Modelle und Modellfamilien
Begriffe vorab
- Modellfamilie: eine Reihe verwandter Modelle derselben Generation mit unterschiedlicher Größe und Ausrichtung.
- Modell-ID: der exakte Bezeichner, den man in der API angeben muss; er enthält Namen und Version.
- Latenz: die Wartezeit bis zur Antwort. Durchsatz: wie viele Anfragen pro Zeit bearbeitet werden.
Die Stufen
Claude-Modelle werden in Stufen angeboten, die sich in Geschwindigkeit, Kosten und Leistungsfähigkeit unterscheiden:
- Haiku: schnell und günstig, gut für einfache, hochvolumige Aufgaben.
- Sonnet: ausgewogen, der Allrounder für die meisten Aufgaben.
- Opus: am leistungsfähigsten, für komplexe Analyse, Recherche und schwierige Programmieraufgaben.
Auswahlhilfe
- Klassifizieren, Extrahieren, Routing: eher Haiku.
- Alltag, Texte, Code: Sonnet.
- Mehrstufige, knifflige Probleme: Opus.
Wichtig
Modellnamen und Versionen ändern sich regelmäßig. Verlässliche Angaben stehen in der offiziellen Dokumentation von Anthropic. Für die API sollte man die exakte Modell-ID aus der Dokumentation verwenden.
Warum es mehrere Stufen gibt
Die Namen Haiku, Sonnet und Opus führte Anthropic 2024 für aufsteigende Leistungsstufen ein; seitdem ist die Reihe gewachsen (inzwischen gibt es oberhalb von Opus eine weitere Stufe namens Fable).
Größere Modelle sind in der Regel leistungsfähiger bei schwierigen, mehrstufigen Aufgaben, brauchen aber mehr Rechenzeit und kosten mehr pro verarbeitetem Text. Kleinere Modelle antworten schneller und günstiger und genügen für viele Routineaufgaben. Anthropic bietet deshalb mehrere Stufen an, damit man je Aufgabe das passende Verhältnis aus Qualität, Geschwindigkeit und Kosten wählen kann.
Ein Auswahlverfahren in drei Schritten
- Aufgabe einordnen: Ist sie einfach und massenhaft (Kategorisieren, Felder extrahieren) oder anspruchsvoll (mehrstufige Analyse, schwieriger Code)?
- Mit der mittleren Stufe beginnen und an echten Beispielen messen, ob die Qualität reicht.
- Gezielt wechseln: nach unten, wenn die Qualität reicht und Kosten oder Tempo zählen; nach oben, wenn bestimmte Fälle scheitern.
Ein Beispiel
Ein Support-Team sortiert täglich tausende E-Mails nach Thema. Hier genügt ein schnelles, günstiges Modell, weil die Aufgabe klar umrissen ist. Dieselbe Firma lässt Verträge auf Risiken prüfen; dort lohnt sich ein stärkeres Modell, weil Fehler teuer sind und der Text lang und verschachtelt ist.
Modellnamen, Versionen, Preise und Kontextgrößen ändern sich regelmäßig. Für verbindliche Angaben immer die aktuelle Modellübersicht in der offiziellen Dokumentation prüfen und die exakte Modell-ID von dort übernehmen, statt sie aus älteren Beispielen zu kopieren.
Zum Selbermachen: drei Aufgaben, drei Stufen
- Wähle eine einfache Aufgabe (zum Beispiel 20 Kundenanfragen nach Thema sortieren) und lass sie von der kleinsten Stufe lösen.
- Nimm eine mittelschwere Aufgabe (einen Text umschreiben, Code erklären) und vergleiche die Antworten der kleinen und der mittleren Stufe.
- Stelle eine schwierige Aufgabe (mehrstufige Analyse eines längeren Dokuments) und prüfe, ob eine größere Stufe merklich besser ist.
- Notiere, wo sich der Unterschied lohnt – das ist deine persönliche Auswahlregel.
Ein Qualitätsvergleich ohne eigene Beispiele ist wenig aussagekräftig: Teste immer mit Material aus deinem tatsächlichen Alltag.
Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind. Modellstufen sind bestätigt; Namen, Versionen und Preise ändern sich laufend.
Quellen
- Anthropic – Claude Docs, Abschnitt „Models overview“ (docs.anthropic.com) (allgemeine Referenz, nicht Zeile für Zeile geprüft)
Was ist Claude?
Begriffe vorab
- Sprachmodell (LLM): ein neuronales Netz, das aus riesigen Textmengen gelernt hat, wahrscheinliche Fortsetzungen von Text zu berechnen.
- Assistent: ein Sprachmodell, das zusätzlich darauf trainiert wurde, Anweisungen zu befolgen und im Dialog hilfreich zu antworten.
- Anthropic: das Unternehmen hinter Claude, gegründet im Januar 2021 von ehemaligen OpenAI-Mitarbeitenden, darunter Dario und Daniela Amodei, und auf KI-Sicherheitsforschung ausgerichtet.
Ein KI-Assistent von Anthropic
Claude ist eine Familie großer Sprachmodelle (LLMs) des KI-Unternehmens Anthropic. Claude kann Texte schreiben, zusammenfassen, übersetzen, Fragen beantworten, Code erzeugen und Dokumente oder Bilder analysieren.
Wo begegnet man Claude?
- claude.ai und Apps: Chat-Oberfläche im Browser sowie Desktop- und Mobile-Apps.
- Claude Code: Coding-Agent für Terminal und IDE.
- API: Zugriff für Entwickler, um Claude in eigene Produkte einzubauen.
- Cloud-Plattformen: Claude ist zusätzlich über große Cloud-Anbieter verfügbar.
Was Claude nicht ist
Claude ist keine Suchmaschine und keine Datenbank mit garantiert richtigen Fakten. Das Modell erzeugt Antworten anhand gelernter Muster und kann sich irren. Wichtige Aussagen sollten immer geprüft werden.
Leitprinzipien
Anthropic trainiert Claude mit dem Ziel, hilfreich, ehrlich und möglichst harmlos zu sein. Dazu gehört unter anderem die Methode Constitutional AI, bei der das Modell anhand schriftlich festgelegter Prinzipien trainiert wird.
Wie aus einem Sprachmodell ein Assistent wird
Ein rohes Sprachmodell setzt Text nur fort. Fragt man es „Was ist die Hauptstadt von Frankreich?“, könnte es ebenso eine weitere Quizfrage anhängen wie antworten. Erst zusätzliche Trainingsschritte – überwachtes Nachtrainieren mit Beispielgesprächen und Verfahren, die menschliche oder KI-generierte Bewertungen nutzen – machen daraus einen Assistenten, der Fragen beantwortet, Rückfragen stellt und Grenzen benennt. Bei Claude gehört dazu auch Constitutional AI, das Verhalten an schriftlich festgelegten Prinzipien ausrichtet.
Was Claude gut kann
- Texte: entwerfen, umformulieren, kürzen, Tonfall anpassen, übersetzen.
- Analyse: lange Dokumente zusammenfassen, Argumente gegenüberstellen, Tabellen auswerten.
- Programmieren: Code schreiben, erklären, Fehler eingrenzen, Tests vorschlagen.
- Strukturieren: aus losen Notizen eine Gliederung oder aus Freitext ein festes Format wie JSON machen.
Wo Vorsicht nötig ist
Claude hat keinen Zugriff auf private Informationen, die nicht im Gespräch stehen, und kennt die Welt nur bis zu seinem Trainingsstand. Ohne angebundenes Werkzeug (etwa eine Websuche) kann es aktuelle Ereignisse nicht prüfen. Es kann außerdem plausibel klingende Fehler machen, etwa bei Rechenaufgaben, exakten Zitaten oder seltenen Fakten. Faustregel: Je folgenreicher eine Aussage, desto wichtiger die Gegenprüfung an einer Originalquelle.
Ein gutes mentales Modell: Claude ist ein sehr belesener, schneller Mitarbeiter ohne Gedächtnis für frühere Gespräche und ohne Zugang zu deinen Systemen – es liefert Entwürfe, die du prüfst, keine Urteile, die du blind übernimmst.
Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.
Quellen
- Anthropic – Claude Docs, Abschnitt „Overview“ (docs.anthropic.com) (allgemeine Referenz, nicht Zeile für Zeile geprüft)
- Bai et al. – „Constitutional AI: Harmlessness from AI Feedback“ (Anthropic, 2022)
Wie Sprachmodelle arbeiten: Token, Kontext, Halluzination
Begriffe vorab
- Token: kleinste Texteinheit des Modells – ein Wort, Wortteil oder Satzzeichen.
- Kontextfenster: die Menge an Token, die das Modell in einem Aufruf gleichzeitig berücksichtigen kann.
- Halluzination: eine flüssig formulierte, aber falsche oder erfundene Aussage.
- Temperatur: Parameter, der steuert, wie zufällig die nächste Wortwahl ausfällt.
Token
Ein Sprachmodell verarbeitet Text nicht als Wörter, sondern als Token: Wortteile, Wörter oder Satzzeichen. Länge und Kosten werden in Token gemessen.
Kontextfenster
Das Kontextfenster ist die Menge an Text, die das Modell auf einmal berücksichtigen kann: Anweisungen, bisheriger Verlauf, hochgeladene Dokumente und die Antwort. Passt etwas nicht mehr hinein, muss es gekürzt oder zusammengefasst werden.
Kein Gedächtnis zwischen Aufrufen
Ohne zusätzliche Funktionen „erinnert“ sich das Modell nur an das, was im aktuellen Kontext steht.
Halluzinationen
Modelle können plausibel klingende, aber falsche Aussagen erzeugen, etwa erfundene Quellen, Zahlen oder Funktionsnamen. Gegenmittel: Quellen mitliefern, Belege verlangen, Antworten gegenprüfen und dem Modell erlauben zu sagen „Das weiß ich nicht“.
Nicht-Determinismus
Dieselbe Frage kann unterschiedlich beantwortet werden. Parameter wie die Temperatur steuern, wie variabel die Antworten sind.
Wie eine Antwort entsteht
Das Modell erzeugt Text Token für Token. Für jede Position berechnet es eine Wahrscheinlichkeitsverteilung über mögliche nächste Token und wählt daraus eines; dieses wird angehängt, und der Vorgang wiederholt sich. Eine niedrige Temperatur bevorzugt die wahrscheinlichsten Token und macht Antworten gleichförmiger, eine höhere erlaubt mehr Abwechslung. Deshalb liefert dieselbe Frage nicht immer denselben Wortlaut.
Was im Kontextfenster steht
Zum Kontext gehören die Systemanweisung, der bisherige Gesprächsverlauf, hochgeladene Dokumente und die bereits erzeugte Antwort. Wird ein Gespräch sehr lang, kann Wichtiges aus frühen Teilen schlechter berücksichtigt werden oder ganz herausfallen. Nützlich sind dann kurze Zusammenfassungen zwischendurch oder ein neues Gespräch mit den wesentlichen Informationen vorneweg.
Warum Halluzinationen entstehen
Das Training belohnt sprachlich passende Fortsetzungen, nicht automatisch wahre. Fehlt dem Modell Wissen, kann es trotzdem eine plausible Antwort formen – etwa eine nicht existierende Quelle mit echt klingendem Titel. Risiken steigen bei seltenen Fakten, genauen Zahlen, Zitaten und Fragen, die eine falsche Annahme enthalten.
Was dagegen hilft
- Quellen oder Text mitliefern und „antworte nur anhand dieses Textes“ verlangen.
- Belege mit Fundstelle einfordern und stichprobenartig prüfen.
- Dem Modell ausdrücklich erlauben zu sagen, dass es etwas nicht weiß.
Ein Beispiel für Token: Das deutsche Wort „Barrierefreiheit“ wird oft in mehrere Wortteile zerlegt. Deshalb entspricht ein Token nur grob einem Wort – für Schätzungen rechnet man im Deutschen meist mit mehr Token pro Wort als im Englischen.
Zum Selbermachen: Halluzinationen erkennen
- Stelle eine Frage zu einer kleinen, aber überprüfbaren Tatsache aus deinem Fachgebiet.
- Bitte um eine Quellenangabe und prüfe, ob die Quelle existiert.
- Wiederhole dieselbe Frage mehrmals und beobachte, ob sich die Antworten unterscheiden.
- Stelle die Frage noch einmal mit mitgeliefertem Originaltext und vergleiche.
Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.
Quellen
- Vaswani et al. – „Attention Is All You Need“ (NeurIPS, 2017), Grundlage heutiger Sprachmodelle
- Anthropic – Claude Docs, Abschnitt „Glossary“ (Token, Kontextfenster; docs.anthropic.com) (allgemeine Referenz, nicht Zeile für Zeile geprüft)