KI-Artikel

Erfahre, was Embodied AI ist, wie sie sich von LLMs unterscheidet, wie der Wahrnehmung–Schlussfolgerung–Handlungs-Loop funktioniert und warum Sim-to-Real-Training für Data Scientists zählt.

Vergleiche 32 AI-Engineering-Kurse für 2026 – von der OpenAI API und RAG über AI Agents, Fine-Tuning und LLMOps bis zu KI-Coding-Tools wie Claude Code und Copilot.

Anthropics neues kleines Modell kostet 0,10 / 0,50 $ pro Million Tokens, holt bei agentischer Arbeit deutlich zu Sonnet auf und erreichte in unserem Test dieselbe perfekte Punktzahl wie Haiku 4.5 – für einen Bruchteil der Kosten.

Gleicher Listenpreis, anderes Kleingedrucktes. Wir vergleichen GPT-6.1 Sol und Claude Sonnet 5.5 bei Benchmarks, Cache- und Long-Context-Kosten, Cloud-Zugang und in einem praktischen Coding-Test.

xAIs Grok, ein neues Modell für Coding und Wissensarbeit, kostet $2/$6 pro Million Tokens und schlägt auf einigen Benchmarks die Spitzenmodelle. Hier erfährst du, was neu ist, wie es im Vergleich abschneidet und was sich gegenüber dem Vorgänger verbessert hat.

OpenAI und xAI haben im September neue Flaggschiffmodelle veröffentlicht. So schlagen sich beide bei Coding, Preis, Sicherheit und mehr.

OpenAIs Dots sind Always-on-Agenten auf Basis von GPT-6 Astra – mit eigenem Cloud-Computer, Plugin-Zugriff auf über 4.000 Apps und einem ersten Dot, der in Pro und Business Premium enthalten ist.

Entdecke die Neuheiten in Claude Opus 5.5, dem ersten Modell der 5.5-Reihe von Anthropic: niedrigere Kosten, schnellere Ausgaben und Rekordwerte bei der Sicherheit.

Reflection AIs Beam erreicht GLM 5.2 beim Reasoning mit 3–4x weniger Compute, liegt aber beim agentischen Coding hinter Kimi K3. So schlägt sich das Open-Weight-Modell.

Entdecke eine neue Generation von Open-Source-Projekten, die praxisnahe Jev-Alternativen für schnelle, lokale und kosteneffiziente KI-Entscheidungen bieten.

Entdecke die beliebtesten KI-Konferenzen und -Events im Jahr 2026.

Erfahre, was tabellarische Foundation-Modelle sind, wie In-Context-Learning funktioniert und wann TabPFN oder TabICL XGBoost bei strukturierten Daten schlagen – inklusive Entscheidungsrahmen.