Large Language Model (German Wikipedia)

Alessio Miaschi et al.: What Makes My Model Perplexed? A Linguistic Investigation on Neural Language Models Perplexity. Association for Computational Linguistics, 2021, S. 40–47, doi:10.18653/v1/2021.deelio-1.5 (englisch, aclweb.org [abgerufen am 17. April 2026]).

acm.org (Global: 1,200^th place; German: 2,201^st place)

dl.acm.org

Shriyank Somvanshi et al.: From Tiny Machine Learning to Tiny Deep Learning: A Survey. In: ACM Computing Surveys. Band 58, Nr. 7, 24. Dezember 2025, ISSN 0360-0300, S. 1–33, doi:10.1145/3776588 (englisch, acm.org [abgerufen am 5. April 2026]).

ai.mil (Global: low place; German: low place)

CDAO. Abgerufen am 1. April 2026 (englisch).

aifactum.de (Global: low place; German: low place)

Elo-basierte Leistungsvergleiche großer Sprachmodelle. In: AIFactum. 24. Februar 2026, abgerufen am 24. Februar 2026.

aip.org (Global: 2,273^rd place; German: 3,403^rd place)

pubs.aip.org

F. Jelinek et al.: Perplexity—a measure of the difficulty of speech recognition tasks. In: The Journal of the Acoustical Society of America. Band 62, S1, 1. Dezember 1977, ISSN 0001-4966, S. S63–S63, doi:10.1121/1.2016299 (englisch, aip.org [abgerufen am 17. April 2026]).

amacad.org (Global: 2,591^st place; German: 940^th place)

Christopher D. Manning: Human Language Understanding & Reasoning. In: Dædalus. American Academy of Arts and Sciences, 13. April 2022, abgerufen am 15. Januar 2024 (englisch).

apnews.com (Global: 101^st place; German: 386^th place)

What to know about Defense Protection Act and the Pentagon's Anthropic ultimatum. In: AP. 26. Februar 2026, abgerufen am 2. April 2026 (englisch).

apxml.com (Global: low place; German: low place)

Can You Run This LLM? VRAM Calculator (Nvidia GPU and Apple Silicon). In: ApX Machine Learning. 2026, abgerufen am 5. April 2026 (englisch).

arena.ai (Global: low place; German: low place)

Arena | Benchmark & Compare the Best AI Models. Large Model Systems (LMSYS Corp.), abgerufen am 1. April 2026.

arxiv.org (Global: 49^th place; German: 152^nd place)

Florian Bordes et al.: An Introduction to Vision-Language Modeling. In: Arxiv. 27. Mai 2024, abgerufen am 20. April 2026 (englisch).
Jacob Devlin et al.: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: Arxiv. 24. Mai 2019, abgerufen am 2. April 2026 (englisch).
Zhilin Yang et al.: XLNet: Generalized Autoregressive Pretraining for Language Understanding. In: Arxiv. 2. Januar 2020, abgerufen am 2. April 2026 (englisch).
Samuel R. Bowman: Eight Things to Know about Large Language Models. In: ArXiv. 2. April 2023, abgerufen am 8. November 2025 (englisch).
Tom B. Brown et al.: Language Models are Few-Shot Learners. 22. Juli 2020, abgerufen am 8. November 2025 (englisch).
Tom B. Brown et al.: Language Models are Few-Shot Learners. In: ArXiv. 22. Juli 2020, abgerufen am 1. April 2026 (englisch).
Zichong Wang, Zhibo Chu, Thang Viet Doan, Shiwen Ni, Min Yang, Wenbin Zhang: History, Development, and Principles of Large Language Models-An Introductory Survey. In: Arxiv. 23. September 2024, abgerufen am 1. April 2026 (englisch).
Ian J. Goodfellow et al.: Generative Adversarial Networks. In: Arxiv. 10. Juni 2014, abgerufen am 2. April 2026 (englisch).
Andrew M. Dai, Quoc V. Le: Semi-supervised Sequence Learning. In: Arxiv. 4. November 2015, abgerufen am 1. April 2026 (englisch).
Ashish Vaswani et al.: Attention Is All You Need. In: ArXiv. 2. August 2023, abgerufen am 1. April 2026 (englisch, 1. Veröffentlichung im Jahr 2017 ; aktualisiert bis 2023).
1. ↑ „Die gängigen Sequenztransduktionsmodelle basieren auf komplexen rekurrenten oder konvolutionellen neuronalen Netzen in einer Encoder-Decoder-Konfiguration. Die leistungsstärksten Modelle verbinden Encoder und Decoder zusätzlich über einen Aufmerksamkeitsmechanismus. Wir schlagen eine neue, einfache Netzwerkarchitektur vor, den Transformer, der ausschließlich auf Aufmerksamkeitsmechanismen basiert und vollständig auf Rekurrenz und Faltungen verzichtet.“
2. Hasi Hays: Attention mechanisms in neural networks. In: Arxiv. 6. Januar 2026, abgerufen am 4. April 2026 (englisch).
3. Ilya Sutskever, Oriol Vinyals, Quoc V. Le: Sequence to Sequence Learning with Neural Networks. In: ArXiv. 14. Dezember 2014, abgerufen am 1. April 2026 (englisch).
4. Dzmitry Bahdanau, Kyunghyun Cho, Yoshua Bengio: Neural Machine Translation by Jointly Learning to Align and Translate. 19. Mai 2016, abgerufen am 8. November 2025.
5. Tianyang Lin et al.: A Survey of Transformers. In: Arxiv. 15. Juni 2021, abgerufen am 5. April 2026 (englisch).
6. Ashish Vaswani et al.: Tensor2Tensor for Neural Machine Translation. In: Arxiv. 16. März 2018, abgerufen am 3. April 2026 (englisch).
7. Artit Wangperawong: Attending to Mathematical Language with Transformers. In: Arxiv. 14. September 2019, abgerufen am 3. April 2026 (englisch).
8. Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: ArXiv. 11. Oktober 2018, abgerufen am 1. April 2026 (englisch).
9. Yukun Zhu et al.: Aligning Books and Movies: Towards Story-like Visual Explanations by Watching Movies and Reading Books. In: Arxiv. 22. Juni 2015, abgerufen am 4. April 2026 (englisch, Originalpublikation zum BookCorpus. Der Datensatz ist bei Hugging Face neben hunderten bis tausenden anderen verfügbar.).
10. Jack Bandy, Nicholas Vincent: Addressing "Documentation Debt" in Machine Learning Research: A Retrospective Datasheet for BookCorpus. In: Arxiv. 11. Mai 2021, abgerufen am 2. April 2026 (englisch).
11. Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov: RoBERTa: A Robustly Optimized BERT Pretraining Approach. In: Arxiv. 26. Juli 2019, abgerufen am 2. April 2026 (englisch).
12. Siyuan Mu, Sen Lin: A Comprehensive Survey of Mixture-of-Experts: Algorithms, Theory, and Applications. In: Arxiv. 24. Januar 2026, abgerufen am 2. April 2026 (englisch).
13. Zixiang Chen et al.: Towards Understanding Mixture of Experts in Deep Learning. In: Arxiv. 4. August 2022, abgerufen am 3. April 2026 (englisch).
14. Noam Shazeer et al.: Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. In: Arxiv. 23. Januar 2017, abgerufen am 3. April 2026 (englisch).
15. Shibo Jie et al.: Mixture of Lookup Experts. In: Arxiv. 25. Mai 2025, abgerufen am 5. April 2026 (englisch).
16. Aaron Grattafiori et al.: The Llama 3 Herd of Models. In: Arxiv. 23. November 2024, abgerufen am 1. April 2026 (englisch).
17. OpenAI, Sandhini Agarwal et al.: gpt-oss-120b & gpt-oss-20b Model Card. In: Arxiv. 8. August 2025, abgerufen am 3. April 2026 (englisch).
18. DeepSeek-AI, Daya Guo et al.: DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. In: Arxiv. 4. Januar 2026, abgerufen am 3. April 2026 (englisch).
19. Xin Chen, Xiaoyang Wang, Ana Colacelli, Matt Lee, Le Xie: Electricity Demand and Grid Impacts of AI Data Centers: Challenges and Prospects. In: Arxiv. 26. November 2025, abgerufen am 1. April 2026 (englisch).
20. Jae-Won Chung et al.: The ML.ENERGY Benchmark: Toward Automated Inference Energy Measurement and Optimization. In: Arxiv. 16. Oktober 2025, abgerufen am 11. April 2026 (englisch).
21. Brian Chmiel et al.: FP4 All the Way: Fully Quantized Training of LLMs. In: Arxiv. 10. August 2025, abgerufen am 3. April 2026 (englisch).
22. Shi Yu, Zhiyuan Liu, Chenyan Xiong: Craw4LLM: Efficient Web Crawling for LLM Pretraining. 19. Februar 2025, abgerufen am 1. April 2026 (englisch).
23. C. Lawrence Zitnick, Aishwarya Agrawal, Stanislaw Antol, Margaret Mitchell, Dhruv Batra, Devi Parikh: Measuring Machine Intelligence Through Visual Question Answering. 31. August 2016, abgerufen am 18. März 2026 (englisch).
24. Qi Qian et al.: Benchmark^2: Systematic Evaluation of LLM Benchmarks. 7. Januar 2026, abgerufen am 18. März 2026 (englisch).
25. Wei-Lin Chiang et al.: Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference. In: ArXiv. 7. März 2024, abgerufen am 1. April 2026 (englisch).
26. David Rein et al.: GPQA: A Graduate-Level Google-Proof Q&A Benchmark. In: Arxiv. 20. November 2023, abgerufen am 3. April 2026 (englisch).
27. Mark Chen et al.: Evaluating Large Language Models Trained on Code. 14. Juli 2021, abgerufen am 18. März 2026 (englisch).
28. Stephanie Lin, Jacob Hilton, Owain Evans: TruthfulQA: Measuring How Models Mimic Human Falsehoods. 8. Mai 2022, abgerufen am 18. März 2026 (englisch).
29. Shaoran Yang et al.: Contrastive Language-Image Pre-Training Model based Semantic Communication Performance Optimization. In: Arxiv. 10. Juli 2025, abgerufen am 20. April 2026 (englisch).
30. Junnan Li, Dongxu Li, Silvio Savarese, Steven Hoi: BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. 2023, doi:10.48550/ARXIV.2301.12597, arxiv:2301.12597.
31. Tom B. Brown et al.: Language Models are Few-Shot Learners. In: Arxiv. 22. Juli 2020, abgerufen am 17. April 2026 (englisch).
32. Rafal Jozefowicz et al.: Exploring the Limits of Language Modeling. In: Arxiv. 11. Februar 2016, abgerufen am 17. April 2026 (englisch).
33. Armen Aghajanyan et al.: Scaling Laws for Generative Mixed-Modal Language Models. In: Arxiv. 2023, abgerufen am 17. April 2026 (englisch).
34. Joel Hestness et al.: Deep Learning Scaling is Predictable, Empirically. In: Arxiv. 1. Dezember 2017, abgerufen am 17. April 2026 (englisch).
35. Tom Henighan et al.: Scaling Laws for Autoregressive Generative Modeling. In: Arxiv. 28. Oktober 2020, abgerufen am 17. April 2026 (englisch).
36. Kyle Aitken et al.: Understanding How Encoder-Decoder Architectures Attend. In: Arxiv. 2021, abgerufen am 2. April 2026 (englisch).
37. Qinyuan Ye et al.: Prompt Engineering a Prompt Engineer. In: Arxiv. 3. Juli 2024, abgerufen am 3. April 2026 (englisch).

azure.com (Global: low place; German: low place)

ai.azure.com

Microsoft: AI Model Catalog | Microsoft Foundry Models. Microsoft, abgerufen am 2. April 2026 (englisch).

bentoml.com (Global: low place; German: low place)

Calculating GPU memory for serving LLMs | LLM Inference Handbook. In: BentoML. Abgerufen am 5. April 2026 (englisch).
What is GPU Memory and Why it Matters for LLM Inference. In: BentoML. 21. November 2025, abgerufen am 5. April 2026 (englisch).

bigdata-insider.de (Global: low place; German: low place)

Nico Litzel, Stefan Luber: Was ist BERT? In: Bigdata Insider. Vogel Communications Group, 10. Mai 2022, abgerufen am 8. November 2025.

brennancenter.org (Global: low place; German: low place)

The Military’s Use of AI, Explained | Brennan Center for Justice. In: Brennan Center for Justice at New York University School of Law. 11. März 2026, abgerufen am 1. April 2026 (englisch).

claude.com (Global: low place; German: low place)

support.claude.com

How up-to-date is Claude’s training data? | Claude Help Center. Abgerufen am 18. März 2026 (englisch).

platform.claude.com

Models overview. Anthropic, abgerufen am 18. März 2026 (englisch).

cmu.edu (Global: 2,125^th place; German: 3,522^nd place)

kilthub.cmu.edu

Stanley F Chen et al.: Evaluation Metrics For Language Models. 30. Juni 2018, doi:10.1184/R1/6605324.V1 (englisch, cmu.edu [abgerufen am 17. April 2026]).

computer.org (Global: 6,549^th place; German: low place)

Aparna Krishna Bhat: The Evolution of AI: From Foundations to Future Prospects. In: IEEE Computer Society. IEEE, 11. März 2025, abgerufen am 2. April 2026 (englisch).

datascientest.com (Global: low place; German: low place)

Multimodal Learning: Die Technik, die die künstliche Intelligenz revolutioniert. In: Weiterbildung Data Science | DataScientest.com. 17. August 2023, abgerufen am 24. Juni 2024 (deutsch).

decrypt.co (Global: low place; German: low place)

Jose Antonio Lanz: Anthropic's Mythos Safety Report Shows It Can No Longer Fully Measure What It Built. In: Decrypt. 8. April 2026, abgerufen am 12. April 2026 (amerikanisches Englisch).

derstandard.de (Global: 4,676^th place; German: 299^th place)

Der Standard: Wie Künstliche Intelligenz die "Kill Chain" im Krieg verkürzt, veröffentlicht 2026-03-05

djdumpling.github.io (Global: low place; German: low place)

Alex Wa: frontier model training methodologies. 31. Januar 2026, abgerufen am 3. April 2026 (englisch).

doi.org (Global: 2^nd place; German: 3^rd place)

Ibomoiye Domor Mienye et al.: Large language models: an overview of foundational architectures, recent trends, and a new taxonomy. In: Discover Applied Sciences. Band 7, Nr. 9, 2. September 2025, ISSN 3004-9261, doi:10.1007/s42452-025-07668-w (englisch, springer.com [abgerufen am 3. April 2026]).
Rishi Bommasani et al.: Considerations for governing open foundation models. In: Science. Band 386, Nr. 6718, 11. Oktober 2024, ISSN 0036-8075, S. 151–153, doi:10.1126/science.adp1848 (englisch, science.org [abgerufen am 1. April 2026]).
Partha Pratim Ray: ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. In: Internet of Things and Cyber-Physical Systems. Band 3, 2023, S. 121–154, doi:10.1016/j.iotcps.2023.04.003 (englisch, elsevier.com [abgerufen am 28. April 2026]).
Guandong Feng et al.: Robust NL-to-Cypher Translation for KBQA: Harnessing Large Language Model with Chain of Prompts. In: Knowledge Graph and Semantic Computing: Knowledge Graph Empowers Artificial General Intelligence. Band 1923. Springer Nature Singapore, Singapore 2023, ISBN 978-981-99-7223-4, S. 317–326, doi:10.1007/978-981-99-7224-1_25 (englisch, springer.com [abgerufen am 8. November 2025]).
Yuening Jia: Attention Mechanism in Machine Translation. In: Journal of Physics: Conference Series. Band 1314, Nr. 1, 1. Oktober 2019, ISSN 1742-6588, S. 012186, doi:10.1088/1742-6596/1314/1/012186 (englisch, iop.org [abgerufen am 4. April 2026]).
Zhaoyang Niu et al.: A review on the attention mechanism of deep learning. In: Neurocomputing. Band 452, 10. September 2021, ISSN 0925-2312, S. 48–62, doi:10.1016/j.neucom.2021.03.091 (englisch, sciencedirect.com [abgerufen am 4. April 2026]).
Rejaul Karim Barbhuiya et al.: Fundamentals of Encoders and Decoders in Generative AI. In: Generative AI: Current Trends and Applications. Band 1177. Springer Nature Singapore, Singapore 2024, ISBN 978-981-97-8459-2, S. 19–33, doi:10.1007/978-981-97-8460-8_2 (englisch, springer.com [abgerufen am 2. April 2026]).
Jürgen Schmidhuber: Learning to Control Fast-Weight Memories: An Alternative to Dynamic Recurrent Networks. In: Neural Computation. Band 4, Nr. 1, Januar 1992, ISSN 0899-7667, S. 131–139, doi:10.1162/neco.1992.4.1.131 (englisch, mit.edu [abgerufen am 4. April 2026]).
Robert A. Jacobs, Michael I. Jordan, Steven J. Nowlan, Geoffrey E. Hinton: Adaptive Mixtures of Local Experts. In: Neural Computation. Band 3, Nr. 1, Februar 1991, ISSN 0899-7667, S. 79–87, doi:10.1162/neco.1991.3.1.79 (englisch, mit.edu [abgerufen am 3. April 2026]).
Philipp Dufter, Martin Schmitt, Hinrich Schütze: Position Information in Transformers: An Overview. In: Computational Linguistics. Band 48, Nr. 3, 1. September 2022, ISSN 0891-2017, S. 733–763, doi:10.1162/coli_a_00445 (englisch, mit.edu [abgerufen am 5. April 2026]).
Dhruvin Kotak, Yamini Barge, Tanvi Patel, Nitin Pandya, Rachit Adhvarvyu: Comparison of LLM Models of AI: A Comprehensive Analysis. In: ICT Analysis and Applications. Band 1651. Springer Nature Switzerland, Cham 2026, ISBN 978-3-032-06687-9, S. 93–101, doi:10.1007/978-3-032-06688-6_9 (springer.com [abgerufen am 18. März 2026]).
Daya Guo et al.: DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. In: Nature. Band 645, Nr. 8081, 18. September 2025, ISSN 0028-0836, S. 633–638, doi:10.1038/s41586-025-09422-z, PMID 40962978, PMC 12443585 (freier Volltext) – (englisch, nature.com [abgerufen am 3. April 2026]).
Shriyank Somvanshi et al.: From Tiny Machine Learning to Tiny Deep Learning: A Survey. In: ACM Computing Surveys. Band 58, Nr. 7, 24. Dezember 2025, ISSN 0360-0300, S. 1–33, doi:10.1145/3776588 (englisch, acm.org [abgerufen am 5. April 2026]).
Omar Ghazal et al.: TinyML: Applications, Algorithms, Co-design and Implementations. In: Smart and Connected Health: AI, IoT, and Trustworthy Technologies. Springer Nature Switzerland, Cham 2026, ISBN 978-3-032-06285-7, S. 473–541, doi:10.1007/978-3-032-06286-4_6 (englisch, springer.com [abgerufen am 11. April 2026]).
Jasper A. Friedrich: Die Computerspielbranche als Innovationstreiber für technologische und gesellschaftliche Entwicklungen. In: Game-Journalismus. Springer Fachmedien Wiesbaden, Wiesbaden 2023, ISBN 978-3-658-42615-6, S. 163–191, doi:10.1007/978-3-658-42616-3_12 (springer.com [abgerufen am 3. April 2026]).
Elizabeth Gibney: Not all ‘open source’ AI models are actually open: here’s a ranking. In: Nature. 19. Juni 2024, ISSN 0028-0836, doi:10.1038/d41586-024-02012-5 (englisch, nature.com [abgerufen am 1. April 2026]).
Junnan Li, Dongxu Li, Silvio Savarese, Steven Hoi: BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. 2023, doi:10.48550/ARXIV.2301.12597, arxiv:2301.12597.
Stanley F Chen et al.: Evaluation Metrics For Language Models. 30. Juni 2018, doi:10.1184/R1/6605324.V1 (englisch, cmu.edu [abgerufen am 17. April 2026]).
F. Jelinek et al.: Perplexity—a measure of the difficulty of speech recognition tasks. In: The Journal of the Acoustical Society of America. Band 62, S1, 1. Dezember 1977, ISSN 0001-4966, S. S63–S63, doi:10.1121/1.2016299 (englisch, aip.org [abgerufen am 17. April 2026]).
Alessio Miaschi et al.: What Makes My Model Perplexed? A Linguistic Investigation on Neural Language Models Perplexity. Association for Computational Linguistics, 2021, S. 40–47, doi:10.18653/v1/2021.deelio-1.5 (englisch, aclweb.org [abgerufen am 17. April 2026]).
Ilia Shumailov et al.: AI models collapse when trained on recursively generated data. In: Nature. Band 631, Nr. 8022, 25. Juli 2024, ISSN 0028-0836, S. 755–759, doi:10.1038/s41586-024-07566-y, PMID 39048682, PMC 11269175 (freier Volltext) – (englisch, nature.com [abgerufen am 27. Juli 2024]).
Adib Bin Rashid et al.: Artificial Intelligence in the Military: An Overview of the Capabilities, Applications, and Challenges. In: International Journal of Intelligent Systems. Band 2023, Nr. 1, Januar 2023, ISSN 0884-8173, doi:10.1155/2023/8676366 (englisch, wiley.com [abgerufen am 22. April 2026]).
Junchao Wu, Shu Yang, Runzhe Zhan, Yulin Yuan, Lidia Sam Chao, Derek Fai Wong: A Survey on LLM-Generated Text Detection: Necessity, Methods, and Future Directions. In: Computational Linguistics. Band 51, Nr. 1, 15. März 2025, ISSN 0891-2017, S. 275–338, doi:10.1162/coli_a_00549 (mit.edu [abgerufen am 27. Juni 2026]).

eetimes.com (Global: 4,224^th place; German: 5,190^th place)

Pablo Valerio: How AI and Geopolitics Forge a Memory Market Crisis. In: EE Times. 25. März 2026, abgerufen am 11. April 2026 (englisch).

elsevier.com (Global: 365^th place; German: 435^th place)

linkinghub.elsevier.com

Partha Pratim Ray: ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. In: Internet of Things and Cyber-Physical Systems. Band 3, 2023, S. 121–154, doi:10.1016/j.iotcps.2023.04.003 (englisch, elsevier.com [abgerufen am 28. April 2026]).

enclaveai.app (Global: low place; German: low place)

Enclave AI: Understanding Model Sizes in 2025: A Practical Guide for Local LLMs – Enclave AI – Private, Local, Offline AI Assistant for MacOS and iOS. Abgerufen am 18. März 2026 (englisch).

energy.gov (Global: 2,792^nd place; German: 4,053^rd place)

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers. In: DOE. 20. Dezember 2024, abgerufen am 11. April 2026 (englisch).

euronews.com (Global: 587^th place; German: 630^th place)

ChatGPT turns 1: How the AI chatbot has completely changed the world. In: Euronews. 30. November 2023, abgerufen am 5. Februar 2024 (englisch).

federalregister.gov (Global: 2,513^th place; German: 4,413^th place)

Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence. In: Federal Register. 1. November 2023, abgerufen am 1. April 2026 (englisch).

forbes.com (Global: 71^st place; German: 140^th place)

Rob Toews: Transformers Revolutionized AI. What Will Replace Them? In: Forbes. 3. September 2023, abgerufen am 5. Februar 2024 (englisch).

fraunhofer.de (Global: 7,521^st place; German: 787^th place)

iese.fraunhofer.de

Patricia Kelbert, Julien Siebert, Lisa Jöckel: Was sind Large Language Models? Und was ist bei der Nutzung von KI-Sprachmodellen zu beachten? – Blog des Fraunhofer IESE. In: Fraunhofer IESE. 12. Dezember 2023, abgerufen am 8. November 2025.

github.com (Global: 380^th place; German: 255^th place)

tensorflow/tensor2tensor. In: Github. tensorflow, 3. April 2026, abgerufen am 3. April 2026 (englisch).
openai/gpt-2. In: Github. OpenAI, 2. April 2026, abgerufen am 2. April 2026 (englisch).
google-research/bert. Google Research, 1. April 2026, abgerufen am 1. April 2026.
xai-org/grok-1. In: Github. xai-org, 2. April 2026, abgerufen am 2. April 2026 (englisch).
deepseek-ai: DeepSeek-R1/LICENSE at main · deepseek-ai/DeepSeek-R1. Abgerufen am 3. April 2026 (englisch).
deepseek-ai/DeepSeek-V3. In: Github. DeepSeek, 3. April 2026, abgerufen am 3. April 2026 (englisch).
llm_hello_world/src/model.py at main · dparedesi/llm_hello_world. In: Github. 2025, abgerufen am 5. April 2026 (englisch).
openai/harmony. In: Github. OpenAI, 3. April 2026, abgerufen am 3. April 2026 (englisch).

global.toyota (Global: 3,688^th place; German: low place)

TOYOTA MOTOR CORPORATION: Advancing the Integration of Robots and AI to Drive Technological Innovation | Frontier Research | Mobility. Abgerufen am 2. April 2026 (englisch).

huggingface.co (Global: low place; German: low place)

SmolLM3: smol, multilingual, long-context reasoner. In: Hugging Face. 10. September 2025, abgerufen am 3. April 2026 (englisch, Siehe dort für die Architektur).

iaea.org (Global: 1,135^th place; German: 581^st place)

Data Centres, Artificial Intelligence and Cryptocurrencies Eye Advanced Nuclear to Meet Growing Power Needs. In: IAEA Bulletin Vol. 65-3. IAEA, 4. Dezember 2024, abgerufen am 1. April 2026 (englisch).

ibm.com (Global: 1,369^th place; German: 1,458^th place)

Was ist Feinabstimmung? | IBM. 15. März 2024, abgerufen am 10. Dezember 2024.
Tokens and tokenization. IBM, 20. November 2025, abgerufen am 19. März 2026 (englisch).
Was ist ein Kontextfenster. IBM, 7. November 2024, abgerufen am 18. März 2026.
Was sind Modellparameter? IBM, 5. Mai 2025, abgerufen am 19. März 2026.
Dave Bergmann: What is AI Inference? | IBM. 18. Juni 2024, abgerufen am 3. April 2026 (englisch).
Vanna Winland: Was ist ein Aufmerksamkeitsmechanismus? | IBM. 18. Februar 2025, abgerufen am 1. April 2026.
Dave Bergmann: What is AI Inference? | IBM. 18. Juni 2024, abgerufen am 3. April 2026 (englisch).

idsia.ch (Global: low place; German: low place)

people.idsia.ch

Jürgen Schmidhuber: 26 March 1991: Neural nets learn to program neural nets with fast weights—the first Transformer variants. 2021-: New stuff! In: Dalle Molle Institute for Artificial Intelligence (IDSIA). SUPSI, 2025, abgerufen am 5. April 2026: „Before 1991, no network learned by gradient descent to quickly compute the changes of the fast weight storage of another network or of itself. Such Fast Weight Programmers (FWPs) were published in 1991-93 [FWP0-2](Sec. 1, 2, 3, 4). They embody the principles found in certain types of what is now called attention [ATT](Sec. 4) and Transformers [TR1-6](Sec. 2, 3, 4, 5).“
The 1991 Unnormalized Linear Transformer (ULTRA). In: Dalle Molle Institute for Artificial Intelligence (IDSIA). SUPSI, 2025, abgerufen am 4. April 2026.

insidegovernmentcontracts.com (Global: low place; German: low place)

Nooree Lee, Stephanie Barna, Robert Huffman, Ryan Burnette, Krissy Chapman, Eunsun Cho: Pentagon Releases Artificial Intelligence Strategy. In: Inside Government Contracts. Covington & Burling LLP, 3. Februar 2026, abgerufen am 1. April 2026 (amerikanisches Englisch).

iop.org (Global: 1,046^th place; German: 673^rd place)

iopscience.iop.org

Yuening Jia: Attention Mechanism in Machine Translation. In: Journal of Physics: Conference Series. Band 1314, Nr. 1, 1. Oktober 2019, ISSN 1742-6588, S. 012186, doi:10.1088/1742-6596/1314/1/012186 (englisch, iop.org [abgerufen am 4. April 2026]).

jalammar.github.io (Global: low place; German: low place)

Jay Alammar: The Illustrated Transformer. 2025, abgerufen am 3. April 2026 (englisch).

kad8.com (Global: low place; German: low place)

Understanding TOPS, FLOPS, MIPS, and DMIPS. In: Kad. 23. Februar 2024, abgerufen am 20. April 2026 (englisch).

llm-book.com (Global: low place; German: low place)

Jay Alammar, Maarten Grootendorst: Hands-On Large Language Models: Language Understanding and Generation. O’Reilly Media, Sebastopol, CA 2024, ISBN 978-1-0981-5096-9 (llm-book.com [abgerufen am 3. April 2026]).

llm-stats.com (Global: low place; German: low place)

L. L. M. Stats: Benchmark Leaderboard. 18. März 2026, abgerufen am 18. März 2026 (englisch).

mckinsey.com (Global: 8,567^th place; German: 7,447^th place)

The $7 trillion data center build-out: How industrials can capture their share. McKinsey, 27. März 2026, abgerufen am 1. April 2026 (englisch).

microsoft.com (Global: 263^rd place; German: 323^rd place)

Charles Lamanna: Expanding model choice in Microsoft 365 Copilot. In: Microsoft 365 Blog. 24. September 2025, abgerufen am 18. März 2026 (amerikanisches Englisch).

military.com (Global: 2,449^th place; German: 2,848^th place)

Chad Hultz: The Biggest Mistake the Pentagon Made in Early AI Adoption. 20. Januar 2026, abgerufen am 1. April 2026 (englisch).

mit.edu (Global: 476^th place; German: 920^th place)

direct.mit.edu

Jürgen Schmidhuber: Learning to Control Fast-Weight Memories: An Alternative to Dynamic Recurrent Networks. In: Neural Computation. Band 4, Nr. 1, Januar 1992, ISSN 0899-7667, S. 131–139, doi:10.1162/neco.1992.4.1.131 (englisch, mit.edu [abgerufen am 4. April 2026]).
Robert A. Jacobs, Michael I. Jordan, Steven J. Nowlan, Geoffrey E. Hinton: Adaptive Mixtures of Local Experts. In: Neural Computation. Band 3, Nr. 1, Februar 1991, ISSN 0899-7667, S. 79–87, doi:10.1162/neco.1991.3.1.79 (englisch, mit.edu [abgerufen am 3. April 2026]).
Philipp Dufter, Martin Schmitt, Hinrich Schütze: Position Information in Transformers: An Overview. In: Computational Linguistics. Band 48, Nr. 3, 1. September 2022, ISSN 0891-2017, S. 733–763, doi:10.1162/coli_a_00445 (englisch, mit.edu [abgerufen am 5. April 2026]).
Junchao Wu, Shu Yang, Runzhe Zhan, Yulin Yuan, Lidia Sam Chao, Derek Fai Wong: A Survey on LLM-Generated Text Detection: Necessity, Methods, and Future Directions. In: Computational Linguistics. Band 51, Nr. 1, 15. März 2025, ISSN 0891-2017, S. 275–338, doi:10.1162/coli_a_00549 (mit.edu [abgerufen am 27. Juni 2026]).

ml.energy (Global: low place; German: low place)

The ML.ENERGY Leaderboard. In: ML.ENERGY. 2026, abgerufen am 11. April 2026 (englisch).
Zeus. In: ML.ENERGY. 2026, abgerufen am 11. April 2026 (englisch).

mlcommons.org (Global: low place; German: low place)

MLCommons – Better AI for Everyone. Abgerufen am 20. April 2026 (amerikanisches Englisch).

nature.com (Global: 207^th place; German: 227^th place)

Daya Guo et al.: DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. In: Nature. Band 645, Nr. 8081, 18. September 2025, ISSN 0028-0836, S. 633–638, doi:10.1038/s41586-025-09422-z, PMID 40962978, PMC 12443585 (freier Volltext) – (englisch, nature.com [abgerufen am 3. April 2026]).
Elizabeth Gibney: Not all ‘open source’ AI models are actually open: here’s a ranking. In: Nature. 19. Juni 2024, ISSN 0028-0836, doi:10.1038/d41586-024-02012-5 (englisch, nature.com [abgerufen am 1. April 2026]).
Ilia Shumailov et al.: AI models collapse when trained on recursively generated data. In: Nature. Band 631, Nr. 8022, 25. Juli 2024, ISSN 0028-0836, S. 755–759, doi:10.1038/s41586-024-07566-y, PMID 39048682, PMC 11269175 (freier Volltext) – (englisch, nature.com [abgerufen am 27. Juli 2024]).

nih.gov (Global: 5^th place; German: 7^th place)

ncbi.nlm.nih.gov

Daya Guo et al.: DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. In: Nature. Band 645, Nr. 8081, 18. September 2025, ISSN 0028-0836, S. 633–638, doi:10.1038/s41586-025-09422-z, PMID 40962978, PMC 12443585 (freier Volltext) – (englisch, nature.com [abgerufen am 3. April 2026]).
Ilia Shumailov et al.: AI models collapse when trained on recursively generated data. In: Nature. Band 631, Nr. 8022, 25. Juli 2024, ISSN 0028-0836, S. 755–759, doi:10.1038/s41586-024-07566-y, PMID 39048682, PMC 11269175 (freier Volltext) – (englisch, nature.com [abgerufen am 27. Juli 2024]).

ntia.gov (Global: low place; German: low place)

Dual-Use Foundation Models with Widely Available Model Weights Report | National Telecommunications and Information Administration. In: National Telecommunications and Information Administration (NTIA). 30. Juli 2024, abgerufen am 1. April 2026 (englisch).

nvidia.com (Global: 2,958^th place; German: 3,177^th place)

blogs.nvidia.com

Rick Merritt: What Is a Transformer Model? In: Nvidia. 25. März 2022, abgerufen am 15. Januar 2024 (englisch).

developer.nvidia.com

Introducing NVFP4 for Efficient and Accurate Low-Precision Inference. In: Nvidia. 24. Juni 2025, abgerufen am 3. April 2026 (amerikanisches Englisch).

nvidia.com

NVIDIA H200 GPU. In: Nvidia. 2026, abgerufen am 20. April 2026 (amerikanisches Englisch).

nxp.com (Global: low place; German: low place)

Ara240 USB Module: eTOPS for Gen AI Workloads. In: NXP. 2026, abgerufen am 20. April 2026 (englisch).

nytimes.com (Global: 7^th place; German: 15^th place)

Sheera Frenkel et al.: Mutually Automated Destruction: The Escalating Global A.I. Arms Race. In: The New York Times. 12. April 2026, ISSN 0362-4331 (englisch, nytimes.com [abgerufen am 22. April 2026]).
Kevin Roose: Anthropic Claims Its New A.I. Model, Mythos, Is a Cybersecurity ‘Reckoning’. In: The New York Times. 7. April 2026, ISSN 0362-4331 (englisch, nytimes.com [abgerufen am 12. April 2026]).

nzz.ch (Global: 710^th place; German: 40^th place)

Markus Städeli: Das sind die besten KI-Sprachmodelle und viele stammen auch China. 14. Dezember 2024, abgerufen am 18. März 2026.

ongraph.com (Global: low place; German: low place)

Aashiya Mittal: How Many Parameters Does GPT-5 Have? Full Breakdown (2025). In: OnGraph: Top Enterprise Web & Mobile App Development Company. 14. November 2025, abgerufen am 18. März 2026 (englisch).

openai.com (Global: 4,607^th place; German: 3,525^th place)

openai.com

Better language models and their implications. In: OpenAI. 14. Februar 2019, abgerufen am 15. Januar 2024 (englisch).
Introducing ChatGPT. In: OpenAI. 30. November 2022, abgerufen am 4. April 2026 (englisch).
Introducing: gpt-oss. In: OpenAI. 2. April 2026, abgerufen am 3. April 2026 (englisch).
Introducing gpt-oss. In: OpenAI. 24. März 2026, abgerufen am 1. April 2026 (englisch).

cdn.openai.com

Alec Radford et al.: Improving Language Understanding by Generative Pre-Training. Hrsg.: OpenAI. 2018 (englisch, openai.com [PDF]).
Alec Radford et al.: Language Models are Unsupervised Multitask Learners. Hrsg.: OpenAI. San Francisco, CA 2019 (englisch, openai.com [PDF]).

help.openai.com

ChatGPT – Release Notes. Abgerufen am 18. März 2026 (amerikanisches Englisch).

developers.openai.com

GPT-5 Model | OpenAI API. Abgerufen am 18. März 2026 (englisch).

opensource.org (Global: low place; German: low place)

Open Weights: not quite what you’ve been told. In: Open Source Initiative. Abgerufen am 1. April 2026 (amerikanisches Englisch).

ourworldindata.org (Global: 2,491^st place; German: 1,929^th place)

Parameters in notable artificial intelligence systems. Our World in Data, 3. April 2024, abgerufen am 16. Mai 2024 (britisches Englisch).

pbs.org (Global: 260^th place; German: 801^st place)

Anthropic’s powerful new AI model raises concerns about high-tech risks. In: PBS. 9. April 2026, abgerufen am 12. April 2026 (amerikanisches Englisch).

redirecter.toolforge.org (Global: 29^th place; German: 2^nd place)

AI Model Parameter Counts: A Comprehensive Analysis. Archiviert vom Original am 12. März 2026; abgerufen am 18. März 2026 (amerikanisches Englisch).

research.google (Global: low place; German: low place)

Transformer: A Novel Neural Network Architecture for Language Understanding. In: Google Research. 31. August 2017, abgerufen am 3. April 2026 (englisch).
1. ↑ The sequential nature of RNNs also makes it more difficult to fully take advantage of modern fast computing devices such as TPUs and GPUs, which excel at parallel and not sequential processing. Convolutional neural networks (CNNs) are much less sequential than RNNs, but in CNN architectures like ByteNet or ConvS2S the number of steps required to combine information from distant parts of the input still grows with increasing distance.

reuters.com (Global: 38^th place; German: 126^th place)

Exclusive: Pentagon to adopt Palantir AI as core US military system, memo says. In: Reuters. 21. März 2026, abgerufen am 1. April 2026 (englisch).

science.org (Global: 1,007^th place; German: 1,329^th place)

Rishi Bommasani et al.: Considerations for governing open foundation models. In: Science. Band 386, Nr. 6718, 11. Oktober 2024, ISSN 0036-8075, S. 151–153, doi:10.1126/science.adp1848 (englisch, science.org [abgerufen am 1. April 2026]).

sciencedirect.com (Global: 137^th place; German: 321^st place)

Zhaoyang Niu et al.: A review on the attention mechanism of deep learning. In: Neurocomputing. Band 452, 10. September 2021, ISSN 0925-2312, S. 48–62, doi:10.1016/j.neucom.2021.03.091 (englisch, sciencedirect.com [abgerufen am 4. April 2026]).
Exponential AI growth and the physical limits of renewable energy systems, veröffentlicht August 2026

simonwillison.net (Global: low place; German: low place)

Simon Willison: OpenAI’s new open weight (Apache 2) models are really good. Abgerufen am 3. April 2026 (britisches Englisch).

springer.com (Global: 182^nd place; German: 148^th place)

link.springer.com

Ibomoiye Domor Mienye et al.: Large language models: an overview of foundational architectures, recent trends, and a new taxonomy. In: Discover Applied Sciences. Band 7, Nr. 9, 2. September 2025, ISSN 3004-9261, doi:10.1007/s42452-025-07668-w (englisch, springer.com [abgerufen am 3. April 2026]).
Guandong Feng et al.: Robust NL-to-Cypher Translation for KBQA: Harnessing Large Language Model with Chain of Prompts. In: Knowledge Graph and Semantic Computing: Knowledge Graph Empowers Artificial General Intelligence. Band 1923. Springer Nature Singapore, Singapore 2023, ISBN 978-981-99-7223-4, S. 317–326, doi:10.1007/978-981-99-7224-1_25 (englisch, springer.com [abgerufen am 8. November 2025]).
Rejaul Karim Barbhuiya et al.: Fundamentals of Encoders and Decoders in Generative AI. In: Generative AI: Current Trends and Applications. Band 1177. Springer Nature Singapore, Singapore 2024, ISBN 978-981-97-8459-2, S. 19–33, doi:10.1007/978-981-97-8460-8_2 (englisch, springer.com [abgerufen am 2. April 2026]).
Dhruvin Kotak, Yamini Barge, Tanvi Patel, Nitin Pandya, Rachit Adhvarvyu: Comparison of LLM Models of AI: A Comprehensive Analysis. In: ICT Analysis and Applications. Band 1651. Springer Nature Switzerland, Cham 2026, ISBN 978-3-032-06687-9, S. 93–101, doi:10.1007/978-3-032-06688-6_9 (springer.com [abgerufen am 18. März 2026]).
Omar Ghazal et al.: TinyML: Applications, Algorithms, Co-design and Implementations. In: Smart and Connected Health: AI, IoT, and Trustworthy Technologies. Springer Nature Switzerland, Cham 2026, ISBN 978-3-032-06285-7, S. 473–541, doi:10.1007/978-3-032-06286-4_6 (englisch, springer.com [abgerufen am 11. April 2026]).
Jasper A. Friedrich: Die Computerspielbranche als Innovationstreiber für technologische und gesellschaftliche Entwicklungen. In: Game-Journalismus. Springer Fachmedien Wiesbaden, Wiesbaden 2023, ISBN 978-3-658-42615-6, S. 163–191, doi:10.1007/978-3-658-42616-3_12 (springer.com [abgerufen am 3. April 2026]).

stephenwolfram.com (Global: low place; German: low place)

writings.stephenwolfram.com

Stephen Wolfram: What Is ChatGPT Doing … and Why Does It Work? In: Stephen Wolfram Writings. 14. Februar 2023 (englisch, stephenwolfram.com [abgerufen am 11. April 2026]).

t3n.de (Global: low place; German: 1,215^th place)

KI-Agenten verbrauchen 5-mal mehr Token als Menschen: Das ist der Grund veröffentlicht 2026-08-24

tagesschau.de (Global: 772^nd place; German: 42^nd place)

Philipp Weimar, Kira Drössler und Jasmin Klofta NDR: KI im Krieg: Wie Algorithmen Angriffe beschleunigen. NDR, 23. April 2026, abgerufen am 26. April 2026.
Gericht stoppt vorerst Pentagon-Sperre gegen KI-Firma Anthropic. In: Tagesschau. 27. März 2026, abgerufen am 1. April 2026.
Experten warnen: KI so gefährlich wie Pandemien oder Atomkrieg. In: Tagesschau. 30. Mai 2023, abgerufen am 1. April 2026.

technologyreview.com (Global: 2,515^th place; German: 3,350^th place)

John Leearchive page: The evolution of AI: From AlphaGo to AI agents, physical AI, and beyond. Abgerufen am 2. April 2026 (englisch).
GPT-4 is bigger and better than ChatGPT—but OpenAI won’t say why. In: Technology Review. 14. März 2023, abgerufen am 5. Februar 2024 (englisch).
James O'Donnell, Casey Crownhart: We did the math on AI’s energy footprint. Here’s the story you haven’t heard. In: Technology Review. 20. Mai 2025, abgerufen am 11. April 2026 (englisch).
Melissa Heikkiläarchive page: Inside a radical new project to democratize AI. In: Technology Review. 12. Juli 2022, abgerufen am 1. April 2026 (englisch).
James O'Donnell: The Pentagon is planning for AI companies to train on classified data, defense official says. In: Technology Review. 17. März 2026, abgerufen am 1. April 2026 (englisch).

theguardian.com (Global: 16^th place; German: 22^nd place)

Richard Lea: Google swallows 11,000 novels to improve AI's conversation. In: The Guardian. 28. September 2016, ISSN 0261-3077 (theguardian.com [abgerufen am 2. April 2026]).

theregister.com (Global: 2,921^st place; German: 4,356^th place)

Tobias Mann: How to run an LLM locally on your PC in less than 10 minutes. In: The Register. 17. März 2024 (theregister.com [abgerufen am 11. April 2026]).

time.com (Global: 84^th place; German: 206^th place)

Billy Perrigo: The A to Z of Artificial Intelligence. In: Time. 13. April 2023, abgerufen am 2. April 2026 (englisch).

toloka.ai (Global: low place; German: low place)

History of LLMs: Complete Timeline & Evolution (1950-2026). In: Toloka. 19. Februar 2026, abgerufen am 1. April 2026 (englisch).

war.gov (Global: 4,436^th place; German: 8,442^nd place)

War Department Launches AI Acceleration Strategy to Secure American Military AI Dominance. Department of War, 12. Januar 2026, abgerufen am 1. April 2026 (englisch).

web.archive.org (Global: 1^st place; German: 1^st place)

AI Model Parameter Counts: A Comprehensive Analysis. Archiviert vom Original am 12. März 2026; abgerufen am 18. März 2026 (amerikanisches Englisch).

wiley.com (Global: 150^th place; German: 246^th place)

onlinelibrary.wiley.com

Adib Bin Rashid et al.: Artificial Intelligence in the Military: An Overview of the Capabilities, Applications, and Challenges. In: International Journal of Intelligent Systems. Band 2023, Nr. 1, Januar 2023, ISSN 0884-8173, doi:10.1155/2023/8676366 (englisch, wiley.com [abgerufen am 22. April 2026]).

x.ai (Global: low place; German: low place)

Welcome | xAI – Creators of Grok, the AI Chatbot. Abgerufen am 18. März 2026 (englisch).

zdb-katalog.de (Global: 107^th place; German: 5^th place)

Ibomoiye Domor Mienye et al.: Large language models: an overview of foundational architectures, recent trends, and a new taxonomy. In: Discover Applied Sciences. Band 7, Nr. 9, 2. September 2025, ISSN 3004-9261, doi:10.1007/s42452-025-07668-w (englisch, springer.com [abgerufen am 3. April 2026]).
Rishi Bommasani et al.: Considerations for governing open foundation models. In: Science. Band 386, Nr. 6718, 11. Oktober 2024, ISSN 0036-8075, S. 151–153, doi:10.1126/science.adp1848 (englisch, science.org [abgerufen am 1. April 2026]).
Yuening Jia: Attention Mechanism in Machine Translation. In: Journal of Physics: Conference Series. Band 1314, Nr. 1, 1. Oktober 2019, ISSN 1742-6588, S. 012186, doi:10.1088/1742-6596/1314/1/012186 (englisch, iop.org [abgerufen am 4. April 2026]).
Zhaoyang Niu et al.: A review on the attention mechanism of deep learning. In: Neurocomputing. Band 452, 10. September 2021, ISSN 0925-2312, S. 48–62, doi:10.1016/j.neucom.2021.03.091 (englisch, sciencedirect.com [abgerufen am 4. April 2026]).
Jürgen Schmidhuber: Learning to Control Fast-Weight Memories: An Alternative to Dynamic Recurrent Networks. In: Neural Computation. Band 4, Nr. 1, Januar 1992, ISSN 0899-7667, S. 131–139, doi:10.1162/neco.1992.4.1.131 (englisch, mit.edu [abgerufen am 4. April 2026]).
Richard Lea: Google swallows 11,000 novels to improve AI's conversation. In: The Guardian. 28. September 2016, ISSN 0261-3077 (theguardian.com [abgerufen am 2. April 2026]).
Robert A. Jacobs, Michael I. Jordan, Steven J. Nowlan, Geoffrey E. Hinton: Adaptive Mixtures of Local Experts. In: Neural Computation. Band 3, Nr. 1, Februar 1991, ISSN 0899-7667, S. 79–87, doi:10.1162/neco.1991.3.1.79 (englisch, mit.edu [abgerufen am 3. April 2026]).
Philipp Dufter, Martin Schmitt, Hinrich Schütze: Position Information in Transformers: An Overview. In: Computational Linguistics. Band 48, Nr. 3, 1. September 2022, ISSN 0891-2017, S. 733–763, doi:10.1162/coli_a_00445 (englisch, mit.edu [abgerufen am 5. April 2026]).
Daya Guo et al.: DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. In: Nature. Band 645, Nr. 8081, 18. September 2025, ISSN 0028-0836, S. 633–638, doi:10.1038/s41586-025-09422-z, PMID 40962978, PMC 12443585 (freier Volltext) – (englisch, nature.com [abgerufen am 3. April 2026]).
Shriyank Somvanshi et al.: From Tiny Machine Learning to Tiny Deep Learning: A Survey. In: ACM Computing Surveys. Band 58, Nr. 7, 24. Dezember 2025, ISSN 0360-0300, S. 1–33, doi:10.1145/3776588 (englisch, acm.org [abgerufen am 5. April 2026]).
Elizabeth Gibney: Not all ‘open source’ AI models are actually open: here’s a ranking. In: Nature. 19. Juni 2024, ISSN 0028-0836, doi:10.1038/d41586-024-02012-5 (englisch, nature.com [abgerufen am 1. April 2026]).
F. Jelinek et al.: Perplexity—a measure of the difficulty of speech recognition tasks. In: The Journal of the Acoustical Society of America. Band 62, S1, 1. Dezember 1977, ISSN 0001-4966, S. S63–S63, doi:10.1121/1.2016299 (englisch, aip.org [abgerufen am 17. April 2026]).
Ilia Shumailov et al.: AI models collapse when trained on recursively generated data. In: Nature. Band 631, Nr. 8022, 25. Juli 2024, ISSN 0028-0836, S. 755–759, doi:10.1038/s41586-024-07566-y, PMID 39048682, PMC 11269175 (freier Volltext) – (englisch, nature.com [abgerufen am 27. Juli 2024]).
Sheera Frenkel et al.: Mutually Automated Destruction: The Escalating Global A.I. Arms Race. In: The New York Times. 12. April 2026, ISSN 0362-4331 (englisch, nytimes.com [abgerufen am 22. April 2026]).
Adib Bin Rashid et al.: Artificial Intelligence in the Military: An Overview of the Capabilities, Applications, and Challenges. In: International Journal of Intelligent Systems. Band 2023, Nr. 1, Januar 2023, ISSN 0884-8173, doi:10.1155/2023/8676366 (englisch, wiley.com [abgerufen am 22. April 2026]).
Kevin Roose: Anthropic Claims Its New A.I. Model, Mythos, Is a Cybersecurity ‘Reckoning’. In: The New York Times. 7. April 2026, ISSN 0362-4331 (englisch, nytimes.com [abgerufen am 12. April 2026]).
Eva Wolfangel: KI-Detektoren: Misstrauen als Geschäftsmodell. In: Die Zeit. 20. Juni 2026, ISSN 0044-2070 (zeit.de [abgerufen am 27. Juni 2026]).
Junchao Wu, Shu Yang, Runzhe Zhan, Yulin Yuan, Lidia Sam Chao, Derek Fai Wong: A Survey on LLM-Generated Text Detection: Necessity, Methods, and Future Directions. In: Computational Linguistics. Band 51, Nr. 1, 15. März 2025, ISSN 0891-2017, S. 275–338, doi:10.1162/coli_a_00549 (mit.edu [abgerufen am 27. Juni 2026]).

zeit.de (Global: 301^st place; German: 14^th place)

Eva Wolfangel: KI-Detektoren: Misstrauen als Geschäftsmodell. In: Die Zeit. 20. Juni 2026, ISSN 0044-2070 (zeit.de [abgerufen am 27. Juni 2026]).

Large Language Model (German Wikipedia)

abcnews.com (Global: 4,537th place; German: low place)

aclweb.org (Global: low place; German: low place)

acm.org (Global: 1,200th place; German: 2,201st place)

dl.acm.org

ai.mil (Global: low place; German: low place)

aifactum.de (Global: low place; German: low place)

aip.org (Global: 2,273rd place; German: 3,403rd place)

pubs.aip.org

amacad.org (Global: 2,591st place; German: 940th place)

apnews.com (Global: 101st place; German: 386th place)

apxml.com (Global: low place; German: low place)

arena.ai (Global: low place; German: low place)

arxiv.org (Global: 49th place; German: 152nd place)

azure.com (Global: low place; German: low place)

ai.azure.com

bentoml.com (Global: low place; German: low place)

bigdata-insider.de (Global: low place; German: low place)

brennancenter.org (Global: low place; German: low place)

claude.com (Global: low place; German: low place)

support.claude.com

platform.claude.com

cmu.edu (Global: 2,125th place; German: 3,522nd place)

kilthub.cmu.edu

computer.org (Global: 6,549th place; German: low place)

datascientest.com (Global: low place; German: low place)

decrypt.co (Global: low place; German: low place)

derstandard.de (Global: 4,676th place; German: 299th place)

djdumpling.github.io (Global: low place; German: low place)

doi.org (Global: 2nd place; German: 3rd place)

eetimes.com (Global: 4,224th place; German: 5,190th place)

elsevier.com (Global: 365th place; German: 435th place)

linkinghub.elsevier.com

enclaveai.app (Global: low place; German: low place)

energy.gov (Global: 2,792nd place; German: 4,053rd place)

euronews.com (Global: 587th place; German: 630th place)

federalregister.gov (Global: 2,513th place; German: 4,413th place)

forbes.com (Global: 71st place; German: 140th place)

fraunhofer.de (Global: 7,521st place; German: 787th place)

iese.fraunhofer.de

github.com (Global: 380th place; German: 255th place)

global.toyota (Global: 3,688th place; German: low place)

huggingface.co (Global: low place; German: low place)

iaea.org (Global: 1,135th place; German: 581st place)

ibm.com (Global: 1,369th place; German: 1,458th place)

idsia.ch (Global: low place; German: low place)

people.idsia.ch

insidegovernmentcontracts.com (Global: low place; German: low place)

iop.org (Global: 1,046th place; German: 673rd place)

iopscience.iop.org

jalammar.github.io (Global: low place; German: low place)

kad8.com (Global: low place; German: low place)

llm-book.com (Global: low place; German: low place)

llm-stats.com (Global: low place; German: low place)

mckinsey.com (Global: 8,567th place; German: 7,447th place)

microsoft.com (Global: 263rd place; German: 323rd place)

military.com (Global: 2,449th place; German: 2,848th place)

mit.edu (Global: 476th place; German: 920th place)

direct.mit.edu

ml.energy (Global: low place; German: low place)

mlcommons.org (Global: low place; German: low place)

nature.com (Global: 207th place; German: 227th place)

nih.gov (Global: 5th place; German: 7th place)

ncbi.nlm.nih.gov

ntia.gov (Global: low place; German: low place)

nvidia.com (Global: 2,958th place; German: 3,177th place)

blogs.nvidia.com

developer.nvidia.com

nvidia.com

nxp.com (Global: low place; German: low place)

nytimes.com (Global: 7th place; German: 15th place)

nzz.ch (Global: 710th place; German: 40th place)

ongraph.com (Global: low place; German: low place)

openai.com (Global: 4,607th place; German: 3,525th place)

openai.com

cdn.openai.com

help.openai.com

developers.openai.com

opensource.org (Global: low place; German: low place)

ourworldindata.org (Global: 2,491st place; German: 1,929th place)

abcnews.com (Global: 4,537^th place; German: low place)

acm.org (Global: 1,200^th place; German: 2,201^st place)

aip.org (Global: 2,273^rd place; German: 3,403^rd place)

amacad.org (Global: 2,591^st place; German: 940^th place)

apnews.com (Global: 101^st place; German: 386^th place)

arxiv.org (Global: 49^th place; German: 152^nd place)

cmu.edu (Global: 2,125^th place; German: 3,522^nd place)

computer.org (Global: 6,549^th place; German: low place)

derstandard.de (Global: 4,676^th place; German: 299^th place)

doi.org (Global: 2^nd place; German: 3^rd place)

eetimes.com (Global: 4,224^th place; German: 5,190^th place)

elsevier.com (Global: 365^th place; German: 435^th place)

energy.gov (Global: 2,792^nd place; German: 4,053^rd place)

euronews.com (Global: 587^th place; German: 630^th place)

federalregister.gov (Global: 2,513^th place; German: 4,413^th place)

forbes.com (Global: 71^st place; German: 140^th place)

fraunhofer.de (Global: 7,521^st place; German: 787^th place)

github.com (Global: 380^th place; German: 255^th place)

global.toyota (Global: 3,688^th place; German: low place)

iaea.org (Global: 1,135^th place; German: 581^st place)

ibm.com (Global: 1,369^th place; German: 1,458^th place)

iop.org (Global: 1,046^th place; German: 673^rd place)

mckinsey.com (Global: 8,567^th place; German: 7,447^th place)

microsoft.com (Global: 263^rd place; German: 323^rd place)

military.com (Global: 2,449^th place; German: 2,848^th place)

mit.edu (Global: 476^th place; German: 920^th place)

nature.com (Global: 207^th place; German: 227^th place)

nih.gov (Global: 5^th place; German: 7^th place)

nvidia.com (Global: 2,958^th place; German: 3,177^th place)

nytimes.com (Global: 7^th place; German: 15^th place)

nzz.ch (Global: 710^th place; German: 40^th place)

openai.com (Global: 4,607^th place; German: 3,525^th place)

ourworldindata.org (Global: 2,491^st place; German: 1,929^th place)

pbs.org (Global: 260^th place; German: 801^st place)

redirecter.toolforge.org (Global: 29^th place; German: 2^nd place)

reuters.com (Global: 38^th place; German: 126^th place)

science.org (Global: 1,007^th place; German: 1,329^th place)

sciencedirect.com (Global: 137^th place; German: 321^st place)

springer.com (Global: 182^nd place; German: 148^th place)

t3n.de (Global: low place; German: 1,215^th place)

tagesschau.de (Global: 772^nd place; German: 42^nd place)

technologyreview.com (Global: 2,515^th place; German: 3,350^th place)

theguardian.com (Global: 16^th place; German: 22^nd place)

theregister.com (Global: 2,921^st place; German: 4,356^th place)

time.com (Global: 84^th place; German: 206^th place)

war.gov (Global: 4,436^th place; German: 8,442^nd place)

web.archive.org (Global: 1^st place; German: 1^st place)

wiley.com (Global: 150^th place; German: 246^th place)

zdb-katalog.de (Global: 107^th place; German: 5^th place)

zeit.de (Global: 301^st place; German: 14^th place)