Wie große Sprachmodelle wie GPT funktionieren
GPT durchsucht keine Datenbank nach Antworten. Es formuliert Text Stück für Stück anhand von Mustern aus dem Training. Wenn man das versteht, erklären sich Stärken, Aussetzer und die beste Art zu prompten von selbst.

Wenn du eine Frage in unseren Chat tippst, durchsucht GPT keine Datenbank mit gespeicherten Antworten. Es schreibt jedes Mal eine komplett neue Antwort – Stück für Stück, basierend auf Mustern, die es während des Trainings aus riesigen Textmengen gelernt hat. Dieses Prinzip erklärt fast alles: warum es so sprachgewandt ist, warum es quasi alles erklären kann, warum es manchmal mit voller Überzeugung falsche Dinge behauptet und warum es so wichtig ist, wie du deine Frage formulierst. Dieser Guide erklärt die wichtigsten Grundlagen ganz ohne Fachchinesisch und Mathe – und zeigt dir, was das für deine Prompts bedeutet.
Wofür steht die Abkürzung GPT?
GPT steht für Generative Pre-trained Transformer. Generative (generativ) bedeutet, dass es neue Texte erzeugt, statt vorgefertigte Antworten auszuwählen. Pre-trained (vortrainiert) heißt, dass es zunächst anhand riesiger Textsammlungen trainiert wurde, bevor es für Dialoge optimiert wurde. Transformer beschreibt die neuronale Netzwerkarchitektur dahinter – ein Modell, das 2017 von Google-Forschern vorgestellt wurde und besonders gut darin ist, jedes Wort im Kontext aller umliegenden Wörter zu verstehen. OpenAI veröffentlichte sein erstes GPT-Modell 2018; die Modelle in unserem Chat, GPT-6 Luna und GPT-6.1 Terra, sind moderne Vertreter dieser Reihe. Eine vollständige Übersicht findest du auf der Seite zur Geschichte von GPT, und der Artikel Was ist GPT? liefert dir den größeren Kontext.
Tokens: Wie ein Modell liest
Ein Modell sieht weder Buchstaben noch ganze Wörter. Text wird zuerst in Tokens zerlegt. Ein häufiges Wort entspricht meist einem Token; lange oder seltene Wörter werden in mehrere Teile aufgespalten. Als Faustregel für Englisch gilt bei OpenAI: Ein Token entspricht etwa drei Vierteln eines Wortes. Andere Sprachen benötigen für dieselbe Aussage oft mehr Tokens.
Tokens erklären so manche Eigenheit: Modelle tun sich oft schwer damit, Buchstaben in einem Wort zu zählen, weil sie Buchstaben nie einzeln sehen. Limits für Eingaben und Ausgaben werden in Tokens gemessen, nicht in Zeichen. Und die Entwicklerpreise, die du auf unserer GPT API-Seite findest, werden pro Million Tokens berechnet.
Vorhersagen – Schritt für Schritt
Im Kern tut das Modell nur eines: Ausgehend vom bisherigen Text schätzt es ab, welches Token als Nächstes am wahrscheinlichsten folgt. Es wählt eines aus, fügt es dem Text hinzu und wiederholt diesen Schritt Hunderte oder Tausende Male, bis die Antwort komplett ist. Deshalb erscheinen Antworten im Chat auch Wort für Wort und nicht auf einen Schlag.
Eine kleine Prise Zufall bei dieser Auswahl sorgt dafür, dass die Antworten nicht jedes Mal identisch ausfallen. Genau das passiert, wenn du auf „Neu generieren“ klickst: Du stellst dieselbe Frage und nimmst einen etwas anderen Pfad durch dasselbe Wissen. Unser Chat speichert frühere Versuche als Versionen, damit du sie vergleichen kannst.
Das Vorhersagen des nächsten Wortes klingt simpel. Doch um bei Milliarden Beispielen treffsicher zu sein, muss ein Modell Grammatik, Fakten, Stile, logische Zusammenhänge und vieles mehr verinnerlichen. Was nach echtem Verständnis aussieht, entsteht letztlich aus diesem Zwang zur präzisen Vorhersage.
Wie ein Modell trainiert wird
GPT-Modelle entstehen in mehreren Schritten:
- Pre-Training (Vortraining): Es verarbeitet riesige Mengen an Text und übt dabei nur eine Aufgabe: das nächste Token erraten. Zu diesem Zeitpunkt kann es zwar beliebige Texte fortsetzen, ist aber noch kein guter Gesprächspartner.
- Instruction Tuning (Feinabstimmung): Es wird mit Beispielen für Anfragen und guten Antworten trainiert, damit es lernt, Anweisungen zu befolgen und Fragen sinnvoll zu beantworten.
- Feedback und Reinforcement Learning: Menschen und automatisierte Tests bewerten die Antworten, und das Modell wird darauf getrimmt, hilfreich, präzise und sicher zu antworten. Reasoning-Modelle lernen so auch, Probleme Schritt für Schritt zu durchdenken, bevor sie antworten.
Irgendwann ist das Training abgeschlossen – dieses Datum ist der Knowledge Cut-off (Wissensstand) des Modells. Laut OpenAI reichen die Daten von GPT-6 Luna bis zum 18. Mai 2026 und die von GPT-6.1 Terra bis zum 1. Juni 2026. Ereignisse danach kennt das Modell nicht, es sei denn, du fügst sie direkt ein. Unser Chat hat keinen Zugriff auf das Web.
Das Kontextfenster: Was das Modell sieht
Ein Modell hat kein Gedächtnis zwischen verschiedenen Unterhaltungen. Innerhalb eines Chats sieht es den sogenannten Kontext: die Anweisungen, den bisherigen Chatverlauf und deine neueste Nachricht – alles in Form von Tokens. OpenAI gibt für Luna und Terra ein Kontextfenster von etwa 1,05 Millionen Tokens an, was für mehrere dicke Bücher reicht.
Ein kostenloser Chat wie unserer sendet jedoch einen deutlich kleineren Ausschnitt: nur den aktuellen Teil der Unterhaltung, damit die Antworten schnell bleiben. In sehr langen Chats können frühe Nachrichten deshalb aus dem Blickfeld geraten. Wenn ein Detail wichtig ist, wiederhole es einfach oder starte einen neuen Chat mit einer kurzen Zusammenfassung des aktuellen Stands. Jeder Chat ist völlig unabhängig; das Modell erinnert sich nicht daran, was du in einem anderen Chat geschrieben hast.
Reasoning: Erst denken, dann antworten
Reasoning-Modelle blenden einen internen Denkprozess ein, bevor die sichtbare Antwort generiert wird. Das gibt ihnen die Möglichkeit, komplexe Aufgaben in Zwischenschritte zu zerlegen und eigene Fehler zu korrigieren – auf Kosten von etwas mehr Zeit. In unserem Chat wechselt der Think-Button zu GPT-6.1 Terra, das kurz nachdenkt; GPT-6 Luna, der Standard, antwortet fast augenblicklich. Unser Guide zu Reasoning-Modellen erklärt, wann sich die kurze Denkpause lohnt.
Warum Modelle Dinge erfinden
Da das Modell darauf trainiert ist, immer eine plausible Fortsetzung zu schreiben, tut es das auch dann, wenn ihm die echten Fakten fehlen. Fragt man nach einer Quelle zu einem Nischenthema, formuliert es eine Antwort, die wie ein Literaturhinweis aussieht – egal, ob diese Quelle existiert oder nicht. Eine Frage zu einem kleinen Dorf liefert Details, die typisch für Dörfer im Allgemeinen sind. Das Modell hat kein verlässliches inneres Signal, das ihm sagt: „Das weiß ich nicht“, auch wenn neuere Modelle Unsicherheiten besser zugeben. Deshalb solltest du Namen, Zahlen, Daten und Zitate immer prüfen. Unser Faktencheck-Guide zeigt dir dafür eine schnelle Routine.
Was das für deine Prompts bedeutet
Aus den technischen Hintergründen ergeben sich ein paar praktische Grundregeln:
Schwach: Was steht im Vertrag über eine vorzeitige Kündigung? Stark: Hier ist Klausel 9 meines Mietvertrags: [Klausel einfügen]. Erkläre in verständlichem Deutsch, wann ich den Vertrag vorzeitig kündigen kann, welche Kündigungsfrist gilt und welche Kosten anfallen können. Zitiere den Satz, auf dem jeder Punkt basiert.
- Füge das Quellmaterial ein. Das Modell arbeitet bei Texten, die direkt im Kontext stehen, um Längen präziser als bei vagen Erinnerungen aus dem Training.
- Sei präzise. Jedes Detail grenzt die Vorhersage weiter ein und lenkt sie genau dorthin, was du wirklich brauchst.
- Verlange Zitate oder Belege aus deinem Text, damit du jede Aussage sofort nachprüfen kannst.
- Starte neu, wenn ein langer Chat den Faden verliert; eine kurze Zusammenfassung in einem frischen Chat wirkt oft Wunder. Unser Text-Summarizer kann diese Zusammenfassung für dich schreiben.
Willst du es selbst ausprobieren? Bitte GPT, sich selbst in fünf Schritten zu erklären, und hake bei allen Punkten nach, die noch unklar sind.
FAQ
Versteht GPT wirklich, was es schreibt?
Das hängt davon ab, wie man „Verstehen“ definiert. Es erfasst Zusammenhänge zwischen Konzepten zweifellos gut genug, um sie zu erklären, zusammenzufassen und logische Schlüsse zu ziehen. Allerdings hat es keine reale Lebenserfahrung und keinen verlässlichen Mechanismus, um gesicherte Fakten von plausiblen Vermutungen zu unterscheiden.
Lernt das Modell aus meinen Chats?
Nicht während des Gesprächs und auch nicht zwischen verschiedenen Unterhaltungen in unserem Chat. Das Wissen des Modells ist seit dem Training fixiert. OpenAI versichert zudem, dass Daten, die über die API gesendet werden, nicht für das Training genutzt werden, es sei denn, man stimmt dem ausdrücklich zu.
Warum bekomme ich eine andere Antwort, wenn ich dieselbe Frage nochmal stelle?
Das Modell wählt jedes nächste Token mit einer gewissen Zufallskomponente aus. Daher kann dieselbe Frage zu völlig anderen Formulierungen oder Schwerpunkten führen. Bei reinen Faktenfragen ist eine abweichende Antwort ein klares Signal, genauer nachzuprüfen.
Ist GPT dasselbe wie ChatGPT?
Nein. GPT ist die Modellfamilie von OpenAI; ChatGPT ist die darauf aufbauende Chat-App von OpenAI. gpt.me ist eine unabhängige Plattform, die GPT-Modelle über eine API anbindet. Unser Vergleich mit ChatGPT fasst alle Unterschiede zusammen.
Hast du eine Frage? Frag einfach los
Kein Account und kein Download nötig. Öffne den Chat, tippe deine Frage ein und die Antwort erscheint in Sekundenschnelle.
Chat starten

