Quellen

Diese Übersicht enthält die Primärquellen, Forschungsarbeiten, technischen Spezifikationen und weiterführenden Fachquellen des Buches. Anbieterquellen belegen Aussagen über das jeweilige Produkt oder System. Sie ersetzen keine unabhängige Bewertung.

Bei veränderlichen Webseiten, Dokumentationen, Repositories und Modellkarten steht zusätzlich das Zugriffsdatum. Forschungsarbeiten und fest veröffentlichte Dokumente tragen kein Zugriffsdatum.

Kapitel 1: Erste Begegnung

• Autor/Organisation: Alan Turing. Titel: Computing Machinery and Intelligence. Datum: 1950. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://academic.oup.com/mind/article/LIX/236/433/986238.
• Autor/Organisation: Fabrizio Dell’Acqua et al. Titel: Navigating the Jagged Technological Frontier. Datum: 2026. Quellentyp: Originalarbeit. Kanonische URL: https://doi.org/10.1287/orsc.2025.21838.
• Autor/Organisation: John McCarthy et al. Titel: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Datum: 1955. Quellentyp: Originalarbeit. Kanonische URL: https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html.
• Autor/Organisation: NIST. Titel: Artificial Intelligence Risk Management Framework 1.0. Datum: 2023. Quellentyp: amtliche Primärquelle. Kanonische URL: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf.
• Autor/Organisation: Shakked Noy und Whitney Zhang. Titel: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, veröffentlichte Science-Fassung mit 453 Teilnehmenden. Datum: 2023. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1126/science.adh2586.
• Autor/Organisation: Stephanie Lin, Jacob Hilton und Owain Evans. Titel: TruthfulQA. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2022.acl-long.229/.
• Autor/Organisation: Weltgesundheitsorganisation. Titel: Ethics and Governance of Artificial Intelligence for Health. Datum: 2021. Quellentyp: offizielle institutionelle Quelle. Kanonische URL: https://www.who.int/publications/i/item/9789240029200.

Kapitel 2: Von Regeln zu lernenden Systemen

• Autor/Organisation: Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton. Titel: ImageNet Classification with Deep Convolutional Neural Networks. Datum: 2012. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.
• Autor/Organisation: Ashish Vaswani et al. Titel: Attention Is All You Need. Datum: 2017. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1706.03762.
• Autor/Organisation: Ashish Vaswani et al. Titel: Attention Is All You Need. Datum: 2017. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/7181-attention-is-all-you-need.
• Autor/Organisation: Blake Lemoine. Titel: Is LaMDA Sentient? An Interview. Datum: archivierte Fassung vom 11. Juni 2022. Quellentyp: Originalinterview. Kanonische URL: https://web.archive.org/web/20220611141847/https://cajundiscordian.medium.com/is-lamda-sentient-an-interview-ea64d916d917.
• Autor/Organisation: David Rumelhart, Geoffrey Hinton und Ronald Williams. Titel: Learning representations by back-propagating errors. Datum: 1986. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.nature.com/articles/323533a0.
• Autor/Organisation: David Silver et al. Titel: Mastering the game of Go with deep neural networks and tree search. Datum: 2016. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.nature.com/articles/nature16961.
• Autor/Organisation: David Silver et al. Titel: Mastering the game of Go without human knowledge. Datum: 2017. Quellentyp: Forschungsarbeit. Kanonische URL: https://www.nature.com/articles/nature24270.
• Autor/Organisation: Demis Hassabis, Mustafa Suleyman und Shane Legg. Titel: DeepMind’s work in 2016. Datum: 2017. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://deepmind.google/blog/deepminds-work-in-2016-a-round-up/.
• Autor/Organisation: Dwarkesh Patel. Titel: Richard Sutton, The Father of Reinforcement Learning. Datum: Interview vom 16. Mai 2024. Quellentyp: Originalinterview. Kanonische URL: https://www.youtube.com/watch?v=21EYKqUsPfg.
• Autor/Organisation: Edward Shortliffe et al. Titel: Computer-based consultations in clinical therapeutics. Datum: 1975. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1016/0010-4809(75)90009-9.
• Autor/Organisation: Frank Rosenblatt. Titel: The Perceptron. Datum: 1958. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1037/h0042519.
• Autor/Organisation: Harold Abelson et al. Titel: The Lisp Experience. Datum: 1988. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1146/annurev.cs.03.060188.001123.
• Autor/Organisation: James Lighthill. Titel: Artificial Intelligence: A General Survey. Datum: 1973. Quellentyp: amtliche Primärquelle. Kanonische URL: https://www.aiai.ed.ac.uk/events/lighthill1973/lighthill.pdf.
• Autor/Organisation: Jia Deng et al. Titel: ImageNet. Datum: 2009. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1109/CVPR.2009.5206848.
• Autor/Organisation: Joseph Weizenbaum. Titel: ELIZA. Datum: 1966. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://dl.acm.org/doi/10.1145/365153.365168.
• Autor/Organisation: Murray Campbell, A. Joseph Hoane und Feng-hsiung Hsu. Titel: Deep Blue. Datum: 2002. Quellentyp: Originalarbeit. Kanonische URL: https://research.ibm.com/publications/deep-blue.
• Autor/Organisation: National Research Council. Titel: Language and Machines. Datum: 1966. Quellentyp: amtliche Primärquelle. Kanonische URL: https://doi.org/10.17226/9547.
• Autor/Organisation: Noam Brown und Tuomas Sandholm. Titel: Superhuman AI for multiplayer poker. Datum: 2019. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.science.org/doi/10.1126/science.aay2400.
• Autor/Organisation: OpenAI. Titel: Introducing ChatGPT. Datum: 2022. Quellentyp: Anbieter-Primärquelle: Produktankündigung. Kanonische URL: https://openai.com/index/chatgpt/. Zugriff: 7. August 2026.
• Autor/Organisation: Rich Sutton. Titel: The Bitter Lesson. Datum: 2019. Quellentyp: Originalarbeit. Kanonische URL: http://www.incompleteideas.net/IncIdeas/BitterLesson.html.
• Autor/Organisation: Thomas Dahlmann. Titel: Von Regeln zu lernenden Systemen. Datum: archivierte Manuskriptfassung 20871d4 vom 5. August 2026. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/crjameson/kife/blob/20871d4181c31c74ff7490e3116c03cbf04cb201/content/de/02-von-regeln-zu-lernenden-systemen.md.
• Autor/Organisation: Tom Brown et al. Titel: Language Models are Few-Shot Learners. Datum: 2020. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper_files/paper/2020/hash/1457c0d6bfcb4967418bfb8ac142f64a-Abstract.html.
• Autor/Organisation: UCL Special Collections. Titel: Archivnachweis zum Lighthill-Bericht für den Science Research Council. Datum: 1973. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://archives.ucl.ac.uk/CalmView/Record.aspx?id=LIGHTHILL%2FK%2F668-685%2F683-685%2F684&src=CalmView.Catalog.

Kapitel 3: Die Landkarte der KI

• Autor/Organisation: Aditya Ramesh et al. Titel: Hierarchical Text-Conditional Image Generation with CLIP Latents. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2204.06125.
• Autor/Organisation: Alec Radford et al. Titel: Learning Transferable Visual Models From Natural Language Supervision. Datum: 2021. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2103.00020.
• Autor/Organisation: Alec Radford et al. Titel: Robust Speech Recognition via Large-Scale Weak Supervision. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2212.04356.
• Autor/Organisation: Aäron van den Oord et al. Titel: WaveNet, A Generative Model for Raw Audio. Datum: 2016. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1609.03499.
• Autor/Organisation: David Salinas, Valentin Flunkert und Jan Gasthaus. Titel: DeepAR, Probabilistic Forecasting with Autoregressive Recurrent Networks. Datum: 2017. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1704.04110.
• Autor/Organisation: Ian Goodfellow et al. Titel: Generative Adversarial Nets. Datum: 2014. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/5423-generative-adversarial-nets.
• Autor/Organisation: Jean-Baptiste Alayrac et al. Titel: Flamingo, a Visual Language Model for Few-Shot Learning. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2204.14198.
• Autor/Organisation: Jerome Friedman. Titel: Greedy Function Approximation, A Gradient Boosting Machine. Datum: 2001. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1214/aos/1013203451.
• Autor/Organisation: Jonathan Ho, Ajay Jain und Pieter Abbeel. Titel: Denoising Diffusion Probabilistic Models. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2006.11239.
• Autor/Organisation: Luke Metz et al. Titel: Unrolled Generative Adversarial Networks. Datum: 2017. Quellentyp: Forschungsarbeit. Kanonische URL: https://openreview.net/forum?id=BydrOIcle.
• Autor/Organisation: OpenAI. Titel: Sora is here. Datum: Produktankündigung vom 9. Dezember 2024. Quellentyp: Anbieter-Primärquelle: Produktankündigung. Kanonische URL: https://openai.com/index/sora-is-here/. Zugriff: 7. August 2026.
• Autor/Organisation: OpenAI. Titel: Video generation models as world simulators, technischer Bericht. Datum: 2024. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://openai.com/index/video-generation-models-as-world-simulators/.
• Autor/Organisation: Paul Covington, Jay Adams und Emre Sargin. Titel: Deep Neural Networks for YouTube Recommendations. Datum: 2016. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://research.google/pubs/deep-neural-networks-for-youtube-recommendations/.
• Autor/Organisation: Richard Sutton und Andrew Barto. Titel: Reinforcement Learning, An Introduction, zweite Auflage. Datum: 2018. Quellentyp: Fachbuch. Kanonische URL: https://mitpress.mit.edu/9780262039246/reinforcement-learning/.
• Autor/Organisation: Robin Rombach et al. Titel: High-Resolution Image Synthesis with Latent Diffusion Models. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://arxiv.org/abs/2112.10752.
• Autor/Organisation: Rohit Girdhar et al. Titel: ImageBind, One Embedding Space To Bind Them All. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2305.05665.
• Autor/Organisation: Thomas Kipf und Max Welling. Titel: Semi-Supervised Classification with Graph Convolutional Networks. Datum: 2017. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1609.02907.
• Autor/Organisation: Tianqi Chen und Carlos Guestrin. Titel: XGBoost, A Scalable Tree Boosting System. Datum: 2016. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://dl.acm.org/doi/10.1145/2939672.2939785.
• Autor/Organisation: Tim Salimans et al. Titel: Improved Techniques for Training GANs. Datum: 2016. Quellentyp: Forschungsarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/2016/hash/8a3363abe792db2d8761d6403605aeb7-Abstract.html.

Kapitel 4: Das Sprachmodell und das System darum herum

• Autor/Organisation: AI at Meta. Titel: The Llama 3 Herd of Models. Datum: 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://ai.meta.com/research/publications/the-llama-3-herd-of-models/.
• Autor/Organisation: Andrej Karpathy. Titel: Intro to Large Language Models. Datum: 2023. Quellentyp: Originalvortrag oder Interview. Kanonische URL: https://www.youtube.com/watch?v=zjkBMFhNj_g.
• Autor/Organisation: Anthropic. Titel: Intro to Claude. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://docs.anthropic.com/en/docs/welcome. Zugriff: 7. August 2026.
• Autor/Organisation: Baptiste Rozière et al. Titel: Code Llama. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2308.12950.
• Autor/Organisation: ggml-org. Titel: llama.cpp. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/ggml-org/llama.cpp. Zugriff: 7. August 2026.
• Autor/Organisation: Google AI for Developers. Titel: Gemini-Modelle. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://ai.google.dev/gemini-api/docs/models. Zugriff: 7. August 2026.
• Autor/Organisation: Hugging Face. Titel: Caching. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://huggingface.co/docs/transformers/main/en/cache_explanation. Zugriff: 7. August 2026.
• Autor/Organisation: Hugging Face. Titel: Model Hub. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://huggingface.co/docs/hub/models-the-hub. Zugriff: 7. August 2026.
• Autor/Organisation: Hugo Touvron et al. Titel: Llama 2. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2307.09288.
• Autor/Organisation: Long Ouyang et al. Titel: Training language models to follow instructions with human feedback. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2203.02155.
• Autor/Organisation: Model Context Protocol. Titel: Spezifikation. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://modelcontextprotocol.io/specification/2025-06-18.
• Autor/Organisation: Nicholas Carlini et al. Titel: Extracting Training Data from Large Language Models. Datum: 2021. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.usenix.org/conference/usenixsecurity21/presentation/carlini-extracting.
• Autor/Organisation: Open Source Initiative. Titel: Open Source AI Definition 1.0. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://opensource.org/ai/open-source-ai-definition.
• Autor/Organisation: OpenAI. Titel: GPT-4o System Card. Datum: 2024. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://openai.com/index/gpt-4o-system-card/. Zugriff: 7. August 2026.
• Autor/Organisation: Patrick Lewis et al. Titel: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2005.11401.
• Autor/Organisation: Rico Sennrich, Barry Haddow und Alexandra Birch. Titel: Neural Machine Translation of Rare Words with Subword Units. Datum: 2016. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/P16-1162/.
• Autor/Organisation: Tom Brown et al. Titel: Language Models are Few-Shot Learners. Datum: 2020. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/2020/hash/1457c0d6bfcb4967418bfb8ac142f64a-Abstract.html.
• Autor/Organisation: William Fedus, Barret Zoph und Noam Shazeer. Titel: Switch Transformers. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.jmlr.org/papers/v23/21-0998.html.
• Autor/Organisation: Woosuk Kwon et al. Titel: Efficient Memory Management for Large Language Model Serving with PagedAttention. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2309.06180.
• Autor/Organisation: Zechun Liu et al. Titel: MobileLLM. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2402.14905.

Kapitel 5: Tokens und Kontext

• Autor/Organisation: Hugging Face. Titel: Padding und Truncation. Quellentyp: offizielle Dokumentation. Kanonische URL: https://huggingface.co/docs/transformers/main/en/pad_truncation. Zugriff: 7. August 2026.
• Autor/Organisation: Hugging Face. Titel: Tokenizer-Dokumentation. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://huggingface.co/docs/tokenizers/main/api/tokenizer. Zugriff: 7. August 2026.
• Autor/Organisation: Jianlin Su et al. Titel: RoFormer, Enhanced Transformer with Rotary Position Embedding. Datum: 2021. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2104.09864.
• Autor/Organisation: Nelson Liu et al. Titel: Lost in the Middle. Datum: 2024. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2024.tacl-1.9/.
• Autor/Organisation: NIST. Titel: Definition Byte. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://csrc.nist.gov/glossary/term/byte.
• Autor/Organisation: OpenAI. Titel: Create a model response, offizielle API-Referenz. Quellentyp: offizielle Dokumentation. Kanonische URL: https://platform.openai.com/docs/api-reference/responses/create. Zugriff: 7. August 2026.
• Autor/Organisation: OpenAI. Titel: Models, offizielle Produktdokumentation. Quellentyp: offizielle Dokumentation. Kanonische URL: https://developers.openai.com/api/docs/models. Zugriff: 7. August 2026.
• Autor/Organisation: OpenAI. Titel: tiktoken. Quellentyp: offizielle Referenzimplementierung. Kanonische URL: https://github.com/openai/tiktoken. Zugriff: 7. August 2026.
• Autor/Organisation: OpenAI. Titel: tiktoken core.py, offizielle Referenzimplementierung. Quellentyp: offizielle Referenzimplementierung. Kanonische URL: https://github.com/openai/tiktoken/blob/main/tiktoken/core.py. Zugriff: 7. August 2026.
• Autor/Organisation: Orevaoghene Ahia et al. Titel: Do All Languages Cost the Same?. Datum: 2023. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2023.emnlp-main.614/.
• Autor/Organisation: Philip Gage. Titel: A New Algorithm for Data Compression. Datum: 1994. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.derczynski.com/papers/archive/BPE_Gage.pdf.
• Autor/Organisation: Taku Kudo und John Richardson. Titel: SentencePiece. Datum: 2018. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/D18-2012/.

Kapitel 6: Embeddings

• Autor/Organisation: Jacob Devlin et al. Titel: BERT. Datum: 2019. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/N19-1423/.
• Autor/Organisation: Jeffrey Pennington, Richard Socher und Christopher Manning. Titel: GloVe. Datum: 2014. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/D14-1162/.
• Autor/Organisation: John Rupert Firth. Titel: A Synopsis of Linguistic Theory, 1930-1955. Datum: 1957. Quellentyp: Originalarbeit im gescannten Sammelband. Kanonische URL: https://archive.org/details/studiesinlinguis0000vari.
• Autor/Organisation: Laurens van der Maaten und Geoffrey Hinton. Titel: Visualizing Data using t-SNE. Datum: 2008. Quellentyp: Forschungsarbeit. Kanonische URL: https://www.jmlr.org/papers/v9/vandermaaten08a.html.
• Autor/Organisation: Matthew Peters et al. Titel: Deep Contextualized Word Representations. Datum: 2018. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/N18-1202/.
• Autor/Organisation: Nils Reimers und Iryna Gurevych. Titel: Sentence-BERT. Datum: 2019. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/D19-1410/.
• Autor/Organisation: OpenAI. Titel: Vector embeddings. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://developers.openai.com/api/docs/guides/embeddings. Zugriff: 7. August 2026.
• Autor/Organisation: scikit-learn. Titel: Dokumentation der Kosinusähnlichkeit. Quellentyp: offizielle Dokumentation. Kanonische URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html. Zugriff: 7. August 2026.
• Autor/Organisation: Tolga Bolukbasi et al. Titel: Man is to Computer Programmer as Woman is to Homemaker?. Datum: 2016. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1607.06520.
• Autor/Organisation: Tomas Mikolov et al. Titel: Efficient Estimation of Word Representations in Vector Space. Datum: 2013. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1301.3781.
• Autor/Organisation: Tomas Mikolov, Wen-tau Yih und Geoffrey Zweig. Titel: Linguistic Regularities in Continuous Space Word Representations. Datum: 2013. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/N13-1090/.
• Autor/Organisation: Yoshua Bengio et al. Titel: A Neural Probabilistic Language Model. Datum: 2003. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.jmlr.org/papers/v3/bengio03a.html.
• Autor/Organisation: Yusong Wu et al. Titel: Large-scale Contrastive Language-Audio Pretraining. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2211.06687.

Kapitel 7: Attention und der Transformer

• Autor/Organisation: Albert Gu und Tri Dao. Titel: Mamba, Linear-Time Sequence Modeling with Selective State Spaces. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2312.00752.
• Autor/Organisation: Alec Radford et al. Titel: Improving Language Understanding by Generative Pre-Training. Datum: 2018. Quellentyp: Preprint. Kanonische URL: https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf.
• Autor/Organisation: Biao Zhang und Rico Sennrich. Titel: Root Mean Square Layer Normalization. Datum: 2019. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1910.07467.
• Autor/Organisation: Colin Raffel et al. Titel: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer. Datum: 2020. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.jmlr.org/papers/v21/20-074.html.
• Autor/Organisation: DeepSeek-AI. Titel: DeepSeek-V2 und Multi-Head Latent Attention. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2405.04434.
• Autor/Organisation: Ilya Sutskever, Oriol Vinyals und Quoc Le. Titel: Sequence to Sequence Learning with Neural Networks. Datum: 2014. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper_files/paper/2014/hash/5a18e133cbf9f257297f410bb7eca942-Abstract.html.
• Autor/Organisation: Jimmy Lei Ba, Jamie Ryan Kiros und Geoffrey Hinton. Titel: Layer Normalization. Datum: 2016. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1607.06450.
• Autor/Organisation: Joshua Ainslie et al. Titel: GQA, Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2305.13245.
• Autor/Organisation: Kaiming He et al. Titel: Deep Residual Learning for Image Recognition. Datum: 2016. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1512.03385.
• Autor/Organisation: Noam Shazeer. Titel: Fast Transformer Decoding, One Write-Head is All You Need. Datum: 2019. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1911.02150.
• Autor/Organisation: Noam Shazeer. Titel: GLU Variants Improve Transformer. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2002.05202.
• Autor/Organisation: Sarthak Jain und Byron Wallace. Titel: Attention is not Explanation. Datum: 2019. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/N19-1357/.
• Autor/Organisation: Tri Dao et al. Titel: FlashAttention. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2205.14135.

Kapitel 8: Pretraining

• Autor/Organisation: Alec Radford et al. Titel: Language Models are Unsupervised Multitask Learners. Datum: 2019. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf.
• Autor/Organisation: Common Crawl. Titel: Offizielle Startseite des Webarchivs. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://commoncrawl.org/.
• Autor/Organisation: Deepak Narayanan et al. Titel: Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM. Datum: 2021. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2104.04473.
• Autor/Organisation: DeepSpeed. Titel: Training Overview. Quellentyp: offizielle Dokumentation. Kanonische URL: https://www.deepspeed.ai/training/. Zugriff: 7. August 2026.
• Autor/Organisation: Diederik Kingma und Jimmy Ba. Titel: Adam, A Method for Stochastic Optimization. Datum: 2014. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1412.6980.
• Autor/Organisation: Ian Goodfellow, Yoshua Bengio und Aaron Courville. Titel: Deep Learning, Machine Learning Basics. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.deeplearningbook.org/contents/ml.html.
• Autor/Organisation: Ian Goodfellow, Yoshua Bengio und Aaron Courville. Titel: Deep Learning, Regularization for Deep Learning. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.deeplearningbook.org/contents/regularization.html.
• Autor/Organisation: Ilya Loshchilov und Frank Hutter. Titel: Decoupled Weight Decay Regularization. Datum: 2017. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1711.05101.
• Autor/Organisation: Jared Kaplan et al. Titel: Scaling Laws for Neural Language Models. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2001.08361.
• Autor/Organisation: Jingyuan Liu et al. Titel: Muon is Scalable for LLM Training. Datum: 2025. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2502.16982.
• Autor/Organisation: Jordan Hoffmann et al. Titel: Training Compute-Optimal Large Language Models. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2203.15556.
• Autor/Organisation: Katherine Lee et al. Titel: Deduplicating Training Data Makes Language Models Better. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2022.acl-long.577/.
• Autor/Organisation: Moonshot AI. Titel: Kimi K2. Datum: 2025. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://arxiv.org/abs/2507.20534.
• Autor/Organisation: Nitish Shirish Keskar et al. Titel: On Large-Batch Training for Deep Learning. Datum: 2017. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1609.04836.
• Autor/Organisation: Nitish Srivastava et al. Titel: Dropout, A Simple Way to Prevent Neural Networks from Overfitting. Datum: 2014. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.jmlr.org/papers/v15/srivastava14a.html.
• Autor/Organisation: OpenAI. Titel: Better Language Models and Their Implications. Datum: 2019. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://openai.com/index/better-language-models/.
• Autor/Organisation: PyTorch. Titel: CrossEntropyLoss. Quellentyp: offizielle Dokumentation. Kanonische URL: https://docs.pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html. Zugriff: 7. August 2026.
• Autor/Organisation: Rylan Schaeffer, Brando Miranda und Sanmi Koyejo. Titel: Are Emergent Abilities of Large Language Models a Mirage?. Datum: 2023. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper_files/paper/2023/hash/adc98a266f45005c403b8311ca7e8bd7-Abstract-Conference.html.
• Autor/Organisation: Tom Brown et al. Titel: Language Models are Few-Shot Learners. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2005.14165.
• Autor/Organisation: Weijia Shi et al. Titel: MUSE, Machine Unlearning Six-Way Evaluation for Language Models. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2407.06460.

Kapitel 9: Post-Training und Alignment

• Autor/Organisation: Daniel Ziegler et al. Titel: Fine-Tuning Language Models from Human Preferences. Datum: 2019. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1909.08593.
• Autor/Organisation: Deep Ganguli et al. Titel: Red Teaming Language Models to Reduce Harms. Datum: 2022. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2209.07858.
• Autor/Organisation: Edward Hu et al. Titel: LoRA, Low-Rank Adaptation of Large Language Models. Datum: 2021. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2106.09685.
• Autor/Organisation: Evan Hubinger et al. Titel: Sleeper Agents. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2401.05566.
• Autor/Organisation: Leo Gao, John Schulman und Jacob Hilton. Titel: Scaling Laws for Reward Model Overoptimization. Datum: 2022. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2210.10760.
• Autor/Organisation: Melody Guan et al. Titel: Deliberative Alignment. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2412.16339.
• Autor/Organisation: Mrinank Sharma et al. Titel: Towards Understanding Sycophancy in Language Models. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2310.13548.
• Autor/Organisation: Nathan Lambert et al. Titel: Tülu 3, Pushing Frontiers in Open Language Model Post-Training. Datum: 2024. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2411.15124.
• Autor/Organisation: Nisan Stiennon et al. Titel: Learning to Summarize from Human Feedback. Datum: 2020. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2009.01325.
• Autor/Organisation: OpenAI. Titel: Model Spec. Datum: Version vom 12. September 2025. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://model-spec.openai.com/2025-09-12.html.
• Autor/Organisation: Rafael Rafailov et al. Titel: Direct Preference Optimization. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2305.18290.
• Autor/Organisation: Ryan Greenblatt et al. Titel: Alignment Faking in Large Language Models. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2412.14093.
• Autor/Organisation: Victoria Krakovna et al. Titel: Specification Gaming, The Flip Side of AI Ingenuity. Datum: 2020. Quellentyp: Originalarbeit. Kanonische URL: https://deepmind.google/blog/specification-gaming-the-flip-side-of-ai-ingenuity/.
• Autor/Organisation: Yuntao Bai et al. Titel: Constitutional AI. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2212.08073.

Kapitel 10: Reasoning

• Autor/Organisation: Ari Holtzman et al. Titel: The Curious Case of Neural Text Degeneration. Datum: 2019. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1904.09751.
• Autor/Organisation: Bradley Brown et al. Titel: Large Language Monkeys. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2407.21787.
• Autor/Organisation: Charlie Snell et al. Titel: Scaling LLM Test-Time Compute Optimally. Datum: 2024. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2408.03314.
• Autor/Organisation: Cheng-Yu Hsieh et al. Titel: Distilling Step-by-Step. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2305.02301.
• Autor/Organisation: Hunter Lightman et al. Titel: Let's Verify Step by Step. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2305.20050.
• Autor/Organisation: Jason Wei et al. Titel: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://arxiv.org/abs/2201.11903.
• Autor/Organisation: Jesse Dodge et al. Titel: Documenting Large Webtext Corpora. Datum: 2021. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2104.08758.
• Autor/Organisation: Jie Huang et al. Titel: Large Language Models Cannot Self-Correct Reasoning Yet. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2310.01798.
• Autor/Organisation: Karl Cobbe et al. Titel: Training Verifiers to Solve Math Word Problems. Datum: 2021. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2110.14168.
• Autor/Organisation: Lianmin Zheng et al. Titel: Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2306.05685.
• Autor/Organisation: OpenAI. Titel: o1 System Card. Datum: Stand vom 5. Dezember 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://openai.com/index/openai-o1-system-card/.
• Autor/Organisation: Patrick Butlin et al. Titel: Consciousness in Artificial Intelligence. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2308.08708.
• Autor/Organisation: Shunyu Yao et al. Titel: Tree of Thoughts. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2305.10601.
• Autor/Organisation: Takeshi Kojima et al. Titel: Large Language Models are Zero-Shot Reasoners. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2205.11916.
• Autor/Organisation: Tamera Lanham et al. Titel: Measuring Faithfulness in Chain-of-Thought Reasoning. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2307.13702.
• Autor/Organisation: Xuezhi Wang et al. Titel: Self-Consistency Improves Chain of Thought Reasoning. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2203.11171.
• Autor/Organisation: Yann Dubois et al. Titel: Length-Controlled AlpacaEval. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2404.04475.
• Autor/Organisation: Zhaofeng Wu et al. Titel: Reasoning or Reciting?. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2307.02477.

Kapitel 11: Halluzinationen und Grenzen

• Autor/Organisation: François Chollet. Titel: On the Measure of Intelligence. Datum: 2019. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1911.01547.
• Autor/Organisation: James Kirkpatrick et al. Titel: Overcoming Catastrophic Forgetting in Neural Networks. Datum: 2017. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1612.00796.
• Autor/Organisation: Jiawei Chen et al. Titel: Benchmarking Large Language Models in Retrieval-Augmented Generation. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2309.01431.
• Autor/Organisation: Joshua Maynez et al. Titel: On Faithfulness and Factuality in Abstractive Summarization. Datum: 2020. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2005.00661.
• Autor/Organisation: Kenneth Li et al. Titel: Emergent World Representations. Datum: 2022. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2210.13382.
• Autor/Organisation: Kushal Tirumala et al. Titel: Memorization Without Overfitting. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2205.10770.
• Autor/Organisation: Melanie Sclar et al. Titel: Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2310.11324.
• Autor/Organisation: Miao Xiong et al. Titel: Can LLMs Express Their Uncertainty?. Datum: 2024. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://arxiv.org/abs/2306.13063.
• Autor/Organisation: Nicholas Carlini et al. Titel: Extracting Training Data from Large Language Models. Datum: 2021. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2012.07805.
• Autor/Organisation: Sabrina J. Mielke et al. Titel: Reducing Conversational Agents' Overconfidence Through Linguistic Calibration. Datum: 2022. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2022.tacl-1.50/.
• Autor/Organisation: Stephanie Lin, Jacob Hilton und Owain Evans. Titel: Teaching Models to Express Their Uncertainty in Words. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2205.14334.
• Autor/Organisation: Stephanie Lin, Jacob Hilton und Owain Evans. Titel: TruthfulQA. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2109.07958.
• Autor/Organisation: Yonatan Oren et al. Titel: Proving Test Set Contamination in Black Box Language Models. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2310.17623.

Kapitel 12: Interpretierbarkeit und Verstehen

• Autor/Organisation: Adly Templeton et al. Titel: Scaling Monosemanticity. Datum: 2024. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://transformer-circuits.pub/2024/scaling-monosemanticity/index.html.
• Autor/Organisation: Aleksandar Makelov, George Lange und Neel Nanda. Titel: Towards Principled Evaluations of Sparse Autoencoders for Interpretability and Control. Datum: 2024. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2405.08366.
• Autor/Organisation: Catherine Olsson et al. Titel: In-context Learning and Induction Heads. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2209.11895.
• Autor/Organisation: Chris Olah, Alexander Mordvintsev und Ludwig Schubert. Titel: Feature Visualization. Datum: 2017. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://distill.pub/2017/feature-visualization/.
• Autor/Organisation: Esin Durmus et al. Titel: Evaluating Feature Steering. Datum: 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.anthropic.com/research/evaluating-feature-steering.
• Autor/Organisation: Hoagy Cunningham et al. Titel: Sparse Autoencoders Find Highly Interpretable Features in Language Models. Datum: 2024. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2309.08600.
• Autor/Organisation: Jack Lindsey et al. Titel: Circuit Tracing. Datum: 2025. Quellentyp: Originalarbeit. Kanonische URL: https://transformer-circuits.pub/2025/attribution-graphs/methods.html.
• Autor/Organisation: Jack Lindsey et al. Titel: On the Biology of a Large Language Model. Datum: 2025. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://transformer-circuits.pub/2025/attribution-graphs/biology.html.
• Autor/Organisation: John Hewitt und Percy Liang. Titel: Designing and Interpreting Probes with Control Tasks. Datum: 2019. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/D19-1275/.
• Autor/Organisation: John R. Searle. Titel: Minds, Brains, and Programs. Datum: 1980. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1017/S0140525X00005756.
• Autor/Organisation: Kevin Meng et al. Titel: Locating and Editing Factual Associations in GPT. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2202.05262.
• Autor/Organisation: Kevin Wang et al. Titel: Interpretability in the Wild. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2211.00593.
• Autor/Organisation: Nelson Elhage et al. Titel: Toy Models of Superposition. Datum: 2022. Quellentyp: Originalarbeit. Kanonische URL: https://transformer-circuits.pub/2022/toy_model/index.html.
• Autor/Organisation: Sarah Wiegreffe und Yuval Pinter. Titel: Attention is not not Explanation. Datum: 2019. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/D19-1002/.
• Autor/Organisation: Trenton Bricken et al. Titel: Towards Monosemanticity. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://transformer-circuits.pub/2023/monosemantic-features/index.html.

Kapitel 13: RAG, Kontext und Werkzeuge

• Autor/Organisation: Brian Chan et al. Titel: Don't Do RAG, Cache-Augmented Generation. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2412.15605.
• Autor/Organisation: Darren Edge et al. Titel: From Local to Global, A Graph RAG Approach. Datum: 2024. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2404.16130.
• Autor/Organisation: Kai Greshake et al. Titel: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2302.12173.
• Autor/Organisation: NIST. Titel: Security and Privacy Controls for Information Systems and Organizations, SP 800-53 Revision 5. Quellentyp: amtliche Primärquelle. Kanonische URL: https://csrc.nist.gov/pubs/sp/800/53/r5/upd1/final.
• Autor/Organisation: Rodrigo Nogueira und Kyunghyun Cho. Titel: Passage Re-ranking with BERT. Datum: 2019. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1901.04085.
• Autor/Organisation: Shahul Es et al. Titel: RAGAS, Automated Evaluation of Retrieval Augmented Generation. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2309.15217.
• Autor/Organisation: Stephen Robertson und Hugo Zaragoza. Titel: The Probabilistic Relevance Framework, BM25 and Beyond. Datum: 2009. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1561/1500000019.
• Autor/Organisation: Tianyu Gao et al. Titel: Enabling Large Language Models to Generate Text with Citations. Datum: 2023. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2023.emnlp-main.398/.
• Autor/Organisation: Timo Schick et al. Titel: Toolformer, Language Models Can Teach Themselves to Use Tools. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2302.04761.
• Autor/Organisation: Tong Chen et al. Titel: Dense X Retrieval, What Retrieval Granularity Should We Use?. Datum: 2024. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2024.emnlp-main.845/.
• Autor/Organisation: Vladimir Karpukhin et al. Titel: Dense Passage Retrieval. Datum: 2020. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2020.emnlp-main.550/.

Kapitel 14: Prompting und Kontext

• Autor/Organisation: Anthropic. Titel: Prompt Engineering Overview. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview. Zugriff: 7. August 2026.
• Autor/Organisation: Google. Titel: Prompt Design Strategies. Datum: Stand 10. Juni 2026. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://ai.google.dev/gemini-api/docs/prompting-strategies. Zugriff: 7. August 2026.
• Autor/Organisation: Melanie Sclar et al. Titel: Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design. Datum: 2024. Quellentyp: Forschungsarbeit. Kanonische URL: https://openreview.net/forum?id=RIu5lyNXjT.
• Autor/Organisation: OpenAI. Titel: Model Spec. Datum: Fassung vom 27. Oktober 2025. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://model-spec.openai.com/2025-10-27.html.
• Autor/Organisation: OpenAI. Titel: Prompting. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://platform.openai.com/docs/guides/prompting. Zugriff: 7. August 2026.
• Autor/Organisation: Percy Liang et al. Titel: Holistic Evaluation of Language Models. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2211.09110.
• Autor/Organisation: Sewon Min et al. Titel: Rethinking the Role of Demonstrations. Datum: 2022. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/2022.emnlp-main.759/.
• Autor/Organisation: Yao Lu et al. Titel: Fantastically Ordered Prompts and Where to Find Them. Datum: 2022. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/2022.acl-long.556/.

Kapitel 15: Wann KI hilft und wann sie schadet

• Autor/Organisation: Erik Brynjolfsson, Danielle Li und Lindsey Raymond. Titel: Generative AI at Work. Datum: 2025. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://academic.oup.com/qje/article/140/2/889/7990658.
• Autor/Organisation: Evan F. Risko und Sam J. Gilbert. Titel: Cognitive Offloading. Datum: 2016. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1016/j.tics.2016.07.002.
• Autor/Organisation: Hammaad Adam et al. Titel: Mitigating the Impact of Biased Artificial Intelligence in Emergency Decision-Making. Datum: 2022. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1038/s43856-022-00214-4.
• Autor/Organisation: Hamsa Bastani et al. Titel: Generative AI without Guardrails Can Harm Learning. Datum: 2025. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1073/pnas.2422633122.
• Autor/Organisation: Hao-Ping Lee et al. Titel: The Impact of Generative AI on Critical Thinking. Datum: 2025. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1145/3706598.3713778.

Kapitel 16: Qualität messen

• Autor/Organisation: Center for AI Safety. Titel: MMLU-Datensatzkarte. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://huggingface.co/datasets/cais/mmlu. Zugriff: 7. August 2026.
• Autor/Organisation: Cynthia Dwork et al. Titel: Generalization in Adaptive Data Analysis and Holdout Reuse. Datum: 2015. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.neurips.cc/paper/2015/hash/bad5f33780c42f2588878a9d07405083-Abstract.html.
• Autor/Organisation: Dan Hendrycks et al. Titel: Measuring Massive Multitask Language Understanding. Datum: 2021. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2009.03300.
• Autor/Organisation: Lingjiao Chen, Matei Zaharia und James Zou. Titel: FrugalGPT. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2305.05176.
• Autor/Organisation: LMSYS. Titel: LLM Decontaminator, offizielles Repository. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/lm-sys/llm-decontaminator. Zugriff: 7. August 2026.
• Autor/Organisation: Marco Tulio Ribeiro et al. Titel: Beyond Accuracy, Behavioral Testing of NLP Models with CheckList. Datum: 2020. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://aclanthology.org/2020.acl-main.442/.
• Autor/Organisation: NIST. Titel: Artificial Intelligence Risk Management Framework, Generative Artificial Intelligence Profile. Datum: 2024. Quellentyp: amtliche Primärquelle. Kanonische URL: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf.
• Autor/Organisation: OWASP. Titel: Prompt Injection. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://genai.owasp.org/llmrisk/llm01-prompt-injection/.
• Autor/Organisation: Shuo Yang et al. Titel: Rethinking Benchmark and Contamination for Language Models with Rephrased Samples. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2311.04850.
• Autor/Organisation: Stanford CRFM. Titel: HELM, offizielles Repository. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/stanford-crfm/helm. Zugriff: 7. August 2026.
• Autor/Organisation: Yang Liu et al. Titel: G-Eval, NLG Evaluation using GPT-4 with Better Human Alignment. Datum: 2023. Quellentyp: Forschungsarbeit. Kanonische URL: https://aclanthology.org/2023.emnlp-main.153/.

Kapitel 17: Agenten

• Autor/Organisation: Fábio Perez und Ian Ribeiro. Titel: Ignore Previous Prompt, Attack Techniques for Language Models. Datum: 2022. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2211.09527.
• Autor/Organisation: IETF. Titel: HTTP Semantics, RFC 9110, Abschnitt 9.2.2 zu idempotenten Methoden. Datum: 2022. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://www.rfc-editor.org/rfc/rfc9110.html#name-idempotent-methods.
• Autor/Organisation: Model Context Protocol. Titel: Security Best Practices. Datum: vom 28. Juli 2026. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://modelcontextprotocol.io/docs/2026-07-28/tutorials/security/security_best_practices.
• Autor/Organisation: Model Context Protocol. Titel: Spezifikation. Datum: vom 28. Juli 2026. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://modelcontextprotocol.io/specification/2026-07-28.
• Autor/Organisation: OWASP. Titel: LLM06:2025 Excessive Agency. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://genai.owasp.org/llmrisk/llm062025-excessive-agency/.
• Autor/Organisation: Shunyu Yao et al. Titel: ReAct, Synergizing Reasoning and Acting in Language Models. Datum: 2022. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2210.03629.
• Autor/Organisation: Simon Willison. Titel: The lethal trifecta for AI agents: private data, untrusted content, and external communication. Datum: 16. Juni 2025. Quellentyp: Originalarbeit. Kanonische URL: https://simonwillison.net/2025/Jun/16/the-lethal-trifecta/.

Kapitel 18: Verlässlicher Betrieb

• Autor/Organisation: Bundesministerium der Justiz und Bundesamt für Justiz. Titel: § 87 Betriebsverfassungsgesetz. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.gesetze-im-internet.de/betrvg/__87.html.
• Autor/Organisation: Bundesministerium der Justiz und Bundesamt für Justiz. Titel: § 90 Betriebsverfassungsgesetz. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.gesetze-im-internet.de/betrvg/__90.html.
• Autor/Organisation: Europäische Union. Titel: Datenschutz-Grundverordnung (EU) 2016/679. Datum: anwendbar seit 25. Mai 2018. Quellentyp: amtlicher Rechtstext. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2016/679/oj.
• Autor/Organisation: Europäische Union. Titel: KI-Verordnung (EU) 2024/1689. Datum: in Kraft seit 1. August 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2024/1689/oj.
• Autor/Organisation: Europäische Union. Titel: Änderungsverordnung (EU) 2026/1744 zur KI-Verordnung. Datum: in Kraft seit 27. Juli 2026. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2026/1744/oj.
• Autor/Organisation: ISO. Titel: ISO/IEC 42001:2023, KI-Managementsysteme. Datum: Dezember 2023. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://www.iso.org/standard/42001.
• Autor/Organisation: NIST. Titel: Artificial Intelligence Risk Management Framework 1.0. Datum: 26. Januar 2023. Quellentyp: amtliche Primärquelle. Kanonische URL: https://doi.org/10.6028/NIST.AI.100-1.
• Autor/Organisation: NIST. Titel: Artificial Intelligence Risk Management Framework, Generative Artificial Intelligence Profile. Datum: 26. Juli 2024. Quellentyp: amtliche Primärquelle. Kanonische URL: https://doi.org/10.6028/NIST.AI.600-1.
• Autor/Organisation: NIST. Titel: Guidelines for Media Sanitization, SP 800-88 Revision 2. Datum: 26. September 2025. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.6028/NIST.SP.800-88r2.
• Autor/Organisation: NIST. Titel: Incident Response Recommendations and Considerations for Cybersecurity Risk Management, SP 800-61 Revision 3. Datum: 3. April 2025. Quellentyp: amtliche Primärquelle. Kanonische URL: https://doi.org/10.6028/NIST.SP.800-61r3.

Kapitel 19: Compute, Energie und die physische Maschine

• Autor/Organisation: ASML. Titel: Lithography principles, offizielle Technologiedokumentation. Quellentyp: offizielle Dokumentation. Kanonische URL: https://www.asml.com/en/technology/lithography-principles. Zugriff: 7. August 2026.
• Autor/Organisation: Geoffrey Hinton, Oriol Vinyals und Jeff Dean. Titel: Distilling the Knowledge in a Neural Network. Datum: 2015. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/1503.02531.
• Autor/Organisation: Google Cloud. Titel: TPU architecture, offizielle Dokumentation. Datum: Stand 17. Juli 2026. Quellentyp: offizielle Dokumentation. Kanonische URL: https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm. Zugriff: 7. August 2026.
• Autor/Organisation: Google. Titel: Environmental Report 2026 mit Betriebsdaten für 2025. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://sustainability.google/google-2026-environmental-report/.
• Autor/Organisation: Gordon Moore. Titel: Cramming More Components onto Integrated Circuits. Datum: 1965. Quellentyp: Originalarbeit. Kanonische URL: https://web.stanford.edu/class/cs114/readings/moore.pdf.
• Autor/Organisation: Gordon Moore. Titel: Progress in Digital Integrated Electronics. Datum: 1975. Quellentyp: Originalarbeit. Kanonische URL: https://www.lithoguru.com/scientist/CHE323/Moore1975.pdf.
• Autor/Organisation: Guangxuan Xiao et al. Titel: SmoothQuant. Datum: 2023. Quellentyp: Originalarbeit. Kanonische URL: https://proceedings.mlr.press/v202/xiao23c.html.
• Autor/Organisation: International Energy Agency. Titel: Energy and AI. Datum: 2025. Quellentyp: amtliche Primärquelle. Kanonische URL: https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai.
• Autor/Organisation: International Energy Agency. Titel: Key Questions on Energy and AI. Datum: 16. April 2026. Quellentyp: amtliche Primärquelle. Kanonische URL: https://www.iea.org/reports/key-questions-on-energy-and-ai.
• Autor/Organisation: Lawrence Berkeley National Laboratory. Titel: 2024 United States Data Center Energy Usage Report. Datum: 19. Dezember 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eta.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report.
• Autor/Organisation: NVIDIA. Titel: H100 Tensor Core GPU, offizielle Produktspezifikationen. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://www.nvidia.com/en-us/data-center/h100/. Zugriff: 7. August 2026.
• Autor/Organisation: The Green Grid. Titel: PUE, A Comprehensive Examination of the Metric. Datum: 2012. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://archive.thegreengrid.org/en/resources/library-and-tools/237-WP.

Kapitel 20: Daten, offene Modelle und digitale Souveränität

• Autor/Organisation: Bundesministerium der Justiz. Titel: § 2 UrhG, geschützte Werke. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.gesetze-im-internet.de/urhg/__2.html.
• Autor/Organisation: Bundesministerium der Justiz. Titel: § 44b UrhG, Text und Data Mining. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.gesetze-im-internet.de/urhg/__44b.html.
• Autor/Organisation: Bundesministerium der Justiz. Titel: § 7 UrhG, Urheber. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.gesetze-im-internet.de/urhg/__7.html.
• Autor/Organisation: DeepSeek AI. Titel: DeepSeek-R1, Repository. Datum: 20. Januar 2025. Quellentyp: Anbieter-Primärquelle: Repository und Lizenz. Kanonische URL: https://github.com/deepseek-ai/DeepSeek-R1. Zugriff: 7. August 2026.
• Autor/Organisation: DeepSeek AI. Titel: DeepSeek-R1, technischer Bericht. Datum: 22. Januar 2025. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://arxiv.org/abs/2501.12948.
• Autor/Organisation: Deutsche Telekom. Titel: Industrial AI Cloud. Datum: Betreiberdokumentation vom 4. Februar 2026. Quellentyp: offizielle Dokumentation. Kanonische URL: https://www.telekom.com/en/media/media-information/archive/germany-s-first-ai-factory-for-industry-1101670. Zugriff: 7. August 2026.
• Autor/Organisation: Europäische Kommission. Titel: Geltungsbeginn der Vorschriften der KI-Verordnung. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-act.
• Autor/Organisation: Europäische Union. Titel: Datenschutz-Grundverordnung. Datum: Verordnung (EU) 2016/679. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/legal-content/EN-DE/TXT/?from=EN&uri=CELEX%3A32016R0679.
• Autor/Organisation: Europäische Union. Titel: Datenverordnung, Verordnung (EU) 2023/2854. Datum: 13. Dezember 2023. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2023/2854/oj/eng.
• Autor/Organisation: Europäische Union. Titel: KI-Verordnung, Verordnung (EU) 2024/1689. Datum: 13. Juni 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng.
• Autor/Organisation: Europäischer Datenschutzausschuss. Titel: Stellungnahme 28/2024 zu KI-Modellen. Datum: 17. Dezember 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.edpb.europa.eu/documents/opinion-of-the-board-art-64/opinion-282024-on-certain-data-protection-aspects-related-to_en.
• Autor/Organisation: Hugging Face. Titel: Transformers-Dokumentation zur Quantisierung. Quellentyp: offizielle Dokumentation. Kanonische URL: https://huggingface.co/docs/transformers/main_classes/quantization. Zugriff: 7. August 2026.
• Autor/Organisation: Moonshot AI. Titel: Kimi K2, Repository und Lizenz. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/MoonshotAI/Kimi-K2. Zugriff: 7. August 2026.
• Autor/Organisation: Moonshot AI. Titel: Kimi K3, Produktdokumentation. Datum: 16. Juli 2026. Quellentyp: offizielle Dokumentation. Kanonische URL: https://www.kimi.com/code/docs/en/kimi-code/whats-new.html. Zugriff: 7. August 2026.
• Autor/Organisation: Moonshot AI. Titel: Kimi K3, Repository, Modellkarte und Lizenz. Quellentyp: Anbieter-Primärquelle: Repository und Lizenz. Kanonische URL: https://github.com/MoonshotAI/Kimi-K3. Zugriff: 7. August 2026.
• Autor/Organisation: NIST. Titel: Research Data Framework, Version 2.0. Datum: 2024. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://nvlpubs.nist.gov/nistpubs/SpecialPublications/1500-18/NIST.SP.1500-18r2.html.
• Autor/Organisation: Reza Shokri et al. Titel: Membership Inference Attacks Against Machine Learning Models. Datum: 2017. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.ieee-security.org/TC/SP2017/papers/313.pdf.
• Autor/Organisation: Soofi Consortium. Titel: Projektseite. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://soofi.info/.
• Autor/Organisation: U.S. Copyright Office. Titel: Copyright and Artificial Intelligence, Part 2. Datum: Januar 2025. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-2-Copyrightability-Report.pdf.

Kapitel 21: Arbeit, Bildung und öffentliche Wahrheit

• Autor/Organisation: Anders Humlum und Emilie Vestergaard. Titel: Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Datum: überarbeitete Fassung vom März 2026. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.3386/w33777.
• Autor/Organisation: C2PA. Titel: Explainer 2.4. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://spec.c2pa.org/specifications/specifications/2.4/explainer/Explainer.html.
• Autor/Organisation: C2PA. Titel: Harms Modelling 2.4. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://spec.c2pa.org/specifications/specifications/2.4/security/Harms_Modelling.html.
• Autor/Organisation: C2PA. Titel: Technical Specification 2.4. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://spec.c2pa.org/specifications/specifications/2.4/specs/C2PA_Specification.html.
• Autor/Organisation: Cristian Vaccari und Andrew Chadwick. Titel: Deepfakes and Disinformation. Datum: 2020. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1177/2056305120903408.
• Autor/Organisation: Greg Kestin et al. Titel: AI tutoring outperforms in-class active learning. Datum: 2025. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1038/s41598-025-97652-6.
• Autor/Organisation: Kaylyn Jackson Schiff, Daniel S. Schiff und Natália S. Bueno. Titel: The Liar’s Dividend. Datum: 2025. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1017/S0003055423001454.
• Autor/Organisation: Kevin Zheyuan Cui et al. Titel: The Effects of Generative AI on High-Skilled Work. Datum: 2026. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1287/mnsc.2025.00535.
• Autor/Organisation: Shangbin Feng et al. Titel: Examining the Impact of Provenance-Enabled Media on Trust and Accuracy Perceptions. Datum: 2023. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1145/3610061.
• Autor/Organisation: Susanne Gaube et al. Titel: Do as AI say. Datum: 2021. Quellentyp: Forschungsarbeit. Kanonische URL: https://doi.org/10.1038/s41746-021-00385-9.
• Autor/Organisation: Tyna Eloundou et al. Titel: GPTs are GPTs. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2303.10130.
• Autor/Organisation: Weixin Liang et al. Titel: GPT Detectors Are Biased Against Non-Native English Writers. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2304.02819.

Kapitel 22: Welche Entwicklungspfade offen sind

• Autor/Organisation: Alexander Barry, METR. Titel: Impact of modelling assumptions on time horizon results. Datum: 20. März 2026. Quellentyp: Originalarbeit. Kanonische URL: https://metr.org/notes/2026-03-20-impact-of-modelling-assumptions-on-time-horizon-results/.
• Autor/Organisation: Europäische Union. Titel: Änderungsverordnung (EU) 2026/1744 vom 8. Juli 2026. Datum: in Kraft seit 27. Juli 2026. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng.
• Autor/Organisation: Hans Moravec. Titel: Mind Children. Datum: 1988. Quellentyp: Fachbuch. Kanonische URL: https://www.hup.harvard.edu/books/9780674576186.
• Autor/Organisation: Ilia Shumailov et al. Titel: AI models collapse when trained on recursively generated data, Nature 2024. Datum: mit Korrektur von 2025. Quellentyp: Originalarbeit. Kanonische URL: https://www.nature.com/articles/s41586-024-07566-y.
• Autor/Organisation: James Kirkpatrick et al. Titel: Overcoming catastrophic forgetting in neural networks. Datum: 2017. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1073/pnas.1611835114.
• Autor/Organisation: METR. Titel: Task-Completion Time Horizons of Frontier AI Models. Datum: Stand 8. Mai 2026. Quellentyp: Originalarbeit. Kanonische URL: https://metr.org/time-horizons/.
• Autor/Organisation: Open X-Embodiment Collaboration. Titel: Open X-Embodiment, Robotic Learning Datasets and RT-X Models. Datum: 2023. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2310.08864.

Glossar

• Autor/Organisation: Anthropic. Titel: Create a Message, offizielle Messages-API-Referenz zum Parameter system. Quellentyp: offizielle Dokumentation. Kanonische URL: https://platform.claude.com/docs/en/api/messages/create. Zugriff: 7. August 2026.
• Autor/Organisation: Anthropic. Titel: Tool Use with Claude, offizielle API-Dokumentation. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview. Zugriff: 7. August 2026.
• Autor/Organisation: Chiyuan Zhang et al. Titel: Understanding deep learning requires rethinking generalization. Datum: ICLR 2017. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://openreview.net/forum?id=Sy8gdB9xx.
• Autor/Organisation: Chuan Guo et al. Titel: On Calibration of Modern Neural Networks. Datum: 2017. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://proceedings.mlr.press/v70/guo17a.html.
• Autor/Organisation: David Ha und Jürgen Schmidhuber. Titel: World Models. Datum: 2018. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/1803.10122.
• Autor/Organisation: Geoffrey Hinton und Ruslan Salakhutdinov. Titel: Reducing the Dimensionality of Data with Neural Networks. Datum: 2006. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1126/science.1127647.
• Autor/Organisation: Hugging Face. Titel: Safetensors, offizielle Spezifikation und Referenzimplementierung. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://github.com/huggingface/safetensors. Zugriff: 7. August 2026.
• Autor/Organisation: James Bergstra und Yoshua Bengio. Titel: Random Search for Hyper-Parameter Optimization. Datum: 2012. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://www.jmlr.org/papers/v13/bergstra12a.html.
• Autor/Organisation: John McCarthy et al. Titel: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Datum: 31. August 1955. Quellentyp: Originalarbeit. Kanonische URL: http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf.
• Autor/Organisation: Matthijs Douze et al. Titel: The Faiss Library. Datum: 2024. Quellentyp: Originalarbeit. Kanonische URL: https://arxiv.org/abs/2401.08281.
• Autor/Organisation: Meredith Ringel Morris et al. Titel: Levels of AGI for Operationalizing Progress on the Path to AGI, ICML 2024. Datum: aktuelle Fassung v5 vom 24. September 2025. Quellentyp: Preprint. Kanonische URL: https://arxiv.org/abs/2311.02462.
• Autor/Organisation: Model Context Protocol. Titel: Tools. Datum: Spezifikation vom 28. Juli 2026. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://modelcontextprotocol.io/specification/2026-07-28/server/tools.
• Autor/Organisation: Moonshot AI. Titel: Kimi Linear, technischer Bericht und Referenzimplementierung. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://github.com/MoonshotAI/Kimi-Linear. Zugriff: 7. August 2026.
• Autor/Organisation: Murray Campbell, A. Joseph Hoane Jr. und Feng-hsiung Hsu. Titel: Deep Blue. Datum: 2002. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1147/rd.33.0210.
• Autor/Organisation: NIST CSRC Glossary. Titel: Central Processing Unit, offizieller Begriffseintrag. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://csrc.nist.gov/glossary/term/central_processing_unit.
• Autor/Organisation: NIST CSRC Glossary. Titel: Graphics Processing Unit, offizieller Begriffseintrag. Quellentyp: amtliche Primärquelle. Kanonische URL: https://csrc.nist.gov/glossary/term/graphics_processing_unit.
• Autor/Organisation: OECD.AI. Titel: Explanatory Memorandum on the Updated OECD Definition of an AI System. Datum: März 2024. Quellentyp: amtliche Primärquelle. Kanonische URL: https://oecd.ai/en/wonk/ai-system-definition-update.
• Autor/Organisation: OpenAI. Titel: Function Calling, offizielle API-Dokumentation. Quellentyp: Anbieter-Primärquelle: Dokumentation. Kanonische URL: https://developers.openai.com/api/docs/guides/function-calling. Zugriff: 7. August 2026.
• Autor/Organisation: OpenAPI Initiative. Titel: OpenAPI Specification 3.2.0. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://spec.openapis.org/oas/v3.2.0.html.
• Autor/Organisation: PyTorch. Titel: Linear, offizielle Dokumentation zum zusätzlichen Bias-Wert. Quellentyp: offizielle Dokumentation. Kanonische URL: https://docs.pytorch.org/docs/stable/generated/torch.nn.Linear.html. Zugriff: 7. August 2026.
• Autor/Organisation: Rishi Bommasani et al. Titel: On the Opportunities and Risks of Foundation Models. Datum: 2021. Quellentyp: Primärquelle oder weiterführende Fachquelle. Kanonische URL: https://crfm.stanford.edu/assets/report.pdf.
• Autor/Organisation: Sepp Hochreiter und Jürgen Schmidhuber. Titel: Long Short-Term Memory. Datum: 1997. Quellentyp: begutachtete Originalarbeit. Kanonische URL: https://doi.org/10.1162/neco.1997.9.8.1735.
• Autor/Organisation: Thomas Dahlmann. Titel: Glossar. Datum: geprüfte Manuskriptfassung 6c28c56 vom 7. August 2026. Quellentyp: offizielles Repository. Kanonische URL: https://github.com/crjameson/kife/blob/6c28c56a64258e23d4a4ee89c95a78fa835c65d3/content/de/glossar.md.
• Autor/Organisation: TOP500. Titel: Frequently Asked Questions zu FLOP/s. Quellentyp: offizielle Spezifikation oder Standard. Kanonische URL: https://www.top500.org/resources/frequently-asked-questions/.

Modelllandschaft 2026

• Autor/Organisation: Soofi Consortium. Titel: Soofi S, offizielle Modellkarte. Quellentyp: Anbieter-Primärquelle: Modellkarte. Kanonische URL: https://huggingface.co/Soofi-Project/Soofi-S-Base. Zugriff: 7. August 2026.
• Autor/Organisation: Soofi Consortium. Titel: Soofi S, technischer Bericht. Datum: Version 3 vom 22. Juli 2026. Quellentyp: Anbieter-Primärquelle: technischer Bericht. Kanonische URL: https://arxiv.org/abs/2607.09424.