🧠 Interaktives Arbeitsblatt: Wie arbeitet ein LLM?
WPF Informatik · Klasse 10 · Standalone-HTML · läuft vollständig offline
v0.4Ein LLM (Large Language Model) ist ein Programm, das Texte Schritt für Schritt fortsetzt. Es kennt keine „Fakten" wie ein Lexikon – es berechnet immer nur: Welches Wort (Token) kommt als nächstes?
Schritt 1 → Text wird in Tokens zerlegt ▸ Schritt 2 → Das Modell sagt das nächste Token voraus ▸ Schritt 3 → Nur ein begrenzter Kontext wird betrachtet ▸ Schritte 4–6 → Temperatur, Prompts, Grenzen des Modells
LLMs verarbeiten Text nicht buchstaben- oder wortweise, sondern als Tokens – Bausteine, die Wörter, Wortteile oder Satzzeichen sein können. Unser Mini-Modell trennt vereinfacht: Wörter und Satzzeichen.
Aufgabe 1
Warum könnte die Aufteilung in Tokens hilfreich sein? Gib 1–2 Beispiele. (1–3 Sätze)
Das Modell schaut auf den bisherigen Text und sagt: „Welches Token kommt jetzt am wahrscheinlichsten?" Das passiert Token für Token, bis der Text fertig ist.
Aufgabe 2 (Multiple Choice)
Welche Aussage beschreibt am besten, wie ein LLM Text erzeugt?
Unser Mini-Modell ist ein Bigramm-Modell. Echte LLMs wie GPT-4 oder Gemini funktionieren grundlegend anders. Klicke auf die Stufen, um die Entwicklung zu erkunden:
Das Modell aus Schritt 2 schaut auf das letzte Token. Echte LLMs schauen auf viele Tokens – aber nie auf alle. Die maximale Anzahl Tokens, die ein Modell gleichzeitig verarbeiten kann, heißt Kontextfenster.
Der Rechenaufwand eines LLM steigt mit jedem weiteren Token stark an. Je größer das Fenster, desto mehr Rechenleistung und Speicher werden benötigt. Deshalb muss man eine Grenze setzen – Tokens, die außerhalb des Fensters liegen, werden komplett ignoriert.
Verbindung zu Schritt 2: Klicke auf „Aus diesem Kontext generieren" – das Mini-Modell benutzt dann nur die Tokens im Fenster als Starttext:
Aufgabe 3 (Richtig / Falsch)
a) Ein LLM kann beliebig viel vorherigen Text gleichzeitig berücksichtigen.
b) Wenn der Prompt sehr lang wird, kann Wichtiges „aus dem Fenster fallen" und wird ignoriert.
Wie du fragst, beeinflusst die Antwort stark. Teste die drei Beispiel-Prompts und beobachte den Unterschied.
Aufgabe 4
Nenne zwei Prompt-Bausteine, die die Antwort stark steuern (z. B. Rolle, Umfang, Format). Stichworte reichen.
LLMs können überzeugend klingen, auch wenn etwas erfunden ist. Dieses Phänomen nennt man Halluzination.
„Der Altair 8800 wurde 1975 vorgestellt. Bill Gates gründete Microsoft 1985 direkt für den Altair und Apple verkaufte den ersten iPhone-PC 1979."
Aufgabe 5 (Multiple Choice)
Welche Aussage ist korrekt?
Aufgabe 6
Nenne zwei Dinge, die du bei KI-Antworten immer prüfen würdest.
Generiere zwei Antworten auf denselben Prompt mit unterschiedlicher Temperatur und vergleiche.
Aufgabe 7
Beschreibe einen Unterschied, den du zwischen niedriger und hoher Temperatur beobachtet hast. (1–2 Sätze)
Aufgabe 8
Was würdest du jemandem erklären, der sagt: „Die KI weiß alles"? (2–4 Sätze)
🔑 Lösungshinweise (Selbstkontrolle / Lehrkraft)
- Aufgabe 2: Richtig ist B – Token-für-Token.
- Aufgabe 3: a) Falsch, b) Richtig.
- Aufgabe 5: Richtig ist B – Fakten immer prüfen.
- Freie Aufgaben (1/4/6/7/8): Tokens = Bausteine; Prompt steuert Rolle/Format/Länge; Fakten prüfen (Zahlen, Namen, Zitate); Temperatur = Zufälligkeit; LLM = Textvorhersage, kein „Wissen".
Standalone-HTML · keine externen Abhängigkeiten · läuft lokal und auf Schulservern