Eine neue Studie der Stanford University nahelegt, dass kleine Sprachmodelle (SLMs), die auf lokalen PCs laufen, in den meisten Aufgaben große Sprachmodelle (LLMs) erreichen oder übertreffen. Die Forschung verglich QWEN 3, GEMMA 3, GPT-OSS und GRANITE 4.0 auf Nvidia- und Apple-M4-Chips mit cloudbasierten ChatGPT 5, Claude Sonnet 4.5 und Gemini 2.5 Pro. Bei Chat-Aufgaben erreichte das beste SLM in 98,6 % der Fälle das oder übertraf das LLM-Leistungsniveau.
Für Reasoning-Aufgaben erreichten SLMs eine Parität von 62,5 %. Insgesamt performten SLMs in 81,2 % der realen Szenarien genauso gut oder besser. SLMs kosten auch 50–85 % weniger in Energie und Rechenleistung.
Die Erfolgsraten von SLMs stiegen von ~50 % im Jahr 2023 auf 99 % bei einfachen Aufgaben im Oktober 2025 an, obwohl sie weiterhin im komplexen Level-5-Reasoning zurückbleiben (51,5 %). Die Studie schätzt den US-SLM-Markt auf 10 Billionen Dollar, was die Investitionen in Hyperscaler-Rechenzentren gefährden und möglicherweise die Nachfrage nach fortschrittlichen Chips verringern könnte.
Quelle: Hacker News · Zusammengefasst von HeadlinesBriefing