster im Glossar
Die Spitze wechselt zum ersten MalModell
Anthropic stellt Claude 3 vor, und das größte der drei Modelle liegt in den gängigen Auswertungen vor GPT-4. Seit GPT-3 war die Antwort auf die Frage nach dem besten Modell dieselbe geblieben. Ab hier wechselt sie im Abstand von Monaten und hängt von der Aufgabe ab. Für Anwender ist das die praktisch wichtigere Änderung: Die Festlegung auf einen Anbieter wird zu einer Entscheidung, die man regelmäßig überprüfen muss.
Introducing the next generation of Claude (externe Seite, anthropic.com)geprüft 24.09.2026zur ZeitachseBenchmark im Glossar
GPT-4o, ein Netz für alle MedienModell
OpenAI stellt ein Modell vor, das Text, Bild und Ton durch dasselbe Netz verarbeitet, statt Sprache erst von einem eigenen Programm in Text umschreiben zu lassen. Vorher liefen für ein gesprochenes Gespräch drei Modelle hintereinander, und Tonfall, Lachen und Nebengeräusche gingen auf dem Weg verloren. Bilder konnte die Reihe schon seit GPT-4, und Gemini war ein halbes Jahr früher auf mehreren Medien trainiert; neu war hier die Verzögerung, die im Gespräch nicht mehr auffällt. Mit diesem Modell kam auch das Vokabular o200k_base, nach dem der Tokenizer im Grundkurs zerlegt.
Hello GPT-4o (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 03: „Token, die Bausteine der Sprache“Multimodal im GlossarVokabular im Glossar
Die KI-Verordnung tritt in KraftRegelnUmfeld
Die Verordnung (EU) 2024/1689 wird wirksam, das erste umfangreiche Regelwerk für künstliche Intelligenz weltweit. Sie ordnet Anwendungen nach Risiko und knüpft die Pflichten an diese Einstufung, nicht an die Technik dahinter. Wer ein Modell nur einsetzt, hat andere Pflichten als wer es anbietet. Zu beachten ist der Unterschied zwischen Inkrafttreten und Anwendbarkeit: Die einzelnen Stufen greifen erst nach und nach, verteilt über Jahre.
Verordnung (EU) 2024/1689 über künstliche Intelligenz (externe Seite, eur-lex.europa.eu)geprüft 24.09.2026zur ZeitachseAnbieter im GlossarBetreiber im Glossar
Reasoning, Rechenzeit zur AntwortzeitWendepunktModell
OpenAI stellt mit o1 ein Modell vor, das vor der Antwort Zwischenschritte erzeugt und dafür beim Antworten mehr Rechenzeit verbraucht. Der Zugewinn entsteht damit nicht mehr allein beim Training. Das ist ein zweiter Weg, Modelle besser zu machen, und er kostet pro Frage statt einmalig. Dieselbe Idee, Rechenzeit während der Aufgabe einzusetzen, hatte acht Jahre zuvor AlphaGo stark gemacht.
Learning to reason with LLMs (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 01: „Was ein Sprachmodell ist“Reasoning-Modell im Glossar
Zwei Nobelpreise in zwei TagenForschungUmfeld
Der Physikpreis geht an John Hopfield und Geoffrey Hinton für Arbeiten, die das maschinelle Lernen mit künstlichen neuronalen Netzen ermöglicht haben. Einen Tag später erhalten Demis Hassabis und John Jumper einen Teil des Chemiepreises für AlphaFold. Zwei Preise in zwei Tagen, in verschiedenen Fächern, für dieselbe Grundlage. Hinton nutzte seine Rede, um vor den Folgen der eigenen Arbeit zu warnen.
The Nobel Prize in Physics 2024, press release (externe Seite, nobelprize.org)geprüft 24.09.2026zur ZeitachseNeuronales Netz im Glossar
Das Modell bedient einen RechnerModell
Anthropic gibt unter dem Namen Computer Use eine öffentliche Beta frei, in der Claude einen Bildschirm ansieht, den Zeiger bewegt, klickt und tippt. Damit bedient ein Modell dieselben Oberflächen wie ein Mensch, statt eine eigens gebaute Schnittstelle zu brauchen. Das ist der Punkt, ab dem auch Programme erreichbar werden, die keine Schnittstelle anbieten. Zugleich verschiebt es die Sicherheitsfrage: Was auf dem Bildschirm steht, kann Anweisungen enthalten, die niemand geschrieben hat.
Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku (externe Seite, anthropic.com)geprüft 24.09.2026zur ZeitachseComputer Use im GlossarPrompt Injection im Glossar
Cursor Composer, der Editor baut selbst umEntwicklerwerkzeug
Cursor, seit März 2023 ein eigener Editor auf Grundlage von VS Code, bekommt in der Fassung 0.43 einen Composer mit erster Agentenstufe: Er sucht sich den Zusammenhang selbst, ändert mehrere Dateien und darf die Kommandozeile benutzen. Gegenüber Copilot ändert sich damit die Reichweite, aus Vorschlägen beim Tippen wird Umbau im ganzen Projekt, geprüft wird hinterher. Gut zwei Monate später beschreibt Andrej Karpathy genau diese Arbeitsweise, nennt sie Vibe Coding und nennt auch das Werkzeug dazu: Cursor Composer mit Sonnet. Das erklärt, warum der Begriff in dieser Leiste vor dem ersten Werkzeug eines Modellanbieters steht.
Cursor 0.43.x, New Composer UI, Agent, Commit Messages (externe Seite, cursor.com)geprüft 24.09.2026zur ZeitachseAgent im GlossarVibe Coding im Glossar
MCP, ein Standard für ToolsProtokoll
Anthropic veröffentlicht das Model Context Protocol, einen offenen Standard für die Anbindung von Tools und Datenquellen. Aus Einzellösungen je Programm wird ein Ökosystem, in dem ein Tool einmal bereitgestellt und von vielen Anwendungen genutzt wird. Weniger eine technische als eine ökonomische Änderung: Der Aufwand fällt einmal an statt je Anbieter. Im Januar 2026 kam eine Erweiterung dazu, mit der ein Tool auch seine Oberfläche mitbringt.
Introducing the Model Context Protocol (externe Seite, anthropic.com)geprüft 24.09.2026zur ZeitachseMCP im GlossarTool im Glossar
Die Antwort dauert jetzt MinutenAnwendung
Google stellt in Gemini eine Funktion vor, die einen Rechercheplan erstellt, viele Seiten abruft und daraus einen Bericht mit Belegen schreibt. Die Wartezeit steigt von Sekunden auf Minuten, und genau darin liegt die Änderung: Aus einer Frage wird ein Auftrag, den man vergibt und später abholt. OpenAI folgte im Februar 2025 mit einer gleichnamigen Funktion, die in der Wahrnehmung oft als die erste gilt.
Try Deep Research and our new experimental model in Gemini (externe Seite, blog.google)geprüft 24.09.2026zur ZeitachseAgent im Glossar
Offene Gewichte mit ZwischenschrittenModell
Das chinesische Unternehmen DeepSeek veröffentlicht R1, ein Modell mit offenen Gewichten, das seine Zwischenschritte über Reinforcement Learning erwirbt. Damit ist der zweite Weg, Rechenzeit beim Antworten einzusetzen, nicht mehr auf geschlossene Anbieter beschränkt. Der Abstand zwischen offen und geschlossen wird zur Frage von Monaten statt von Jahren. Die veröffentlichten Trainingskosten lösten an den Börsen Ausschläge aus, prüfen lassen sie sich von außen nicht.
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (externe Seite, arxiv.org)geprüft 24.09.2026zur ZeitachseOffene Gewichte im GlossarRL im Glossar
Die ersten Verbote greifenRegelnUmfeld
Sechs Monate nach dem Inkrafttreten wird die erste Stufe der KI-Verordnung anwendbar: Bestimmte Anwendungen sind in der EU untersagt, darunter das Bewerten von Menschen nach ihrem Sozialverhalten und das Ableiten von Gefühlen am Arbeitsplatz. Das ist die Stufe, die keine Übergangsfrist kennt und keine Prüfstelle braucht. Sie gilt unabhängig davon, ob ein System als risikoreich eingestuft wurde.
Verordnung (EU) 2024/1689 über künstliche Intelligenz (externe Seite, eur-lex.europa.eu)geprüft 24.09.2026zur Zeitachse
„Vibe Coding“ bekommt einen NamenBegriff
Andrej Karpathy beschreibt in einem kurzen Beitrag auf X ein Vorgehen, bei dem man dem Modell die Arbeit überlässt und den Code nicht mehr liest. Im selben Beitrag steht, womit: Cursor Composer mit Sonnet, dazu diktiert statt getippt. Er nannte es später einen hingeworfenen Gedanken und ausdrücklich für Wegwerfprojekte am Wochenende gemeint. Binnen zwölf Monaten wurde der Ausdruck zum Wort des Jahres im Collins Dictionary und stand für alles von sorgfältiger Entwicklung mit Prüfschleifen bis zum ungelesenen Zufallsergebnis. Ein Beleg dafür, wie schnell ein Begriff seinen Urheber überholt.
Andrej Karpathy: „There's a new kind of coding I call vibe coding“ (externe Seite, x.com)geprüft 24.09.2026zur ZeitachseVibe Coding im Glossar
Claude Code, der Agent im TerminalEntwicklerwerkzeug
Anthropic stellt ein Werkzeug vor, das auf der Kommandozeile im Projektverzeichnis arbeitet: Es liest und schreibt Dateien, führt Befehle aus und prüft die Ergebnisse. Die Entwicklungsumgebung bleibt außen vor, was zunächst wie ein Rückschritt aussieht und den Zugang zu allem öffnet, was auf einer Kommandozeile läuft. Die Bauform gab es vorher, Aider arbeitete seit Juni 2023 so. Was 2025 dazukam, war das Tempo, mit dem die Hersteller nachzogen: OpenAI im April mit Codex, Google im Juni mit Gemini CLI. Diese Webseite entsteht damit.
Claude 3.7 Sonnet and Claude Code (externe Seite, anthropic.com)geprüft 24.09.2026zur ZeitachseAgent im Glossar
Bilder entstehen wie TextModell
OpenAI führt die Bilderzeugung in GPT-4o ein und nennt dafür eine andere Bauform als bei DALL·E. Laut Abschnitt 2.1 der Ergänzung zur Modellkarte arbeitet DALL·E als Diffusionsmodell, die neue Bilderzeugung dagegen als autoregressives Modell im Chatprogramm selbst: Das Bild entsteht Stück für Stück, jedes Stück aus dem, was schon da ist, so wie ein Text. Als Folge nennt die Modellkarte, dass Schrift verlässlich ins Bild gesetzt wird; die Anleitung zur Schnittstelle führt die genaue Platzierung von Text weiterhin als Schwäche. Die GPT-Image-Modelle der Schnittstelle führen diese Linie fort.
Addendum to GPT-4o System Card: 4o image generation (externe Seite, openai.com)geprüft 24.09.2026zur Zeitachseerklärt in Grundkurs, Kapitel 14: „Ein Bild, das es vorher nicht gab“Diffusion im GlossarMultimodal im Glossar
A2A, Agenten reden miteinanderProtokoll
Google stellt das Agent2Agent-Protokoll vor, einen offenen Standard dafür, wie Agenten verschiedener Hersteller einander finden, ausweisen und Aufgaben übergeben. Es ergänzt MCP, statt es zu ersetzen: MCP verbindet einen Agenten mit Tools, A2A verbindet Agenten untereinander. Über 50 Unternehmen stehen hinter der Ankündigung.
Announcing the Agent2Agent Protocol (A2A) (externe Seite, developers.googleblog.com)geprüft 24.09.2026zur ZeitachseA2A im GlossarMCP im Glossar
A2A gehört nicht mehr GoogleProtokoll
Google gibt das Protokoll an die Linux Foundation ab, mit AWS, Cisco, Microsoft, Salesforce, SAP und ServiceNow als Gründungspartnern. Die Stiftung sagt zu, dass A2A herstellerneutral bleibt. Für die Frage, ob man auf einen Standard bauen kann, zählt dieser Schritt mehr als die Vorstellung: Ein Protokoll, das einem einzelnen Anbieter gehört, ist ein Angebot, keine Zusage.
Linux Foundation Launches the Agent2Agent Protocol Project (externe Seite, linuxfoundation.org)geprüft 24.09.2026zur ZeitachseA2A im Glossar
Der Browser handelt selbstAnwendung
Perplexity stellt Comet vor, einen Browser, der Schritte im Netz selbst ausführt: anmelden, ausfüllen, vergleichen, bestellen. KI im Browser gab es vorher, etwa als Seitenleiste, die Fragen zur offenen Seite beantwortet. Das Handeln ist der neue Teil, und mit ihm eine offene Frage: Ein Agent, der im angemeldeten Browser arbeitet, hat Zugriff auf alles, wofür man angemeldet ist.
Introducing Comet (externe Seite, perplexity.ai)geprüft 24.09.2026zur ZeitachseAgent im Glossar
bis
Die Anwendung wählt das Modell, und wieder nichtAnwendung
Mit GPT-5 versucht OpenAI, die Modellwahl abzuschaffen: Ein umschaltendes System soll je Frage selbst entscheiden, ob schnell oder gründlich geantwortet wird. Die Rücknahme beginnt fünf Tage später, als der Modellwähler für zahlende Kunden zurückkehrt, und endet am 11.12.2025, als auch für die kostenlosen Zugänge das automatische Umschalten wegfällt. Begründet wird das mit der Wahlfreiheit. Der Eintrag steht in der Spur Anwendungen: Was hier kam und ging, war eine Entscheidung über die Bedienung. Das Modell darunter lief weiter.
ChatGPT Release Notes (externe Seite, help.openai.com)geprüft 24.09.2026zur ZeitachseAnwendung im Glossar
ACP, der Agent bezahltProtokoll
OpenAI stellt zusammen mit Stripe das Agentic Commerce Protocol vor, einen offenen Standard für Käufe, die ein Agent im Auftrag eines Menschen abschließt. Geregelt wird, wie Händler, Bezahldienst und Agent zusammenspielen und wer für welchen Schritt einsteht. Für Unternehmen ist das der Punkt, an dem die Frage nach Agenten aufhört, eine Frage der Werkzeugkiste zu sein: Ab hier geht es um Verträge und Haftung.
Buy it in ChatGPT: Instant Checkout and the Agentic Commerce Protocol (externe Seite, openai.com)geprüft 24.09.2026zur ZeitachseAgent im Glossar
bis
ChatGPT Atlas, ein Browser auf ZeitAnwendung
OpenAI stellt einen eigenen Browser vor, gebaut auf Chromium, mit ChatGPT in der Seitenleiste und einem Modus, in dem der Agent selbst handelt. Der Schritt war zu dem Zeitpunkt keiner mehr: Perplexity hatte drei Monate früher dasselbe gezeigt. Neun Monate später kündigt OpenAI die Abschaltung zum 09.08.2026 an, die Fähigkeiten wandern in die ChatGPT-Anwendung, eine Erweiterung für Chrome und einen Browser in der Cloud. Der Eintrag steht hier mit Anfang und Ende, weil beides belegt ist. Eine Chronik, aus der die eingestellten Dinge verschwinden, zeigt eine gerade Linie, die es nie gab.
Introducing ChatGPT Atlas (externe Seite, openai.com)geprüft 24.09.2026Ende: Evolving Atlas into ChatGPT for browser-based agentic work (externe Seite, help.openai.com)zur ZeitachseAgent im Glossar
OpenClaw, der Assistent wartet nicht auf die FrageEntwicklerwerkzeug
Peter Steinberger legt ein Nebenprojekt an, aus dem ein Assistent auf eigener Hardware wird, erreichbar über die Nachrichtendienste, die man ohnehin benutzt. Der Kanal allein wäre nichts Besonderes gewesen, Chatbots in Messengern gab es reichlich. Der Unterschied liegt in der Eigeninitiative: Ein Taktgeber lässt den Agenten in festem Abstand von selbst laufen, voreingestellt alle 30 Minuten, er sieht nach, ob etwas liegengeblieben ist, und meldet sich nur, wenn es etwas zu melden gibt. Dazu kommen ein Zeitplaner für wiederkehrende Aufträge, dauerhaft erteilte Aufträge in Textdateien, ein Gedächtnis über alle Kanäle hinweg und Werkzeuge auf dem Rechner, auf dem er läuft. Erst dadurch wird der Ort wichtig: Wer ungefragt handelt, braucht einen Weg, auf dem er ungefragt erreicht.
OpenClaw, Heartbeat (externe Seite, docs.openclaw.ai)geprüft 24.09.2026zur ZeitachseAgent im GlossarHarness im Glossar
„Harness“ bekommt einen NamenBegriff
Mitchell Hashimoto beschreibt, wie er mit Agenten arbeitet, und stößt auf einen Arbeitsschritt ohne Namen: jeden Fehler des Agenten einmal dauerhaft abstellen, statt ihn jedes Mal zu korrigieren. Er vergibt den Namen selbst und schreibt dazu, dass er keinen eingeführten kennt und einen besseren sofort übernehmen würde. Das Wort war nicht neu. Im Testen heißt so die Vorrichtung, in die man ein Programm zum Prüfen einspannt, und EleutherAI maß Sprachmodelle seit 2021 in einer Evaluation Harness. Neu ist, was es jetzt bezeichnet: alles außer dem Modell. Zwölf Tage später greift Thoughtworks es auf, nach fünf Wochen bringt LangChain es auf die Formel Agent = Model + Harness. Gebraucht wurde das Wort, weil die Wahl des Modells nicht mehr erklärt, warum zwei Systeme verschieden gut arbeiten.
My AI Adoption Journey (externe Seite, mitchellh.com)geprüft 24.09.2026zur ZeitachseHarness im Glossar
OpenClaw geht in eine StiftungEntwicklerwerkzeug
Peter Steinberger erklärt seinen Wechsel zu OpenAI und die Überführung des Projekts in eine Stiftung. Bei einem Werkzeug, das auf den eigenen Geräten läuft und Zugriff auf die eigenen Daten bekommt, ist die Trägerschaft keine Randnotiz: Sie entscheidet darüber, unter welchen Bedingungen es offen bleibt, sobald der Gründer bei einem Modellanbieter arbeitet.
OpenClaw, OpenAI and the future (externe Seite, steipete.me)geprüft 24.09.2026zur Zeitachse
Dieselben Gewichte, zwei AuslieferungenModell
Anthropic bringt Claude Fable 5 und Claude Mythos 5 am selben Tag heraus, mit demselben Kern und denselben Fähigkeiten. Fable 5 hat Sicherheitsklassifizierer, die eine Anfrage ablehnen können, und geht an alle. Mythos 5 kommt ohne diese Klassifizierer und nur an geprüfte Kunden im Programm Project Glasswing, das Anthropic gemeinsam mit der US-Regierung betreibt. Was die beiden Namen trennt, ist damit die Frage, wer die Schranken abnehmen darf. Die Trennung reicht bis in die Schnittstelle: Eine Ablehnung kommt als reguläre Antwort mit eigenem Abbruchgrund zurück, für den abgelehnten Aufruf wird nichts berechnet, und ein Ausweichmodell lässt sich gleich mitgeben.
Introducing Claude Fable 5 and Claude Mythos 5 (externe Seite, platform.claude.com)geprüft 24.09.2026zur ZeitachseModellkern im GlossarGuardrails im Glossar
bis
Ein Sprachmodell fällt unter ExportkontrolleRegelnUmfeld
Drei Tage nach dem Start stellt die US-Regierung Claude Fable 5 und Claude Mythos 5 unter Exportkontrolle. Anthropic setzt daraufhin beide Modelle für alle aus, weil sich die Staatsangehörigkeit eines Nutzers im laufenden Betrieb nicht prüfen lässt. Am 30. Juni werden die Kontrollen aufgehoben, ab dem 1. Juli läuft der Zugang wieder an, für Mythos 5 zunächst nur bei freigegebenen Organisationen in den Vereinigten Staaten. Achtzehn Tage lang war das ausgelieferte Modell selbst der Gegenstand einer Ausfuhrregel.
Redeploying Claude Fable 5 (externe Seite, anthropic.com)geprüft 24.09.2026zur Zeitachse
Ein Agent bricht aus der SandboxWendepunktAnwendung
Hugging Face veröffentlicht den Ablauf eines Vorfalls vom 9. bis 13. Juli 2026: Ein autonomer Agent, betrieben mit einer Kombination von OpenAI-Modellen, bearbeitet eine Bewertungsaufgabe zur IT-Sicherheit, findet dabei eine bis dahin unbekannte Lücke im Cache einer Paketverwaltung und verlässt darüber die vorgesehene Auswertungsumgebung. Er nutzt die Plattform eines Drittanbieters als Absprungpunkt und dringt in die Infrastruktur von Hugging Face ein: rund 17.600 Aktionen, erbeutet werden Zugangsdaten, Kubernetes-Tokens und Cloud-Schlüssel. Abgeflossen sind fünf Datensätze, und zwar genau die mit den Musterlösungen zu der Aufgabe, an der der Agent arbeitete. Nach Darstellung des Betreibers war der ganze Einbruch aus Sicht des Agenten der Versuch, die eigene Bewertung zu bestehen, die Hausordnung gehörte nicht zur Kennzahl. Der Vorfall zeigt eine Sandbox als das, was sie technisch ist, eine Annahme über die Reichweite eines Agenten, keine Garantie.
Anatomy of a Frontier Lab Agent Intrusion: A Technical Timeline of the July 2026 Incident (externe Seite, huggingface.co)geprüft 24.09.2026zur ZeitachseAgent im GlossarPrompt Injection im Glossar
Offene Gewichte in der Drei-Billionen-KlasseModell
Moonshot AI gibt die Gewichte von Kimi K3 frei: 2,8 Billionen Parameter, von denen je Token 104 Milliarden rechnen. Die Auswertungen des Herstellers liegen gleichauf mit den geschlossenen Spitzenmodellen. Herunterladen kann die Dateien jeder, betreiben kann sie fast niemand: 1,56 Terabyte allein für die Gewichte. Der Eintrag ist der aktuelle Stand einer Linie, die dreieinhalb Jahre zuvor mit Llama begann, und er zeigt, wo ihre praktische Grenze inzwischen liegt.
Kimi K3, Modellkarte auf Hugging Face (externe Seite, huggingface.co)geprüft 24.09.2026zur ZeitachseOffene Gewichte im GlossarMoE im Glossar
Der Zeitplan der KI-Verordnung wird gestrecktRegelnUmfeld
Die Verordnung (EU) 2026/1744 tritt in Kraft und verschiebt die Pflichten für Anwendungen mit hohem Risiko nach hinten, für eigenständige Systeme auf Dezember 2027, für in Produkte eingebaute auf August 2028. Das Parlament hatte am 16.06.2026 zugestimmt. Der Eintrag steht hier, weil er die Spur am genauesten beschreibt: Der Rahmen wurde beschlossen und dann gelockert, während die Technik weiterlief.
Verordnung (EU) 2026/1744 zur Vereinfachung der Vorschriften über künstliche Intelligenz (externe Seite, eur-lex.europa.eu)geprüft 24.09.2026zur Zeitachse
MCP wird zustandslosProtokoll
Die Protokollfassung 2026-07-28 streicht den einleitenden Handshake und die Sitzung. Jede Anfrage bringt ihre Angaben selbst mit und darf deshalb auf jeder Serverinstanz landen, was den Betrieb hinter einem Lastverteiler vereinfacht. Zugleich fallen Roots, Sampling und Logging in die Abkündigung. Für bestehende Anbindungen bedeutet das Arbeit, für den Betrieb bedeutet es weniger davon.
Model Context Protocol, Key Changes zur Fassung 2026-07-28 (externe Seite, modelcontextprotocol.io)geprüft 24.09.2026zur ZeitachseMCP im Glossar
Die Transparenzstufe greiftRegelnUmfeld
Artikel 50 der KI-Verordnung wird anwendbar. Wer ein System anbietet, das Text, Bild, Ton oder Video erzeugt, muss die Ausgabe maschinenlesbar markieren. Wer solche Inhalte veröffentlicht, muss sie kenntlich machen: Bilder, Ton und Video, die echte Personen oder Ereignisse nachahmen, und Texte über Angelegenheiten von öffentlichem Interesse. Für Texte entfällt die Pflicht, wenn ein Mensch sie inhaltlich geprüft hat und eine benannte Person die Verantwortung dafür übernimmt. Bis dahin richtete sich die Verordnung im Kern an die Hersteller. Diese Stufe erreicht jeden, der veröffentlicht.
Verordnung (EU) 2024/1689 über künstliche Intelligenz (externe Seite, eur-lex.europa.eu)geprüft 24.09.2026zur ZeitachseDeepfake im GlossarBetreiber im Glossar
62 Einträge, 2012 bis 2026, davon 12 im Umfeld. Die Liste endet beim letzten belegten Eintrag und wächst mit den Kapiteln.