KI-Konzepte meistern
Durch Erfahrung

Erkunde künstliche Intelligenz und große Sprachmodelle durch schöne, interaktive Demonstrationen. Lerne durch Handeln, nicht nur durch Lesen.

Jetzt lernenThemen durchsuchen
Themen
68
Interaktive Anleitungen zum Verstehen von KI-Konzepten
Zuletzt aktualisiert
Mega-Kernels
24. Sept. 2026
LLM
Architektur
MTP · MoE · KV-Cache · Inferenz

LMF Blog

Aktuelle KI-News, Modellanalysen und Deep Dives

Interaktive Demos

Visuelles Lernen

Intuition aufbauen

Zuletzt aktualisiert

Was gibt's Neues

E24. Sept. 2026
Mega-KernelsOperationen fusionieren und ganze Transformer-Schritte in einen einzigen GPU-Kernel verlagern, um Launch-Overhead und HBM-Traffic zu senken
B13. Sept. 2026
Erste SchritteDein erster LLM-API-Aufruf in 10 Minuten — kostenlos
B13. Sept. 2026
Der Agenten-ZyklusDer Beobachten-Denken-Handeln-Zyklus autonomer Agenten
I13. Sept. 2026
Kontext-AnatomieWie Agenten ihr Kontextfenster strukturieren und verwalten
I13. Sept. 2026
Tool-DesignPrinzipien für Tools, die Agenten zuverlässig nutzen können

Hilf mit, das hier zu verbessern

Dieser Guide ist Open Source. Hast du eine Idee für ein neues Thema? Einen Fehler gefunden? Eine Erklärung verbessern? Jeder Beitrag hilft.

Thema vorschlagenFehler meldenAuf GitHub markieren

Themen erkunden

Tauche ein in interaktive Lektionen

Künstliche Intelligenz

01
Erste SchritteDein erster LLM-API-Aufruf in 10 Minuten — kostenlos13. Sept. 2026
B
KI-Agenten
Große Sprachmodelle
Architektur
01
Transformer-ArchitekturDie grundlegende Architektur hinter GPT, BERT und allen modernen LLMs13. Sept. 2026
I
02
Looped TransformersWie rekurrente Tiefe den Hidden State aktualisiert, Modellgewichte wiederverwendet und das Verhältnis von Speicher, Compute, Geschwindigkeit und Monitorbarkeit verändert.7. Sept. 2026
E
03
Feed-Forward NetworksWie dasselbe MLP jede Tokenposition transformiert; Routing behandelt Mixture of Experts.13. Sept. 2026
I
04
Residual Stream & LayerNormWie Residual Streams und Normalisierung tiefe Transformer-Stacks trainierbar halten.13. Sept. 2026
I
05
Next-Token-VorhersageWie Logits, Softmax und Decoding Modelloutputs Token für Token zu Text machen.13. Sept. 2026
B
06
LLM-TrainingVom Vortraining auf Rohdaten bis zum Feintuning mit Feedback13. Sept. 2026
I
07
TrainingsdatenWoher KI-Modelle ihr Wissen beziehen: legitime Quellen, Kontroversen und synthetische Daten13. Sept. 2026
I
08
Mixture of ExpertsNur einen Bruchteil der Modellparameter pro Token aktivieren13. Sept. 2026
E
09
QuantisierungModellgröße durch reduzierte Zahlenpräzision verkleinern13. Sept. 2026
E
10
Verschachteltes LernenLernalgorithmen, die auf mehreren Ebenen arbeiten13. Sept. 2026
E
11
Multi-Token Prediction (MTP)Modelle darauf trainieren, mehrere zukünftige Tokens gleichzeitig vorherzusagen statt nur das nächste Token13. Sept. 2026
E
12
N-Gramm-EmbeddingsGelernte Lookup-Tabellen für kurze lokale Tokenmuster27. Aug. 2026
E
13
DestillationWissen von einem großen Modell auf ein kleineres übertragen13. Sept. 2026
I
14
Fine-Tuning & LoRAGroße Modelle effizient anpassen durch Training winziger Low-Rank-Matrizen13. Sept. 2026
I
15
AbliterationEntferne das Weigerungsverhalten eines Modells durch Ablation einer einzigen Richtung im Residual Stream13. Sept. 2026
E
16
Spekulatives DecodingInferenz beschleunigen durch Vorhersage mit kleinerem Modell13. Sept. 2026
E
Diffusionsmodelle
01
Wie Diffusion funktioniertVorwärtsrauschen, Rückwärts-Entrauschen und Score-Intuition13. Sept. 2026
I
02
Text-DiffusionMask-and-Predict-Generierung mit Token-Rastern fester Länge13. Sept. 2026
I
03
Bild-DiffusionLatente Entrauschungs-Pipelines moderner Text-zu-Bild-Systeme13. Sept. 2026
I
01
KV-CacheBerechnete Keys und Values speichern, um Arbeit zu sparen13. Sept. 2026
E
02
Mega-KernelsOperationen fusionieren und ganze Transformer-Schritte in einen einzigen GPU-Kernel verlagern, um Launch-Overhead und HBM-Traffic zu senken24. Sept. 2026
E
03
Prompt CachingKV-Caches über API-Anfragen hinweg wiederverwenden, um Kosten und Latenz zu sparen13. Sept. 2026
I
04
Batching & DurchsatzMehrere Anfragen gleichzeitig für höheren Durchsatz verarbeiten13. Sept. 2026
I
05
Lokale ModellinferenzLLMs auf eigener Hardware ausführen -- Privatsphäre, Geschwindigkeit, keine API-Kosten13. Sept. 2026
B
06
VRAM-RechnerSpeicherbudget für lokale LLMs aus Annahmen zu Gewichten, Cache und Laufzeit berechnen13. Sept. 2026
B
01
Neuronale NetzwerkeSchichten verbundener Neuronen, die Muster aus Daten lernen9. Feb. 2026
B
02
GradientenabstiegDer Optimierungsalgorithmus, der neuronale Netze trainiert13. Sept. 2026
I
03
TrainingsprozessWie Modelle durch Vorwärts- und Rückwärtsdurchläufe lernen13. Sept. 2026
B
04
Reinforcement LearningAgenten lernen durch Handeln, Belohnungen und Verbesserung einer Policy13. Sept. 2026
I
05
World ModelsInterne Simulatoren, mit denen KI in virtuellen Welten vorhersagen und planen kann13. Sept. 2026
E
Prompting
01
Prompt-GrundlagenGrundlegende Techniken für gute Ergebnisse mit LLMs13. Sept. 2026
B
02
Fortgeschrittenes PromptingChain-of-Thought, Few-Shot und andere Profi-Techniken13. Sept. 2026
I
03
System-PromptsPersona, Regeln und Verhalten eines LLMs festlegen13. Sept. 2026
I
KI-Sicherheit
01
Bias & FairnessWie Verzerrungen aus Trainingsdaten in Ausgaben auftauchen13. Sept. 2026
B
02
Verantwortungsvolle KIKI-Systeme bauen, die fair, transparent und sicher sind13. Sept. 2026
B
KI-Industrie
01
KI aus EuropaDas wachsende europäische KI-Ökosystem und seine Stärken13. Sept. 2026
B
02
Open-Source-VorteileWarum offene Gewichte für Innovation und Transparenz wichtig sind13. Sept. 2026
B
03
Custom Chips für KIWarum GPUs, TPUs, NPUs, FPGAs und KI-ASICs Kosten und Geschwindigkeit prägen13. Sept. 2026
I
04
Logges ModellnotizenGPT-6 Astra als Main Driver, aktuelle Kostenfront und frühere persönliche Rankings.13. Sept. 2026
B
Profi-Tipp: DrückeCtrl+Kum Themen zu suchen