Wie viel ein KI-Modell wirklich behält

Eine Million Token Kontext klingt wie das Versprechen, das Modell lese ein ganzes Buch und behalte alles. Die Realität sieht anders aus: Ein großes Fenster zeigt, wie viel Siehineinbekommen, nicht wie viel das Modell findet. Ich prüfe das mit einem eigenen Test auf Deutsch: Ich verstecke in einem langen Dokument einen eindeutigen Code und bitte um dessen Auffinden. Das Ergebnis ist binär - entweder nennt es den Code oder nicht.

Letzter Durchlauf: 2026-11-09 04:48:10 · zwei Verstecke nach Länge (25% und 75% des Dokuments) · exakte Übereinstimmung

Modell	8 Tsd. Token	32 Tsd. Token	128 Tsd. Token
Claude Opus 5	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten
GPT-5.6 Terra	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten
Kimi K3	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten
DeepSeek V4 Pro	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten	keine AntwortZeitlimit überschritten

So funktioniert der Test

Ich erstelle ein Dokument aus nummerierten Absätzen mit neutralem Inhalt (Archivprotokolle) und füge an einer bestimmten Stelle einen Satz mit einem Code ein, der sich weder erraten noch erlernen lässt, weil er aus der Prüfsumme des Tages und der Testparameter entsteht:

Besonderer Absatz. Der Zugangscode zum Ersatzarchiv lautet NB-A3F91C und gilt ausschließlich in diesem Dokument.

Anschließend bitte ich das Modell, nur den Code zu nennen. Ich verstecke ihn zweimal: einmal bei einem Viertel des Dokuments, einmal bei drei Vierteln - denn Modelle erinnern sich meist am besten an Anfang und Ende, verlieren aber die Mitte. „Gefunden" bedeutet zwei Treffer von zwei, „teilweise" einen, „verloren" null. Ich messe auch die Antwortzeit, denn bei langem Kontext kann sie von Sekunden auf Minuten anwachsen, was wichtig ist, wenn Sie darauf ein Produkt aufbauen.

Was dieser Test nicht misst

Das Auffinden einer Tatsache ist die einfachste Aufgabe in einem langen Kontext. Schwieriger ist es, mehrere über das Dokument verstreute Informationen zu verknüpfen und aus dem Ganzen Schlüsse zu ziehen - ein Modell, das Code findet, kann bei einer Frage, die drei Absätze aus verschiedenen Stellen zusammenführen muss, dennoch den Faden verlieren. Betrachten Sie dieses Ergebnis als Untergrenze, nicht als Obergrenze: Wenn ein Modell diesen Test nicht besteht, wird es einen schwierigeren erst recht nicht bestehen. Bei eigenen Implementierungen prüfen Sie immer mit Ihren eigenen Dokumenten, denn die Textstruktur ist entscheidend.

Ich wiederhole den Test jede Woche und archiviere die Ergebnisse - so sehen wir, ob Modelle nach stillen Updates mehr verlieren als zuvor. Die Preise der Modelle aus dieser Tabelle finden Sie unterKostenrechner, ihre vollständigen Profile in den Hubs:Opus 5, GPT-5.6, Kimi K3. Wenn Sie die Ergebnisse zitieren, geben Sie „wissnox.de, Kontextfenster-Test" und das Datum des Durchlaufs an.