Generatives KI-Lexikon 2026: Bild, Video, Musik, Sprachmodelle und das Recht

Latenter Raum: die komprimierte Form des Bildes

Die Diffusion läuft nicht auf den Pixeln, sondern in einer komprimierten Repräsentation (Latent Diffusion, Rombach et al., 2021). Ein Variational Autoencoder (VAE) verdichtet das Bild mit 512×512×3 Pixeln auf 64×64×4 Werte, also pro Seite auf ein Achtel und insgesamt auf rund 48-mal weniger Zahlen. Das Verrauschen und Entrauschen findet in diesem latenten Raum statt, am Ende stellt der Decoder des VAE die Pixel wieder her.

Das ermöglicht es, dass ein Modell mit mehreren Milliarden Parametern auf einer einzigen Grafikkarte läuft, und deshalb heißt diese Modellfamilie Latent Diffusion. Der latente Raum ist kontinuierlich: Interpoliert man zwischen zwei Punkten, entstehen sinnvolle Zwischenbilder. Das ist die Grundlage von Variationen, Bild-zu-Bild-Umwandlung und Inpainting (dem Neugenerieren eines Bildteils entlang einer Maske).

Textencoder und Cross-Attention: wie der Prompt ins Bild kommt

Der Prompt wird zunächst in Tokens zerlegt, dann ordnet ein Textencoder (in frühen Modellen CLIP, heute T5 oder ein Sprachmodell) jedem Token einen Zahlenvektor zu. Diese Vektoren gelangen in die Attention-Schichten des Entrauschungsnetzes: Die Bild-Tokens "fragen" (Query), die Text-Tokens "antworten" (Key, Value), sodass das Netz bei jedem Bilddetail weiß, welches Wort sich darauf bezieht.

Die Bildqualität bei Textdarstellung und komplexen Kompositionen hat sich seit 2024 deshalb so sichtbar verbessert, weil der kurze CLIP-Encoder mit 77 Tokens durch Sprachmodelle mit langem Kontext ersetzt wurde: Das Modell sieht keinen Wortsack mehr, sondern Satzstruktur. In der Praxis schreiben wir deshalb einen vollständigen, beschreibenden Prompt (Motiv, Komposition, Licht, Objektiv, Stimmung) und keine Stichwortliste.

Flow Matching und Diffusion Transformer

Die Bild- und Videomodelle der Jahre 2025 und 2026 (Stable Diffusion 3, Flux, Wan, Seedance, Veo) brachten zwei Neuerungen. Flow Matching (Lipman et al., 2022) zieht statt eines gekrümmten Rauschplans eine gerade Linie zwischen Bild und Rauschen, und das Modell lernt die Geschwindigkeit entlang dieser Geraden: x_t = (1 - t) * x_0 + t * e, Ziel v = e - x_0. Dank der geraden Bahn ist die Probe auch mit weniger, größeren Schritten gut.

Der Diffusion Transformer (DiT, Peebles und Xie, 2022) ersetzt das frühere U-Net: Er zerlegt das latente Bild in 2×2-Patches, macht daraus eine Token-Sequenz und verarbeitet sie mit einem Standard-Transformer. Die MMDiT-Variante (SD3, Flux) behandelt Text- und Bild-Tokens in einem gemeinsamen Attention-Block, aber mit getrennten Gewichtssätzen, sodass die beiden Modalitäten in beide Richtungen kommunizieren. Der Vorteil des Transformers: Er verbessert sich mit wachsender Größe vorhersehbar, und derselbe Baustein dient auch für Video.

GAN, VAE, autoregressiv: die übrigen Modellfamilien

GAN (Goodfellow et al., 2014): Zwei Netze konkurrieren, der Generator erzeugt Bilder, der Diskriminator unterscheidet echt von falsch. Es generiert in einem Schritt und ist daher schnell, aber schwer zu trainieren; heute lebt es als interner Verlust in VAE-Decodern und in beschleunigten Modellen mit wenigen Schritten weiter.

VAE (Kingma und Welling, 2013): Encoder und Decoder mit einer regulierten latenten Verteilung dazwischen. Für sich allein liefert er unscharfe Bilder, ist aber die Komprimierungsstufe der Latent Diffusion.

Autoregressives Token-Modell (VQ-VAE, VQGAN, Parti, Emu3): Es zerlegt das Bild in ganze Zahlen eines gelernten Codebuchs, und ein Sprachmodell sagt das nächste Bild-Token genauso voraus wie das nächste Wort. Nach diesem Prinzip arbeitet auch die GPT-Image-Linie von OpenAI, ein nativ in das Sprachmodell eingebauter Bildgenerator: Er schreibt exakten Text ins Bild und beherrscht mehrstufiges Bearbeiten, decodiert dafür aber langsamer und sequenziell.

Konsistenz- und destillierte Modelle (Song et al., 2023): Ein "Schüler" lernt, die Ausgabe eines mehrstufigen "Lehrer"-Modells in 1 bis 8 Schritten nachzuahmen. Das sind die Turbo-, Lightning- und Fast-Varianten, die innerhalb von Sekunden eine Vorschau liefern.

CLIP: die Brücke zwischen Text und Bild

CLIP (Radford et al., 2021) trainiert zwei Encoder gleichzeitig, einen Bildencoder und einen Textencoder, auf 400 Millionen Bild-Beschriftungs-Paaren mit kontrastivem Ziel. Die Vektoren von zusammengehörigem Bild und Text rücken in einem gemeinsamen Raum nah zusammen, die von nicht zusammengehörigen weit auseinander. Dieses einfache Prinzip arbeitet in heutigen Systemen an vier Stellen: beim Filtern der Trainingsdaten, als Textencoder der frühen Modelle, bei der Bewertung der Ausgabe (CLIP-Score) und als Eingabe für Bild-Prompts (IP-Adapter, Referenzbild).

Dieselbe Idee funktioniert auch für Audio (CLAP), deshalb lässt sich ein Musikmodell mit einer textlichen Stimmungsbeschreibung steuern.

Gewichte, keine Dateien: warum das Modell keine Bilder zusammenschneidet

Das Training kopiert nicht, sondern stellt die Parameter (Gewichte) des Netzes so ein, dass der Entrauscher die Richtung der Trainingsverteilung vorhersagt. Die Größenordnungen sprechen für sich: Ein Bildmodell mit 32 Milliarden Parametern (Flux.2) hat in halber Genauigkeit rund 64 Gigabyte, die Trainingsbilder dagegen umfassen mehrere hundert Terabyte. Der Datensatz passt physisch nicht in die Gewichte, das Modell kann eine Datei also nicht "heraussuchen".

Memorisierung gibt es trotzdem, aber sie ist selten und konzentriert sich auf Duplikate: Carlini et al. (2023) fanden bei Stable Diffusion unter 175 Millionen Versuchen etwa hundert Ausgaben, die einem Trainingsbild nahezu entsprachen, typischerweise bei vielfach wiederholten Bildern. Die Labore reagieren darauf mit Deduplizierung, Diversifizierung der Bildunterschriften, Filterung bekannter Werke und Personen sowie Ähnlichkeitsprüfung der Ausgaben. Aus rechtlicher Sicht steht aber genau diese Memorisierung im Mittelpunkt der europäischen Urteile der Jahre 2025 und 2026, darüber schreiben wir im Rechtskapitel.

Steuerung: ControlNet, LoRA, Referenzbild

Der professionelle Einsatz entscheidet sich nicht im Prompt, sondern in den Bedingungen. Jede Steuerung gibt dem Entrauscher ein weiteres Signal. Bild-zu-Bild (SDEdit): Das Eingabebild wird teilweise verrauscht und von dort weitergeführt, die Stärke bestimmt, wie viel vom Original bleibt. Inpainting und Outpainting: Entlang der Maske wird nur der ausgewählte Bereich neu generiert. ControlNet (Zhang et al., 2023): speist eine Kanten-, Tiefen- oder Posenkarte über einen parallelen Netzzweig ein, so lässt sich die Komposition fixieren, während der Stil frei bleibt. IP-Adapter: Der CLIP-Vektor eines Referenzbilds kommt über einen eigenen Attention-Zweig, das ist der "Bild-Prompt". LoRA (Hu et al., 2021): Die Gewichte des Modells werden nicht umgeschrieben, sondern eine Ergänzung mit niedrigem Rang trainiert (W' = W + B·A), ein Adapter von wenigen Megabyte für ein Produkt, eine Figur oder einen Markenstil. DreamBooth: bindet das Motiv aus 3 bis 5 Fotos an ein seltenes Token.

Die Spitzenmodelle der Jahre 2025 und 2026 vereinfachen das zu einer referenzbasierten, im Kontext lernenden Steuerung: Flux.2 behält bis zu 10, Nano Banana Pro bis zu 14 Referenzbilder (die Identität von 5 Personen), Veo 3.1 hat "Ingredients", Kling 3.0 "Elements", und Seedance 2.0 akzeptiert Bild, Video und Ton als Referenz. Das ermöglicht die Konsistenz von Markenelementen, Produkt und Darsteller von Einstellung zu Einstellung.

Attention: die Grundoperation des Transformers

Der Transformer (Vaswani et al., 2017) berechnet für jedes Token drei Vektoren: Query (Q), Key (K), Value (V). Die Attention-Formel: Attention(Q, K, V) = softmax(Q·K^T / sqrt(d_k)) · V. Jedes Token "schaut" auf jedes frühere Token, gewichtet es nach Ähnlichkeit und trägt die Summe der gewichteten Werte weiter. In einem Decoder-Modell verbietet eine kausale Maske den Blick in die Zukunft. Mehrere Köpfe (Multi-Head) achten parallel auf jeweils andere Beziehungen, den Block ergänzen ein Feedforward-Netz, eine Residualverbindung und eine Normalisierung, und davon werden 32 bis 128 Schichten übereinander gestapelt.

Die Position liefert eine rotierende Kodierung (RoPE): Die Q- und K-Vektoren werden um einen zur Position proportionalen Winkel gedreht, sodass das Skalarprodukt nur vom relativen Abstand abhängt. Das Trainingsziel ist die Kreuzentropie des nächsten Tokens: L = - sum_t log p(x_t | x_<t). Beim Antworten sampelt das Modell Token für Token (Temperatur, Top-p), hält die früheren Keys und Values in einem Cache (KV-Cache), und das Kontextfenster bewegt sich 2026 zwischen 200.000 und 1 Million Tokens. Mixture-of-Experts-Modelle (MoE) aktivieren pro Token nur wenige "Experten"-Teilnetze, deshalb kann ein Modell mit 671 Milliarden Parametern 37 Milliarden aktive Parameter haben.

Trainingsstufen: Vortraining, Feinabstimmung, RLHF, Reasoning

1. Vortraining auf mehreren Billionen Tokens aus Webtexten, Code und Büchern: Das Modell lernt die Statistik der Sprache, es ist noch kein "Assistent". 2. Überwachte Feinabstimmung (SFT) auf Paaren aus Anweisung und Antwort. 3. RLHF (Ouyang et al., 2022): Menschen bewerten Antwortpaare, daraus entsteht ein Belohnungsmodell, und das Sprachmodell wird per bestärkendem Lernen (PPO) auf die Belohnung optimiert, mit einer KL-Strafe, damit es sich nicht vom SFT-Modell entfernt. DPO (2023) lässt das Belohnungsmodell weg und lernt die Präferenzen direkt; RLAIF und Constitutional AI ersetzen den Großteil der menschlichen Labels durch KI-Feedback auf Basis schriftlicher Grundsätze. 4. Reasoning-Modelle: Durch bestärkendes Lernen auf überprüfbaren Belohnungen (korrekte Mathematik- oder Codeantworten) lernt das Modell lange Gedankengänge (DeepSeek-R1, 2025) und nutzt zur Antwortzeit mehr Rechenleistung.

Nach den Skalierungsgesetzen (Kaplan 2020, Chinchilla 2022) sinkt der Verlust als Potenzfunktion mit mehr Parametern, Daten und Rechenleistung, und rechenoptimales Training nutzt etwa 20 Tokens pro Parameter. Die Spitzenmodelle von 2026 (die Familien GPT, Claude, Gemini, Llama, Mistral, DeepSeek, Qwen und Grok) folgen alle diesem Rezept, der Unterschied liegt in den Daten, der Größe, der Multimodalität und dem Nachtraining.

RAG und Websuche: woher das Modell weiß, was wahr ist

Ein Sprachmodell sagt das nächste wahrscheinliche Token voraus, nicht die Wahrheit: Deshalb halluziniert es. Laut Kalai et al. (OpenAI, 2025) entsteht Halluzination als einfacher Klassifikationsfehler, und Benchmarks verstärken sie, weil sie Raten stärker belohnen als Zurückhaltung. Die Lösung ist die Verankerung: Retrieval-Augmented Generation (RAG, Lewis et al., 2020) wandelt die Frage in einen Vektor um, sucht in einem Index die nächstliegenden Textstellen, fügt sie in den Prompt ein, und das Modell antwortet mit Bezug auf diese. KI-Suchmaschinen (ChatGPT search, Perplexity, Google AI Mode, Gemini, Copilot, Claude, Grok) folgen demselben Schema, wobei der Retriever ein Webindex ist.

Daraus folgt der Kern von GEO: Entscheidend ist nicht, was das Modell "weiß", sondern welche Textstelle im Moment der Antwort in den Prompt gelangt. Laut der Semrush-Untersuchung vom April 2026 nutzt ChatGPT bei 34,5 Prozent der Anfragen die Websuche, laut dem AI Visibility Index vom Juni 2026 zitiert es durchschnittlich 15 Quellen pro Antwort, Gemini drei. Das Modell kann sich auch dann irren, wenn es eine gute Quelle erhalten hat: Es verliest sich, verallgemeinert zu stark oder zitiert ein Detail, das die Aussage nicht stützt. Deshalb ist eine zitierfähige, eindeutige, mit Daten belegte Seite auch der beste Schutz gegen falsches Zitieren.

SynthID: unsichtbares Wasserzeichen

Googles SynthID bettet im Moment der Generierung ein pixelgenaues, mit bloßem Auge unsichtbares Wasserzeichen in Bild, Video, Audio und Text ein, das Zuschnitt, Filtern, Komprimierung und Änderungen der Bildrate standhält. Laut der SynthID-Image-Studie vom Oktober 2025 haben mehr als 10 Milliarden Bilder und Einzelbilder ein solches Zeichen erhalten; jede Ausgabe von Veo, Imagen, Nano Banana, Gemini und Lyria ist mit Wasserzeichen versehen, und die Gemini-App kann es prüfen. Die Detektoren sind herstellerspezifisch: SynthID erkennt Googles Werkzeug, die Ausgabe von OpenAI der Klassifikator von OpenAI; allgemeine "KI-Detektoren" bauen auf gelernten Artefakten auf und sind nach einer Neukodierung unzuverlässig. Die Unterzeichner des EU-Kodex müssen bis zum 2. Februar 2027 eine interoperable Erkennung gewährleisten.

Plattform-Labels 2026

Meta (Facebook, Instagram, Threads): automatisches "AI info"-Label bei C2PA- oder IPTC-Signal, verpflichtende Selbstauskunft bei realistischen KI-Videos und KI-Audio; ab dem 6. Mai 2026 freiwillige Kennzeichnung "AI creator" auf Kontoebene bei Instagram ohne Reichweitenstrafe; ab dem 7. Juli 2026 zeigt "About this ad" bei Anzeigen, ob das Werbemittel mit generativen Werkzeugen von Meta oder Dritten erstellt oder verändert wurde. TikTok: liest C2PA seit 2024, setzt ein eigenes unsichtbares Wasserzeichen auf KI-Inhalte, verpflichtendes Label bei realistischen KI-Bildern und KI-Audio, hat mehr als 1,3 Milliarden Videos gekennzeichnet. YouTube: ab dem 27. Mai 2026 ein einziges Label "altered or synthetic content" unter dem Player (bei Shorts eingeblendet), automatische Kennzeichnung bei fotorealistischen KI-Inhalten oder C2PA-Daten; das Label auf Veo- und Dream-Screen-Inhalten lässt sich nicht entfernen; das Label allein beeinflusst weder Empfehlung noch Einnahmen.

Was sie dagegen beeinflusst: YouTube schließt seit dem 15. Juli 2025 "inauthentische", massenhaft produzierte Inhalte von der Monetarisierung aus, Meta macht seit dem 13. März 2026 Konten, die überwiegend nicht originäre Inhalte veröffentlichen, nicht mehr empfehlbar. Das Label ist also keine Strafe, minderwertiger KI-Content ohne Originalität dagegen schon.