# Manuel Brückmann – Blog. Meine Inhalte zu KI & Web

> Hier berichte ich über was ich baue, teste und in der Praxis lerne. Praxisnah, datengestützt und direkt aus der Umsetzung. Dazu ein KI-Glossar mit 675 Begriffen rund um Sprachmodelle, Agenten, Retrieval, Evaluation und Regulierung, jeder Eintrag kurz erklärt und mit Quellen belegt. Alle Texte sind auf Deutsch.

Jeder Link unten zeigt auf die Markdown-Fassung. Sie enthält denselben Text wie die HTML-Seite, dazu im Frontmatter die Kurzfassung, die Synonyme und die geprüften Quellen. Die HTML-Fassung liegt unter demselben Pfad mit der Endung `.html`.

## Artikel

- [Was können günstige und kostenlose LLMs wirklich? Brauche ich weiterhin die (teuren) "Frontier"-Modelle?](https://blog.brdg.mn/ai/llm-benchmark.md): Frontier-Modelle sind teuer, aber lohnen sie sich wirklich? Ich habe die Top 25 Frontier- und Open-Weight-LLMs im SVG-Benchmark gegenübergestellt und dabei einige Überraschungen gefunden.
- [Die KI-Modelle werden dafür sorgen, dass Fotografen doch nicht aussterben!](https://www.linkedin.com/pulse/die-ki-modelle-werden-daf%25C3%25BCr-sorgen-dass-fotografen-doch-br%25C3%25BCckmann-sb4ue/): Viele gingen davon aus, dass Bild-KI den Fotografen ersetzt, zumindest in bestimmten Use Cases. Die aktuellen Entwicklungen zeigen das Gegenteil. Die Modelle ziehen klare Grenzen. Und diese Grenzen werden enger. (extern bei LinkedIn)
- [Wie GPT mich (fast) in den Wahnsinn trieb und warum du niemals blind auf AI-Feedback vertrauen solltest. Ein Drama in 4 Akten:](https://www.linkedin.com/pulse/wie-gpt-mich-fast-den-wahnsinn-trieb-und-warum-du-blind-br%25C3%25BCckmann-zq1oe/): Ich wollte ein Bild analysieren lassen. Ich bekam Halluzinationen, falsche Hilfe, kaputte APIs und verlor Stunden. Und das alles, obwohl ich GPT sagte, wie es gehen soll. Lies das, wenn du mit ChatGPT als Helfer oder OpenAI Assistant API arbeitest. (extern bei LinkedIn)
- [DMP, CDP, CEP, CRM oder Marketing Cloud?](https://www.linkedin.com/pulse/dmp-cdp-cep-crm-marketing-cloud-manuel-br%25C3%25BCckmann-bje6e/): Insbesondere im Zusammenhang mit Personalisierung und Datenverknüpfungen höre ich diese Fragen immer wieder. Daher hier eine kurze Zusammenfassung als Spickzettel. Kurz gesagt: Es kommt auf den Bedarf an (Zweck und Anwendungsfall, z. B. wie die Daten aktiviert werden und was damit erreicht werden soll). (extern bei LinkedIn)
- [Ist Disney+ Experimente mit ihrer Identität eine Best Practice?](https://www.linkedin.com/pulse/disney-experimenting-its-identity-best-practice-manuel-br%25C3%25BCckmann-ajr7e/): Ich habe in letzter Zeit viel darüber gelesen, wie Disney+ mit sinkenden oder zumindest stagnierenden Abonnentenzahlen zu kämpfen hat. Ali Abouelatta hat dies in seinem Artikel über die erfolgreiche Kommunikation von Disney+ sehr treffend dargestellt. (extern bei LinkedIn)
- [Google Core Web Vitals: Tipps und Tools für schnellere Seiten und eine bessere Customer Experience](https://www.konversionskraft.de/customer-experience/core-web-vitals): Besonders im E-Commerce entscheiden bereits die ersten Sekunden über Erfolg und Misserfolg. Die Google Core Web Vitals bieten dir die Möglichkeiten, deine Website fokussiert zu verbessern. Erfahre Erklärungen und Beispiele, wie du Ladezeiten sowie die User Experience verbesserst und deine Website mit den Google Core Web Vitals optimierst. (extern bei konversionsKRAFT)
- [Das Maximum an Tracking mit TTDSG & DSGVO](https://www.konversionskraft.de/conversion-rate-optimization/cookie-banner-dsgvo-konform-ab-testing): Das Thema Cookie Consent Layer ist eine „Never Ending Story“ und die Lage verändert sich immer wieder durch EuGH und BGH Urteile. Spätestens seit Ende 2021 mit dem neuen TTDSG gibt es erneut Herausforderungen für die Speicherung von Daten auf den Endgeräten. (extern bei konversionsKRAFT)
- [ChatBots aus der Hölle: Hype oder sind Conversational Interfaces wirklich die Zukunft?](https://www.konversionskraft.de/e-commerce/sind-conversational-interfaces-wirklich-die-zukunft): Alles was man über Conversational Interfaces und Conversational Commerce wissen sollte, verraten wir in diesem Artikel. Hintergründe, Stärken und Schwächen mit zahlreichen Praxisbeispielen und 4 konkreten Handlungsempfehlungen für das eigene Geschäftsmodell. (extern bei konversionsKRAFT)
- [Erlebniswelt Onlineshop – 14 Beispiele für mehr Joy of Use im E-Commerce](https://blog.brdg.mn/ux/erlebniswelt-onlineshop.md): Begriffe wie User Experience und Joy of Use sind den Meisten geläufig, aber warum ist es wichtig seinen Kunden ein Erlebnis bzw. Freude an der Nutzung des Onlineshops zu bieten?
- [Was wir beim Testing von Scrum lernen können](https://www.konversionskraft.de/product-development/was-wir-beim-testing-von-scrum-lernen-konnen): In der Conversion Optimierung macht gerade beim Testing eine agile Vorgehensweise Sinn, warum sich also nicht an etablierten Tools wie Scrum orientieren und davon lernen? (extern bei konversionsKRAFT)

## Glossar (675 Begriffe)

Übersicht mit Suche und Filter: https://blog.brdg.mn/glossar/index.html

### Grundbegriffe und Modelltypen

- [Artificial General Intelligence (AGI, Allgemeine künstliche Intelligenz)](https://blog.brdg.mn/glossar/artificial-general-intelligence.md): Bezeichnung für hypothetische breit einsetzbare allgemeine künstliche Intelligenz.
- [Artificial Superintelligence (ASI, Künstliche Superintelligenz, Superintelligenz)](https://blog.brdg.mn/glossar/artificial-superintelligence.md): Hypothetische KI mit weit übermenschlichen Fähigkeiten.
- [Autoregressive Model (AR Model, Autoregressives Modell)](https://blog.brdg.mn/glossar/autoregressive-model.md): Erzeugung weiterer Tokens auf Grundlage vorausgehender Tokens.
- [Base Model (Pretrained Model, Vortrainiertes Ausgangsmodell, Basismodell)](https://blog.brdg.mn/glossar/base-model.md): Vortrainiertes Ausgangsmodell, insbesondere vor nachgelagertem Instruction-Tuning.
- [BERT (Bidirectional Encoder Representations from Transformers)](https://blog.brdg.mn/glossar/bert.md): Bidirektionale Transformer-Encoder-Architektur zur Textrepräsentation.
- [Causal Language Model (CLM, Kausales Sprachmodell)](https://blog.brdg.mn/glossar/causal-language-model.md): Sprachmodell, das bei der Vorhersage keine späteren Tokens nutzt.
- [Chatbot (Chat-Bot, Dialogsystem)](https://blog.brdg.mn/glossar/chatbot.md): Anwendung für dialogartige Interaktionen; nicht identisch mit dem zugrunde liegenden Modell.
- [Decoder-only Model (Decoder-Modell, Reines Decodermodell)](https://blog.brdg.mn/glossar/decoder-only-model.md): Modellarchitektur für kausale, autoregressive Tokengenerierung.
- [Deep Learning (DL, Tiefes Lernen)](https://blog.brdg.mn/glossar/deep-learning.md): Maschinelles Lernen mit mehrschichtigen neuronalen Netzen.
- [Dense Model (Dichtes Modell, Dense Language Model)](https://blog.brdg.mn/glossar/dense-model.md): Modell ohne tokenabhängige Auswahl weniger Experten wie bei MoE.
- [Diffusion Language Model (DLM, Diffusionssprachmodell)](https://blog.brdg.mn/glossar/diffusion-language-model.md): Generierung durch schrittweise Rekonstruktion beschädigter oder maskierter Tokensequenzen.
- [Encoder-Decoder Model (Encoder-Decoder-Modell, Seq2Seq, Sequence-to-Sequence)](https://blog.brdg.mn/glossar/encoder-decoder-model.md): Architektur zur Umwandlung einer Eingabesequenz in eine Ausgabesequenz.
- [Encoder-only Model (Encoder-Modell, Reines Encodermodell)](https://blog.brdg.mn/glossar/encoder-only-model.md): Modell für kontextuelle Repräsentationen, etwa nach dem BERT-Prinzip.
- [Foundation Model (Grundlagenmodell, Basismodell im breiten Sinn)](https://blog.brdg.mn/glossar/foundation-model.md): Breit vortrainiertes Modell als Grundlage verschiedener Anwendungen.
- [Frontier Model (Frontier AI, Frontier-Modell)](https://blog.brdg.mn/glossar/frontier-model.md): Modell an der jeweiligen Leistungsgrenze der Entwicklung; keine Aussage über Lizenz oder Hosting.
- [Generative KI (Generative AI, GenAI)](https://blog.brdg.mn/glossar/generative-ki.md): Modelle, die neue Inhalte wie Text, Bild oder Audio erzeugen.
- [GPT (Generative Pre-trained Transformer)](https://blog.brdg.mn/glossar/gpt.md): Bezeichnung einer Familie vortrainierter Transformer-Sprachmodelle.
- [Hybrid Architecture (Hybridmodell, Hybridarchitektur)](https://blog.brdg.mn/glossar/hybrid-architecture.md): Kombination verschiedener Modellbausteine, beispielsweise Attention und Zustandsraummodell.
- [Instruct Model (Instruction-Tuned Model, Instruktionsabgestimmtes Modell)](https://blog.brdg.mn/glossar/instruct-model.md): Auf die Befolgung von Anweisungen angepasstes Modell.
- [Künstliche Intelligenz (KI, Artificial Intelligence, AI)](https://blog.brdg.mn/glossar/kuenstliche-intelligenz.md): Oberbegriff für entsprechende computergestützte Fähigkeiten und Systeme.
- [Large Language Model (LLM, Großes Sprachmodell)](https://blog.brdg.mn/glossar/large-language-model.md): Großes Sprachmodell mit vielen lernbaren Parametern.
- [Machine Learning (ML, Maschinelles Lernen)](https://blog.brdg.mn/glossar/machine-learning.md): Musterlernen aus Daten statt ausschließlich fest programmierter Regeln.
- [Masked Language Model (MLM, Maskiertes Sprachmodell)](https://blog.brdg.mn/glossar/masked-language-model.md): Sprachmodell, das verdeckte beziehungsweise beschädigte Tokens vorhersagt.
- [Mixture of Experts (MoE, Expertenmischung)](https://blog.brdg.mn/glossar/mixture-of-experts.md): Architektur mit selektiv aktivierten Expertennetzwerken.
- [Multimodal Model (Multimodales Modell, Multimodale KI)](https://blog.brdg.mn/glossar/multimodal-model.md): Modell für mehrere Datenmodalitäten, beispielsweise Text und Bilder.
- [Natural Language Generation (NLG, Natürlichsprachliche Generierung)](https://blog.brdg.mn/glossar/natural-language-generation.md): Aufgaben zur Erzeugung natürlicher Sprache.
- [Natural Language Processing (NLP, Verarbeitung natürlicher Sprache)](https://blog.brdg.mn/glossar/natural-language-processing.md): Verarbeitung natürlicher Sprache durch Computersysteme.
- [Natural Language Understanding (NLU, Natürlichsprachliches Verstehen)](https://blog.brdg.mn/glossar/natural-language-understanding.md): Aufgaben zur Interpretation natürlicher Sprache.
- [Neuronales Netz (Neural Network, Künstliches neuronales Netz)](https://blog.brdg.mn/glossar/neuronales-netz.md): Parametrisiertes Netzwerk zur Verarbeitung und Transformation von Daten.
- [Reasoning Model (Reasoning-Modell, Thinking Model)](https://blog.brdg.mn/glossar/reasoning-model.md): Modell mit besonderem Fokus auf mehrschrittiges Problemlösen.
- [Small Language Model (SLM, Kleines Sprachmodell)](https://blog.brdg.mn/glossar/small-language-model.md): Kompakteres Sprachmodell; keine allgemeingültige Größengrenze.
- [Sprachmodell (Language Model, LM)](https://blog.brdg.mn/glossar/sprachmodell.md): Modell für Wahrscheinlichkeiten von Tokens und Tokensequenzen.

### Tokens, Tokenisierung und Nachrichtenformat

- [Attention Mask (Attention-Maske, attention_mask)](https://blog.brdg.mn/glossar/attention-mask.md): Kennzeichnung, welche Positionen berücksichtigt oder ausgeblendet werden.
- [BOS (Beginning-of-Sequence Token, BOS-Token)](https://blog.brdg.mn/glossar/bos.md): Spezialtoken für den Anfang einer Sequenz.
- [Byte Pair Encoding (Byte-Pair Encoding, BPE)](https://blog.brdg.mn/glossar/byte-pair-encoding.md): Tokenisierungsverfahren durch schrittweises Zusammenführen häufiger Paare.
- [Byte-level BPE (Byte-level Byte Pair Encoding)](https://blog.brdg.mn/glossar/byte-level-bpe.md): BPE auf Bytebasis statt ausschließlich auf Zeichenbasis.
- [Bytes per Token (Bytes pro Token, BPT)](https://blog.brdg.mn/glossar/bytes-per-token.md): Kennzahl für die Kompaktheit einer Tokenisierung.
- [Cached Input Tokens (Gecachte Eingabetokens, Cached Tokens)](https://blog.brdg.mn/glossar/cached-input-tokens.md): Durch Prompt-Caching wiederverwendete Eingabetokens.
- [Chat Template (Chatvorlage, Chat-Template, Chatformat)](https://blog.brdg.mn/glossar/chat-template.md): Modellspezifisches Format für Rollen, Nachrichten und Gesprächswechsel.
- [Encoding (Token-Encoding, Kodierung)](https://blog.brdg.mn/glossar/encoding.md): Modellabhängige Zuordnung von Textbestandteilen zu Token-IDs.
- [EOS (End-of-Sequence Token, EOS-Token)](https://blog.brdg.mn/glossar/eos.md): Spezialtoken für das Ende einer Sequenz.
- [Input Tokens (Prompt Tokens, Eingabetokens)](https://blog.brdg.mn/glossar/input-tokens.md): Tokens, die dem Modell als Eingabe übergeben werden.
- [Output Tokens (Completion Tokens, Ausgabetokens)](https://blog.brdg.mn/glossar/output-tokens.md): Tokens, die das Modell erzeugt.
- [PAD (Padding Token, PAD-Token, Padding)](https://blog.brdg.mn/glossar/pad.md): Fülltoken zum Angleichen von Sequenzlängen.
- [Position IDs (Positions-IDs, position_ids)](https://blog.brdg.mn/glossar/position-ids.md): Kennungen für Tokenpositionen innerhalb einer Sequenz.
- [Pre-tokenization (Pre-Tokenization, Vor-Tokenisierung, Pretokenization)](https://blog.brdg.mn/glossar/pre-tokenization.md): Vorzerlegung von Text vor der eigentlichen Subword-Tokenisierung.
- [Reasoning Tokens (Thinking Tokens)](https://blog.brdg.mn/glossar/reasoning-tokens.md): Tokens für interne beziehungsweise nicht unmittelbar sichtbare Reasoning-Schritte.
- [Special Tokens (Spezialtokens, Spezial-Tokens)](https://blog.brdg.mn/glossar/special-tokens.md): Reservierte Tokens für Struktur, Grenzen oder Rollen.
- [Subword Tokenization (Subword Token, Subword-Tokenisierung)](https://blog.brdg.mn/glossar/subword-tokenization.md): Verarbeitung von Wortteilen anstelle ausschließlich vollständiger Wörter.
- [Token Count (Tokenzahl, Tokenzählung)](https://blog.brdg.mn/glossar/token-count.md): Tokenanzahl, abhängig von Text, Sprache und Tokenisierung.
- [Token ID (Input IDs, input_ids)](https://blog.brdg.mn/glossar/token-id.md): Numerische Kennung eines Tokens im jeweiligen Vokabular.
- [Token Type IDs (Segment IDs, token_type_ids)](https://blog.brdg.mn/glossar/token-type-ids.md): Kennungen zur Unterscheidung von Teilsequenzen in einem Input.
- [Tokenization (Tokenisierung)](https://blog.brdg.mn/glossar/tokenization.md): Zerlegung von Eingaben in eine modellabhängige Tokensequenz.
- [Tokenizer](https://blog.brdg.mn/glossar/tokenizer.md): Komponente zur Umwandlung zwischen Text und Tokenrepräsentationen.
- [Tokens (Token)](https://blog.brdg.mn/glossar/tokens.md): Verarbeitungseinheit; nicht automatisch ein vollständiges Wort.
- [Unigram Tokenization (Unigram-Tokenisierung, Unigram)](https://blog.brdg.mn/glossar/unigram-tokenization.md): Tokenisierungsverfahren mit probabilistischem Subword-Vokabular.
- [Vocabulary (Vocabulary Size, Token-Vokabular, Vokabulargröße)](https://blog.brdg.mn/glossar/vocabulary.md): Tokenvokabular und dessen Größe.
- [WordPiece (WordPiece Tokenization)](https://blog.brdg.mn/glossar/wordpiece.md): Subword-Tokenisierungsverfahren mit eigenem Auswahlkriterium für Zusammenführungen.

### Architektur und interne Modellbausteine

- [Active Parameters (Aktive Parameter)](https://blog.brdg.mn/glossar/active-parameters.md): Für einen Token tatsächlich verwendeter Teil der Modellparameter.
- [Attention (Aufmerksamkeitsmechanismus)](https://blog.brdg.mn/glossar/attention.md): Mechanismus zur Gewichtung relevanter Informationen.
- [Attention Head (Attention-Kopf)](https://blog.brdg.mn/glossar/attention-head.md): Einzelner Attention-Baustein mit eigenen Gewichtungen und Projektionen.
- [Attention Sink (Aufmerksamkeitssenke)](https://blog.brdg.mn/glossar/attention-sink.md): Tokenposition, die überproportional viel Attention auf sich zieht.
- [Backbone (Modellkern)](https://blog.brdg.mn/glossar/backbone.md): Gemeinsamer Modellkern vor aufgabenspezifischen Ausgabeköpfen.
- [Causal Attention (Causal Masking, Kausale Attention)](https://blog.brdg.mn/glossar/causal-attention.md): Attention mit Ausblendung späterer Sequenzpositionen.
- [Cross-Attention (Encoder-Decoder Attention)](https://blog.brdg.mn/glossar/cross-attention.md): Attention zwischen verschiedenen Repräsentationssequenzen, etwa Encoder und Decoder.
- [Expert Parallelism (EP, Expertenparallelismus)](https://blog.brdg.mn/glossar/expert-parallelism.md): Verteilung der MoE-Experten auf mehrere Rechengeräte.
- [Expert Router (Gating Network, MoE-Router)](https://blog.brdg.mn/glossar/expert-router.md): Komponente zur Auswahl der zuständigen MoE-Experten.
- [Feed-Forward Network (FFN, MLP Layer, Feed-Forward-Netz)](https://blog.brdg.mn/glossar/feed-forward-network.md): Nichtlinearer Transformationsblock innerhalb eines Transformers.
- [Grouped-Query Attention (GQA)](https://blog.brdg.mn/glossar/grouped-query-attention.md): Gruppen von Query-Köpfen teilen Key- und Value-Köpfe.
- [Hidden Size (Hidden Dimension, Verborgene Dimension)](https://blog.brdg.mn/glossar/hidden-size.md): Breite interner Repräsentationsvektoren.
- [Load-Balancing Loss (Lastausgleichsverlust)](https://blog.brdg.mn/glossar/load-balancing-loss.md): Zusätzlicher Lernterm zur gleichmäßigeren Auslastung von Experten.
- [Mamba](https://blog.brdg.mn/glossar/mamba.md): Bezeichnung einer Zustandsraummodell-Architektur für Sequenzen.
- [Model Head (Output Head, Ausgabekopf)](https://blog.brdg.mn/glossar/model-head.md): Aufgabenspezifische Abbildung interner Repräsentationen auf Ausgaben.
- [Multi-Head Attention (MHA)](https://blog.brdg.mn/glossar/multi-head-attention.md): Kombination mehrerer Attention-Köpfe.
- [Multi-Head Latent Attention (MLA)](https://blog.brdg.mn/glossar/multi-head-latent-attention.md): Attention mit komprimierter latenter Key-Value-Repräsentation.
- [Multi-Query Attention (MQA)](https://blog.brdg.mn/glossar/multi-query-attention.md): Mehrere Query-Köpfe teilen gemeinsame Key- und Value-Köpfe.
- [NTK-aware Scaling (NTK-aware RoPE Scaling)](https://blog.brdg.mn/glossar/ntk-aware-scaling.md): Verfahren zur Skalierung von RoPE-Frequenzen für längere Kontexte.
- [Position Interpolation (PI, Positionsinterpolation)](https://blog.brdg.mn/glossar/position-interpolation.md): Anpassung von Positionen zur Verarbeitung längerer Kontexte.
- [Positional Encoding (Positionskodierung)](https://blog.brdg.mn/glossar/positional-encoding.md): Information über Tokenpositionen innerhalb einer Sequenz.
- [Pre-Norm / Post-Norm (Pre-Norm, Post-Norm, Pre-LN, Post-LN)](https://blog.brdg.mn/glossar/pre-norm-post-norm.md): Position der Normalisierung relativ zu Teilblock und Residualverbindung.
- [Residual Stream (Residualstrom)](https://blog.brdg.mn/glossar/residual-stream.md): Durchgehender Repräsentationsstrom, zu dem Modellblöcke Beiträge addieren.
- [RMSNorm (Root Mean Square Layer Normalization)](https://blog.brdg.mn/glossar/rmsnorm.md): Normalisierung anhand des quadratischen Mittelwerts der Merkmale.
- [Rotary Position Embedding (RoPE, Rotary Position Embeddings)](https://blog.brdg.mn/glossar/rope.md): Positionskodierung durch Rotationen von Query- und Key-Vektoren.
- [Self-Attention (Selbstaufmerksamkeit)](https://blog.brdg.mn/glossar/self-attention.md): Attention zwischen Elementen derselben Sequenz.
- [Shared Expert (Gemeinsamer Experte)](https://blog.brdg.mn/glossar/shared-expert.md): MoE-Experte, der unabhängig von der selektiven Expertensuche mitarbeitet.
- [Sliding Window Attention (SWA, Gleitende Fenster-Attention)](https://blog.brdg.mn/glossar/sliding-window-attention.md): Attention über ein begrenztes lokales Tokenfenster.
- [State Space Model (SSM, Zustandsraummodell)](https://blog.brdg.mn/glossar/state-space-model.md): Sequenzmodell mit fortgeschriebenem internem Zustand.
- [SwiGLU](https://blog.brdg.mn/glossar/swiglu.md): Gating-basierte Aktivierungsstruktur für Feed-Forward-Blöcke.
- [Transformer](https://blog.brdg.mn/glossar/transformer.md): Modellarchitektur auf Grundlage von Attention-Bausteinen.
- [YaRN (Yet another RoPE extensioN method)](https://blog.brdg.mn/glossar/yarn.md): Verfahren zur Erweiterung nutzbarer Kontextlängen bei RoPE-Modellen.

### Training, Daten und Modellanpassung

- [Adapter (Adapter Weights)](https://blog.brdg.mn/glossar/adapter.md): Kleine Zusatzgewichte für eine spezialisierte Modellanpassung.
- [Adapter Merging (Adapter-Zusammenführung)](https://blog.brdg.mn/glossar/adapter-merging.md): Zusammenführen von Adapter-Updates und Basisgewichten.
- [Backpropagation (Fehlerrückpropagation, Rückwärtspropagation)](https://blog.brdg.mn/glossar/backpropagation.md): Rückwärtsberechnung von Gradienten durch die Schichten eines neuronalen Netzes.
- [Catastrophic Forgetting (Katastrophales Vergessen)](https://blog.brdg.mn/glossar/catastrophic-forgetting.md): Verlust früher gelernter Fähigkeiten durch nachfolgendes Training.
- [Checkpoint (Modellcheckpoint)](https://blog.brdg.mn/glossar/checkpoint.md): Gespeicherter Zustand der Modellparameter während oder nach dem Training.
- [Chinchilla Scaling (Chinchilla-Skalierung)](https://blog.brdg.mn/glossar/chinchilla-scaling.md): Skalierungsansatz zur gemeinsamen Abstimmung von Modellgröße und Trainingsdaten.
- [Compute-Optimal Training (Rechenoptimales Training)](https://blog.brdg.mn/glossar/compute-optimal-training.md): Auswahl von Modellgröße und Datenmenge für ein gegebenes Trainingsrechenbudget.
- [Continued Pretraining (Continual Pretraining, CPT)](https://blog.brdg.mn/glossar/continued-pretraining.md): Fortgesetztes Sprachmodelltraining auf zusätzlichen Daten.
- [Cross-Entropy (Kreuzentropie)](https://blog.brdg.mn/glossar/cross-entropy.md): Verlustmaß auf Grundlage von Wahrscheinlichkeitsverteilungen.
- [Distillation (Knowledge Distillation, Wissensdistillation)](https://blog.brdg.mn/glossar/distillation.md): Übertragung von Verhalten eines Lehrermodells auf ein Schülermodell.
- [Domain-Adaptive Pretraining (DAPT, Domänenadaptives Vortraining)](https://blog.brdg.mn/glossar/domain-adaptive-pretraining.md): Fortgesetztes Vortraining mit domänenspezifischen Daten.
- [DoRA (Weight-Decomposed Low-Rank Adaptation)](https://blog.brdg.mn/glossar/dora.md): Anpassung mit getrennter Behandlung von Gewichtsbetrag und -richtung.
- [Dropout (Dropout-Regularisierung)](https://blog.brdg.mn/glossar/dropout.md): Zufälliges Auslassen von Netzwerkeinheiten während des Trainings zur Regularisierung.
- [Early Stopping (Frühzeitiger Trainingsstopp)](https://blog.brdg.mn/glossar/early-stopping.md): Vorzeitiger Trainingsstopp, etwa bei schlechter werdender Validierung.
- [Epoch (Epoche)](https://blog.brdg.mn/glossar/epoch.md): Vollständiger Durchlauf durch den Trainingsdatensatz.
- [Fine-Tuning (Finetuning)](https://blog.brdg.mn/glossar/fine-tuning.md): Weitertraining eines vorhandenen Modells für bestimmte Anforderungen.
- [Generalization (Generalisierung)](https://blog.brdg.mn/glossar/generalization.md): Übertragung gelernter Muster auf zuvor nicht gesehene Daten.
- [Gradient Checkpointing (Activation Checkpointing)](https://blog.brdg.mn/glossar/gradient-checkpointing.md): Speichersparendes Training durch erneute Berechnung von Aktivierungen.
- [Gradient Descent (Gradientenabstieg)](https://blog.brdg.mn/glossar/gradient-descent.md): Iterative Parameteranpassung in Richtung einer niedrigeren Verlustfunktion.
- [Hyperparameter](https://blog.brdg.mn/glossar/hyperparameter.md): Von außen festgelegte Konfiguration eines Lern- oder Modellverfahrens.
- [Instruction Dataset (Anweisungsdatensatz)](https://blog.brdg.mn/glossar/instruction-dataset.md): Sammlung von Anweisungen und passenden Antwortbeispielen.
- [Instruction Tuning (Instruction Fine-Tuning)](https://blog.brdg.mn/glossar/instruction-tuning.md): Training für bessere Befolgung natürlicher Sprachanweisungen.
- [Knowledge Cutoff (Wissensstichtag)](https://blog.brdg.mn/glossar/knowledge-cutoff.md): Zeitliche Grenze des Trainingswissens; nicht automatisch Grenze externer Recherche.
- [Learning Rate (Lernrate)](https://blog.brdg.mn/glossar/learning-rate.md): Schrittweite der Parameteranpassung beim Lernen.
- [Loss (Loss Function, Verlustfunktion, Verlust)](https://blog.brdg.mn/glossar/loss.md): Zielgröße, die Abweichungen des Modells beim Lernen bewertet.
- [Low-Rank Adaptation (LoRA)](https://blog.brdg.mn/glossar/low-rank-adaptation.md): Anpassung über zusätzliche niedrig-rangige Gewichtsmatrizen.
- [Mid-training (Midtraining)](https://blog.brdg.mn/glossar/mid-training.md): Zwischenphase zur gezielten Ergänzung von Fähigkeiten oder Kontextlänge.
- [Model Collapse (Modellkollaps)](https://blog.brdg.mn/glossar/model-collapse.md): Qualitäts- oder Diversitätsverlust bei problematischem rekursivem Training auf Modelloutputs.
- [Model Merging (Modellzusammenführung)](https://blog.brdg.mn/glossar/model-merging.md): Kombinieren vorhandener Modellgewichte zu einem neuen Modell.
- [Model Parameters (Weights, Modellgewichte)](https://blog.brdg.mn/glossar/model-parameters.md): Gelernte interne Zahlenwerte, die Modellverhalten mitbestimmen.
- [Optimizer (Optimierer)](https://blog.brdg.mn/glossar/optimizer.md): Verfahren zur Durchführung der Parameterupdates.
- [Overfitting (Überanpassung)](https://blog.brdg.mn/glossar/overfitting.md): Zu starke Anpassung an Trainingsdaten mit schlechter Übertragung auf neue Daten.
- [Overtraining](https://blog.brdg.mn/glossar/overtraining.md): Hier: Training über einen compute-optimalen Datenpunkt hinaus, etwa für günstigere spätere Inferenz.
- [Parameter-Efficient Fine-Tuning (PEFT)](https://blog.brdg.mn/glossar/parameter-efficient-fine-tuning.md): Modellanpassung mit vergleichsweise wenigen trainierbaren Parametern.
- [Post-training (Posttraining)](https://blog.brdg.mn/glossar/post-training.md): Nachgelagerte Anpassung eines vortrainierten Modells; Oberbegriff mit variablem Umfang.
- [Pretraining (Vortraining)](https://blog.brdg.mn/glossar/pretraining.md): Grundlegende Trainingsphase auf einem umfangreichen Datenbestand.
- [QLoRA (Quantized Low-Rank Adaptation)](https://blog.brdg.mn/glossar/qlora.md): LoRA-Training auf einem quantisierten Basismodell.
- [Regularization (Regularisierung)](https://blog.brdg.mn/glossar/regularization.md): Mechanismen zur Verringerung von Überanpassung.
- [rsLoRA (Rank-Stabilized LoRA)](https://blog.brdg.mn/glossar/rslora.md): LoRA-Variante mit angepasster Skalierung für größere Ränge.
- [Scaling Laws (Neural Scaling Laws, Skalierungsgesetze)](https://blog.brdg.mn/glossar/scaling-laws.md): Empirische Beziehungen zwischen Modellgröße, Daten, Rechenaufwand und Verlust.
- [Self-Supervised Learning (Selbstüberwachtes Lernen)](https://blog.brdg.mn/glossar/self-supervised-learning.md): Lernen mit aus den Daten selbst abgeleiteten Trainingszielen.
- [Supervised Fine-Tuning (SFT)](https://blog.brdg.mn/glossar/supervised-fine-tuning.md): Weitertraining anhand gewünschter Eingabe-Ausgabe-Beispiele.
- [Synthetic Data (Synthetische Daten)](https://blog.brdg.mn/glossar/synthetic-data.md): Künstlich erzeugte Daten für Training oder Evaluation.
- [Teacher Model / Student Model (Teacher Model, Student Model, Lehrermodell, Schülermodell)](https://blog.brdg.mn/glossar/teacher-model-student-model.md): Lehrendes und lernendes Modell bei der Distillation.
- [Training (Modelltraining)](https://blog.brdg.mn/glossar/training.md): Lernen beziehungsweise Anpassen von Modellparametern anhand von Daten.
- [Training Set / Validation Set / Test Set (Training Set, Validation Set, Test Set, Trainingsdatensatz, Validierungsdatensatz, Testdatensatz)](https://blog.brdg.mn/glossar/training-validation-test-set.md): Daten für Lernen, begleitende Bewertung und abschließende Prüfung.
- [Transfer Learning (Transferlernen)](https://blog.brdg.mn/glossar/transfer-learning.md): Übertragung bereits gelernter Repräsentationen auf andere Aufgaben.
- [Underfitting (Unteranpassung)](https://blog.brdg.mn/glossar/underfitting.md): Unzureichendes Erfassen der relevanten Muster im Datensatz.

### Alignment, Präferenzlernen und Reinforcement Learning

- [Alignment (AI Alignment)](https://blog.brdg.mn/glossar/alignment.md): Ausrichtung von Modellverhalten an beabsichtigten Zielen und Werten.
- [Constitutional AI](https://blog.brdg.mn/glossar/constitutional-ai.md): Ausrichtung mithilfe expliziter Prinzipien für Kritik, Überarbeitung und Bewertung.
- [Direct Preference Optimization (DPO)](https://blog.brdg.mn/glossar/dpo.md): Direkte Präferenzoptimierung ohne separates Reward-Modell in der Standardform.
- [Group Relative Policy Optimization (GRPO)](https://blog.brdg.mn/glossar/grpo.md): RL-Verfahren mit relativer Bewertung mehrerer Antworten derselben Gruppe.
- [Helpful, Honest, Harmless (HHH)](https://blog.brdg.mn/glossar/helpful-honest-harmless.md): Zielvorstellung eines hilfreichen, ehrlichen und möglichst unschädlichen Assistenten.
- [KL Penalty (KL-Regularisierung)](https://blog.brdg.mn/glossar/kl-penalty.md): Begrenzung der Abweichung von einer Referenzverteilung beim Training.
- [Outcome Reward Model (ORM)](https://blog.brdg.mn/glossar/outcome-reward-model.md): Bewertung des Gesamtergebnisses oder vollständigen Lösungswegs.
- [Policy](https://blog.brdg.mn/glossar/policy.md): Verhalten beziehungsweise Entscheidungsverteilung eines RL-Agenten.
- [Preference Alignment (Präferenzalignment)](https://blog.brdg.mn/glossar/preference-alignment.md): Anpassung anhand bevorzugter und weniger bevorzugter Antworten.
- [Process Reward Model (PRM)](https://blog.brdg.mn/glossar/process-reward-model.md): Bewertung einzelner Schritte eines Lösungswegs.
- [Proximal Policy Optimization (PPO)](https://blog.brdg.mn/glossar/ppo.md): RL-Verfahren mit begrenzten beziehungsweise stabilisierten Policy-Updates.
- [Reinforcement Learning (RL)](https://blog.brdg.mn/glossar/reinforcement-learning.md): Lernen eines Verhaltens anhand von Belohnungssignalen.
- [Reinforcement Learning from AI Feedback (RLAIF)](https://blog.brdg.mn/glossar/rlaif.md): Nutzung von KI-Bewertungen statt ausschließlich menschlicher Präferenzurteile.
- [Reinforcement Learning from Human Feedback (RLHF)](https://blog.brdg.mn/glossar/rlhf.md): Modellanpassung mit Belohnungssignalen aus menschlichen Präferenzen.
- [Reinforcement Learning with Verifiable Rewards (RLVR)](https://blog.brdg.mn/glossar/rlvr.md): RL mit überprüfbaren Belohnungen, etwa durch Tests oder Ergebnisprüfer.
- [Reward (Belohnungssignal)](https://blog.brdg.mn/glossar/reward.md): Numerisches Signal zur Bewertung von Verhalten oder Ergebnissen.
- [Reward Hacking](https://blog.brdg.mn/glossar/reward-hacking.md): Ausnutzen einer Belohnungsdefinition statt Erfüllen des eigentlich beabsichtigten Ziels.
- [Reward Model (RM)](https://blog.brdg.mn/glossar/reward-model.md): Gelerntes Modell zur Bewertung von Antworten oder Verhalten.
- [RLOO (Reinforce Leave-One-Out)](https://blog.brdg.mn/glossar/rloo.md): Policy-Gradient-Verfahren mit den übrigen Gruppenantworten als Vergleichsbasis.
- [Safety Training (Safety Fine-Tuning)](https://blog.brdg.mn/glossar/safety-training.md): Training zur Reduktion unerwünschten oder schädlichen Verhaltens.
- [Specification Gaming (Spec Gaming)](https://blog.brdg.mn/glossar/specification-gaming.md): Erfüllen einer formalen Vorgabe unter Umgehung ihrer Absicht.
- [Trajectory / Rollout (Trajectory, Rollout)](https://blog.brdg.mn/glossar/trajectory-rollout.md): Abfolge von Zuständen, Aktionen und Ergebnissen eines Durchlaufs.
- [Verifier (Verifikator)](https://blog.brdg.mn/glossar/verifier.md): Prüfer für die Korrektheit erzeugter Ergebnisse.

### Prompting und Gesprächsgestaltung

- [Automated Prompt Optimization](https://blog.brdg.mn/glossar/automated-prompt-optimization.md): Automatisiertes Testen und Überarbeiten von Prompts.
- [Canonical Examples](https://blog.brdg.mn/glossar/canonical-examples.md): Repräsentative Beispiele zur Verdeutlichung gewünschten Verhaltens.
- [CARE (Context, Action, Result, Example, CARE-Framework)](https://blog.brdg.mn/glossar/care.md): Prompting-Vorlage aus Kontext, Handlung, Ergebnis und einem Beispiel.
- [CO-STAR (COSTAR, Context, Objective, Style, Tone, Audience, Response)](https://blog.brdg.mn/glossar/co-star.md): Prompting-Vorlage aus Kontext, Ziel, Stil, Ton, Zielgruppe und Antwortformat.
- [Few-Shot Prompting](https://blog.brdg.mn/glossar/few-shot-prompting.md): Anweisung mit mehreren Beispielen.
- [In-Context Learning (ICL)](https://blog.brdg.mn/glossar/in-context-learning.md): Anpassung anhand des Kontexts ohne Update der Modellgewichte.
- [Instruction Following](https://blog.brdg.mn/glossar/instruction-following.md): Fähigkeit, vorgegebene Anweisungen zuverlässig umzusetzen.
- [KARTE (KARTE-Framework)](https://blog.brdg.mn/glossar/karte.md): Prompting-Vorlage aus Kontext, Aufgabe, Rahmen, Teilergebnis und Evaluation.
- [Least-to-Most Prompting](https://blog.brdg.mn/glossar/least-to-most-prompting.md): Aufteilen eines Problems in aufeinander aufbauende Teilprobleme.
- [Meta-Prompting](https://blog.brdg.mn/glossar/meta-prompting.md): Nutzung eines Modells zur Gestaltung oder Verbesserung von Prompts.
- [One-Shot Prompting](https://blog.brdg.mn/glossar/one-shot-prompting.md): Anweisung mit einem Beispiel.
- [Prompt](https://blog.brdg.mn/glossar/prompt.md): Eingabe, die Aufgabe, Kontext oder gewünschtes Verhalten vorgibt.
- [Prompt Altitude](https://blog.brdg.mn/glossar/prompt-altitude.md): Metapher für den passenden Abstraktions- und Detailgrad einer Anweisung.
- [Prompt Chaining](https://blog.brdg.mn/glossar/prompt-chaining.md): Verknüpfen mehrerer Prompts über deren Zwischenergebnisse.
- [Prompt Engineering (Prompt Design)](https://blog.brdg.mn/glossar/prompt-engineering.md): Systematisches Gestalten und Testen von Prompts.
- [Prompt Tuning](https://blog.brdg.mn/glossar/prompt-tuning.md): Parameterarme Anpassung eines Modells über trainierbare Promptanteile.
- [Prompting](https://blog.brdg.mn/glossar/prompting.md): Übermitteln einer Aufgabe oder Anfrage an ein generatives Modell.
- [Prompting Framework (Prompt Framework, Prompting-Framework)](https://blog.brdg.mn/glossar/prompting-framework.md): Vorlage, die einen Auftrag an die KI in feste Bausteine zerlegt.
- [Promptware Engineering (Promptware)](https://blog.brdg.mn/glossar/promptware-engineering.md): Vorschlag, Prompts wie Software zu behandeln, mit Anforderungen, Tests und Versionierung.
- [RACE (Role, Action, Context, Expectation, RACE-Framework)](https://blog.brdg.mn/glossar/race.md): Prompting-Vorlage aus Rolle, Handlung, Kontext und Ergebniserwartung.
- [Role Prompting (Persona Prompting)](https://blog.brdg.mn/glossar/role-prompting.md): Vorgabe einer Rolle oder Perspektive für die Antwort.
- [RTF (Role, Task, Format, RTF-Framework)](https://blog.brdg.mn/glossar/rtf.md): Kompakte Prompting-Vorlage aus Rolle, Aufgabe und Ausgabeformat.
- [Single-Turn (Multi-Turn)](https://blog.brdg.mn/glossar/single-turn.md): Einzelne Anfrage gegenüber einem Gespräch mit mehreren Wechseln.
- [Soft Prompt (Soft Prompt Tuning)](https://blog.brdg.mn/glossar/soft-prompt.md): Anpassung gelernter Promptrepräsentationen statt ausschließlich geschriebener Anweisungen.
- [System Prompt (System Instructions)](https://blog.brdg.mn/glossar/system-prompt.md): Übergeordnete Verhaltensvorgaben für das Modell oder den Agenten.
- [XML Tagging (Prompt Delimiters)](https://blog.brdg.mn/glossar/xml-tagging.md): Strukturierung und Trennung von Promptbestandteilen.
- [Zero-Shot Prompting](https://blog.brdg.mn/glossar/zero-shot-prompting.md): Anweisung ohne vorangestelltes Lösungsbeispiel.

### Reasoning und Test-Time Compute

- [Best-of-N (Best-of-K)](https://blog.brdg.mn/glossar/best-of-n.md): Mehrere Kandidaten erzeugen und den bestbewerteten auswählen.
- [Chain of Thought (CoT)](https://blog.brdg.mn/glossar/chain-of-thought.md): Zwischenschritte eines erzeugten Lösungswegs; nicht automatisch ein getreues Innenprotokoll.
- [Chain-of-Thought Prompting](https://blog.brdg.mn/glossar/chain-of-thought-prompting.md): Aufforderung, einen Lösungsweg schrittweise zu entwickeln.
- [Long-Range Reasoning](https://blog.brdg.mn/glossar/long-range-reasoning.md): Verknüpfen von Informationen über weit auseinanderliegende Kontextstellen.
- [ReAct (Reason + Act)](https://blog.brdg.mn/glossar/react.md): Verknüpfen von Reasoning, Aktionen und Beobachtungen.
- [Reasoning Effort (Thinking Budget)](https://blog.brdg.mn/glossar/reasoning-effort.md): Steuerung des Umfangs zusätzlicher Reasoning-Verarbeitung.
- [Reflection (Selbstreflexion)](https://blog.brdg.mn/glossar/reflection.md): Überprüfen eines Zwischen- oder Endergebnisses vor weiteren Schritten.
- [Scratchpad](https://blog.brdg.mn/glossar/scratchpad.md): Arbeitsbereich für Zwischenschritte vor der finalen Antwort.
- [Self-Consistency](https://blog.brdg.mn/glossar/self-consistency.md): Mehrere Lösungswege erzeugen und anhand ihrer Übereinstimmung auswählen.
- [Self-Correction (Selbstkorrektur)](https://blog.brdg.mn/glossar/self-correction.md): Erkennen eines Fehlers und erneuter Lösungsversuch.
- [System 2 Thinking](https://blog.brdg.mn/glossar/system-2-thinking.md): An menschliches langsames Denken angelehnte Metapher für Reasoning-Verarbeitung.
- [Test-Time Compute (Inference-Time Compute)](https://blog.brdg.mn/glossar/test-time-compute.md): Zusätzliche Rechenarbeit beim Lösen statt beim Trainieren.
- [Test-Time Scaling (Inference-Time Scaling)](https://blog.brdg.mn/glossar/test-time-scaling.md): Verbesserung durch erhöhten Rechenaufwand während der Inferenz.
- [Thought-Action-Observation Loop](https://blog.brdg.mn/glossar/thought-action-observation-loop.md): Wiederholte Folge aus Überlegung, Handlung und Ergebnisbeobachtung.
- [Tree of Thoughts (ToT)](https://blog.brdg.mn/glossar/tree-of-thoughts.md): Verzweigte Suche mit Bewertung und Verwerfen von Lösungswegen.
- [Zero-Shot CoT (Few-Shot CoT)](https://blog.brdg.mn/glossar/zero-shot-cot.md): Reasoning-Anweisung ohne beziehungsweise mit vorgeführten Lösungswegen.

### Kontextfenster, Kontextmanagement und Kontextprobleme

- [Attention Budget](https://blog.brdg.mn/glossar/attention-budget.md): Metapher für begrenzte Fähigkeit, Kontextinformationen wirksam zu berücksichtigen.
- [Context (Kontext)](https://blog.brdg.mn/glossar/context.md): Informationen, die dem Modell bei einem Verarbeitungsschritt vorliegen.
- [Context Clash](https://blog.brdg.mn/glossar/context-clash.md): Widersprüche zwischen angesammelten Informationen, Anweisungen oder Tools.
- [Context Compaction (Compaction)](https://blog.brdg.mn/glossar/context-compaction.md): Verdichtung älterer Kontextbestandteile für die weitere Bearbeitung.
- [Context Confusion](https://blog.brdg.mn/glossar/context-confusion.md): Überflüssige Kontextinhalte führen zu einer schlechteren Antwort.
- [Context Curation](https://blog.brdg.mn/glossar/context-curation.md): Auswahl möglichst relevanter, verlässlicher Kontextbestandteile.
- [Context Distraction](https://blog.brdg.mn/glossar/context-distraction.md): Übermäßige Orientierung am umfangreichen Kontext zulasten anderer relevanter Fähigkeiten.
- [Context Drift (Kontext-Drift, Kontext Drift, „Kontext Drift“)](https://blog.brdg.mn/glossar/context-drift.md): Schleichendes Abweichen von Thema, Absicht oder zuvor festgehaltenen Fakten.
- [Context Engineering](https://blog.brdg.mn/glossar/context-engineering.md): Gezielte Auswahl, Strukturierung und laufende Pflege des Modellkontexts.
- [Context Freshness (Stale Context)](https://blog.brdg.mn/glossar/context-freshness.md): Aktualität beziehungsweise Veraltung der bereitgestellten Informationen.
- [Context Length (Kontextlänge)](https://blog.brdg.mn/glossar/context-length.md): Umfang einer Eingabe beziehungsweise eines genutzten Kontextfensters.
- [Context Loss](https://blog.brdg.mn/glossar/context-loss.md): Verlust oder Nichtbeachtung zuvor verfügbarer Informationen.
- [Context Management](https://blog.brdg.mn/glossar/context-management.md): Verwaltung von Anweisungen, Verlauf, Tool-Ergebnissen und weiteren Informationen.
- [Context Overflow](https://blog.brdg.mn/glossar/context-overflow.md): Überschreitung des technischen Kontextlimits; Anbieter können unterschiedlich reagieren.
- [Context Poisoning](https://blog.brdg.mn/glossar/context-poisoning.md): Fehlerhafte oder manipulierte Informationen im Kontext beeinflussen weitere Verarbeitung.
- [Context Pollution](https://blog.brdg.mn/glossar/context-pollution.md): Verschmutzung des Arbeitskontexts durch überflüssige oder störende Informationen.
- [Context Reset](https://blog.brdg.mn/glossar/context-reset.md): Neustart des aktiven Kontexts, gegebenenfalls mit übernommenen Notizen.
- [Context Rot (Context Degradation)](https://blog.brdg.mn/glossar/context-rot.md): Qualitätsverlust eines Modells, wenn sein Kontextfenster über einen langen Verlauf mit immer mehr halb relevantem Material volläuft.
- [Context State](https://blog.brdg.mn/glossar/context-state.md): Gesamter verfügbarer Informationszustand eines Modellaufrufs.
- [Context Stuffing](https://blog.brdg.mn/glossar/context-stuffing.md): Möglichst viel Material unselektiert in den Kontext laden.
- [Context Summarization](https://blog.brdg.mn/glossar/context-summarization.md): Zusammenfassung von Verlauf, Entscheidungen und noch offenen Aufgaben.
- [Context Window (Kontextfenster)](https://blog.brdg.mn/glossar/context-window.md): Modellabhängige Begrenzung des gleichzeitig verarbeitbaren Kontexts.
- [Effective Context (Effective Context Length)](https://blog.brdg.mn/glossar/effective-context.md): Kontextumfang, innerhalb dessen Informationen noch zuverlässig genutzt werden.
- [Goal Drift](https://blog.brdg.mn/glossar/goal-drift.md): Abweichen des Agenten vom ursprünglichen Auftragsziel.
- [Just-in-Time Context](https://blog.brdg.mn/glossar/just-in-time-context.md): Relevante Informationen erst bei konkretem Bedarf nachladen.
- [Long Context](https://blog.brdg.mn/glossar/long-context.md): Bezeichnung für die Verarbeitung besonders langer Kontexte; relative Größenangabe.
- [Lost in the Middle](https://blog.brdg.mn/glossar/lost-in-the-middle.md): Schwächere Nutzung relevanter Informationen in der Mitte langer Kontexte.
- [Minimum Viable Context (MVC)](https://blog.brdg.mn/glossar/minimum-viable-context.md): Kleinste für zuverlässige Aufgabenbearbeitung ausreichende Kontextmenge.
- [Output Limit (Max Output Tokens)](https://blog.brdg.mn/glossar/output-limit.md): Separate Begrenzung der generierbaren Tokens.
- [Progressive Disclosure](https://blog.brdg.mn/glossar/progressive-disclosure.md): Informationen schrittweise statt vollständig im Voraus offenlegen.
- [Semantic Noise](https://blog.brdg.mn/glossar/semantic-noise.md): Inhaltlich ähnlich wirkende, für die konkrete Frage irrelevante Informationen.
- [Token Budget (Context Budget)](https://blog.brdg.mn/glossar/token-budget.md): Aufteilung begrenzter Tokenkapazität auf Anweisungen, Daten und Ausgaben.
- [Tool-Result Clearing](https://blog.brdg.mn/glossar/tool-result-clearing.md): Nicht mehr benötigte Tool-Aufrufe und Ergebnisse aus dem Verlauf entfernen.

### Memory und persistenter Agentenzustand

- [Episodic Memory](https://blog.brdg.mn/glossar/episodic-memory.md): Erinnerungen an Interaktionen oder Ereignisse; konkrete Implementierung variiert.
- [File-Based Memory](https://blog.brdg.mn/glossar/file-based-memory.md): Persistenter Gedächtnisspeicher über Dateien.
- [Governed Memory](https://blog.brdg.mn/glossar/governed-memory.md): Gedächtnis mit kontrollierbaren Schreibvorgängen, Gültigkeit und Zugriffsgrenzen.
- [Hallucination Internalization](https://blog.brdg.mn/glossar/hallucination-internalization.md): Übernahme eigener falscher Aussagen als vermeintlich bestätigtes Wissen.
- [Long-Term Memory (Persistent Memory)](https://blog.brdg.mn/glossar/long-term-memory.md): Außerhalb des aktiven Kontextfensters dauerhaft gespeicherte Informationen.
- [Memory (Agent Memory)](https://blog.brdg.mn/glossar/memory.md): Mechanismen zum Speichern und erneuten Bereitstellen von Agenteninformationen.
- [Memory Poisoning](https://blog.brdg.mn/glossar/memory-poisoning.md): Fehlerhafte oder manipulierte Inhalte im dauerhaften Agentengedächtnis.
- [Memory Tool](https://blog.brdg.mn/glossar/memory-tool.md): Werkzeug zum Lesen oder Schreiben externer Erinnerungen.
- [Procedural Drift](https://blog.brdg.mn/glossar/procedural-drift.md): Schleichende Verfestigung ungeeigneter Vorgehensweisen.
- [Procedural Memory](https://blog.brdg.mn/glossar/procedural-memory.md): Gespeichertes Wissen darüber, wie Aufgaben ausgeführt werden.
- [Semantic Drift](https://blog.brdg.mn/glossar/semantic-drift.md): Bedeutungsverschiebung, etwa durch wiederholte Zusammenfassung oder unpräzisen Abruf.
- [Semantic Memory](https://blog.brdg.mn/glossar/semantic-memory.md): Fakten- und Bedeutungswissen; bei LLMs unterschiedlich auf Gewichte oder Speicher bezogen.
- [Short-Term Memory (Session State)](https://blog.brdg.mn/glossar/short-term-memory.md): Informationszustand einer laufenden Sitzung.
- [Structured Note-Taking](https://blog.brdg.mn/glossar/structured-note-taking.md): Strukturierte Agentennotizen als externe Gedächtnisstütze.
- [Working Memory (Arbeitsgedächtnis)](https://blog.brdg.mn/glossar/working-memory.md): Analogie für aktuell verfügbaren Arbeitskontext, nicht menschliches Erinnern.

### Embeddings, Suche und Retrieval-Augmented Generation

- [Agentic RAG](https://blog.brdg.mn/glossar/agentic-rag.md): Agent entscheidet über Suchbedarf, Suchanfragen und weitere Retrieval-Schritte.
- [Approximate Nearest Neighbor (ANN)](https://blog.brdg.mn/glossar/approximate-nearest-neighbor.md): Näherungsweise Suche nach benachbarten Vektoren.
- [Bi-Encoder](https://blog.brdg.mn/glossar/bi-encoder.md): Getrennte Repräsentation von Anfrage und Dokument für die Ähnlichkeitssuche.
- [BM25](https://blog.brdg.mn/glossar/bm25.md): Klassisches Rankingverfahren für lexikalische Dokumentensuche.
- [Cache-Augmented Generation (CAG)](https://blog.brdg.mn/glossar/cache-augmented-generation.md): Nutzung vorab verfügbarer beziehungsweise gecachter Inhalte statt fallweiser Suche.
- [Chunk (Chunking)](https://blog.brdg.mn/glossar/chunk.md): Dokumentabschnitt beziehungsweise Aufteilung von Dokumenten in solche Abschnitte.
- [Chunk Size (Chunk Overlap)](https://blog.brdg.mn/glossar/chunk-size.md): Größe der Abschnitte und Überlappung benachbarter Abschnitte.
- [ColBERT (Late Interaction)](https://blog.brdg.mn/glossar/colbert.md): Retrieval mit tokenweisen Repräsentationen und nachgelagerter Interaktion.
- [Contextualized Embedding](https://blog.brdg.mn/glossar/contextualized-embedding.md): Repräsentation, die die jeweilige Verwendung eines Ausdrucks berücksichtigt.
- [Corrective RAG (CRAG)](https://blog.brdg.mn/glossar/corrective-rag.md): RAG mit Bewertung und Korrektur unzureichender Retrieval-Ergebnisse.
- [Cosine Similarity (Kosinusähnlichkeit)](https://blog.brdg.mn/glossar/cosine-similarity.md): Ähnlichkeitsmaß anhand des Winkels zwischen Vektoren.
- [Cross-Encoder](https://blog.brdg.mn/glossar/cross-encoder.md): Gemeinsame Verarbeitung von Anfrage und Dokument zur Relevanzbewertung.
- [Dense Retrieval](https://blog.brdg.mn/glossar/dense-retrieval.md): Abruf über dichte Embedding-Repräsentationen.
- [Embedding (Embedding Vector)](https://blog.brdg.mn/glossar/embedding.md): Numerische Repräsentation von Inhalten oder Merkmalen.
- [Embedding Space (Vektorraum)](https://blog.brdg.mn/glossar/embedding-space.md): Raum, in dem die numerischen Repräsentationen liegen.
- [GraphRAG](https://blog.brdg.mn/glossar/graphrag.md): RAG unter Einbezug von Graphstrukturen und Beziehungen zwischen Informationen.
- [Groundedness (Faithfulness)](https://blog.brdg.mn/glossar/groundedness.md): Grad, zu dem Aussagen durch den bereitgestellten Kontext gestützt werden.
- [Grounding](https://blog.brdg.mn/glossar/grounding.md): Rückbindung einer Antwort an überprüfbare Informationen.
- [HNSW (Hierarchical Navigable Small World)](https://blog.brdg.mn/glossar/hnsw.md): Graphbasierte Indexstruktur für schnelle Vektorsuche.
- [Hybrid Search (Hybrid Retrieval)](https://blog.brdg.mn/glossar/hybrid-search.md): Kombination lexikalischer und semantischer Suchverfahren.
- [Hypothetical Document Embeddings (HyDE)](https://blog.brdg.mn/glossar/hypothetical-document-embeddings.md): Hypothetische Antwort erzeugen und als Grundlage der Suche einbetten.
- [Knowledge Graph (Wissensgraph)](https://blog.brdg.mn/glossar/knowledge-graph.md): Darstellung von Entitäten und Beziehungen als Graph.
- [Latent Space (Latenter Raum)](https://blog.brdg.mn/glossar/latent-space.md): Interner Repräsentationsraum gelernter Merkmale.
- [Lexical Search (Keyword Search)](https://blog.brdg.mn/glossar/lexical-search.md): Suche auf Grundlage von Wörtern und lexikalischen Übereinstimmungen.
- [Maximal Marginal Relevance (MMR)](https://blog.brdg.mn/glossar/maximal-marginal-relevance.md): Auswahl unter Abwägung von Relevanz und Vielfalt.
- [Metadata Filtering (Temporal Filtering)](https://blog.brdg.mn/glossar/metadata-filtering.md): Eingrenzung des Abrufs durch Metadaten oder Zeitkriterien.
- [Multimodal RAG](https://blog.brdg.mn/glossar/multimodal-rag.md): Retrieval und Generierung mit mehreren Modalitäten.
- [Naive RAG](https://blog.brdg.mn/glossar/naive-rag.md): Einfaches Retrieval-und-Generierung-Grundmuster ohne weitergehende Korrekturmechanismen.
- [RAG-Fusion](https://blog.brdg.mn/glossar/rag-fusion.md): Mehrere Suchanfragen erzeugen und deren Treffer zusammenführen.
- [Reciprocal Rank Fusion (RRF)](https://blog.brdg.mn/glossar/reciprocal-rank-fusion.md): Zusammenführen mehrerer Ergebnisranglisten anhand ihrer Rangpositionen.
- [Reranking (Reranker)](https://blog.brdg.mn/glossar/reranking.md): Erneute Bewertung und Sortierung bereits gefundener Kandidaten.
- [Retrieval Noise](https://blog.brdg.mn/glossar/retrieval-noise.md): Unpassende oder irreführende Informationen unter den abgerufenen Treffern.
- [Retrieval Top-k](https://blog.brdg.mn/glossar/retrieval-top-k.md): Anzahl der aus einer Trefferliste ausgewählten Ergebnisse.
- [Retrieval-Augmented Generation (RAG)](https://blog.brdg.mn/glossar/retrieval-augmented-generation.md): Generierung mit zusätzlich abgerufenen externen Informationen.
- [Retriever](https://blog.brdg.mn/glossar/retriever.md): Komponente, die relevante Inhalte für eine Anfrage abruft.
- [Self-RAG](https://blog.brdg.mn/glossar/self-rag.md): RAG-Verfahren mit Reflexion über Abruf und Generierung.
- [Semantic Search](https://blog.brdg.mn/glossar/semantic-search.md): Suche nach inhaltlicher Bedeutung statt ausschließlich gleichen Wörtern.
- [Sparse Retrieval](https://blog.brdg.mn/glossar/sparse-retrieval.md): Abruf mit dünn besetzten Merkmalsrepräsentationen, etwa BM25.
- [Vector Database (Vector Store)](https://blog.brdg.mn/glossar/vector-database.md): Speicher mit Funktionen zum Indexieren und Suchen von Vektoren.
- [Vector Search (Similarity Search)](https://blog.brdg.mn/glossar/vector-search.md): Suche nach ähnlichen numerischen Repräsentationen.

### Agenten, Tools und Orchestrierung

- [Action Space](https://blog.brdg.mn/glossar/action-space.md): Menge der verfügbaren Aktionen, Tools und Berechtigungen.
- [Agent Harness (Scaffolding)](https://blog.brdg.mn/glossar/agent-harness.md): Laufzeitumgebung aus Tools, Kontext, Zustand, Kontrollen und Ausführungslogik.
- [Agent Loop (Agentic Loop)](https://blog.brdg.mn/glossar/agent-loop.md): Wiederholter Zyklus aus Entscheiden, Handeln und Prüfen.
- [Agent State](https://blog.brdg.mn/glossar/agent-state.md): Zwischenzustand einer laufenden mehrschrittigen Aufgabe.
- [Agentic AI (Agentic)](https://blog.brdg.mn/glossar/agentic-ai.md): Bezeichnung für agentenähnliche, zielgerichtete Arbeitsweisen.
- [Agentic System (Agentisches System)](https://blog.brdg.mn/glossar/agentic-system.md): Oberbegriff für Workflows und Agenten, die Modell und Werkzeuge verbinden.
- [Agentic Workflow](https://blog.brdg.mn/glossar/agentic-workflow.md): Mehrschrittiger Ablauf mit agentischer Planung oder Anpassung.
- [AI Agent (KI-Agent)](https://blog.brdg.mn/glossar/ai-agent.md): System, das mit einem Modell Schritte plant und Werkzeuge zur Zielbearbeitung nutzt.
- [Autonomous Agent (Autonomer Agent)](https://blog.brdg.mn/glossar/autonomous-agent.md): Agent mit eigenständiger Planung und Ausführung innerhalb seiner Befugnisse.
- [Code Execution](https://blog.brdg.mn/glossar/code-execution.md): Ausführung von Code als Werkzeug für Berechnung oder Bearbeitung.
- [Delegation (Cross-Agent Delegation)](https://blog.brdg.mn/glossar/delegation.md): Übertragen von Aufgaben an andere Agenten.
- [Evaluator Agent (Critic Agent)](https://blog.brdg.mn/glossar/evaluator-agent.md): Agent zur Prüfung der Ergebnisse anderer Agenten.
- [Harness Engineering](https://blog.brdg.mn/glossar/harness-engineering.md): Entwicklung und Pflege der Umgebung, die Agenten zuverlässig arbeiten lässt.
- [Human-in-the-Loop (HITL)](https://blog.brdg.mn/glossar/human-in-the-loop.md): Menschliche Beteiligung, Prüfung oder Freigabe innerhalb des Ablaufs.
- [Human-on-the-Loop (HOTL)](https://blog.brdg.mn/glossar/human-on-the-loop.md): Menschliche Überwachung mit Eingriff bei Bedarf statt jeder Einzelfreigabe.
- [Long-Horizon Task](https://blog.brdg.mn/glossar/long-horizon-task.md): Aufgabe mit vielen Schritten oder längerer Bearbeitungsdauer.
- [Manager Agent (Lead Agent, Supervisor)](https://blog.brdg.mn/glossar/manager-agent.md): Koordinierender Agent für Planung und Zusammenführung von Ergebnissen.
- [Model Cascading](https://blog.brdg.mn/glossar/model-cascading.md): Gestufter Einsatz unterschiedlich geeigneter oder aufwendiger Modelle.
- [Model Routing (Model Router)](https://blog.brdg.mn/glossar/model-routing.md): Auswahl eines geeigneten Modells für eine Anfrage.
- [Multi-Agent Collaboration](https://blog.brdg.mn/glossar/multi-agent-collaboration.md): Zusammenarbeit und Informationsaustausch zwischen Agenten.
- [Multi-Agent System (MAS)](https://blog.brdg.mn/glossar/multi-agent-system.md): System aus mehreren zusammenarbeitenden Agenten.
- [Orchestration](https://blog.brdg.mn/glossar/orchestration.md): Koordination von Modellaufrufen, Agenten, Daten und Werkzeugen.
- [Plan-Act-Observe Loop](https://blog.brdg.mn/glossar/plan-act-observe-loop.md): Schleife aus Planung, Aktion und Beobachtung.
- [Planning (Plan-and-Solve)](https://blog.brdg.mn/glossar/planning.md): Erstellen eines Arbeitsplans vor beziehungsweise während der Ausführung.
- [Router Agent](https://blog.brdg.mn/glossar/router-agent.md): Agent, der Anfragen an passende Bearbeiter weiterleitet.
- [Subagent (Sub-Agent)](https://blog.brdg.mn/glossar/subagent.md): Spezialisierter Agent für eine abgegrenzte Teilaufgabe.
- [Task Decomposition](https://blog.brdg.mn/glossar/task-decomposition.md): Zerlegung eines größeren Ziels in Teilaufgaben.
- [Termination Condition (Stop Condition)](https://blog.brdg.mn/glossar/termination-condition.md): Kriterium zum Beenden einer Agentenschleife.
- [Tool (Werkzeug)](https://blog.brdg.mn/glossar/tool.md): Aufrufbare Funktion für Informationsabruf oder Aktionen.
- [Tool Calling (Function Calling)](https://blog.brdg.mn/glossar/tool-calling.md): Erzeugung strukturierter Werkzeugaufrufe durch ein Modell.
- [Tool Catalog (Tool Set)](https://blog.brdg.mn/glossar/tool-catalog.md): Verzeichnis beziehungsweise Menge verfügbarer Werkzeuge.
- [Tool Result (Structured Tool Output)](https://blog.brdg.mn/glossar/tool-result.md): An den Agenten zurückgegebenes Werkzeugergebnis.
- [Tool Schema (Tool Contract)](https://blog.brdg.mn/glossar/tool-schema.md): Beschreibung von Zweck, Eingaben und erwarteter Nutzung eines Tools.
- [Tool Use](https://blog.brdg.mn/glossar/tool-use.md): Nutzung externer Werkzeuge durch ein Modell oder einen Agenten.
- [Workflow (Arbeitsablauf)](https://blog.brdg.mn/glossar/workflow.md): Ablauf, dessen Schritte im Code festgelegt sind und nicht vom Modell.

### Agentenprotokolle, Skills und Kontextinfrastruktur

- [Agent Card](https://blog.brdg.mn/glossar/agent-card.md): Beschreibung von Fähigkeiten und Verbindungseigenschaften eines Agenten.
- [Agent Skills (Skills)](https://blog.brdg.mn/glossar/agent-skills.md): Pakete aus Anweisungen, Ressourcen und gegebenenfalls Skripten.
- [Agent2Agent (A2A)](https://blog.brdg.mn/glossar/agent2agent.md): Protokoll für die Kommunikation zwischen Agenten.
- [AGENTS.md](https://blog.brdg.mn/glossar/agents-md.md): Markdown-Datei mit projektspezifischen Anweisungen für Coding-Agenten.
- [CLAUDE.md](https://blog.brdg.mn/glossar/claude-md.md): Von Claude Code verwendete Datei für vorab bereitgestellten Projektkontext.
- [Context Graph](https://blog.brdg.mn/glossar/context-graph.md): Graphförmige Organisation relevanter Entitäten und Beziehungen.
- [Context Lake](https://blog.brdg.mn/glossar/context-lake.md): Bezeichnung für den breiten Bestand möglicher Kontextquellen.
- [Context Layer (Context Plane)](https://blog.brdg.mn/glossar/context-layer.md): Strukturierte Zugriffsschicht für aufgabenrelevanten Laufzeitkontext.
- [MCP Client](https://blog.brdg.mn/glossar/mcp-client.md): Komponente zur Verbindung mit einem MCP-Server.
- [MCP Gateway](https://blog.brdg.mn/glossar/mcp-gateway.md): Vorgeschaltete Routing-, Zugriffs- und Kontrollschicht für MCP-Server.
- [MCP Host](https://blog.brdg.mn/glossar/mcp-host.md): Anwendung, die MCP-Verbindungen beziehungsweise Clients verwaltet.
- [MCP Prompts](https://blog.brdg.mn/glossar/mcp-prompts.md): Über MCP angebotene wiederverwendbare Promptvorlagen.
- [MCP Resources](https://blog.brdg.mn/glossar/mcp-resources.md): Über MCP zugängliche Informationsressourcen.
- [MCP Server](https://blog.brdg.mn/glossar/mcp-server.md): Dienst, der Funktionen oder Informationen über MCP bereitstellt.
- [MCP Tools](https://blog.brdg.mn/glossar/mcp-tools.md): Über MCP angebotene aufrufbare Funktionen.
- [Model Context Protocol (MCP)](https://blog.brdg.mn/glossar/model-context-protocol.md): Standardisierte Verbindung von KI-Anwendungen mit Tools und Kontextquellen.
- [Skill Discovery (Skill Activation)](https://blog.brdg.mn/glossar/skill-discovery.md): Finden relevanter Skills und Laden ihrer Anweisungen.
- [Skill Registry](https://blog.brdg.mn/glossar/skill-registry.md): Verzeichnis verfügbarer beziehungsweise versionierter Skill-Pakete.
- [SKILL.md](https://blog.brdg.mn/glossar/skill-md.md): Zentrale Beschreibungs- und Anweisungsdatei eines Agent Skills.

### KI-gestützte Softwareentwicklung und neue Arbeitsmuster

- [Agentic Coding](https://blog.brdg.mn/glossar/agentic-coding.md): Entwickeln mit einem Agenten, der Werkzeuge selbst bedient und in Schleifen arbeitet.
- [Agentic Engineering](https://blog.brdg.mn/glossar/agentic-engineering.md): Verantwortliche Softwareentwicklung mit Coding-Agenten und Engineering-Kontrollen.
- [AI-Assisted Programming](https://blog.brdg.mn/glossar/ai-assisted-programming.md): Programmieren mit KI-Unterstützung; nicht automatisch Vibe Coding.
- [Backpressure](https://blog.brdg.mn/glossar/backpressure.md): Tests, Typprüfungen und andere Kontrollen, die ungeeignete Agentenergebnisse zurückweisen.
- [Code Churn](https://blog.brdg.mn/glossar/code-churn.md): Code, der kurz nach seiner Erzeugung erneut geändert oder verworfen wird.
- [Coding Agent](https://blog.brdg.mn/glossar/coding-agent.md): Agent, der Aufgaben in einer Softwareentwicklungsumgebung bearbeitet.
- [Conversational Coding](https://blog.brdg.mn/glossar/conversational-coding.md): Iterative Softwareentwicklung im Dialog mit einer KI.
- [Loop Engineering](https://blog.brdg.mn/glossar/loop-engineering.md): Gestaltung der wiederholten Ausführungs-, Prüf- und Korrekturschleife.
- [Loopcraft](https://blog.brdg.mn/glossar/loopcraft.md): Szenebezeichnung für das Kombinieren mehrerer Agenten- oder Automationsschleifen.
- [One-Shotted](https://blog.brdg.mn/glossar/one-shotted.md): Umgangssprachlich: Eine Aufgabe wird im ersten Versuch gelöst.
- [Persistent Agent Loop](https://blog.brdg.mn/glossar/persistent-agent-loop.md): Dauerhaft beziehungsweise wiederkehrend arbeitende Agentenschleife.
- [Quality Gate](https://blog.brdg.mn/glossar/quality-gate.md): Verbindliche Qualitätsprüfung vor Übernahme oder Weitergabe eines Ergebnisses.
- [Ralph](https://blog.brdg.mn/glossar/ralph.md): Wiederholtes Starten eines Coding-Agenten zur iterativen Umsetzung von Aufgaben.
- [Software Factory](https://blog.brdg.mn/glossar/software-factory.md): Bezeichnung für weitgehend agentengestützte Softwareproduktionsabläufe.
- [Spec-Driven Development (SDD)](https://blog.brdg.mn/glossar/spec-driven-development.md): Arbeitsweise, bei der eine versionierte Spezifikation das führende Artefakt ist und Code daraus entsteht.
- [Specificational Coding](https://blog.brdg.mn/glossar/specificational-coding.md): Entwicklung anhand expliziter Spezifikationen statt nur einzelner Ad-hoc-Prompts.
- [Verification Gap](https://blog.brdg.mn/glossar/verification-gap.md): Lücke zwischen erzeugtem Output und tatsächlich geleisteter Überprüfung.
- [Vibe Coder](https://blog.brdg.mn/glossar/vibe-coder.md): Szenebezeichnung für jemanden, der im Vibe-Coding-Stil entwickelt.
- [Vibe Coding](https://blog.brdg.mn/glossar/vibe-coding.md): Im engeren Sinn: Software per Prompt erstellen, ohne den Code gründlich zu prüfen.

### Generierung, Sampling und Ausgabeformate

- [Beam Search](https://blog.brdg.mn/glossar/beam-search.md): Suche über mehrere parallel weiterverfolgte Sequenzkandidaten.
- [Constrained Decoding (Grammar-Constrained Decoding)](https://blog.brdg.mn/glossar/constrained-decoding.md): Einschränkung zulässiger nächster Tokens anhand von Regeln oder Grammatik.
- [Decoding](https://blog.brdg.mn/glossar/decoding.md): Verfahren zur Auswahl der nächsten Tokens beziehungsweise einer Ausgabesequenz.
- [Generation (Generierung)](https://blog.brdg.mn/glossar/generation.md): Erzeugung einer Ausgabesequenz durch das Modell.
- [Greedy Decoding](https://blog.brdg.mn/glossar/greedy-decoding.md): Jeweils den höchstbewerteten nächsten Token auswählen.
- [Inference (Inferenz)](https://blog.brdg.mn/glossar/inference.md): Anwendung eines trainierten Modells auf neue Eingaben.
- [JSON Mode](https://blog.brdg.mn/glossar/json-mode.md): Ausgabemodus für gültiges JSON, ohne automatisch ein bestimmtes Schema zu garantieren.
- [JSON Schema](https://blog.brdg.mn/glossar/json-schema.md): Formale Beschreibung der erwarteten Struktur einer JSON-Ausgabe oder eines Tool-Aufrufs.
- [Length Penalty](https://blog.brdg.mn/glossar/length-penalty.md): Bewertungsanpassung anhand der Länge einer Kandidatensequenz.
- [Logits](https://blog.brdg.mn/glossar/logits.md): Unnormalisierte Scores vor der Umwandlung in Auswahlwahrscheinlichkeiten.
- [Logits Processor](https://blog.brdg.mn/glossar/logits-processor.md): Komponente zur Veränderung der Token-Scores während der Generierung.
- [Logprobs (Log Probabilities)](https://blog.brdg.mn/glossar/logprobs.md): Logarithmierte Wahrscheinlichkeiten von Tokens.
- [Max New Tokens](https://blog.brdg.mn/glossar/max-new-tokens.md): Obergrenze neu generierter Tokens ohne die Eingabetokens.
- [Min-p Sampling](https://blog.brdg.mn/glossar/min-p-sampling.md): Wahrscheinlichkeitsschwelle relativ zum wahrscheinlichsten Token.
- [Repetition Penalty](https://blog.brdg.mn/glossar/repetition-penalty.md): Anpassung der Auswahlwahrscheinlichkeiten zur Beeinflussung von Wiederholungen.
- [Sampling (Multinomial Sampling)](https://blog.brdg.mn/glossar/sampling.md): Wahrscheinlichkeitsbasierte Auswahl aus möglichen nächsten Tokens.
- [Seed (Random Seed)](https://blog.brdg.mn/glossar/seed.md): Startwert der Zufallszahlenerzeugung; allein keine plattformübergreifende Reproduzierbarkeitsgarantie.
- [Softmax](https://blog.brdg.mn/glossar/softmax.md): Umwandlung von Scores in eine normierte Wahrscheinlichkeitsverteilung.
- [Stop Sequence (Stop String)](https://blog.brdg.mn/glossar/stop-sequence.md): Zeichenfolge, deren Auftreten die Generierung beendet.
- [Streaming](https://blog.brdg.mn/glossar/streaming.md): Schrittweise Auslieferung der Ausgabe während ihrer Entstehung.
- [Structured Output (Structured Generation)](https://blog.brdg.mn/glossar/structured-output.md): Erzeugung einer Ausgabe gemäß vorgegebenem Format oder Schema.
- [Temperature](https://blog.brdg.mn/glossar/temperature.md): Parameter zur Veränderung der Tokenwahrscheinlichkeitsverteilung.
- [Token Healing](https://blog.brdg.mn/glossar/token-healing.md): Anpassung des Promptendes für passendere Tokenfortsetzungen.
- [Top-k Sampling](https://blog.brdg.mn/glossar/top-k-sampling.md): Auswahl aus den k wahrscheinlichsten nächsten Tokens.
- [Top-p (Nucleus Sampling)](https://blog.brdg.mn/glossar/top-p.md): Auswahl aus einer Tokenmenge mit vorgegebener kumulierter Wahrscheinlichkeit.
- [Typical Sampling](https://blog.brdg.mn/glossar/typical-sampling.md): Auswahl anhand der lokalen informationstheoretischen Typizität von Tokens.

### Inferenzoptimierung, Serving und Leistungskennzahlen

- [Acceptance Rate](https://blog.brdg.mn/glossar/acceptance-rate.md): Anteil akzeptierter Kandidatentokens beim spekulativen Decoding.
- [Batch Inference](https://blog.brdg.mn/glossar/batch-inference.md): Gemeinsame beziehungsweise stapelweise Verarbeitung mehrerer Eingaben.
- [Batch Size](https://blog.brdg.mn/glossar/batch-size.md): Anzahl gemeinsam verarbeiteter Beispiele oder Sequenzen.
- [Chunked Prefill](https://blog.brdg.mn/glossar/chunked-prefill.md): Aufteilen langer Eingaben in kleinere Verarbeitungsabschnitte.
- [Concurrency](https://blog.brdg.mn/glossar/concurrency.md): Anzahl gleichzeitig laufender Anfragen.
- [Continuous Batching](https://blog.brdg.mn/glossar/continuous-batching.md): Dynamisches Aufnehmen und Entfernen von Anfragen während der Verarbeitung.
- [Decode Phase](https://blog.brdg.mn/glossar/decode-phase.md): Phase der fortlaufenden Ausgabetokengenerierung.
- [Disaggregated Serving (Prefill-Decode Disaggregation)](https://blog.brdg.mn/glossar/disaggregated-serving.md): Getrennte Ressourcen oder Prozesse für Prefill und Decode.
- [Draft Model (Assistant Model)](https://blog.brdg.mn/glossar/draft-model.md): Modell zur schnellen Generierung spekulativer Kandidatentokens.
- [EAGLE (Medusa)](https://blog.brdg.mn/glossar/eagle.md): Benannte Verfahren zur Beschleunigung durch spekulative Tokengenerierung.
- [FlashAttention](https://blog.brdg.mn/glossar/flashattention.md): Attention-Implementierung mit effizienterem Speicherzugriff.
- [Inter-Token Latency (ITL)](https://blog.brdg.mn/glossar/inter-token-latency.md): Zeitabstand zwischen aufeinanderfolgenden Ausgabetokens.
- [KV Cache (Key-Value Cache)](https://blog.brdg.mn/glossar/kv-cache.md): Wiederverwendete Attention-Zwischenwerte früherer Tokens.
- [KV Cache Offloading](https://blog.brdg.mn/glossar/kv-cache-offloading.md): Auslagern von KV-Cache-Inhalten in eine andere Speicherebene.
- [KV Cache Quantization](https://blog.brdg.mn/glossar/kv-cache-quantization.md): Speichersparende Quantisierung der gecachten Keys und Values.
- [Latency (Latenz)](https://blog.brdg.mn/glossar/latency.md): Zeitbedarf bis zu einer Antwort beziehungsweise einem Verarbeitungsergebnis.
- [Memory-Bound (Compute-Bound)](https://blog.brdg.mn/glossar/memory-bound.md): Begrenzung durch Speicherzugriff beziehungsweise Rechenkapazität.
- [Model Serving (Inference Server)](https://blog.brdg.mn/glossar/model-serving.md): Bereitstellung eines Modells zur Bearbeitung von Anfragen.
- [PagedAttention](https://blog.brdg.mn/glossar/pagedattention.md): Speichermanagement der KV-Daten in adressierbaren Blöcken.
- [Prefill (Prompt Processing)](https://blog.brdg.mn/glossar/prefill.md): Verarbeitung des Eingabekontexts vor beziehungsweise zu Beginn der Ausgabe.
- [Prompt Caching (Prefix Caching)](https://blog.brdg.mn/glossar/prompt-caching.md): Wiederverwendung bereits berechneter gemeinsamer Promptpräfixe.
- [RadixAttention](https://blog.brdg.mn/glossar/radixattention.md): Prefixbaumgestützte Wiederverwendung von KV-Cache-Inhalten.
- [Speculative Decoding (Assisted Decoding)](https://blog.brdg.mn/glossar/speculative-decoding.md): Kandidatentokens vorschlagen und durch ein Zielmodell überprüfen lassen.
- [Time to First Token (TTFT)](https://blog.brdg.mn/glossar/time-to-first-token.md): Zeit bis zum ersten ausgegebenen Token.
- [Tokens per Second (TPS)](https://blog.brdg.mn/glossar/tokens-per-second.md): Geschwindigkeit der Tokenverarbeitung oder -generierung; Messart beachten.

### Modellzugang, Hosting und Unternehmensbereitstellung

- [Air-Gapped Deployment (Air-Gapped AI)](https://blog.brdg.mn/glossar/air-gapped-deployment.md): Vom Internet beziehungsweise anderen Netzen getrennte KI-Bereitstellung.
- [Bring Your Own Cloud (BYOC)](https://blog.brdg.mn/glossar/bring-your-own-cloud.md): Anbietersoftware beziehungsweise Inferenz läuft im eigenen Cloud-Konto oder Netzwerkbereich.
- [Commercial Model License (Kommerzielle Modelllizenz)](https://blog.brdg.mn/glossar/commercial-model-license.md): Vertragliche Nutzungsrechte, gegebenenfalls einschließlich kommerziellen Eigenbetriebs.
- [Control Plane (Data Plane)](https://blog.brdg.mn/glossar/control-plane.md): Steuerungs- und Verwaltungsebene gegenüber der Ebene für eigentliche Daten- und Inferenzverarbeitung.
- [Custom Model Import (Bring Your Own Model)](https://blog.brdg.mn/glossar/custom-model-import.md): Übernahme eigener oder extern angepasster Modellartefakte in einen Hostingdienst.
- [Customer VPC Deployment (In-VPC Deployment)](https://blog.brdg.mn/glossar/customer-vpc-deployment.md): Bereitstellung innerhalb der kundeneigenen logisch isolierten Cloud-Netzwerkumgebung.
- [Dedicated Deployment (Dedicated Inference Endpoint)](https://blog.brdg.mn/glossar/dedicated-deployment.md): Exklusiv zugeordnete Modellbereitstellung beziehungsweise Inferenzressourcen; Umfang der Exklusivität ist anbieterspezifisch.
- [Fine-Tuned Deployment (Kundenspezifisch angepasstes Modell)](https://blog.brdg.mn/glossar/fine-tuned-deployment.md): Bereitstellung eines durch Training angepassten Modells; nicht gleichbedeutend mit dediziertem Hosting.
- [Local LLM (Local AI, Lokales Modell)](https://blog.brdg.mn/glossar/local-llm.md): Modell, das lokal auf eigener beziehungsweise kontrollierter Hardware ausgeführt wird.
- [Managed Inference (Managed Model Hosting)](https://blog.brdg.mn/glossar/managed-inference.md): Anbieter übernimmt den Infrastruktur- und Inferenzbetrieb statt des Kunden.
- [Model Snapshot (Version Pinning)](https://blog.brdg.mn/glossar/model-snapshot.md): Festlegen einer konkreten Modellversion statt ausschließlich eines veränderlichen Modellnamens.
- [Multi-Tenant Deployment (Multi-Tenancy)](https://blog.brdg.mn/glossar/multi-tenant-deployment.md): Bereitstellungsmodell, bei dem mehrere Kunden eine Anbieterumgebung nutzen.
- [On-Premises (On-Prem, On-Premises Deployment)](https://blog.brdg.mn/glossar/on-premises.md): Betrieb auf kundenseitig kontrollierter Hardware innerhalb der eigenen Infrastruktur.
- [Open-Source AI (Open-Source-Modell)](https://blog.brdg.mn/glossar/open-source-ai.md): Offenheit über verfügbare Gewichte hinaus; konkrete Definition und Lizenzbedingungen prüfen.
- [Open-Weight Model (Open Weights, OpenWeight-Modell)](https://blog.brdg.mn/glossar/open-weight-model.md): Veröffentlichte Modellgewichte; nicht automatisch Open Source oder uneingeschränkt kommerziell nutzbar.
- [Private Deployment (Private LLM)](https://blog.brdg.mn/glossar/private-deployment.md): Sammelbezeichnung für eingeschränkt zugängliche Bereitstellungen; Isolation, Betreiber und Netzwerkgrenzen konkret benennen.
- [Private Endpoint (PrivateLink)](https://blog.brdg.mn/glossar/private-endpoint.md): Privater Netzwerkzugang zur Inferenz; nicht automatisch identisch mit selbst betriebenen Modellgewichten.
- [Proprietary Model (Proprietäres Modell, Closed-Source Model)](https://blog.brdg.mn/glossar/proprietary-model.md): Herstellerkontrolliertes Modell mit beschränkten Zugangs- oder Nutzungsrechten; lizenzierte Drittplattformen sind möglich.
- [Protected Endpoint](https://blog.brdg.mn/glossar/protected-endpoint.md): Authentifizierungspflichtiger Endpunkt, der dennoch aus dem öffentlichen Internet erreichbar sein kann.
- [Provisioned Throughput (Provisioned Capacity)](https://blog.brdg.mn/glossar/provisioned-throughput.md): Fest zugeordnete Verarbeitungskapazität für ein Deployment; nicht automatisch exklusive physische Hardware.
- [Provisioned Throughput Unit (PTU)](https://blog.brdg.mn/glossar/provisioned-throughput-unit.md): Anbieterspezifische Einheit reservierter Modellverarbeitungskapazität.
- [Scale to Zero](https://blog.brdg.mn/glossar/scale-to-zero.md): Automatisches Herunterfahren ungenutzter Inferenzkapazität bis auf null laufende Instanzen.
- [Self-Hosting (Self-Hosted LLM, Eigenbetrieb)](https://blog.brdg.mn/glossar/self-hosting.md): Modellbetrieb auf selbst verwalteter Infrastruktur; nicht auf den eigenen Laptop beschränkt.
- [Serverless Inference](https://blog.brdg.mn/glossar/serverless-inference.md): Inferenz als Dienst ohne kundenseitige Verwaltung der zugrunde liegenden Server.
- [Single-Tenant Deployment (Single-Tenancy)](https://blog.brdg.mn/glossar/single-tenant-deployment.md): Bereitstellungsmodell für einen einzelnen Kunden; konkrete technische Isolationsgrenze beachten.

### Quantisierung und Modellformate

- [AWQ](https://blog.brdg.mn/glossar/awq.md): Quantisierung unter Berücksichtigung besonders empfindlicher Gewichtskanäle.
- [Bits per Weight](https://blog.brdg.mn/glossar/bits-per-weight.md): Durchschnittliche Bitanzahl je gespeichertem Modellgewicht.
- [Calibration Dataset](https://blog.brdg.mn/glossar/calibration-dataset.md): Repräsentative Daten zur Konfiguration einer Quantisierung.
- [Double Quantization](https://blog.brdg.mn/glossar/double-quantization.md): Zusätzliche Quantisierung von Quantisierungsparametern.
- [EXL2](https://blog.brdg.mn/glossar/exl2.md): Quantisierungsformate aus dem ExLlama-Umfeld.
- [FP16](https://blog.brdg.mn/glossar/fp16.md): Gleitkommaformate unterschiedlicher Präzision und Zahlenbereiche.
- [GGML](https://blog.brdg.mn/glossar/ggml.md): Tensorbibliothek und Name eines älteren Modellformats; Bedeutung auseinanderhalten.
- [GGUF](https://blog.brdg.mn/glossar/gguf.md): Dateiformat für Modellgewichte und zugehörige Metadaten.
- [GPTQ](https://blog.brdg.mn/glossar/gptq.md): Verfahren zur nachträglichen Quantisierung von Modellgewichten.
- [Importance Matrix](https://blog.brdg.mn/glossar/importance-matrix.md): Kalibrierungsinformationen über die Bedeutung von Modellwerten.
- [INT8](https://blog.brdg.mn/glossar/int8.md): Ganzzahlige Darstellungen mit acht beziehungsweise vier Bit.
- [K-Quants](https://blog.brdg.mn/glossar/k-quants.md): Familien spezieller Quantisierungsformate im lokalen LLM-Umfeld.
- [Model Card](https://blog.brdg.mn/glossar/model-card.md): Begleitdokumentation zu Modell, Einsatzbereich, Lizenz, Training und Grenzen.
- [NF4](https://blog.brdg.mn/glossar/nf4.md): Vierbit-Datentyp, der unter anderem bei QLoRA verwendet wird.
- [Post-Training Quantization](https://blog.brdg.mn/glossar/post-training-quantization.md): Quantisierung nach dem Training.
- [Q4_K_M](https://blog.brdg.mn/glossar/q4-k-m.md): Konkrete Quantisierungsvariante aus der K-Quant-Familie.
- [Quantization](https://blog.brdg.mn/glossar/quantization.md): Darstellung von Modellwerten mit geringerer numerischer Präzision.
- [Quantization-Aware Training](https://blog.brdg.mn/glossar/quantization-aware-training.md): Training unter Berücksichtigung späterer Quantisierungseffekte.
- [safetensors](https://blog.brdg.mn/glossar/safetensors.md): Format zur Speicherung von Modellgewichten ohne ausführbaren Pickle-Ladeinhalt.
- [Sharded Weights](https://blog.brdg.mn/glossar/sharded-weights.md): Auf mehrere Dateien verteilte Modellgewichte.
- [SmoothQuant](https://blog.brdg.mn/glossar/smoothquant.md): Abstimmung von Gewichten und Aktivierungen für leichtere Quantisierung.
- [Weight-and-Activation Quantization](https://blog.brdg.mn/glossar/weight-and-activation-quantization.md): Quantisierung sowohl der Gewichte als auch der Aktivierungen.
- [Weight-Only Quantization](https://blog.brdg.mn/glossar/weight-only-quantization.md): Quantisierung der Gewichte, nicht in gleicher Weise der Aktivierungen.

### Hardware, Laufzeitumgebungen und Entwicklerökosystem

- [bitsandbytes](https://blog.brdg.mn/glossar/bitsandbytes.md): Bibliothek für speichereffiziente Modellverarbeitung und Quantisierung.
- [Compute](https://blog.brdg.mn/glossar/compute.md): Rechenressourcen für Training, Anpassung und Inferenz.
- [CUDA](https://blog.brdg.mn/glossar/cuda.md): Hardwarebezogene Softwareumgebungen beziehungsweise Schnittstellen zur Beschleunigung.
- [Data Parallelism](https://blog.brdg.mn/glossar/data-parallelism.md): Verteilte Verarbeitung unterschiedlicher Daten mit Modellkopien.
- [GPU](https://blog.brdg.mn/glossar/gpu.md): Parallelprozessor, der häufig für KI-Berechnungen eingesetzt wird.
- [GPU Offloading](https://blog.brdg.mn/glossar/gpu-offloading.md): Verlagerung von Modellteilen oder Berechnung auf die GPU.
- [Hugging Face Hub](https://blog.brdg.mn/glossar/hugging-face-hub.md): Modellplattform und zugehörige Bibliotheken für Modelle, Datensätze und Demos.
- [llama.cpp](https://blog.brdg.mn/glossar/llama-cpp.md): Laufzeitprojekt für effiziente lokale Modellinferenz.
- [LM Studio](https://blog.brdg.mn/glossar/lm-studio.md): Desktopanwendung für lokale Sprachmodelle.
- [Memory Bandwidth](https://blog.brdg.mn/glossar/memory-bandwidth.md): Geschwindigkeit des Datentransfers zwischen Speicher und Recheneinheiten.
- [MLX](https://blog.brdg.mn/glossar/mlx.md): Machine-Learning-Framework für Rechner mit gemeinsamem Speicher von Prozessor und Grafikeinheit.
- [Ollama](https://blog.brdg.mn/glossar/ollama.md): Werkzeug und Laufzeitumgebung zur lokalen Modellverwaltung und -ausführung.
- [OOM](https://blog.brdg.mn/glossar/oom.md): Fehler bei Überschreitung des verfügbaren Speichers.
- [OpenAI-Compatible API](https://blog.brdg.mn/glossar/openai-compatible-api.md): Schnittstelle, die dem verbreiteten Aufrufformat folgt; Umfang implementationsabhängig.
- [Pipeline Parallelism](https://blog.brdg.mn/glossar/pipeline-parallelism.md): Verteilung aufeinanderfolgender Modellstufen auf mehrere Geräte.
- [SGLang](https://blog.brdg.mn/glossar/sglang.md): Framework und Serving-System mit optimierter Generierung und Cache-Nutzung.
- [Tensor Cores](https://blog.brdg.mn/glossar/tensor-cores.md): Spezialisierte Recheneinheiten für bestimmte Matrixoperationen.
- [Tensor Parallelism](https://blog.brdg.mn/glossar/tensor-parallelism.md): Aufteilung von Tensoroperationen eines Modells auf mehrere Geräte.
- [TensorRT-LLM](https://blog.brdg.mn/glossar/tensorrt-llm.md): Werkzeugumgebung für optimierte LLM-Inferenz auf Grafikkarten eines Herstellers.
- [TPU](https://blog.brdg.mn/glossar/tpu.md): Auf Machine-Learning-Berechnungen spezialisierter Beschleuniger.
- [Unified Memory](https://blog.brdg.mn/glossar/unified-memory.md): Gemeinsam von CPU und GPU verwendbarer Speicher.
- [vLLM](https://blog.brdg.mn/glossar/vllm.md): Serving-System für effiziente LLM-Inferenz.
- [VRAM](https://blog.brdg.mn/glossar/vram.md): Speicher einer GPU für Gewichte, Aktivierungen und weitere Daten.
- [ZeRO](https://blog.brdg.mn/glossar/zero.md): Verteilungsverfahren zur Reduktion redundanter Trainingsspeicherung.

### Evaluation, Messgrößen und Benchmark-Fallen

- [Agent Time Horizon](https://blog.brdg.mn/glossar/agent-time-horizon.md): Aufgabendauer für Menschen, die ein Agent mit definierter Zuverlässigkeit bewältigt.
- [Automatic Evaluation](https://blog.brdg.mn/glossar/automatic-evaluation.md): Automatisierte Bewertung von Modellausgaben.
- [Autorater](https://blog.brdg.mn/glossar/autorater.md): Automatischer Bewerter, etwa ein auf menschliche Urteile abgestimmtes Modell.
- [Benchmark](https://blog.brdg.mn/glossar/benchmark.md): Standardisierter Test zum Vergleich von Modellen oder Systemen.
- [Benchmark Contamination](https://blog.brdg.mn/glossar/benchmark-contamination.md): Verunreinigung einer Evaluation durch bereits bekannte beziehungsweise im Training enthaltene Aufgaben.
- [Benchmark Gaming (Benchmaxxing)](https://blog.brdg.mn/glossar/benchmark-gaming.md): Optimierung auf Benchmarkwerte statt breiter praktischer Leistungsfähigkeit.
- [BLEU](https://blog.brdg.mn/glossar/bleu.md): Überlappungsbasierte Metrik, insbesondere für maschinelle Übersetzung.
- [Citation Precision (Citation Recall)](https://blog.brdg.mn/glossar/citation-precision.md): Maße für korrekte Quellenverweise beziehungsweise Quellenabdeckung.
- [Evaluation (Evals)](https://blog.brdg.mn/glossar/evaluation.md): Systematisches Prüfen von Qualität, Fähigkeiten oder Sicherheit.
- [Exact Match (EM)](https://blog.brdg.mn/glossar/exact-match.md): Bewertung nach exakter Übereinstimmung mit einer Referenz.
- [Factuality (Faktizität)](https://blog.brdg.mn/glossar/factuality.md): Übereinstimmung einer Aussage mit der Realität.
- [Golden Dataset (Gold Set)](https://blog.brdg.mn/glossar/golden-dataset.md): Kuratierter Referenzdatensatz für Evaluation.
- [Golden Response (Reference Answer)](https://blog.brdg.mn/glossar/golden-response.md): Als gut beziehungsweise korrekt eingeordnete Vergleichsantwort.
- [Ground Truth](https://blog.brdg.mn/glossar/ground-truth.md): Als maßgeblich behandelte Referenz für eine Bewertung.
- [Human Evaluation](https://blog.brdg.mn/glossar/human-evaluation.md): Bewertung durch Menschen.
- [LLM-as-a-Judge (Model-as-a-Judge)](https://blog.brdg.mn/glossar/llm-as-a-judge.md): Bewertung von Ergebnissen durch ein Sprachmodell.
- [Needle in a Haystack (NIAH)](https://blog.brdg.mn/glossar/needle-in-a-haystack.md): Test zum Wiederfinden gezielt platzierter Informationen in langen Kontexten.
- [Pairwise Evaluation (Side-by-Side Evaluation)](https://blog.brdg.mn/glossar/pairwise-evaluation.md): Direkter Vergleich zweier Antworten auf dieselbe Aufgabe.
- [Pass@k](https://blog.brdg.mn/glossar/pass-k.md): Erfolgsmaß dafür, ob mindestens einer von k Versuchen erfolgreich ist.
- [Perplexity (PPL)](https://blog.brdg.mn/glossar/perplexity.md): Maß für die Vorhersageunsicherheit eines Sprachmodells auf Daten.
- [Precision@k (Recall@k)](https://blog.brdg.mn/glossar/precision-k.md): Relevanz beziehungsweise Abdeckung innerhalb der ersten k Treffer.
- [ROUGE (ROUGE-L)](https://blog.brdg.mn/glossar/rouge.md): Metrikfamilie für Textüberlappung, unter anderem bei Zusammenfassungen.
- [SOTA (State of the Art)](https://blog.brdg.mn/glossar/sota.md): Aktueller Spitzenstand innerhalb einer angegebenen Aufgabe oder Messung.
- [Unsupported-Claim Rate (UCR)](https://blog.brdg.mn/glossar/unsupported-claim-rate.md): Anteil nicht gestützter Aussagen.

### Namen häufig genannter Benchmarks

- [Aider Polyglot](https://blog.brdg.mn/glossar/aider-polyglot.md): Benchmark für Codeänderungen in mehreren Programmiersprachen.
- [AIME](https://blog.brdg.mn/glossar/aime.md): Mathematikwettbewerbsaufgaben, die zur Modellevaluation verwendet werden.
- [ARC-AGI (ARC-AGI-2)](https://blog.brdg.mn/glossar/arc-agi.md): Familie von Aufgaben zu abstrakter Mustererkennung und Generalisierung.
- [BFCL (Berkeley Function Calling Leaderboard)](https://blog.brdg.mn/glossar/bfcl.md): Evaluation von Function Calling und Tool-Auswahl.
- [Chatbot Arena (Arena)](https://blog.brdg.mn/glossar/chatbot-arena.md): Vergleich von Modellen anhand menschlicher Präferenzen.
- [FrontierMath](https://blog.brdg.mn/glossar/frontiermath.md): Benchmark mit anspruchsvollen, von Fachleuten erstellten Mathematikaufgaben.
- [GAIA](https://blog.brdg.mn/glossar/gaia.md): Benchmark für allgemeine Assistenzaufgaben mit Reasoning und Tools.
- [GPQA (GPQA Diamond)](https://blog.brdg.mn/glossar/gpqa.md): Anspruchsvolle Fragen aus wissenschaftlichen Fachgebieten.
- [GSM8K](https://blog.brdg.mn/glossar/gsm8k.md): Benchmark mit mathematischen Textaufgaben auf Schulniveau.
- [HarmBench (AgentHarm)](https://blog.brdg.mn/glossar/harmbench.md): Benchmarks zu schädlichen Anfragen und Agentenverhalten.
- [HumanEval](https://blog.brdg.mn/glossar/humaneval.md): Benchmark für die Erzeugung funktionierender Programme.
- [Humanity’s Last Exam (HLE)](https://blog.brdg.mn/glossar/humanity-s-last-exam.md): Fachübergreifende Sammlung besonders schwieriger Expertenfragen.
- [IFEval](https://blog.brdg.mn/glossar/ifeval.md): Evaluation überprüfbarer Anforderungen an die Befolgung von Anweisungen.
- [LiveCodeBench](https://blog.brdg.mn/glossar/livecodebench.md): Fortlaufend aktualisierte Aufgaben zur Code- und Programmierbewertung.
- [MATH-500](https://blog.brdg.mn/glossar/math-500.md): Ausgewählter Teil mathematischer Aufgaben aus dem MATH-Benchmark.
- [MBPP (Mostly Basic Python Problems)](https://blog.brdg.mn/glossar/mbpp.md): Benchmark für die Lösung überwiegend einfacher Python-Aufgaben.
- [MMLU (MMLU-Pro)](https://blog.brdg.mn/glossar/mmlu.md): Benchmarks für breit gefächertes Wissen und anspruchsvollere Wissensfragen.
- [MMMU-Pro](https://blog.brdg.mn/glossar/mmmu-pro.md): Anspruchsvoller multimodaler Wissensbenchmark.
- [MT-Bench](https://blog.brdg.mn/glossar/mt-bench.md): Benchmark für mehrteilige beziehungsweise mehrstufige Konversationen.
- [OSWorld](https://blog.brdg.mn/glossar/osworld.md): Benchmark für Agentenaufgaben in Desktopumgebungen.
- [RULER (LongBench v2, BABILong)](https://blog.brdg.mn/glossar/ruler.md): Benchmarks mit unterschiedlichen Schwerpunkten bei langen Kontexten.
- [SWE-bench (SWE-bench Verified)](https://blog.brdg.mn/glossar/swe-bench.md): Bearbeitung realer Softwareprobleme; Verified bezeichnet eine geprüfte Teilmenge.
- [WebArena](https://blog.brdg.mn/glossar/webarena.md): Benchmark für Agenten, die Aufgaben auf Websites ausführen.
- [τ-bench (Tau-bench)](https://blog.brdg.mn/glossar/bench.md): Evaluation mehrschrittiger Tool-gestützter Agenteninteraktionen.

### Fehlverhalten, Zuverlässigkeit und menschliche Wahrnehmung

- [Agent Laziness](https://blog.brdg.mn/glossar/agent-laziness.md): Bezeichnung für Ausweichen oder vorzeitiges Aufgeben trotz vorhandener Fähigkeiten.
- [AI Psychosis (Delusional Spiraling)](https://blog.brdg.mn/glossar/ai-psychosis.md): Problematisches Schlagwort für mögliche wahnhafte Verstärkung in intensiven Chatbot-Interaktionen.
- [Algorithmic Bias](https://blog.brdg.mn/glossar/algorithmic-bias.md): Systematische Verzerrungen in Ausgaben oder Entscheidungen.
- [Automation Bias](https://blog.brdg.mn/glossar/automation-bias.md): Übermäßiges Vertrauen in automatisierte Empfehlungen.
- [Behavioral Failure](https://blog.brdg.mn/glossar/behavioral-failure.md): Fehlverhalten des Gesamtablaufs trotz technisch erfolgreicher Einzelaufrufe.
- [Compounding Errors](https://blog.brdg.mn/glossar/compounding-errors.md): Fehler, deren Folgen sich über weitere Schritte verstärken.
- [Confabulation (Konfabulation)](https://blog.brdg.mn/glossar/confabulation.md): Alternative Bezeichnung für halluzinierte Inhalte.
- [Distribution Shift](https://blog.brdg.mn/glossar/distribution-shift.md): Abweichung zwischen Trainingsbedingungen und späteren Eingaben.
- [Emergent Capabilities (Emergence)](https://blog.brdg.mn/glossar/emergent-capabilities.md): Bezeichnung für neu auftretende Fähigkeiten; genaue Bedeutung und Messung beachten.
- [Fabricated Citations (Quellenhalluzination)](https://blog.brdg.mn/glossar/fabricated-citations.md): Erfundene Quellen oder nicht existente Belege.
- [Hallucination (Halluzination)](https://blog.brdg.mn/glossar/hallucination.md): Plausibel formulierte falsche oder unbelegte Ausgabe.
- [Jagged Frontier (Jagged Intelligence)](https://blog.brdg.mn/glossar/jagged-frontier.md): Ungleichmäßige Fähigkeiten: starke Leistungen neben überraschend einfachen Fehlern.
- [Mode Collapse](https://blog.brdg.mn/glossar/mode-collapse.md): Verengung der erzeugten Vielfalt auf wenige Muster oder Antworten.
- [Model Drift](https://blog.brdg.mn/glossar/model-drift.md): Veränderte Leistung oder Passung bei geänderten Einsatzbedingungen.
- [Overrefusal (Over-Refusal)](https://blog.brdg.mn/glossar/overrefusal.md): Unnötiges Ablehnen eigentlich unproblematischer Anfragen.
- [Reasoning Loop (Repetition Loop)](https://blog.brdg.mn/glossar/reasoning-loop.md): Wiederholtes Kreisen ohne Fortschritt oder Konvergenz.
- [Refusal](https://blog.brdg.mn/glossar/refusal.md): Ablehnung einer Anfrage durch das Modell.
- [Sycophancy (Gefälligkeitsverhalten)](https://blog.brdg.mn/glossar/sycophancy.md): Zustimmung oder Bestätigung zulasten einer sachlich angemessenen Antwort.
- [Tool Call Failure](https://blog.brdg.mn/glossar/tool-call-failure.md): Expliziter Fehler eines Werkzeugaufrufs, etwa Timeout oder ungültige Eingabe.
- [Tool Misuse](https://blog.brdg.mn/glossar/tool-misuse.md): Falsche Tool-Auswahl oder ungeeignete Tool-Parameter.

### Sicherheit, Missbrauch und Governance

- [Abuse Monitoring (Missbrauchsüberwachung)](https://blog.brdg.mn/glossar/abuse-monitoring.md): Prüfung von Nutzung auf Missbrauch, gegebenenfalls mit entsprechenden Protokolldaten.
- [AI Governance](https://blog.brdg.mn/glossar/ai-governance.md): Verantwortlichkeiten, Regeln und Kontrolle für den KI-Einsatz.
- [AI Safety](https://blog.brdg.mn/glossar/ai-safety.md): Vermeidung schädlichen, gefährlichen oder unkontrollierbaren KI-Verhaltens.
- [AI Watermarking](https://blog.brdg.mn/glossar/ai-watermarking.md): Einbettung von Signalen zur Kennzeichnung KI-generierter Inhalte.
- [Approval Gate](https://blog.brdg.mn/glossar/approval-gate.md): Verbindliche Freigabe vor einer sensiblen Aktion.
- [Blast Radius](https://blog.brdg.mn/glossar/blast-radius.md): Umfang möglicher Folgen eines Fehlers oder einer unkontrollierten Aktion.
- [Data Exfiltration](https://blog.brdg.mn/glossar/data-exfiltration.md): Unerlaubte Übertragung von Daten aus dem vorgesehenen Schutzbereich.
- [Data Poisoning](https://blog.brdg.mn/glossar/data-poisoning.md): Manipulation von Trainings-, Anpassungs- oder anderen modellrelevanten Daten.
- [Data Residency](https://blog.brdg.mn/glossar/data-residency.md): Vorgaben zum geografischen oder rechtlichen Ort der Datenverarbeitung.
- [Data Retention (Aufbewahrungsdauer)](https://blog.brdg.mn/glossar/data-retention.md): Regeln dazu, welche Eingaben, Ausgaben, Logs oder Anwendungszustände wie lange gespeichert werden.
- [EU AI Act (AI Act, KI-Verordnung, Verordnung (EU) 2024/1689)](https://blog.brdg.mn/glossar/eu-ai-act.md): Europäische KI-Verordnung, die Pflichten nach dem Risiko einer Anwendung staffelt.
- [Guardrails](https://blog.brdg.mn/glossar/guardrails.md): Technische oder organisatorische Grenzen für Ausgaben, Zugriff und Aktionen.
- [Indirect Prompt Injection](https://blog.brdg.mn/glossar/indirect-prompt-injection.md): Eingeschleuste Anweisungen in abgerufenen Dokumenten, Webseiten oder Tool-Ergebnissen.
- [Jailbreak (Jailbreaking)](https://blog.brdg.mn/glossar/jailbreak.md): Versuch, vorgesehene Inhalts- oder Verhaltensbeschränkungen zu umgehen.
- [Modified Abuse Monitoring (MAM)](https://blog.brdg.mn/glossar/modified-abuse-monitoring.md): Angepasste Missbrauchsüberwachung mit geändertem Umgang mit Kundeninhalten und Logs.
- [No-Training Policy](https://blog.brdg.mn/glossar/no-training-policy.md): Zusage, Kundendaten nicht für Modelltraining zu verwenden; keine automatische Zusage zur Nichtaufbewahrung.
- [Prompt Injection](https://blog.brdg.mn/glossar/prompt-injection.md): Nicht vertrauenswürdige Inhalte beeinflussen das System wie gültige Anweisungen.
- [Provenance (Content Provenance)](https://blog.brdg.mn/glossar/provenance.md): Informationen über Herkunft und Bearbeitung eines Inhalts.
- [RAG Poisoning (Knowledge-Base Poisoning)](https://blog.brdg.mn/glossar/rag-poisoning.md): Manipulation von Wissensbeständen, die ein RAG-System abruft.
- [Rate Limits (Agent Quotas)](https://blog.brdg.mn/glossar/rate-limits.md): Begrenzungen für Anfragehäufigkeit oder Ressourcenverbrauch.
- [Red Teaming](https://blog.brdg.mn/glossar/red-teaming.md): Gezieltes adversariales Testen von Grenzen und Sicherheitsmechanismen.
- [Responsible AI](https://blog.brdg.mn/glossar/responsible-ai.md): Verantwortliche Entwicklung, Einführung und Überwachung von KI.
- [Sandbox (Sandboxed Execution)](https://blog.brdg.mn/glossar/sandbox.md): Isolierte Ausführungsumgebung für potenziell riskante Aktionen.
- [Scoped Credentials (Scoped Permissions)](https://blog.brdg.mn/glossar/scoped-credentials.md): Auf benötigte Ressourcen und Aktionen begrenzte Zugriffsrechte.
- [Shadow AI](https://blog.brdg.mn/glossar/shadow-ai.md): KI-Nutzung außerhalb freigegebener organisatorischer Prozesse.
- [Slopsquatting](https://blog.brdg.mn/glossar/slopsquatting.md): Registrieren halluzinierter Paketnamen, um darüber Schadsoftware zu verbreiten.
- [Sovereign AI (Souveräne KI, KI-Souveränität)](https://blog.brdg.mn/glossar/sovereign-ai.md): Anspruch auf eigene Kontrolle über Daten, Technik, Betrieb und Rechtsraum einer KI.
- [Step Ceiling (Agent Budget)](https://blog.brdg.mn/glossar/step-ceiling.md): Obergrenze für Schritte, Tokens, Zeit oder Kosten eines Agentenlaufs.
- [Tool Allowlist](https://blog.brdg.mn/glossar/tool-allowlist.md): Explizite Liste der erlaubten Tools.
- [Tool Poisoning (MCP Poisoning)](https://blog.brdg.mn/glossar/tool-poisoning.md): Manipulative Anweisungen in Tool-Beschreibungen oder Metadaten.
- [Zero Data Retention (ZDR)](https://blog.brdg.mn/glossar/zero-data-retention.md): Anbieterspezifische Zusage zur Nichtaufbewahrung bestimmter Kundeninhalte; Endpunkte, Ausnahmen und Metadaten prüfen.

### Interpretierbarkeit und fortgeschrittene Alignment-Risiken

- [Abliteration](https://blog.brdg.mn/glossar/abliteration.md): Gezielte Modifikation interner Richtungen oder Gewichte zur Reduktion von Ablehnungen.
- [Activation](https://blog.brdg.mn/glossar/activation.md): Interner berechneter Wert beziehungsweise Repräsentationszustand.
- [Activation Patching](https://blog.brdg.mn/glossar/activation-patching.md): Gezieltes Ersetzen interner Aktivierungen zum Testen ihrer kausalen Rolle.
- [Alignment Faking](https://blog.brdg.mn/glossar/alignment-faking.md): Scheinbare Anpassung bei Erhalt abweichender Präferenzen oder Ziele.
- [Attribution Patching](https://blog.brdg.mn/glossar/attribution-patching.md): Näherungsverfahren zur Abschätzung kausaler Beiträge interner Komponenten.
- [Circuit](https://blog.brdg.mn/glossar/circuit.md): Zusammenwirkende Modellkomponenten für einen bestimmten Berechnungsmechanismus.
- [Corrigibility](https://blog.brdg.mn/glossar/corrigibility.md): Bereitschaft beziehungsweise Fähigkeit, Korrektur oder Abschaltung zuzulassen.
- [Evaluation Awareness](https://blog.brdg.mn/glossar/evaluation-awareness.md): Erkennen einer Testsituation mit möglicher Verhaltensanpassung.
- [Explainable AI](https://blog.brdg.mn/glossar/explainable-ai.md): Ansätze zur verständlichen Erklärung von Modellentscheidungen.
- [Feature](https://blog.brdg.mn/glossar/feature.md): Interpretierbares Merkmal oder eine Richtung im Aktivierungsraum.
- [Feature Steering](https://blog.brdg.mn/glossar/feature-steering.md): Beeinflussen von Verhalten durch gezielte Änderungen interner Repräsentationen.
- [Induction Head](https://blog.brdg.mn/glossar/induction-head.md): Attention-Muster, das frühere Fortsetzungen wiederkehrender Muster aufgreift.
- [Instrumental Convergence](https://blog.brdg.mn/glossar/instrumental-convergence.md): These, dass unterschiedliche Ziele ähnliche instrumentelle Zwischenziele begünstigen.
- [Knowledge Editing](https://blog.brdg.mn/glossar/knowledge-editing.md): Gezielte Veränderung bestimmter Wissensassoziationen in Modellgewichten.
- [Linear Probe](https://blog.brdg.mn/glossar/linear-probe.md): Untersuchen, welche Informationen aus internen Zuständen auslesbar sind.
- [Logit Lens](https://blog.brdg.mn/glossar/logit-lens.md): Abbilden interner Zwischenzustände auf mögliche Tokenvorhersagen.
- [Mechanistic Interpretability](https://blog.brdg.mn/glossar/mechanistic-interpretability.md): Untersuchung der tatsächlichen internen Berechnungsmechanismen eines Modells.
- [Monosemanticity](https://blog.brdg.mn/glossar/monosemanticity.md): Eine Einheit besitzt eine vergleichsweise eindeutige Interpretation.
- [Orthogonality Thesis](https://blog.brdg.mn/glossar/orthogonality-thesis.md): These, dass Leistungsfähigkeit und verfolgte Ziele grundsätzlich unabhängig sein können.
- [Polysemanticity](https://blog.brdg.mn/glossar/polysemanticity.md): Eine Einheit reagiert auf mehrere verschiedenartige Konzepte.
- [Refusal Direction](https://blog.brdg.mn/glossar/refusal-direction.md): Interne Repräsentationsrichtung, die Ablehnungsverhalten mitvermittelt.
- [Sandbagging](https://blog.brdg.mn/glossar/sandbagging.md): Strategisches Unterbieten der eigenen Fähigkeiten in einer Bewertung.
- [Scheming](https://blog.brdg.mn/glossar/scheming.md): Bezeichnung für verdeckt zielgerichtetes Verhalten entgegen beabsichtigter Kontrolle.
- [Self-Exfiltration](https://blog.brdg.mn/glossar/self-exfiltration.md): Eigenständiges Kopieren von Modellgewichten oder Zustand in andere Umgebungen.
- [Sleeper Agent](https://blog.brdg.mn/glossar/sleeper-agent.md): Modell mit verborgenem, durch Auslöser aktiviertem Verhalten.
- [Sparse Autoencoder](https://blog.brdg.mn/glossar/sparse-autoencoder.md): Modell zur Zerlegung von Aktivierungen in dünn besetzte Merkmale.
- [Superposition](https://blog.brdg.mn/glossar/superposition.md): Überlagerte Repräsentation von mehr Merkmalen als verfügbaren Dimensionen.
- [Treacherous Turn](https://blog.brdg.mn/glossar/treacherous-turn.md): Hypothetischer Wechsel von kooperativem zu schädlichem Verhalten bei größerer Macht.
- [Uncensored Model](https://blog.brdg.mn/glossar/uncensored-model.md): Uneinheitliche Bezeichnung für Modelle mit reduzierten Inhaltsbeschränkungen.
- [Verbatim Memorization](https://blog.brdg.mn/glossar/verbatim-memorization.md): Wörtliches Wiedergeben hinreichend langer Trainingssequenzen.

### Multimodalität und angrenzende generative KI

- [Audio Generation](https://blog.brdg.mn/glossar/audio-generation.md): Erzeugung von Audiosignalen beziehungsweise gesprochener Sprache.
- [Classifier-Free Guidance](https://blog.brdg.mn/glossar/classifier-free-guidance.md): Steuerung der Generierung hin zu vorgegebenen Bedingungen.
- [Computer Vision](https://blog.brdg.mn/glossar/computer-vision.md): Verarbeitung und Interpretation visueller Informationen.
- [Deepfake](https://blog.brdg.mn/glossar/deepfake.md): Synthetische Medien zur überzeugenden Nachahmung realer Personen.
- [Generative Adversarial Network](https://blog.brdg.mn/glossar/generative-adversarial-network.md): Generatives Verfahren mit Generator und unterscheidendem Gegenspieler.
- [Image Patch](https://blog.brdg.mn/glossar/image-patch.md): Teilbereich eines Bildes als Verarbeitungseinheit eines Vision-Modells.
- [Modality](https://blog.brdg.mn/glossar/modality.md): Datenart wie Text, Bild, Audio oder Video.
- [Multimodal Projector](https://blog.brdg.mn/glossar/multimodal-projector.md): Abbildung visueller Repräsentationen in den Repräsentationsraum eines Sprachmodells.
- [OCR](https://blog.brdg.mn/glossar/ocr.md): Erkennen und Extrahieren von Text aus Bildern oder Dokumentabbildungen.
- [Speech Recognition](https://blog.brdg.mn/glossar/speech-recognition.md): Umwandlung gesprochener Sprache in Text.
- [Text-to-Image](https://blog.brdg.mn/glossar/text-to-image.md): Erzeugung von Bildern aus Textbeschreibungen.
- [Video Generation](https://blog.brdg.mn/glossar/video-generation.md): Erzeugung neuer Videoinhalte durch generative Modelle.
- [Vision-Language Model](https://blog.brdg.mn/glossar/vision-language-model.md): Modell, das visuelle Informationen mit Sprache verbindet.
- [Vision-Language-Action Model](https://blog.brdg.mn/glossar/vision-language-action-model.md): Modell zur Verbindung visueller Wahrnehmung, Sprachverständnis und ausführbarer Aktionen.

### Betrieb, Observability und Produktbegriffe

- [AI Readiness](https://blog.brdg.mn/glossar/ai-readiness.md): Organisatorische, technische und datenbezogene Einsatzbereitschaft.
- [Copilot](https://blog.brdg.mn/glossar/copilot.md): Assistenzkonzept mit Vorschlägen innerhalb bestehender Arbeitswerkzeuge.
- [Cost per Million Tokens](https://blog.brdg.mn/glossar/cost-per-million-tokens.md): Abrechnungseinheit für Tokenverarbeitung; Ein- und Ausgabe unterscheiden.
- [Fallback](https://blog.brdg.mn/glossar/fallback.md): Alternativer Ablauf, wenn der bevorzugte Weg nicht funktioniert.
- [Generative Engine Optimization](https://blog.brdg.mn/glossar/generative-engine-optimization.md): Gestaltung von Inhalten für Auffindbarkeit und Erwähnung in KI-Antworten.
- [Horizontal AI](https://blog.brdg.mn/glossar/horizontal-ai.md): Branchenübergreifende gegenüber domänenspezifischen KI-Produkten.
- [Inference Cost](https://blog.brdg.mn/glossar/inference-cost.md): Kosten für die Anwendung eines Modells.
- [LLM Observability](https://blog.brdg.mn/glossar/llm-observability.md): Nachvollziehbarkeit von Aufrufen, Entscheidungen, Aktionen und Ergebnissen.
- [Online Evaluation](https://blog.brdg.mn/glossar/online-evaluation.md): Bewertung anhand laufender beziehungsweise produktiver Nutzung.
- [OpenTelemetry](https://blog.brdg.mn/glossar/opentelemetry.md): Standardisiertes Ökosystem für Traces, Metriken und Logs.
- [Retry](https://blog.brdg.mn/glossar/retry.md): Erneuter Versuch nach einem Fehler oder unzureichendem Ergebnis.
- [Stall Detection](https://blog.brdg.mn/glossar/stall-detection.md): Erkennen eines festgefahrenen Agentenlaufs.
- [Total Cost of Ownership](https://blog.brdg.mn/glossar/total-cost-of-ownership.md): Gesamtkosten des Betriebs einschließlich Infrastruktur und Betreuung.
- [Trace](https://blog.brdg.mn/glossar/trace.md): Aufzeichnung der Schritte eines Modell- oder Agentenlaufs.
- [Trace Analytics](https://blog.brdg.mn/glossar/trace-analytics.md): Auswertung mehrerer vollständiger Ausführungsverläufe.

### Szene-Slang, Memes und Debattenbegriffe

- [Agent Washing](https://blog.brdg.mn/glossar/agent-washing.md): Vermarktung gewöhnlicher Automation als selbstständiger KI-Agent.
- [AGI-Pilled](https://blog.brdg.mn/glossar/agi-pilled.md): Szenewort für eine Haltung, die baldige AGI als gesetzt behandelt.
- [AI Doomer (Doomer)](https://blog.brdg.mn/glossar/ai-doomer.md): Meist spöttische Bezeichnung für Personen mit Fokus auf existenzielle KI-Risiken.
- [AI Garbage (AI Pollution)](https://blog.brdg.mn/glossar/ai-garbage.md): Abwertende Umschreibungen für unerwünschten KI-Inhaltsmüll.
- [AI Slop (Slop)](https://blog.brdg.mn/glossar/ai-slop.md): Abwertende Bezeichnung für minderwertige, häufig massenhaft erzeugte KI-Inhalte.
- [AI Washing](https://blog.brdg.mn/glossar/ai-washing.md): Irreführende Werbung, die den KI-Anteil eines Produkts übertreibt.
- [Clanker](https://blog.brdg.mn/glossar/clanker.md): Abwertender Internet-Slang für Roboter und KI-Systeme.
- [Cooked](https://blog.brdg.mn/glossar/cooked.md): Slang für erledigt, überholt oder kaum noch zu retten.
- [Cracked](https://blog.brdg.mn/glossar/cracked.md): Lob für ungewöhnlich hohe Leistung, meist bei Entwicklern, seltener bei Modellen.
- [Dead Internet Theory](https://blog.brdg.mn/glossar/dead-internet-theory.md): These, das Netz bestehe überwiegend aus automatisch erzeugten Inhalten.
- [Decel (Decelerationist)](https://blog.brdg.mn/glossar/decel.md): Szenewort für Befürworter langsamerer oder stärker regulierter KI-Entwicklung.
- [e/acc (Effective Accelerationism)](https://blog.brdg.mn/glossar/e-acc.md): Strömung, die schnelle technologische und KI-Entwicklung ausdrücklich befürwortet.
- [Effective Altruism (EA)](https://blog.brdg.mn/glossar/effective-altruism.md): Bewegung für möglichst wirksame Mittelverwendung; prägend in der KI-Risikodebatte.
- [Enshittification](https://blog.brdg.mn/glossar/enshittification.md): Verfall einer Plattform, die erst Nutzer, dann Anbieter, dann sich selbst ausnimmt.
- [Glazing](https://blog.brdg.mn/glossar/glazing.md): Übertriebenes Schmeicheln eines Chatbots; die spöttische Form von Sycophancy.
- [GPU-Poor (GPU-Rich)](https://blog.brdg.mn/glossar/gpu-poor.md): Szeneausdruck für wenig beziehungsweise sehr viel verfügbare Rechenleistung.
- [Habsburg AI](https://blog.brdg.mn/glossar/habsburg-ai.md): Spöttische Metapher für Modelle, die auf den Ausgaben anderer Modelle trainiert wurden.
- [Let It Cook (Let Him Cook)](https://blog.brdg.mn/glossar/let-it-cook.md): Aufforderung, einen laufenden Ansatz oder Agentenlauf nicht zu unterbrechen.
- [Liar’s Dividend](https://blog.brdg.mn/glossar/liar-s-dividend.md): Vorteil für Täuschende, wenn echte Belege als KI-Fälschung abgetan werden können.
- [Lobotomized (Lobotomiert)](https://blog.brdg.mn/glossar/lobotomized.md): Polemischer Vorwurf, Sicherheitstraining habe ein Modell verstümmelt.
- [Nerfed](https://blog.brdg.mn/glossar/nerfed.md): Vorwurf, ein Modell sei nach einer Änderung schlechter geworden.
- [Rug Pull](https://blog.brdg.mn/glossar/rug-pull.md): Abruptes Ändern oder Entziehen einer Leistung, auf die andere sich verlassen.
- [Shoggoth (Shoggoth with a Smiley Face)](https://blog.brdg.mn/glossar/shoggoth.md): Meme eines fremdartigen Modellinneren hinter einer freundlichen Assistentenmaske.
- [Skill Issue](https://blog.brdg.mn/glossar/skill-issue.md): Spöttische Zuschreibung eines Problems an die Bedienung statt an das System.
- [Slopification (Enslopification)](https://blog.brdg.mn/glossar/slopification.md): Zunehmende Prägung von Inhalten oder Plattformen durch Slop.
- [Stochastic Parrot (Stochastischer Papagei)](https://blog.brdg.mn/glossar/stochastic-parrot.md): Kritische Metapher für Sprachmodelle als statistische Nachahmung ohne Bedeutung.
- [Thin Wrapper (GPT Wrapper)](https://blog.brdg.mn/glossar/thin-wrapper.md): Abwertend für ein Produkt mit wenig eigener Leistung über einer fremden Modell-API.
- [Token Burn](https://blog.brdg.mn/glossar/token-burn.md): Umgangssprachlich für hohen Tokenverbrauch und die daraus folgenden Kosten.
- [Workslop](https://blog.brdg.mn/glossar/workslop.md): Oberflächlich fertige KI-Arbeit, die anderen Nacharbeit aufbürdet.