AI

Wenn du regelmäßig mit verschiedenen OpenAI-Modellen arbeitest, taucht sehr schnell eine Frage auf: „Welches Modell sollte ich für diese Aufgabe benutzen?“ Latenz, Output-Qualität, Tokenverbrauch und Preis spielen alle eine Rolle — und meistens siehst du die echten Unterschiede erst dann, wenn du die Modelle nebeneinander ausprobierst. Also habe ich ein kleines Blazor-Server-Dashboard gebaut, das genau das macht: Ein Prompt rein → mehrere Modelle raus → Ergebnisse sauber nebeneinander. Live-Demo: https://openaimodelcomparison.tsjdev-apps.de

Mein Tool PicCaptionr ( GitHub-Repository ), das automatisch Instagram-taugliche Bildbeschreibungen generiert, hat ein neues Update erhalten – und dieses bringt gleich mehrere spannende Verbesserungen mit. 🔧 Aktualisiert auf .NET 10 Die gesamte Anwendung – inklusive Console App, WPF und Avalonia – läuft jetzt auf .NET 10. Das sorgt für: bessere Performance längere Zukunftssicherheit noch stabilere Builds auf Windows, Linux und macOS Alle NuGet-Pakete wurden ebenfalls auf den neuesten Stand gebracht. 🤖 Unterstützung der neuesten OpenAI-Modelle In allen App-Varianten können nun die aktuellsten OpenAI-Modelle getestet werden – egal ob du OpenAI direkt nutzt oder Azure OpenAI als Backend bevorzugst.

Mit dem Sora-2-Modell von OpenAI können Entwickler jetzt kurze, KI-generierte Videos direkt aus einem einfachen Text-Prompt erzeugen. In diesem Tutorial bauen wir eine .NET-Konsolenanwendung, die direkt mit dem neuen /videos-Endpunkt von OpenAI interagiert. Voraussetzungen Du brauchst: .NET 9 SDK Einen OpenAI API-Schlüssel mit Zugriff auf das Sora-2-Modell Grundlegende Kenntnisse in C#-Async-Programmierung Projekt erstellen und Abhängigkeit installieren: dotnet new console -n Sora2VideoCLI cd Sora2VideoCLI dotnet add package Spectre.Console Projektstruktur Wir bauen drei zentrale Komponenten:

Wenn du mir schon eine Weile auf diesem Blog folgst, weißt du: Ollama war bislang vor allem eine Lösung, um große Sprachmodelle lokal auf dem eigenen Rechner laufen zu lassen. Ich habe Ollama hier im Blog schon mehrmals vorgestellt und darüber geschrieben, wie man Modelle zieht, betreibt und mit ihnen interagiert – mit dem Vorteil, dass die Daten lokal bleiben und man Unabhängigkeit gewinnt. Aber natürlich war das mit Nachteilen verbunden: Wenn dein Rechner nicht genügend Rechenpower hat, kannst du spürbare Geschwindigkeitseinbußen erleben.

Künstliche Intelligenz ist heute zugänglicher denn je – und mit GitHub Models kannst du jetzt eine Vielzahl von Large Language Models (LLMs) direkt über GitHub ausprobieren. Das Beste daran? Viele dieser Modelle – auch von anderen Anbietern als OpenAI – können kostenlos getestet werden. In diesem Beitrag zeige ich dir, wie du eine einfache .NET-Konsolen-Chat-Anwendung erstellst, die GitHub Models nutzt. Dabei richten wir den notwendigen Zugriff ein, probieren verschiedene Modelle aus und sehen, wie einfach es ist, mit modernster KI zu experimentieren.

Künstliche Intelligenz begeistert und irritiert zugleich: Sprachmodelle wie ChatGPT können in Sekunden komplexe Texte verfassen, wirken dabei oft erstaunlich kompetent – und liegen trotzdem manchmal völlig daneben. Diese „Halluzinationen“ sind keine seltene Panne, sondern ein strukturelles Problem. Das Paper „ Why Language Models Hallucinate “ von OpenAI geht genau dieser Frage auf den Grund und liefert spannende Einblicke, warum KI zum Raten neigt und was das mit unserer Art zu testen und zu bewerten zu tun hat.

Am 7. August 2025 hat OpenAI GPT-5 vorgestellt. Das Modell kombiniert einen High-Throughput-Modus für schnelle Antworten mit einer erweiterten Reasoning-Variante („GPT-5 Thinking“) für komplexere Aufgaben. Damit wird die Antwortstrategie dynamisch je nach Eingabe angepasst. Alle Nutzer von ChatGPT können GPT-5 direkt verwenden, während Plus- und Pro-Abos höhere Limits bieten. Für Pro gibt es außerdem eine leistungsstärkere Variante namens GPT-5 Pro, die insbesondere für längere Sessions und komplexe Aufgaben optimiert ist.

Vor einiger Zeit habe ich bereits über Ollama berichtet – eine Plattform, mit der sich KI-Modelle lokal auf dem eigenen Rechner ausführen lassen. Bisher lief die Interaktion in erster Linie über die Kommandozeile. Das war zwar für Entwickler praktisch, stellte aber für viele Anwender eine gewisse Einstiegshürde dar. Mit dem neuesten Update bringt Ollama nun eine eigene Benutzeroberfläche (UI) mit. Diese macht den Umgang mit lokalen KI-Modellen deutlich komfortabler: Einfache Bedienung: Anfragen können direkt in einem Chatfenster eingegeben werden, ohne dass Terminal-Befehle notwendig sind. Übersichtliche Verwaltung: Installierte Modelle werden übersichtlich angezeigt, können schnell gewechselt oder aktualisiert werden. Nahtlose Integration: Entwickler können weiterhin die Ollama-API oder CLI nutzen – die UI ergänzt also bestehende Workflows. Damit öffnet sich Ollama auch für Nutzer, die mit der Kommandozeile wenig Erfahrung haben und sich eine intuitivere Umgebung wünschen.

Ein KI-gestütztes Tool, das automatisch schöne, kontextbezogene Bildunterschriften im Instagram-Stil erstellt – direkt von deinem Desktop, auf allen wichtigen Plattformen. In einer Welt voller Fotos ist es oft die Bildunterschrift, die auf Social Media den Unterschied macht. Egal ob du Reiseblogger, Content Creator oder Gelegenheits-Abenteurer bist – die richtigen Worte zu finden, ist manchmal schwerer, als das perfekte Foto zu schießen. ✨ Features 🧠 OpenAI Vision-Unterstützung zum Erkennen von Bildinhalten 🌍 Mehrsprachige Ausgabe (z. B. Englisch, Deutsch, Spanisch) 📁 Verarbeitung von mehreren Bildern aus Ordnern 🧾 JSON-Export inklusive EXIF- und KI-Metadaten ⚙️ Konsolen- und GUI-Varianten (Avalonia & WPF) ☁️ Unterstützung für OpenAI- und Azure-OpenAI-Backends 🧱 Architekturüberblick PicCaptionr ist sauber strukturiert – mit DI-fähigen Servicelayern und plattformspezifischen UI-Layern:

Möchtest du schnell eine Antwort auf eine Frage, ohne erst den Browser zu öffnen? Mit einer einfachen PowerShell-Funktion kannst du direkt aus deinem Terminal heraus eine Frage stellen – und die Antwort von OpenAI erhalten. In diesem Beitrag zeige ich dir Schritt für Schritt, wie du die answer-Funktion in deiner PowerShell einrichtest, was im Hintergrund passiert und wie du das Ganze nutzen kannst. 🧰 Voraussetzungen Bevor du loslegst, brauchst du:

Baue intelligentere KI-Apps mit Model Router, Azure AI Foundry und .NET – dynamisches Routing von Anfragen ganz einfach umgesetzt. Die englische Version dieses Beitrags findet ihr auf Medium . Einführung Mit zunehmender Komplexität von KI-Anwendungen steigt auch der Bedarf an Flexibilität und Skalierbarkeit beim Einsatz unterschiedlicher Foundation-Modelle. Microsoft begegnet diesem Trend mit Azure AI Foundry – einer Plattform, die es Entwickler:innen einfacher macht, Foundation-Modelle zu entdecken, zu nutzen und zu verwalten. Darunter sind Modelle von OpenAI, Meta, Mistral und vielen anderen.

Nutze den Azure OpenAI Service, um automatisch dein Podcast-Skript, die Beschreibung, Social-Media-Posts, das Audio und sogar das Cover zu generieren. Die englische Version dieses Beitrags findet ihr auf Medium . Einführung Ein Podcast ist ein digitales Audio- oder Videoformat, das sich mit ganz unterschiedlichen Themen beschäftigt – von Nachrichten über Storytelling und Interviews bis hin zu Bildung und Unterhaltung. Du findest Podcasts auf Plattformen wie Apple Podcasts, Spotify, Google Podcasts und vielen mehr – also jederzeit und überall abrufbar.

Manchmal kann es herausfordernd sein, das richtige KI-Modell für eine bestimmte Aufgabe zu finden. Mit GitHub Models hast du die Möglichkeit, verschiedene Optionen zu testen und miteinander zu vergleichen. Einführung Wenn du ein Projekt im Bereich maschinelles Lernen oder künstliche Intelligenz startest, ist einer der wichtigsten Schritte die Auswahl des richtigen Modells für deine spezifische Aufgabe. Diese Wahl ist nicht trivial – verschiedene Modelle haben unterschiedliche Stärken, Einschränkungen und Anwendbarkeit, je nach Faktoren wie Datensatzgröße, Datenkomplexität, gewünschtem Output und Leistungsanforderungen.

Heute möchte ich euch ein Feature vorstellen, an dem GitHub gerade arbeitet. Dabei handelt es sich um GitHub Copilot Workspace . Aktuell ist der Dienst als Preview verfügbar und auf der GitHub Next Webseite kann man sich auf die Warteliste setzen lassen. Ich habe dies natürlich direkt getan und habe seit kurzem entsprechend Zugriff. Ausgangslage bildet ein GitHub-Repository. Ich habe hierfür ein neues GitHub-Repository angelegt und hier eine leere .NET8 Konsolenapplikation hinzugefügt.

Vor kurzem fand der OpenAI DevDay 2024 in San Francisco statt. Es standen zahlreiche spannende Neuerungen im Fokus, die Entwicklern dabei helfen sollen, fortschrittliche und kosteneffiziente KI-Anwendungen zu entwickeln. Hier sind die zentralen Ankündigungen, die dein nächstes Projekt auf das nächste Level heben könnten.. Realtime API Eine der wichtigsten Ankündigungen war die neue Realtime API, die Entwicklern ermöglicht, KI-Anwendungen mit nahezu verzögerungsfreien Sprachinteraktionen zu entwickeln. Statt mehrere Schritte wie Spracherkennung, Textverarbeitung und Text-zu-Sprache durchzuführen, wird nun alles in Echtzeit verarbeitet. Dies verbessert nicht nur die Geschwindigkeit, sondern auch die emotionale Qualität der Sprache. Diese API eignet sich besonders für Kundensupport, Bildungsanwendungen und interaktive Sprachdienste​.

Ich habe bereits vor einiger Zeit einmal ChatGPT genutzt, um das klassische Spiel Snake per AI als Python-Script erstellen zu lassen. Seitdem ist einiges an Zeit vergangen und man bekommt Zugriff auf neue Modelle und daher habe ich mir gedacht, dass ich einfach mal einen Prompt nutze und damit die bekannten Large Language Models füttere. In diesem Beitrag gibt es nun das Ergebnis. Prompt Zunächst möchte ich euch natürlich meinen Prompt zur Verfügung stellen.