Die Entwicklung der generativen KI-Modelle seit dem ChatGPT-Moment.

Jeder der 5 Sätze steht für einen Sprung. Hier steht, was jeweils passierte und warum es ausgerechnet zu diesem Zeitpunkt ging. Denn die meisten dieser Sprünge lagen nicht an mehr Rechenleistung, sondern an einer neuen Idee, wie man vorhandene Modelle einsetzt.

Belege: Das Zitat stammt aus OpenAIs o1-Ankündigung vom 12.09.2024. Die RLHF-Nachschulung und der Trainingsstand Anfang 2022 stehen in OpenAIs ChatGPT-Ankündigung vom 30.11.2022. Die Übernahme des Model Context Protocol durch OpenAI (März 2025) und Google (April 2025) ist bei Wikipedia mit Primärquellen belegt. Alle übrigen Datumsangaben und Zahlen stehen mit Quellenlink in der Liste aller Veröffentlichungen und im Quellenverzeichnis unten.

Hier steht jeder Punkt für ein Modell, waagerecht nach Datum, senkrecht nach Leistung. Die Leistung ist der Epoch Capabilities Index (ECI): Das Forschungsinstitut Epoch AI fasst über 50 Benchmarks (Mathe, Programmieren, Wissen, Logik, Agenten-Aufgaben) zu einer Zahl zusammen. Zum Vergleich: Claude 3.5 Sonnet (Juni 2024) hat 130 Punkte, GPT-5 (August 2025) hat 150. Die gestrichelte Linie verbindet das jeweils beste Modell seiner Zeit. Nur Textmodelle mit Testergebnissen sind enthalten, Bild-, Video- und Sprachmodelle nicht. Das erste ChatGPT vom November 2022 hat bei Epoch AI keinen Messwert, deshalb beginnen die Punkte erst mit GPT-4 im März 2023.

Bis Mitte 2024 bewegt sich die Spitze kaum. Mit den Reasoning-Modellen ab September 2024 springt die Kurve. Seitdem steigt die Spitze um etwa 15 Punkte pro Jahr, und der Abstand zwischen dem besten und dem fünftbesten Anbieter ist auf wenige Punkte geschrumpft. Die chinesischen offenen Modelle (Qwen, Kimi) liegen 2026 nur noch rund ein halbes Jahr hinter der Spitze. [Schlussfolgerung aus den Daten, keine Aussage von Epoch AI.] Datenquelle: Epoch AI, Benchmarked Models, Stand 17.09.2026, Lizenz CC BY. Jedes Modell ist mit seinem besten gemessenen Wert eingetragen, die Messunsicherheit beträgt meist 2 bis 4 Punkte.

Das Kontextfenster ist der Arbeitsspeicher eines Modells: so viel Text kann es in einem Gespräch gleichzeitig im Blick behalten. Gemessen wird in Token, also Wortteilen; 1.000 Token sind etwa 2 Buchseiten. Die senkrechte Achse ist gestaucht: Jede Stufe nach oben bedeutet 4-mal so viel Text. Die gestrichelte Linie zeigt das jeweils größte belegte Fenster. Blasse Punkte und Werte mit Sternchen (*) konnten nicht aus Originalquellen des Anbieters belegt werden. Nur ausgewählte Modelle je Anbieter, jeweils das Flaggschiff oder das Modell mit dem Sprung.

Hinweise: Für das erste ChatGPT vom November 2022 hat OpenAI kein Kontextfenster veröffentlicht. Der Wert 4.096 gilt für das API-Modell gpt-3.5-turbo vom März 2023. Bei Kimi 2023 und 2024 nannten Presseberichte chinesische Zeichen statt Token, die Werte sind nur ungefähr vergleichbar. Bei Qwen3-2507 und Qwen3.5 gilt der große Wert nur mit einer technischen Erweiterung, nativ sind es 256.000.

Das Forschungsinstitut METR lässt KI-Agenten Software-Aufgaben lösen, für die Fachleute zwischen wenigen Sekunden und vielen Stunden brauchen. Der Zeithorizont eines Modells misst nicht, wie lange die KI arbeitet. Er misst, wie lange ein Mensch für die Aufgaben braucht, die das Modell noch in jedem zweiten Versuch allein schafft. Jeder Punkt ist ein Modell, eingetragen mit dem Wert, den METR selbst veröffentlicht hat. Die senkrechte Achse ist gestaucht: Jede Stufe nach oben bedeutet 10-mal so lang. Die orangefarbene Linie ist METRs Trend durch die jeweils besten Modelle seit 2023: Verdopplung alle 128,7 Tage (95-%-Bereich 104 bis 158 Tage). Über den letzten Messpunkt hinaus ist sie gestrichelt fortgeschrieben.

Wichtig: "Schafft jede zweite Aufgabe" heißt nicht "kann man delegieren". Die Werte gelten für Software-Aufgaben. Bei anderen Aufgaben, etwa mit Bildern oder in der echten Welt, liegen sie laut METR niedriger. Die Messunsicherheit je Modell ist groß, oft rund Faktor 2 nach oben und unten. Die gestrichelte Fortschreibung des Trends ist eine Schlussfolgerung, kein Messwert. [Schlussfolgerung]