KI-Infos

heise online berichtet über ein Projekt der Bundesdruckerei: Modelle für die Öffentliche Verwaltung Evaluieren (MÖVE). Das Projekt soll einen ganzheitlichen Benchmark zur Bewertung von LLMs im Kontext des deutschen öffentlichen Sektors darstellen. 39 Modelle werden dabei anhand von zwei sich ergänzenden Dimensionen bewertet: Leistungskriterien und Governance-Kriterien.
Die Leistungskriterien umfassen Zusammenfassung, Beantwortung von Fragen und Themenextraktion. Die Governance-Kriterien bewerten die Neigung zu Halluzinationen, den Energieverbrauch, die Transparenz der Anbieter sowie die Übereinstimmung mit deutschen Verfassungswerten und das Wissen über die Positionen deutscher politischer Parteien.
Die Ergebnisse zeigen, dass kein einzelnes Modell bei allen Kriterien dominiert. Insbesondere stellt die Modellgröße allein einen schlechter Prädiktor für die Qualität eines LLM dar. Die Ergebnisse des Benchmarks sind auf der Projekthomepage abrufbar.
URLs:

• Projektwebseite: https://moeve.bundesdruckerei.de/
• Repository auf github: https://github.com/B … i-GmbH/moeve-lmbench
• Bericht auf arXiv: https://arxiv.org/abs/2606.13111
• Pressemitteilung: https://www.bundesdr … enchmark-geht-online

Presseberichte:

• heise online: https://www.heise.de … zaehmt-11370014.html

Die World Intellectual Property Organization (WIPO) veröffentlichte den Report „Top Generative AI Patent Trends in 2025“, welcher ie neuesten Entwicklungstendenzen bei Patenten für Erfindungen im Bereich der generativen KI im Jahr 2025 beleuchtet.
Die Zahl der GenAI-Erfindungen hat sich von 18.862 im Jahr 2024 auf 37.808 im Jahr 2025 in etwa verdoppelt. An sieben der zehn führenden Standorte für GenAI-Patente wurden allein in den letzten zwei Jahren mehr Patente für diesen Technologiebereich angemeldet als im gesamten vorangegangenen Jahrzehnt. China bleibt weiterhin der führende Standort für GenAI-Patente, doch die Vereinigten Staaten und Japan verzeichnen das schnellste Wachstum. Europa liegt im globalen Vergleich deutlich hinter Asien und den USA, verzeichnet aber ebenfalls einen starken Anstieg. Dabei überholte Deutschland Großbritannien als führenden Erfinderstandort für generative KI in Europa.
Die Wirtschaftsnationen mit den meisten GenAI-Patenten im Jahr 2025 sind:

1. China
2. Vereinigte Staaten
3. Japan
4. Republik Korea
5. Indien
6. Deutschland
7. Kanada
8. Vereinigtes Königreich
9. Israel
10. Schweiz

URLs:

• Pressemitteilung: https://www.wipo.int … 26/article_0012.html
• Webseite: https://www.wipo.int … s/generative-ai/2025
• Report als pdf-Datei: https://www.wipo.int … -update-in-genai.pdf

Ein vom KI Bundesverband koordiniertes deutsches Forschungskonsortium veröffentlichte Soofi S, ein 30B Mixture-of-Experts-Modell auf Basis des Mamba-Transformers, trainiert mit 27 Billionen Token und vor allem auf deutsche und englische Texte ausgelegt. EU und Bundesministerium für Wirtschaft und Energie förderten das Projekt.
Durch seinen hybriden Aufbau werden pro Token nur 3 Mrd. der insgesamt 30 Mrd. Parameter aktiviert, und der Inferenz-Cache bleibt auch bei wachsendem Kontext nahezu konstant, was dem Modell einen entscheidenden Durchsatzvorteil gegenüber dichten Modellen bei Einsätzen mit langem Kontext und hoher Parallelität verschafft.
Soofi S erzielte bei aggregierten englisch- und deutschsprachigen Benchmarks unter 17 offenen Basismodellen die besten Code-Aggregate in beiden Sprachen, liegt noch vor Olmo 3 32B und Apertus 70B.
Aktuell läuft eine Testphase, wozu noch externe Testpartner für Real-World-Projekte gesucht werden, daher kann man das Modell noch nicht herunterladen. Besteht Interesse an der Erprobung teilzunehmen, kann man per E-Mail unter contact@soofi.info das Interesse melde, idealerweise zusammen mit folgenden Angaben:

• kurze Beschreibung des Unternehmens / der Organisation
• Branche oder Anwendungsfeld
• idealerweise noch eine Use-Case-Idee

Langfristig ist die lizenzfreie Verfügbarkeit angekündigt. Gewichte, Checkpoints, Training- & Data Code wie auch Trainings-Logs werden verffentlicht (siehe Link zu Huggingface).
URLs:

• Bericht bei arXiv: https://arxiv.org/abs/2607.09424
• Webseite des Projektes: https://www.soofi.info/
• Huggingface: https://huggingface. … training-Tech-Report

Presseerklärungen zum Projekt:

• Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI): https://www.dfki.de/ … ustrial-ai-in-europe
• Fraunhofer IAIS: https://www.iais.fra … industrielle-ki.html
• Leibnitz Universität Hannover: https://www.uni-hann … nwendungen-in-europa
• TU Darmstadt: https://www.tu-darms … nsicht_566528.de.jsp

Presseberichte:

• The Decoder: https://the-decoder. … eutsch-und-englisch/
• All-AI: https://www.all-ai.d … p/soofie-s-ki-modell
• Informationsdienst Wissenschaft (idw): https://nachrichten. … trielle-ki-in-europa
• heise online: https://www.heise.de … ickeln-11083042.html
• Linux Magazin: https://www.linux-ma … -source-llm-soofi-s/
• t3n: https://t3n.de/news/ … eisten-soll-1717372/

Innerhalb der Fachgruppe “Fachgruppe Digitalisierung und Nachhaltigkeit” (https://fg-dina.gi.de/) der Gesellschaft für Informatik wurde das Thema “Nachhaltigkeit” im Kontext von KI diskutiert. Natürlich ist Energie- und Wasserverbrauch im Kontext der Nachhaltigkeit relevant, greift nach Meinung der Fachgruppe aber zu kurz. Die sozialen Bedingungen der Digitalisierung gehörten ebenso in dieses Thema wie die diskriminierenden Effekte von Algorithmen und vieles mehr. Man braucht nur wenige Minuten, um den Text zu lesen. Ich fand ihn sehr interessant.
Die Fachgruppe identifizierte 13 Nachhaltigkeitskriterien für KI-Systeme:

• Transparenz und Verantwortungsübernahme
• Nicht-Diskriminierung und Fairness
• Technische Verlässlichkeit und menschliche Aufsicht
• Selbstbestimmung und Datenschutz
• Inklusives und partizipatives Design
• Kulturelle Sensibilität
• Marktvielfalt und Ausschöpfung des Innovationspotenzials
• Verteilungswirkung in Zielmärkten
• Arbeitsbedingungen und Arbeitsplätze
• Energieverbrauch
• CO2- und Treibhausgasemissionen
• Nachhaltigkeitspotenziale in der Anwendung
• Indirekter Ressourcenverbrauch

Text ist abrufbar unter https://inf.gi.de/14 … keit-ist-kein-add-on

Da sich der Einsatz von KI durch Autoren von der Recherche und dem Brainstorming auf die Erstellung ganzer Bücher ausgeweitet hat, sind Verlage, Autorenagenten und Leser zunehmend darauf angewiesen, dass KI-generierte Inhalte erkannt werden können.
Authors Guild wählte fünf der derzeit besten KI-Erkennungstools sowie eine Liste von zehn Artikeln aus. Die Artikel wurden alle im Jahr 2022 oder früher veröffentlicht, also vor der breiten Verfügbarkeit generativer KI. Jeder Beitrag wurde von allen fünf Erkennungstools geprüft und da die Artikel aus der Zeit der KI-Technologie stammen, sollte jedes Tool, das korrekt funktioniert, durchweg einen niedrigen KI-Erkennungswert liefern.
Die Ergebnisse fielen sehr unterschiedlich aus:

• Pangram und Originality.ai zeigten die zuverlässigsten Ergebnisse. Beide Tools identifizierten jeden Artikel korrekt als von Menschen verfasst.
  • Pangram ergab bei allen zehn Artikeln 0 Prozent.
  • Originality.ai ergab bei acht Artikeln 0 Prozent, bei zwei Artikeln 1 Prozent.
• Grammarly ermittelte bei acht Artikeln einen Wert von 0 Prozent, bei zwei Artikeln wurden Werte von 7 Prozent bzw. 9 Prozent angezeigt.
• ZeroGPT zeigte eine inkonsistente Leistung: Die Werte reichten von einem Tiefstwert von 5 Prozent bis zu einem Höchstwert von 76 Prozent, wobei mehrere Artikel über 50 Prozent lagen.
• Sidekicker.ai stufte jeden Artikel als überwiegend von einer KI verfasst ein, wobei die Werte zwischen 71 Prozent und 100 Prozent lagen.

Fazit von Authors Guild: Einige KI-Erkennungstools identifizieren von Menschen verfasste Texte mit hoher Genauigkeit. Einige gängige KI-Erkennungstools arbeiten jedoch ungenau. Eine Erkennung, ob ein Artikel von einem Menschen stammt oder durch eine KI generiert wird, ist durch den Einsatz dieser Erkennungstools wohl eher nicht sicher möglich.
URL:

• Authors Guild “Can AI Detectors Be Trusted?”: https://authorsguild … etectors-be-trusted/