YOLO lizenzieren
Ultralytics-Plattform

GPT-6.2 Sol vs. Astra für automatische Annotation: ähnliche Ergebnisse, unterschiedliche Stärken

GPT-6.2 Sol und Astra erreichen bei 36 Datensätzen zur Objekterkennung einen mAP50 von 0,551 bzw. 0,546, doch Sol kostet 8,10 $ pro 1.000 Bilder gegenüber 31,88 $. Hier erfährst du, welches Modell du verwenden solltest.

Glenn JocherGlenn Jocher12 Min. Lesezeit
Startgrafik zu OpenAIs GPT-6.2 Astra und Sol vor einem Sternenhimmel, mit den Ergebnissen der Ultralytics-UL37-Objekterkennung: Astra 0,546 und Sol 0,551 mAP50

OpenAI veröffentlichte GPT-6.2 Astra und GPT-6.2 Sol am 17. November 2026 und bezeichnete Astra als sein leistungsfähigstes Modell und Sol als sein bevorzugtes Modell für die tägliche Arbeit. Als wir die Modelle baten, Begrenzungsrahmen zu zeichnen, war ihre Genauigkeit ähnlich. Ihre Preise waren es nicht.

Wir haben beide am Tag ihrer Veröffentlichung mit UL37 getestet, unserem Benchmark mit 36 Datensätzen zur Objekterkennung. GPT-6.2 Sol erreichte einen mAP50 von 0,551 und GPT-6.2 Astra von 0,546; damit belegten sie auf unserer VLM-Rangliste den vierten bzw. fünften Platz von 50 Modellen. Sol schaffte das für 8,10 $ pro 1.000 Bilder. Astra kostete 31,88 $, also fast viermal so viel.

Beide sind jetzt in der Ultralytics Platform als OpenAI-Modelle Sol und Astra für automatische Annotation verfügbar und ersetzen GPT-6.1 Sol und GPT-6 Astra. Im Folgenden erfährst du, wie sie sich vergleichen, worin die jeweiligen Stärken liegen, was ein Beschriftungsdurchlauf kostet und wann OpenAIs GPT-6.1 Terra weiterhin die bessere Wahl ist.

GPT-6.2 Sol und Astra liegen bei UL37 etwa 0,005 auseinander#

UL37 misst anhand von 360 Bildern, wie gut die Begrenzungsrahmen eines Modells mit den menschlichen Beschriftungen übereinstimmen: Je 10 Bilder aus 36 realen Datensätzen zur Objekterkennung, von medizinischen Aufnahmen und Luftbildern bis hin zu Ladenregalen, Sport, Dokumenten und Leiterplatten. Jedes Bild durchläuft dieselbe Produktionspipeline, die Platform-Nutzern zur Verfügung steht. Dabei werden die jeweiligen Klassennamen des Datensatzes verwendet und SAM 3.1 verfeinert jeden Begrenzungsrahmen. Die Ergebnisse beschreiben also diese verfeinerte Produktionspipeline und nicht die unbearbeitete Modellausgabe. Die Methodik ist öffentlich.

GPT-6.2 SolGPT-6.2 AstraGPT-6.1 Terra
Platzierung in der Rangliste#4 von 50#5 von 50#2 von 50
mAP500.5510.5460.560
mAP50-950.3460.3450.345
Präzision0.6230.6260.646
Trefferquote0.6430.6250.613
Anbieterkosten pro 1.000 Bilder$8.10$31.88$4.36
Mediane Zeit pro Bild3.4 s4.3 s5.1 s
Fehlgeschlagene Anfragen0%0%0%

UL37-Ergebnisse der Ultralytics VLM-Rangliste, aktualisiert am 17. November 2026.

In diesem Test liegen die beiden Modelle bei der Genauigkeit nah beieinander. Ihre mAP50-95-Werte, bei denen enge Begrenzungsrahmen belohnt werden, unterscheiden sich um 0,001, ihre Präzision um 0,003. Sol findet etwas mehr der beschrifteten Objekte: Seine Trefferquote von 0,643 ist die höchste aller 50 Modelle auf der Rangliste, knapp vor den 0,642 von Gemini 4 Carbon. Sol ist außerdem mit 3,4 Sekunden pro Bild das schnellste der sieben bestplatzierten Modelle.

Balkendiagramm des mAP50 von UL37 für die acht genauesten Modelle zur automatischen Annotation, mit GPT-6.2 Sol bei 0,551 für 8,10 $ pro 1.000 Bilder und GPT-6.2 Astra bei 0,546 für 31,88 $

Die acht Modelle mit den höchsten Ergebnissen bei UL37, einschließlich der Kosten des Anbieters pro 1.000 Bilder.

Wofür OpenAI GPT-6.2 entwickelt hat#

OpenAI sieht die beiden Modelle für unterschiedliche Aufgaben vor. Im Änderungsprotokoll empfiehlt das Unternehmen GPT-6.2 Astra „für anspruchsvolle Aufgaben in den Bereichen Schlussfolgern und Programmieren“ und GPT-6.2 Sol „für alltägliche Programmieraufgaben und Agenten-Workflows“. Beide akzeptieren Text und Bilder und geben Text zurück. Beide sind über die Responses API und Chat Completions verfügbar.

Die Preise spiegeln diese Aufteilung wider. Laut den Modellseiten von OpenAI kostet GPT-6.2 Sol 2 $ pro Million Eingabetokens und 10 $ pro Million Ausgabetokens. GPT-6.2 Astra kostet 8 $ bzw. 40 $. Astras Tokenpreis ist genau viermal so hoch wie der von Sol.

Beide sind Allzweckmodelle und keine spezialisierten Detektoren. Deshalb haben wir ihre Leistung bei dieser Aufgabe gemessen. Platform ruft beide mit der standardmäßigen Schlussfolgerungsintensität von OpenAI auf und sendet dieselbe Anfrage zu Begrenzungsrahmen wie an alle OpenAI-Modelle.

Astra schneidet bei mehr Datensätzen besser ab, doch ein Ultraschalldatensatz entscheidet über den Durchschnitt#

Sols Vorsprung beim Durchschnitt bedeutet nicht, dass Sol häufiger gewinnt. Im direkten Vergleich über alle 36 Datensätze erzielt Astra bei 17 bessere Ergebnisse, Sol bei 15; vier enden unentschieden.

Ein Datensatz erklärt den Unterschied. Beim TN5000-Schilddrüsenultraschall, bei dem jeder Begrenzungsrahmen zusätzlich als gutartig oder bösartig gekennzeichnet ist, erreicht Sol 0,995 gegenüber Astras 0,769. Dieses einzelne Ergebnis hebt Sols Durchschnitt um etwa 0,006 an. Ohne TN5000 liegen die Durchschnitte bei 0,539 für Sol und 0,540 für Astra.

Bei diesem Benchmark liegen die beiden Modelle bei der Genauigkeit so nah beieinander, dass sich die deutlichsten Unterschiede bei den Einsatzbereichen und den Kosten zeigen.

Wo GPT-6.2 Sol und Astra jeweils besser abschneiden#

Nach Einsatzbereich gemittelt liegt Astra in sieben der zwölf UL37-Bereiche vorn und Sol in vier; bei Sicherheitsröntgenaufnahmen herrscht Gleichstand.

Punktdiagramm des durchschnittlichen UL37-mAP50 nach Einsatzbereich für GPT-6.2 Sol und GPT-6.2 Astra: Sol liegt bei Straßen, Unterwasseraufnahmen, medizinischen Bildern und Natur vorn, Astra bei Luftbildern, Dokumenten, Einzelhandel, Personen, Wärmebildern, Sport und Leiterplatten

Jeder Einsatzbereich umfasst einen bis acht Datensätze mit jeweils 10 Bildern.

GPT-6.2 Sol ist bei medizinischen Bildern sowie Aufnahmen von Straßen und Natur leistungsstärker. Der Durchschnitt von Sol über die acht medizinischen Datensätze beträgt 0,466 gegenüber Astras 0,411. Ausschlaggebend sind TN5000 und Kvasir-SEG mit Dickdarmpolypen: 0,805 gegenüber 0,707. Bei Weizenähren in GWHD erreicht Sol 0,684 gegenüber Astras 0,537, bei Straßenmarkierungen in CeyMo 0,843 gegenüber 0,705.

GPT-6.2 Astra ist bei Luftbildern sowie Aufnahmen aus Einzelhandel, Dokumenten und von Personen leistungsstärker. Sein Durchschnitt über die fünf Luftbilddatensätze beträgt 0,550 gegenüber Sols 0,506. Dazu tragen Schiffe in den Radarbildern von SSDD bei: 0,880 gegenüber 0,749. Produkte an einer Kasse in RPC erkennt Astra mit 0,978 gegenüber Sols 0,823; auch bei der Erkennung von persönlicher Schutzausrüstung, Abfall und Basketball schneidet Astra besser ab.

DatensatzBereichGPT-6.2 SolGPT-6.2 Astra
TN5000-SchilddrüsenultraschallMedizin0.9950.769
GWHD-WeizenährenNatur / Landwirtschaft0.6840.537
CeyMo-StraßenmarkierungenStraßen / Verkehr0.8430.705
SoccerDBSport0.7480.631
RPC-Kassenszenen im EinzelhandelEinzelhandel0.8230.978
Basketball und KorbSport0.7260.872
PlantDoc-PflanzenkrankheitenNatur / Landwirtschaft0.3020.447
SSDD-Schiffe in SAR-AufnahmenLuftbilder / Fernerkundung0.7490.880

Die vier größten Abstände in beiden Richtungen, UL37-mAP50.

Jeder Datensatz umfasst 10 Bilder. Ein einzelner Wert ist daher ein Hinweis, den du testen solltest, kein abschließendes Urteil. Bevor du einen großen Datensatz beschriften lässt, öffne die Modellseiten von GPT-6.2 Sol und GPT-6.2 Astra. Dort werden die aufgezeichneten Begrenzungsrahmen der jeweiligen Modelle für jeden Benchmark-Datensatz neben den erwarteten Beschriftungen angezeigt.

Ein großer Fortschritt gegenüber GPT-6.1 Sol und GPT-6 Astra – außer bei Leiterplatten#

Im Vergleich zu den Modellen, die sie in Platform ersetzen, sind beide genauer, schneller und pro Bild günstiger.

mAP50Kosten pro 1.000 BilderMediane Zeit pro Bild
GPT-6.1 Sol0.514$10.3010.5 s
GPT-6.2 Sol0.551$8.103,4 s
GPT-6 Astra0.525$49.3111.6 s
GPT-6.2 Astra0.546$31.884,3 s

GPT-6.2 Sol schneidet bei 23 Datensätzen besser ab als GPT-6.1 Sol und bei 12 schlechter und ist etwa dreimal so schnell. Die Kosten pro Bild sind 21 % niedriger, obwohl die Tokenpreise unverändert sind. GPT-6.2 Astra schneidet bei 24 Datensätzen besser ab als GPT-6 Astra und bei 11 schlechter. Die Kosten pro Bild sind 35 % niedriger und auch die Tokenpreise sind geringer: OpenAI gibt für GPT-6 Astra 10 $ und 50 $ pro Million Tokens an.

Streudiagramm des UL37-mAP50 im Verhältnis zu den Kosten des Anbieters pro 1.000 Bilder für OpenAI-Modelle; Pfeile zeigen, wie sich GPT-6.1 Sol zu GPT-6.2 Sol und GPT-6 Astra zu GPT-6.2 Astra nach oben links bewegen

Die Pfeile vergleichen jedes GPT-6.2-Modell mit dem Modell, das es in der Ultralytics Platform ersetzt.

Die Ausnahme sind Leiterplatten. Bei den Fehlern auf unbestückten Leiterplatten in DeepPCB erzielen beide GPT-6.2-Modelle 0,000, während GPT-6.1 Sol 0,393 erreichte. Bei Oberflächenfehlern in DsPCBSD+ fällt Sol von 0,392 auf 0,164, und Astra erreicht 0,216. Auch bei Sicherheitsröntgenaufnahmen sind die Ergebnisse schwach: Beide erzielen bei IEDXray 0,05, während Gemini 4 Argon 0,30 erreicht. Wenn du Leiterplatten prüfen oder Sicherheitskontrollen durchführen willst, teste erst andere Modelle anhand einer Stichprobe.

GPT-6.1 Terra ist bei UL37 weiterhin OpenAIs bestes Modell für Annotation#

Keines der neuen Modelle übertrifft GPT-6.1 Terra, das mit 0,560 mAP50 und 4,36 $ pro 1.000 Bilder weiterhin auf Platz zwei der Rangliste liegt. Terra und GPT-6.2 Sol gewinnen jeweils 17 Datensätze; bei zwei herrscht Gleichstand, der Abstand ist also gering. Terra erzielt eine höhere Präzision: 0,646 gegenüber 0,623, und kostet etwa halb so viel. Sol findet mehr Objekte und antwortet schneller: in 3,4 statt 5,1 Sekunden.

An der Spitze der Rangliste liegt Gemini 4 Carbon mit 0,584 mAP50 weiterhin vorn und kostet 12,93 $ pro 1.000 Bilder. Unsere detaillierten Ergebnisse zu diesen Modellen findest du hier: GPT-6.1 Terra und Gemini 4 Carbon.

Was ein GPT-6.2-Annotationsdurchlauf kostet#

Die Anbieterkosten werden anhand des von OpenAI gemeldeten Tokenverbrauchs zu Listenpreisen berechnet; bei deinen Bildern kann der Tokenverbrauch höher oder niedriger ausfallen. Für Batch Annotation fällt zusätzlich eine Platform-Bearbeitungsgebühr von 1,00 $ pro 1.000 Bilder an, mindestens jedoch 0,01 $ pro Durchlauf.

Pro 1.000 BilderGPT-6.2 SolGPT-6.2 Astra
Gebühren von OpenAI$8.10$31.88
Bearbeitung durch die Ultralytics Platform$1.00$1.00
Gesamt$9.10$32.88

Du bezahlst OpenAI direkt über deinen eigenen API-Schlüssel, auch für die Testvorhersagen, die du zuerst ausführst. Ultralytics erhebt keinen Aufschlag auf Tokens. Bei einem Datensatz mit 10.000 Bildern sind das ungefähr 91 $ mit Sol und 329 $ mit Astra.

So führst du die automatische Annotation mit GPT-6.2 Sol oder Astra in der Ultralytics Platform aus#

GPT-6.2 Sol und Astra sind Modelle für Datensätze zur Objekterkennung mit klassenbasierten Vorgaben und 1 bis 200 Klassen. Sie geben Begrenzungsrahmen für die Klassennamen deines Datensatzes zurück. Du überprüfst die Ergebnisse, bevor du sie speicherst.

  1. Erstelle auf der Seite OpenAI API keys einen Schlüssel.
  2. Lass den Workspace-Inhaber den Schlüssel unter Einstellungen > API-Schlüssel im Platform-Workspace hinterlegen, in dem sich dein Datensatz befindet. Alle Einzelheiten findest du in der Dokumentation zu Anbieterschlüsseln.
  3. Wechsle im Annotationseditor in den Modus Smart und wähle GPT-6.2 Sol oder GPT-6.2 Astra unter OpenAI in der Modellauswahl aus.
  4. Klicke für einige Bilder, die für deine Daten repräsentativ sind, auf Vorhersagen oder P und vergleiche beide Modelle anhand derselben Bilder.
  5. Wenn du mit den Ergebnissen zufrieden bist, öffne die Datensatzseite und wähle Weitere Aktionen > Batch Annotation, um alle noch nicht beschrifteten Bilder zu annotieren. Batch Annotation funktioniert mit in Platform gehosteten Datensätzen mit bis zu drei Bildkanälen. Platform speichert vorher eine Datensatzversion, sodass du die Änderungen rückgängig machen kannst.
  6. Überprüfe die Begrenzungsrahmen, speichere sie und trainiere ein Ultralytics YOLO26-Modell mit den Ergebnissen im selben Workspace.

Die Dokumentation zur Annotation erläutert den Smart-Modus und Batch Annotation ausführlich. Unser Leitfaden zur Auswahl eines VLM anhand von Präzision und Trefferquote hilft dir dabei, ein Modell für deinen Prüfablauf auszuwählen.

GPT-6.2 Sol, GPT-6.2 Astra oder GPT-6.1 Terra: Welches Modell solltest du verwenden?#

Wenn du Folgendes brauchst …Beginne mit
Ein vielseitiges OpenAI-Modell für Annotation zum niedrigsten PreisGPT-6.1 Terra: höchster UL37-Wert der drei Modelle, etwa halb so teuer wie Sol
Geschwindigkeit oder möglichst viele erkannte ObjekteGPT-6.2 Sol: 3,4 s pro Bild und die höchste Trefferquote auf der Rangliste
Medizinische Bilder sowie Aufnahmen von Straßen oder landwirtschaftlichen MotivenGPT-6.2 Sol; prüfe anschließend Terra bei medizinischen Daten
Luftbilder sowie Aufnahmen von Kassen im Einzelhandel, Dokumenten oder persönlicher SchutzausrüstungGPT-6.2 Astra, wenn sein Genauigkeitsvorsprung bei deinen Daten die etwa viermal höheren Kosten gegenüber Sol rechtfertigt
Leiterplattenfehler oder SicherheitsröntgenaufnahmenTeste zuerst andere Modelle; beide GPT-6.2-Modelle schneiden hier bei UL37 schlecht ab

Für die meisten Beschriftungsaufgaben bietet GPT-6.2 Sol unter den beiden neuen Modellen das bessere Preis-Leistungs-Verhältnis: ein ähnlicher UL37-Wert wie bei Astra für etwa ein Viertel der Kosten. Wähle Astra, wenn ein Test mit deinen eigenen Bildern zeigt, dass Astra in deinem Einsatzbereich besser abschneidet.

Häufig gestellte Fragen

  • Bei unserem UL37-Benchmark liegen die Ergebnisse nah beieinander: GPT-6.2 Sol erreicht einen mAP50 von 0,551 und GPT-6.2 Astra von 0,546. Astra schneidet bei etwas mehr Datensätzen besser ab: 17 gegenüber 15. Der deutliche Unterschied liegt bei den Kosten: Sol kostet bei OpenAI 8,10 $ pro 1.000 Bilder, Astra dagegen 31,88 $. Sol ist bei medizinischen Bildern sowie Aufnahmen von Straßen und Natur besser, Astra bei Luftbildern sowie Aufnahmen aus Einzelhandel, Dokumenten und von Personen.

  • Ja. Beide GPT-6.2-Modelle gehören zu den fünf besten von 50 Modellen auf der Ultralytics VLM-Rangliste; fehlgeschlagene Anfragen gab es keine. GPT-6.2 Sol hat mit 0,643 die höchste Trefferquote auf der Rangliste. Bei Leiterplattenfehlern und Sicherheitsröntgenaufnahmen sind beide Modelle schwach.

  • Bei GPT-6.2 Sol sind es etwa 8,10 $ und bei GPT-6.2 Astra 31,88 $ an OpenAI-Gebühren, basierend auf dem gemeldeten Tokenverbrauch zu Listenpreisen. Die Ultralytics Platform berechnet für Batch Annotation zusätzlich 1,00 $ pro 1.000 Bilder. Insgesamt sind das etwa 9,10 $ bzw. 32,88 $.

  • Bei UL37 ja, wenn auch knapp. GPT-6.1 Terra erzielt 0,560 mAP50 bei 4,36 $ pro 1.000 Bilder und liegt damit sowohl beim Durchschnitt als auch bei den Kosten vor beiden GPT-6.2-Modellen. GPT-6.2 Sol gewinnt ebenso viele Datensätze wie Terra, jeweils 17, ist aber schneller und findet mehr Objekte.

  • Im Durchschnitt ja. GPT-6.2 Sol schneidet bei 23 von 36 Datensätzen besser ab als GPT-6.1 Sol, ist etwa dreimal so schnell und kostet pro Bild 21 % weniger. GPT-6.2 Astra schneidet bei 24 Datensätzen besser ab als GPT-6 Astra und kostet 35 % weniger. Beide älteren Modelle erzielten bei Leiterplattenfehlern bessere Ergebnisse.

  • Hinterlege deinen OpenAI-API-Schlüssel unter Einstellungen > API-Schlüssel und wähle anschließend GPT-6.2 Sol oder GPT-6.2 Astra im Smart-Modus des Annotationseditors aus. Teste einige Bilder und verwende dann Batch Annotation, um den gesamten Datensatz zu annotieren. Überprüfe die Begrenzungsrahmen und trainiere ein Ultralytics YOLO26-Modell im selben Workspace.

Verfasst von

Glenn Jocher
Glenn Jocher

Gründer und CEO · Ultralytics

Glenn Jocher ist Gründer und CEO von Ultralytics. Dort leitet er die Entwicklung von Ultralytics YOLO, den weltweit am häufigsten eingesetzten Computer-Vision-Modellen. Bei seiner Arbeit geht es nicht nur darum, schnellere und genauere Modelle zu entwickeln, sondern auch darum, Menschen überall dabei zu unterstützen, mit Vision AI wichtige Probleme zu lösen.

Kommentare

Stelle eine Frage, teile deine Ergebnisse oder hilf anderen.

Lösungen entdecken

Computer Vision im Sport

Computer Vision im Sport

Entdecke, wie Ultralytics YOLO die Sportbildanalyse voranbringt – mit Spieler- und Ballverfolgung, Leistungsanalysen, Erkenntnissen für das Coaching und der Rehabilitation von Athleten.
Mehr erfahren
Computer Vision für Luftbilder

Computer Vision für Luftbilder

Verwandle Drohnen- und Luftbilder mit Ultralytics YOLO in Echtzeit-Erkenntnisse für Landwirtschaft, Aquakultur, Naturschutz und Geodatenanalyse.
Mehr erfahren
Computer Vision in der Luft- und Raumfahrt

Computer Vision in der Luft- und Raumfahrt

Setze Computer Vision in der Luft- und Raumfahrt mit Ultralytics YOLO ein – für Flugzeuginspektionen, die Erkennung von Fremdkörpern auf Start- und Landebahnen, den Bodenbetrieb am Flughafen und die Erkennung von Verbundwerkstofffehlern.
Mehr erfahren
Computer Vision im Sicherheitsbereich

Computer Vision im Sicherheitsbereich

Schütze jeden Standort mit Ultralytics YOLO-Modellen. Vision-KI ermöglicht die Überwachung von Grundstücksgrenzen, die Erkennung von Bedrohungen, die Kennzeichenerkennung und die Sicherheit am Arbeitsplatz.
Mehr erfahren
Computer Vision in der Robotik

Computer Vision in der Robotik

Mach Maschinen mit Ultralytics YOLO-Modellen leistungsfähiger. Vision-KI in der Robotik ermöglicht autonome Navigation, Wahrnehmung, Objektverfolgung und Steuerung in Echtzeit.
Mehr erfahren
Bildverarbeitung in der Logistik

Bildverarbeitung in der Logistik

Optimiere die Logistik mit Ultralytics YOLO-Modellen. Vision AI ermöglicht die Paketprüfung, Sortierung und Fahrzeugverfolgung sowie die Sicherheitsüberwachung von Lagerhäusern in Echtzeit.
Mehr erfahren
Bildverarbeitung im Einzelhandel

Bildverarbeitung im Einzelhandel

Gestalte den Einzelhandel mit Ultralytics YOLO-Modellen neu. Vision AI ermöglicht Bestandsverfolgung, Regalüberwachung und Warteschlangenmanagement und liefert bessere Einblicke in das Kundenverhalten.
Mehr erfahren
Bildverarbeitung im Gesundheitswesen

Bildverarbeitung im Gesundheitswesen

Entwickle Lösungen für das Gesundheitswesen mit Ultralytics YOLO-Modellen. Vision AI ermöglicht im Gesundheitswesen schnellere medizinische Bildgebung, bessere Diagnostik und die Überwachung von Patienten.
Mehr erfahren
Computer Vision in der Fertigung

Computer Vision in der Fertigung

Optimiere die Fertigung mit Ultralytics-YOLO-Modellen. Vision AI ermöglicht Qualitätskontrolle, Fehlererkennung, die Überprüfung der Einhaltung von Vorgaben zu persönlicher Schutzausrüstung und die Automatisierung von Montagelinien.
Mehr erfahren
Computer Vision in der Automobilbranche

Computer Vision in der Automobilbranche

Setze Computer Vision in der Automobilbranche mit Ultralytics-YOLO-Modellen ein. Vision AI verbessert die Verkehrssicherheit, Fahrerassistenz und Fahrzeugautomatisierung – für intelligentere Straßen.
Mehr erfahren
Computer Vision in der Landwirtschaft

Computer Vision in der Landwirtschaft

Setze mit Ultralytics YOLO-Modellen KI für Bildverarbeitung in der intelligenten Landwirtschaft ein. Ermögliche die Überwachung von Nutzpflanzen, die Verfolgung von Nutztieren und Präzisionslandwirtschaft für höhere und nachhaltigere Erträge.
Mehr erfahren

Lass uns gemeinsam die Zukunft der KI gestalten!

Starte deine Reise in die Zukunft des maschinellen Lernens