KI Modellfamilien - Übersicht (Stand April 2026) - Arbeitsdokument

Übersicht gängiger KI-Modellfamilien 

 Diese Übersicht beschreibt verbreitete KI-Modellfamilien, ihre Herkunft, typische Ausprägungen, die grundsätzliche lokale Nutzbarkeit, den inhaltlichen Fokus sowie eine grobe Einordnung ihrer Verbreitung. Sie dient der schnellen Orientierung und erhebt keinen Anspruch auf Vollständigkeit. 

 Grundsätzliche Hinweise 

 Modellbezeichnungen sind nicht einheitlich standardisiert . Viele Namen bestehen aus einer Kombination aus: Modellfamilie Versions- oder Generationsnummer Größenangabe Spezialisierung oder Einsatzschwerpunkt Begriffe wie mini , pro , thinking , reasoning , vision oder turbo sind häufig anbieterspezifisch . Die lokale Nutzbarkeit hängt zusätzlich von Faktoren wie Quantisierung , Kontextlänge , RAM , VRAM und CPU/GPU-Leistung ab. 

 

 Tabelle: Gängige Modellfamilien 

 

 Modellfamilie Herkunft / Anbieter Typische Ausprägungen Lokal nutzbar Grobe lokale Anforderung Verbreitung Typischer Fokus Llama Meta z. B. 1B, 3B, 8B, 70B Ja kleine bis mittlere Varianten gut lokal nutzbar; große Varianten eher für starke Systeme sehr hoch Allround, Chat, Assistenz, Basis für viele lokale Setups Qwen Alibaba / Qwen Team z. B. 0.6B, 4B, 8B, 14B, 32B, MoE-Varianten Ja kleine und mittlere Varianten gut lokal; größere Varianten deutlich anspruchsvoller sehr hoch multilingual, Coding, Reasoning, Tools DeepSeek DeepSeek z. B. kleine Distill-Modelle, größere Reasoning-Varianten Ja, vor allem kleine Varianten kleine Modelle gut lokal; große Modelle nur eingeschränkt sinnvoll lokal hoch Reasoning, Analyse, Mathematik Gemma Google DeepMind / Google z. B. 2B, 4B, 12B, 27B, Gemma-4-Varianten Ja kleine Modelle lokal gut einsetzbar; größere Varianten benötigen mehr Speicher mittel bis hoch allgemeine Nutzung, Reasoning, teils multimodal Mistral Mistral AI z. B. 7B, Small, Large, Mixtral, Devstral, Magistral Teilweise offene kleinere Modelle lokal gut nutzbar; große Varianten eher nicht hoch Allround, Coding, Reasoning Phi Microsoft z. B. Mini-, Multimodal- und Reasoning-Varianten Ja meist vergleichsweise ressourcenschonend mittel bis hoch effiziente lokale Nutzung, kompakte Modelle GPT / o-Serie OpenAI z. B. GPT-4.x, mini, nano, o-Modelle in der Regel nein primär Cloud-/API-Nutzung sehr hoch allgemeine Nutzung, Reasoning, Produktivbetrieb Claude Anthropic Haiku, Sonnet, Opus in der Regel nein primär Cloud-/API-Nutzung hoch Sprachverständnis, Analyse, Assistenz Gemini Google Flash, Pro in der Regel nein primär Cloud-/API-Nutzung hoch allgemeine Nutzung, multimodale Verarbeitung Grok xAI verschiedene Grok-Varianten in der Regel nein primär Cloud-/API-Nutzung mittel allgemeine Nutzung, Echtzeit-/Plattformintegration Command / Aya Cohere Command, Aya eher nein primär API-/Unternehmensnutzung mittel Enterprise, RAG, mehrsprachige Anwendungen 

 

 Einordnung der Größenangaben 

 Bedeutung von B 

 Das Kürzel B steht in der Regel für Billion , also Milliarden Parameter . 

 Beispiele: 

 7B = 7 Milliarden Parameter 14B = 14 Milliarden Parameter 70B = 70 Milliarden Parameter 

 Grundsätzlich gilt: 

 kleinere B-Werte = geringerer Ressourcenbedarf größere B-Werte = tendenziell höhere Leistungsfähigkeit, aber auch höherer Speicherbedarf 

 Bedeutung von Angaben wie A4B 

 Zusätze wie A4B oder ähnliche Schreibweisen kommen häufig bei Mixture-of-Experts-Modellen (MoE) vor. 

 Dabei gilt typischerweise: 

 die erste Größenangabe beschreibt die Gesamtgröße des Modells die A-Angabe beschreibt die aktiv genutzten Parameter pro Verarbeitungsschritt 

 Beispiel: 

 26B A4B = Modell mit 26 Milliarden Parametern insgesamt, davon sind pro Schritt etwa 4 Milliarden aktiv 

 Wichtig ist dabei: 

 auch wenn nur ein Teil aktiv genutzt wird, muss lokal oft das gesamte Modell geladen werden dadurch kann der Speicherbedarf weiterhin hoch bleiben 

 

 Typische Zusatzbezeichnungen 

 Kürzel / Begriff Übliche Bedeutung B Milliarden Parameter AxxB aktivierte Milliarden Parameter, häufig bei MoE MoE Mixture of Experts mini / nano / small / flash / fast kleinere, schnellere oder günstigere Variante pro / large / opus / ultra / heavy leistungsstärkere Variante reasoning / thinking auf mehrstufiges Denken oder Problemlösen optimiert vision Bildverarbeitung möglich multimodal Verarbeitung mehrerer Eingabetypen, z. B. Text und Bild instruct / IT für Anweisungen bzw. Chatnutzung optimiert preview Vorabversion turbo meist auf Geschwindigkeit optimiert, jedoch nicht einheitlich definiert 

 

 Grobe Einschätzung lokaler Anforderungen 

 Die folgende Übersicht dient als praxisnahe Orientierung für lokale Nutzung, etwa mit Ollama oder vergleichbaren Laufzeitumgebungen: 

 Modellgröße Grobe Einschätzung 1B bis 4B leicht lokal nutzbar 7B bis 8B gut lokal nutzbar 12B bis 14B mittlere Anforderungen 26B bis 32B hohe Anforderungen 70B und größer meist nur mit leistungsstarker Hardware sinnvoll MoE-Modelle abhängig von Gesamtgröße und aktivem Anteil; Speicherbedarf kann trotz Effizienz hoch bleiben 

 

 Verbreitung der Modellfamilien 

 Die Verbreitung lässt sich nur grob einordnen, da keine einheitlichen Vergleichswerte über alle Anbieter hinweg vorliegen. 

 Sehr stark verbreitet 

 Llama Qwen DeepSeek GPT 

 Stark verbreitet 

 Claude Gemini Mistral Gemma 

 Mittel bis stark verbreitet 

 Phi Cohere Command / Aya Grok 

 

 Typische Fokusse nach Modellfamilie 

 Modellfamilie Typischer Schwerpunkt Llama allgemeine lokale Nutzung, Allround Qwen multilingual, Coding, Reasoning DeepSeek Reasoning, Analyse Gemma allgemeine Nutzung, effiziente moderne Open-Modelle Mistral Allround, teils Coding und Reasoning Phi kompakte, effiziente Modelle GPT allgemeine Nutzung, starke Cloud-Modelle Claude Sprachverständnis, Analyse, Assistenz Gemini multimodal, allgemeine Nutzung Grok plattformnahe Assistenz, allgemeine Nutzung Command / Aya Enterprise, RAG, Mehrsprachigkeit 

 

 

 Aktuelle Hauptversionen gängiger Modellfamilien 

 Stand: 21. April 2026 

 Modellfamilie Aktuelle Hauptversion / aktuelle Linie Typische aktuelle Varianten OpenAI GPT / o-Serie GPT-5.4 als aktuelle Frontier-Modelllinie; zusätzlich GPT-5.4-mini und GPT-5.4-nano . Die ältere Reasoning-Linie o3 / o4-mini ist weiterhin dokumentiert, wird aber in den OpenAI-Modellseiten teils bereits als abgelöst eingeordnet. ( OpenAI Entwickler ) GPT-5.4, GPT-5.4-mini, GPT-5.4-nano, o3, o4-mini Claude Claude 4.7 ist aktuell die neueste genannte Generation; Anthropic hebt insbesondere Claude Opus 4.7 hervor. In den Modelllinien bleiben außerdem Sonnet und Haiku als Klassen relevant. ( Claude API Docs ) Opus 4.7, Sonnet 4.5+, Haiku 4.5+ Gemini Gemini 3.1 Pro ist aktuell die neueste hervorgehobene Pro-Generation in den Gemini-API-Modellseiten. Zusätzlich werden Gemini 3 Flash und Gemini 3.1 Flash-Lite geführt. Parallel ist Gemini 2.5 Pro weiterhin dokumentiert. ( Google AI for Developers ) Gemini 3.1 Pro, Gemini 3 Flash, Gemini 3.1 Flash-Lite, Gemini 2.5 Pro Gemma Gemma 4 ist die aktuelle Hauptgeneration. Google listet für diese Generation die Größen E2B, E4B , 31B und 26B A4B . ( Google AI for Developers ) Gemma 4 E2B, E4B, 31B, 26B A4B Llama Llama 4 ist die aktuelle Hauptgeneration. Meta nennt derzeit insbesondere Llama 4 Scout und Llama 4 Maverick als veröffentlichte Modelle. ( ai.meta.com ) Llama 4 Scout, Llama 4 Maverick Mistral Bei Mistral ist die aktuelle Hauptlinie breit aufgefächert. In den Modellübersichten werden besonders Mistral Large 3 , Devstral 2 und Mistral Medium 3.1 als aktuelle Featured-Modelle hervorgehoben. ( Mistral AI ) Mistral Large 3, Devstral 2, Mistral Medium 3.1 Qwen Qwen3 ist die aktuelle Hauptgeneration der allgemeinen Qwen-Familie. Daneben existiert mit Qwen3-Coder eine spezialisierte Coding-Linie. ( Qwen ) Qwen3-0.6B bis 32B, Qwen3-30B-A3B, Qwen3-235B-A22B, Qwen3-Coder DeepSeek DeepSeek-V3.2 ist die aktuelle allgemeine Hauptlinie laut DeepSeek. Zusätzlich wird DeepSeek-V3.2-Speciale genannt. In der Praxis bleibt auch DeepSeek-R1 als Reasoning-Linie sehr relevant. ( DeepSeek ) DeepSeek-V3.2, DeepSeek-V3.2-Speciale, DeepSeek-R1 Phi Phi-4 wird von Microsoft als aktuelle Hauptgeneration der Phi-Familie hervorgehoben. ( Microsoft Azure ) Phi-4, Phi-4-mini, weitere spezialisierte Phi-4-Varianten je Plattform Grok Grok 4.1 ist aktuell die neueste genannte Hauptversion in den xAI-News; zuvor wurde Grok 4 eingeführt. ( xAI ) Grok 4.1, Grok 4 Heavy, Grok Code Fast 1 Command / Aya Bei Cohere ist Command A die aktuelle zentrale Hauptlinie; zusätzlich gibt es spezialisierte Varianten wie Command A Reasoning und Command A Vision . Aya bleibt die mehrsprachige Modellfamilie. ( Cohere ) Command A, Command A Reasoning, Command A Vision, Aya 

 

 DSGVO-Einordnung beim Einsatz von KI-Modellen 

 Einsatzszenario Beispiel DSGVO-Einordnung Typische Prüfpunkte Risikoniveau Rein lokal, offline Modell läuft auf eigenem Rechner oder internem Server ohne externe Datenübertragung Datenschutzrechtlich meist am einfachsten zu bewerten, weil keine automatische Übermittlung an einen externen KI-Anbieter erfolgt. Die DSGVO bleibt dennoch anwendbar, sobald personenbezogene Daten verarbeitet werden. ( EDPB ) Rechtsgrundlage, Zweckbindung, Zugriffskontrolle, Protokollierung, Löschkonzept, Berechtigungskonzept Niedrig bis mittel Lokal im Unternehmensnetz, mit mehreren Nutzern Interner KI-Server für Mitarbeitende Ebenfalls vergleichsweise günstig, aber organisatorisch anspruchsvoller als Einzelnutzung. Es sind interne Rollen, Berechtigungen und Schutzmaßnahmen sauber zu regeln. ( CNIL ) Rollen und Verantwortlichkeiten, TOMs, Zugriffstrennung, Logging, Datenschutzinformationen, interne Richtlinien Mittel Selbst gehostet in eigenem Rechenzentrum oder bei EU-Hoster Eigene KI-Anwendung auf VPS oder dediziertem Server in der EU Häufig gut beherrschbar, sofern Hosting, Fernzugriffe und Administratorenzugänge sauber geregelt sind. Auch bei EU-Hosting sind Verträge und technische Maßnahmen erforderlich. ( CNIL ) AV-Vertrag, Serverstandort, Admin-Zugriffe, Verschlüsselung, Backups, Löschung, Incident-Prozesse Mittel Externe API / Cloud innerhalb der EU KI-Dienst mit Verarbeitung in der EU DSGVO-relevant und regelmäßig prüfungsbedürftig. EU-Standort erleichtert die Bewertung, ersetzt aber keine Prüfung von Rechtsgrundlage, Transparenz und Verträgen. ( EDPB ) Anbieterrolle, AV-Vertrag oder Rollenabgrenzung, Zweckbindung, Datennutzung durch Anbieter, Speicherfristen, Betroffenenrechte Mittel bis hoch Externe API / Cloud mit Drittlandtransfer US- oder sonstiger Nicht-EU-Anbieter Regelmäßig prüfungsintensiver , weil zusätzlich Fragen zu internationaler Datenübermittlung, Schutzmechanismen und Anbieterzugriffen zu klären sind. Für US-Anbieter kann das EU-US Data Privacy Framework relevant sein, sofern der konkrete Empfänger darunter fällt. ( European Commission ) Drittlandtransfer, Zertifizierung/Transfermechanismus, Vertragslage, Subprozessoren, Transparenz, Datennutzung für Training oder Verbesserung Hoch Nutzung mit anonymisierten oder wirksam pseudonymisierten Daten Vorverarbeitete Fälle ohne direkte Personenbeziehbarkeit Kann die datenschutzrechtlichen Risiken deutlich senken. Ob Daten oder sogar ein Modell als anonym gelten, ist jedoch im Einzelfall zu prüfen; die EDPB behandelt diese Frage ausdrücklich als fallbezogene Bewertung. ( EDPB ) Qualität der Anonymisierung/Pseudonymisierung, Re-Identifikationsrisiko, Trennung von Zusatzwissen, Zugriffskonzepte Niedrig bis mittel Nutzung mit sensiblen Daten Gesundheitsdaten, Sozialdaten, Beschäftigtendaten, besondere Kategorien Besonders kritisch. Hier steigen die Anforderungen an Rechtsgrundlage, Schutzmaßnahmen, Zugriffsbeschränkungen und Dokumentation deutlich. ( CNIL ) Art. 9 DSGVO, Erforderlichkeit, Datensparsamkeit, Schutzbedarf, DPIA, Zugriffstrennung, Verschlüs 

 DSGVO-Einordnung nach Modellfamilie 

 Hinweis: Diese Übersicht ist eine praxisnahe Orientierung für Dokumentationszwecke und keine Rechtsberatung . Maßgeblich ist immer der konkrete Einsatz: lokal, selbst gehostet, über API/Cloud, mit oder ohne personenbezogene Daten. Die EDPB hat klargestellt, dass die DSGVO auch für KI-Modelle gilt. ( Anthropic ) 

 Modellfamilie Typischer Betriebsmodus DSGVO-Tendenz Modellbezug / praktische Einordnung Prüfschwerpunkt Llama häufig lokal / self-hosted , da offen herunterladbar und „deploy anywhere“ beworben günstig bis mittel , wenn lokal betrieben Für Llama ist der DSGVO-Vorteil vor allem der lokale oder eigene Betrieb : Meta stellt die Modelle zum Download bereit und beschreibt sie als überall deploybar. Dadurch kann eine externe Übermittlung an einen Modellanbieter oft vermieden werden. ( llama.com ) Serverstandort, interne Zugriffe, Logging, Löschung, keine unnötige Cloud-Anbindung Gemma häufig lokal / self-hosted günstig bis mittel , wenn lokal betrieben Gemma ist als offene Modellfamilie für lokale Nutzung relevant. Datenschutzrechtlich ist sie daher typischerweise einfacher als reine Cloud-Modelle, sofern keine personenbezogenen Daten an externe Dienste fließen. Die DSGVO-Frage hängt hier eher am Hosting als am Modellnamen. ( Anthropic ) Lokale Verarbeitung, Zugriffskonzepte, Datenminimierung Mistral hybrid : Cloud, private Cloud, VPC, on-prem mittel , bei on-prem günstiger Mistral bewirbt ausdrücklich private Deployments , VPC- und On-Prem-Optionen sowie „your data stays within your walls“. Dadurch ist Mistral aus DSGVO-Sicht oft flexibler als reine SaaS-Modelle. Zusätzlich gibt es ein DPA. ( Mistral AI ) AV-Vertrag, Hosting-Variante, Admin-Zugriffe, Datenfluss zwischen Cloud und On-Prem Phi oft lokal , alternativ Azure-/Microsoft-Umfeld günstig bis mittel , je nach Hosting Phi ist als kleine Modellfamilie gut für lokale Nutzung geeignet; Microsoft positioniert Phi zudem unter dem Aspekt „privacy and security“. Datenschutzrechtlich ist lokal am einfachsten, bei Azure-Betrieb kommt die übliche Cloud-/Vertragsprüfung hinzu. ( Microsoft Azure ) Lokal vs. Azure, Verträge, Region, Speicherort Qwen sowohl lokal als auch Cloud/API lokal günstiger , Cloud mittel bis hoch Qwen ist als Modellfamilie lokal nutzbar, hat aber auch einen eigenen API-/Cloud-Zugang. Für die DSGVO ist deshalb wichtig, welcher Weg genutzt wird . Bei lokaler Nutzung ist die Bewertung deutlich einfacher als bei Verarbeitung über die Qwen-Cloud. ( qwen.ai ) Ob lokal oder API, Anbieterrolle, Übermittlung, vertragliche Einbindung DeepSeek sowohl lokal als auch Cloud/API lokal klar günstiger , Cloud hoch Bei DeepSeek ist der Modellbezug besonders wichtig: Die Modelle können lokal laufen, aber die DeepSeek-Privacy-Policy sagt ausdrücklich, dass personenbezogene Daten zur Diensterbringung in der Volksrepublik China verarbeitet und gespeichert werden können. Für personenbezogene Daten ist deshalb der lokale Betrieb deutlich günstiger. ( cdn.deepseek.com ) Drittlandtransfer, Speicherort China, sensible Daten vermeiden, möglichst self-hosted GPT / o-Serie typischerweise Cloud/API mittel bis hoch OpenAI ist klar cloud-orientiert. Positiv ist: Für Business-Angebote gibt es ein DPA; für Kunden im EWR/der Schweiz wird dieses mit OpenAI Ireland Ltd. geschlossen. OpenAI erklärt außerdem, dass Business-Daten standardmäßig nicht zum Training verwendet werden . Trotzdem bleibt Cloud-Verarbeitung DSGVO-prüfungsintensiv. ( OpenAI ) Rechtsgrundlage, AV/DPA, Anbieterrolle, Transfermechanismus, Speicher- und Löschregeln Claude typischerweise Cloud/API mittel bis hoch Claude ist primär ein Cloud-Modell. Bei Anthropic ist relevant, dass es für Consumer-Nutzung eine Opt-in-Logik zur Datennutzung für Trainings-/Verbesserungszwecke gibt; zugleich verweist Anthropic für Unternehmen auf Trust-/Compliance-Unterlagen. Für DSGVO-Zwecke ist Claude daher vor allem als vertrags- und plattformabhängiges Cloud-Modell zu prüfen. ( Anthropic ) Consumer vs. Business trennen, Opt-in/Datennutzung, Verträge, Speicherort Gemini typischerweise Cloud/API mittel bis hoch Bei Gemini ist die Unterscheidung zwischen unpaid und paid tiers besonders relevant: Google weist für Unpaid Services darauf hin, dass Eingaben/Ausgaben von Menschen geprüft und zur Produktverbesserung genutzt werden können und dass keine sensiblen, vertraulichen oder personenbezogenen Daten eingereicht werden sollen. Für Paid Tiers heißt es, dass Prompts/Responses nicht zur Produktverbesserung genutzt werden. ( Google AI for Developers ) Tarifmodell, Datennutzung zur Verbesserung, Human Review, sensible Daten nur in geeignetem Vertragsrahmen Grok typischerweise Cloud/API hoch Grok ist derzeit im Kern ein cloudbasiertes Modellangebot. Für DSGVO-Zwecke ist es daher ähnlich wie andere Cloud-Modelle zu behandeln: rechtliche Grundlage, Datenfluss, Empfänger, Speicherort und Nutzungsbedingungen sind vor produktivem Einsatz mit personenbezogenen Daten zu prüfen. ( Anthropic ) Vertragslage, Speicherort, Empfänger, Drittlandtransfer Command / Aya (Cohere) typischerweise API/Enterprise , teils private deployment mittel , bei Private Deployment günstiger Cohere ist für DSGVO-Zwecke relativ interessant, weil das Unternehmen sowohl DPA , Zero Data Retention für Enterprise-Fälle als auch private deployment options nennt. In der Privacy Policy steht zugleich, dass Trial-/Research-Umgebungen nicht für personenbezogene Daten gedacht sind. ( Cohere ) Produktstufe prüfen, DPA anfordern, ZDR/Retention, Private Deployment bevorzugen 

 Kurztext für unter die Tabelle 

 Einordnung: Der DSGVO-Bezug hängt bei KI-Modellen nicht nur am Hersteller, sondern stark am typischen Betriebsmodus der jeweiligen Modellfamilie. Open-weight-Modelle wie Llama, Gemma oder oft auch Qwen/DeepSeek/Mistral können lokal oder selbst gehostet betrieben werden und sind deshalb datenschutzrechtlich häufig günstiger zu bewerten. Cloud-first-Modelle wie GPT, Claude, Gemini oder Grok erfordern regelmäßig eine vertiefte Prüfung von Rechtsgrundlage, Vertragslage, Speicherort, möglichem Drittlandtransfer und Datenverwendung durch den Anbieter. ( Anthropic ) 

 Noch kürzere Fassung 

 Gruppe DSGVO-Tendenz Typische Modelle Open-weight / lokal betreibbar meist günstiger Llama, Gemma, Phi, oft Qwen, DeepSeek, Mistral ( llama.com ) Cloud-first / API-zentriert meist prüfungsintensiver GPT, Claude, Gemini, Grok, Command ( OpenAI ) 

 

 Zusammenfassung 

 Zur schnellen Einordnung kann folgende Struktur verwendet werden: 

 [Familie] + [Version] + [Größe] + [Spezialisierung] 

 Beispiele: 

 Gemma 4 27B IT Qwen3 14B DeepSeek R1 Claude Sonnet GPT-4.1 mini 

 Dabei gilt: 

 Familie = Modellreihe Version = Generation oder Entwicklungsstand Größe = Parameteranzahl Spezialisierung = Einsatzschwerpunkt oder Optimierung