Aus der Basisserie: Kontextfenster. Ein Sprachmodell kann beim Schreiben einer Antwort nur den Inhalt seines Fensters betrachten. Heutzutage beträgt dieses Fenster bei den leistungsstärksten Modellen etwa eine Million Token. Nutzt das Modell also alles, was in das Fenster eintritt, gleich gut? Wir beschreiben, woraus das Fenster besteht, die Kosten seiner Länge und drei Metriken: „Lost in the Middle“-U-Kurve (Erfolg sinkt, wenn die Antwort in der Mitte liegt), RULERs deklarierte und effektive Längendifferenz, NoLiMas No-Word-Match-Pin. Dann zeigen wir das Phänomen, das Anthropic „Kontextfäule“ nennt, und seine Lösungen (die Frage ans Ende stellen, keine unnötigen Tokens geben, Komprimierung, Unteragenten) auf den eigenen Seiten der Ressourcen. Kapitel 0:00 Eröffnung: mittlerer Satz 0:26 Was ist ein Kontextfenster? 0:54 Was kommt ins Fenster? 1:27 Wie groß ist das Fenster? 1:53 Der Preis von Größe: n² und Preis 2:44 Lost in the Middle: U-Kurve 3:29 RULER: deklarierte und effektive Länge 4:05 NoLiMa: ohne Wortübereinstimmung 4:46 Kontextrot 5:06 Was wird erledigt: Frage endet 5:20 Agenten: Komprimierung und Unteragenten 5:56 Zurück zum Anfangsdokument Hinweis: Fenstergrößen und Preise gelten vom 30. Oktober 2026. Dies Das Video steht in keiner Verbindung zu Anthropic, Google, OpenAI, NVIDIA, Adobe oder den Autoren der Artikel. Quellen Anthropic, Kontextfenster: https://platform.claude.com/docs/en/build-with-claude/context-windows Anthropic, Effektive Kontextentwicklung für KI-Agenten: https://www.anthropic.com/engineering/effektive-context-engineering-for-ai-agents Anthropic, Modellübersicht (1 Mio. Token ≈ 555.000 Wörter): https://platform.claude.com/docs/en/models/overview Google, Langer Kontext (Gemini API): https://ai.google.dev/gemini-api/docs/long-context Google, Gemini 4 Argon-Modellkarte: https://ai.google.dev/gemini-api/docs/models/gemini-4-argon OpenAI, GPT-5.6 Links (Kontextfenster und 272K-Preisregel): https://developers.openai.com/api/docs/models/gpt-5.6 Liu et al., „Lost in the Middle: How Language Models Use Long Contexts“ (TACL): https://arxiv.org/abs/2307.03172 Hsieh et al., „RULER: What's the Real Context Size of Your Long-Context Language Models?“ (NVIDIA, COLM 2024): https://arxiv.org/abs/2404.06654 Modarressi et al., „NoLiMa: Long-Context Evaluation Beyond Literal Matching“ (Adobe Research, LMU München): https://arxiv.org/abs/2502.05167
Die bereitgestellten Informationen stellen keine Handelsberatung dar. kdj.com übernimmt keine Verantwortung für Investitionen, die auf der Grundlage der in diesem Artikel bereitgestellten Informationen getätigt werden. Kryptowährungen sind sehr volatil und es wird dringend empfohlen, nach gründlicher Recherche mit Vorsicht zu investieren!
Wenn Sie glauben, dass der auf dieser Website verwendete Inhalt Ihr Urheberrecht verletzt, kontaktieren Sie uns bitte umgehend (info@kdj.com) und wir werden ihn umgehend löschen.