12.12.2024
SEPP HOCHREITER

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

Das Linzer Startup NXAI von KI-Koryphäe Sepp Hochreiter veröffentlicht sein xLSTM 7B Modell - mit großen Versprechungen.
/artikel/nxai-xlstm-7b
Sepp Hochreiter | (c) NXAI
Sepp Hochreiter | (c) NXAI

Das Team des Linzer Startups NXAI rund um KI-Pionier und JKU-Linz-Professor Sepp Hochreiter, der als Chief Scientist fungiert, und CEO Albert Ortig hat es bereits gezeigt: Auf seine Ansagen folgen auch entsprechende Ergebnisse. Im Mai dieses Jahrs veröffentlichte das Unternehmen wenige Monate nach seiner Gründung sein erstes Large Language Model (LLM). Nun folgte, wie bereits im August angekündigt, die nächste Version: das „xLSTM 7B Modell“.

xLSTM 7B deutlich kleiner als die LLMs der großen Player

Wer nun einen österreichischen ChatGPT-Konkurrenten erwartet, wird allerdings enttäuscht. Das NXAI-Modell richtet sich nämlich nicht an die breite Öffentlichkeit und weist deutliche Unterschiede zu den Modellen der großen Player auf. Mit sieben Milliarden Parametern (7B), auf deren Basis es trainiert wurde, ist es maßgeblich kleiner als die bekannten Modelle – GPT-3 von OpenAI wurde etwa mit 175 Milliarden Parametern trainiert, bei GPT-4 wurde die genaue Zahl nicht kommuniziert.

NXAI setzt auf andere Architektur

Im Unterschied zu den großen Playern soll jedoch auch die Stärke von xLSTM 7B liegen. Aufbauend auf der von Sepp Hochreiter bereits in den 1990er-Jahren mitentwickelten Long Short-Term-Memory-Technologie (LSTM) setzt das Modell auf eine andere Architektur, als die bei den bekannten Modellen genutzte „Transformer“-Technologie.

„Im Gegensatz zur Transformer-Technologie steigen die xLSTM-Berechnungen nur linear mit der Textlänge und brauchen im laufenden Betrieb weniger Rechenleistung. Das ist ein großer Vorteil, da komplexe Aufgaben viel mehr Text sowohl zur Aufgabenbeschreibung als auch zur Lösung brauchen“, heißt es dazu von NXAI. xLSTM 7B sei dadurch deutlich effizienter, schneller und brauche weniger Rechenressourcen als andere Large Language Models. Anhand diverser Benchmarks, etwa Massive Multitask Language Understanding (MMLU), vergleicht das Startup sein Modell mit anderen Modellen in ähnlicher Größe (siehe Grafik) und sieht seinen Claim bestätigt.

Hochreiter: „Es ist das energieeffizienteste Modell in der Welt der Large Language Models mit einer schnellen Inferenz“

„Unsere Skalierungsvorhersagen aus unserer Arbeit sind eingetreten. Mit dem xLSTM 7B Modell präsentieren wir das beste Large Language Model (LLM), das auf rekurrenten neuronalen Netzen (RNNs) basiert. Es ist das energieeffizienteste Modell in der Welt der Large Language Models mit einer schnellen Inferenz“, kommentiert Hochreiter.

Zielgruppe für NXAI vor allem Industrie und Robotik

NXAI richtet das Modell klar auf den B2B-Bereich und hier primär auf den Industrie-Sektor aus. „Ich sehe großes Potenzial für xLSTM in der Robotik, weil es in der Inferenz deutlich schneller und speichereffizienter ist“, meint Hochreiter. Seit der Erstveröffentlichung der Architektur im Frühjahr hätten bereits viele Entwickler:innen Lösungen auf deren Basis vorgestellt. „Besonders KI-Anwendungen im Edge- und Embedded-Bereich profitieren enorm von der hohen Effizienz und Geschwindigkeit unseres Modells. Jeder Forscher weltweit kann das xLSTM 7B Modell für seine Arbeit nutzen. Es ist ein Modell aus Europa für die Welt“, so Hochreiter.

Deine ungelesenen Artikel:
17.11.2026

Stackreps macht aus Lernunterlagen einen KI-gestützten Lernplan

Das Wiener Startup Stackreps kombiniert künstliche Intelligenz mit wissenschaftlich fundierten Lernmethoden. Aus hochgeladenen Unterlagen entstehen individuelle Lernpläne, Karteikarten und Prüfungssimulationen. Kürzlich sicherte sich das Gründerteam eine Microsoft-Förderung im Wert von 200.000 Euro.
/artikel/stackreps-macht-aus-lernunterlagen-einen-ki-gestuetzten-lernplan
17.11.2026

Stackreps macht aus Lernunterlagen einen KI-gestützten Lernplan

Das Wiener Startup Stackreps kombiniert künstliche Intelligenz mit wissenschaftlich fundierten Lernmethoden. Aus hochgeladenen Unterlagen entstehen individuelle Lernpläne, Karteikarten und Prüfungssimulationen. Kürzlich sicherte sich das Gründerteam eine Microsoft-Förderung im Wert von 200.000 Euro.
/artikel/stackreps-macht-aus-lernunterlagen-einen-ki-gestuetzten-lernplan
Mitgründer von Stackreps: David Fingerlos und Sebastian Güngöze | (c) Stackreps

„Die meisten Menschen lernen ineffizient, weil sie keine wirkliche Strategie haben und Sachen hundertmal durchlesen“, sagt David Fingerlos, Mitgründer des Wiener Startups Stackreps. Stundenlang Skripten wälzen, zwischen Mitschriften und Lernunterlagen den Überblick verlieren und kurz vor der Prüfung möglichst viel Stoff wiederholen: Für viele Studierende gehört das zum Lernalltag. Dabei gibt es längst wissenschaftliche Erkenntnisse darüber, wie sich Wissen besser im Gedächtnis verankern lässt.

Genau hier setzt Stackreps mit einer KI-gestützten Lernplattform an. Bereits während seines Informatikstudiums beschäftigte Fingerlos sich intensiv mit verschiedenen Lerntechniken und versuchte, sich den Stoff möglichst strukturiert anzueignen.

Als vor rund drei Jahren der KI-Boom begann, entstand gemeinsam mit seinen Mitgründern Sebastian Güngöze und Eric Lipp die Idee, künstliche Intelligenz mit bewährten Lernmethoden zu kombinieren. 2024 gründete das Trio Stackreps. Während Fingerlos Informatik mit Schwerpunkt Data Science studierte, kommen seine beiden Mitgründer ursprünglich aus dem juristischen Bereich. Programmierkenntnisse sowie Wissen über Machine Learning und KI-Modellentwicklung eigneten sie sich selbst an.

KI erstellt Lernpläne und Prüfungssimulationen

Nutzer:innen laden ihre Lernunterlagen als PDF, Präsentation oder E-Book hoch. Die Plattform erstellt daraus Zusammenfassungen, Multiple-Choice-Tests und digitale Karteikarten. Auch ein KI-generierter Lernpodcast gehört zum Angebot. Dabei wird der Stoff als Gespräch zwischen zwei Stimmen aufbereitet und durch Wiederholungsfragen ergänzt.

Im Mittelpunkt stehen unter anderem die Lernmethoden Spaced Repetition und Active Recall. Während bei ersterer Lerninhalte in bestimmten Zeitabständen wiederholt werden, geht es bei zweiterer darum, Wissen aktiv aus dem Gedächtnis abzurufen.

Dafür geben Nutzer:innen auch ihren Prüfungstermin an. Anhand dieses Datums erstellt Stackreps einen Lernplan und passt die Wiederholungsintervalle entsprechend an. „Wir probieren, die Intervalle, wann man was lernt und wann man was wiederholt, so anzupassen, dass man das maximale Wissen zum Prüfungstermin hat“, erklärt Fingerlos.

Studierende bilden derzeit die Hauptzielgruppe. Grundsätzlich richtet sich Stackreps aber an alle Menschen, die etwas lernen wollen und dafür entsprechende Unterlagen haben.

Eigene Technologie und bestehende Sprachmodelle

Technologisch setzt Stackreps auf verschiedene bestehende Large Language Models, darunter Modelle von OpenAI und Mistral. Diese werden laut Fingerlos ausschließlich an europäischen Standorten betrieben. Zusätzlich hat das Team eine eigene technische Verarbeitungsebene entwickelt, die Informationen für die Sprachmodelle strukturiert aufbereitet. Mehrere Prüfschritte sollen Fehler in den generierten Lernmaterialien reduzieren.

Den entscheidenden Unterschied zu allgemeinen KI-Tools wie ChatGPT sieht Fingerlos allerdings nicht allein in der Erstellung der Lernunterlagen. „Unser Gedanke ist, dass es über diesen Aspekt hinausgeht, dass man einfach verschiedenste Materialien generiert, sondern dass man auch diesen durchgedachten Lernplan bekommt.“

Mehr als 700 registrierte Nutzer:innen

Aktuell zählt Stackreps etwas mehr als 700 registrierte Nutzer:innen. Bei der Registrierung erhalten Nutzer:innen 50 Credits gratis, wobei ein Credit einer Seite hochgeladenen Lernmaterials entspricht. Danach können sie entweder weitere Credits nachkaufen oder ein Abonnement abschließen, mit dem sie nahezu unbegrenzt Lernmaterialien erstellen können. Das Abo lässt sich auch vorübergehend kündigen, etwa während der Sommerferien. Bei einer erneuten Anmeldung bleiben die zuvor erstellten Lernmaterialien erhalten und können wieder genutzt werden. „Wir haben es bewusst so gemacht, dass wir nicht jeden in eine Subscription zwingen“, erklärt Fingerlos.

Microsoft-Unterstützung im Wert von 200.000 Euro

Finanziert wurde die Entwicklung zunächst unter anderem durch eine Pre-Seed-Förderung über die Austria Wirtschaftsservice (aws). Kürzlich kam eine weitere Unterstützung hinzu: Stackreps arbeitet nun mit TechNvst zusammen und wird über das Microsoft Investor Network unterstützt.

Laut Fingerlos erhält das Startup dadurch über die kommenden zwei Jahre Cloud- und KI-Infrastrukturleistungen im Wert von 200.000 Euro. Damit kann Stackreps seine Plattform über Microsoft Azure betreiben, ohne die entsprechenden Kosten selbst tragen zu müssen.

Profitabel ist das Startup derzeit noch nicht. Dank der Microsoft-Unterstützung könne man die Preise vorerst niedrig halten und sich auf das Wachstum konzentrieren.

Künftig will das Team verstärkt in Marketing und Vertrieb investieren. Unterstützung erhält es dabei von zwei Kollegen aus einer Marketingagentur. „Marketing ist für uns noch eine Herausforderung und gewissermaßen ein blinder Fleck.“, räumt Fingerlos ein. Die nächste Aufgabe wird deshalb sein, die Plattform bei einer größeren Zahl an Lernenden bekannt zu machen. Geplant sind außerdem Kooperationen mit Universitäten und Bildungseinrichtungen sowie eine internationale Expansion.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

NXAI veröffentlicht „energieeffizientestes Modell in der Welt der Large Language Models“