{"id":34857,"date":"2025-08-13T09:35:55","date_gmt":"2025-08-13T07:35:55","guid":{"rendered":"https:\/\/www.haufe-akademie.de\/blog\/?post_type=glossary&p=34857"},"modified":"2025-08-13T09:51:30","modified_gmt":"2025-08-13T07:51:30","slug":"large-language-models","status":"publish","type":"glossary","link":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/large-language-models\/","title":{"rendered":"Large Language Models"},"content":{"rendered":"

Large Language Models (LLMs)<\/strong><\/h1>\n

Was sind Large Language Models?<\/h2>\n

Large Language Models, kurz LLMs, sind KI-Systeme, die mit gewaltigen Datenmengen gef\u00fcttert wurden \u2013 von Romanen \u00fcber wissenschaftliche Artikel bis hin zu Forenbeitr\u00e4gen und Quellcode. Ihr Ziel: Sprache nicht nur zu verstehen, sondern auch selbst zu erzeugen. Sie bilden das Fundament f\u00fcr viele moderne Anwendungen, etwa Chatbots, automatische \u00dcbersetzungen oder Tools zur Textzusammenfassung. Was LLMs besonders macht, ist ihre F\u00e4higkeit, flexibel auf ganz unterschiedliche Aufgaben zu reagieren.<\/p>\n

Weit mehr als Textmaschinen<\/strong>
\nLLMs k\u00f6nnen jedoch viel mehr als nur Texte schreiben oder \u00fcbersetzen: Sie sind Sprachsysteme, die viele verschiedene Aufgaben k\u00f6nnen. Sie k\u00f6nnen Programmcode schreiben und erkl\u00e4ren, Texte zusammenfassen, die Stimmung in Kundenfeedback erkennen, juristische Dokumente analysieren oder wissenschaftliche Daten auswerten. LLMs sind in der Praxis \u00fcberall. Sie helfen im Kundenservice, bei der Programmierung, in der Wissenschaft und im Marketing.<\/p>\n

Wie funktionieren Large Language Models?<\/h2>\n

Das Herzst\u00fcck moderner LLMs ist die sogenannte Transformer-Architektur. Anders als fr\u00fchere Modelle, die Text Wort f\u00fcr Wort verarbeiteten, k\u00f6nnen Transformer ganze Textabschnitte parallel analysieren. Das erm\u00f6glicht ihnen, auch weit auseinanderliegende Zusammenh\u00e4nge im Text zu erkennen \u2013 etwa, wenn eine Pointe erst am Ende eines langen Absatzes klar wird. Transformer erkennen zudem auch Sinnzusammenh\u00e4nge: Ein sprachspezifisches Problem ist die unterschiedliche Bedeutung von W\u00f6rtern je nach Sinnzusammenhang. Ein Beispiel: \u201eSie jagte durch den Park.\u201c und \u201eSie jagte das Reh durch den Park.\u201c Nur ein Wort ver\u00e4ndert den Satz \u2013 doch der erste beschreibt vermutlich eine Joggerin beim Trainingslauf, der zweite eine J\u00e4gerin. Genau solche feinen Unterschiede machen die Sprachverarbeitung so komplex.<\/p>\n

Die wichtigsten Bausteine im \u00dcberblick:<\/p>\n