KI Modellfamilien - Übersicht (Stand April 2026)

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

Zusammenfassung

Zur schnellen Einordnung kann folgende Struktur verwendet werden:

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