Einbettungsmodelle entscheiden darüber, welche Passagen ein Agent jemals sieht. NVIDIA veröffentlicht Nemotron 3 Embed-Modell um an dieser Ebene zu arbeiten. Es zielt auf RAG im Produktionsmaßstab, Agentenabruf, Codeabruf und Agentenspeicher ab.

Was ist Nemotron 3 Embed?

Die Modellsammlung umfasst drei offene Kontrollpunkte. Nemotron-3-Embed-8B-BF16 ist die Choice, bei der die Genauigkeit an erster Stelle steht. Nemotron-3-Embed-1B-BF16 vereint das gleiche Design auf kleinerer Stellfläche. Nemotron-3-Embed-1B-NVFP4 ist der Blackwell-optimierte 4-Bit-Pfad.

Bei allen drei handelt es sich um transformatorische Encoder, mit denen trainiert wird bidirektionale Aufmerksamkeitsmaskierung. Die endgültige Einbettung erfolgt aus durchschnittliches Pooling über Darstellungen auf Token-Ebene. Die maximale Sequenzlänge beträgt 32.768 Token an jedem Kontrollpunkt.

Jedes Modell wurde in 34 Sprachen evaluiert. Alle drei tragen das OpenMDW-Lizenzvereinbarung, Model 1.1 (OpenMDW-1.1). Bemerkenswert ist, dass es sich bei den Basen um Mistral-Modelle handelt. Der 8B ist mit gebaut Ministral-3-8B-Instruct-2512. Beide 1B-Varianten nutzen Ministral-3-3B-Instruct-2512.

Leistung

Nemotron-3-Embed-8B-BF16 Ränge Nr. 1 insgesamt auf RTEB (Stand: 17. Juli 2026), der Retrieval Embedding Benchmark. Die Evaluierung umfasst ihre 16 öffentlichen Aufgaben. Alle folgenden Zahlen sind durchschnittliche NDCG@10 bei einer Modellsequenzlänge von 4096.

Zwei Lücken sind erwähnenswert. Der 1B gewinnt 10,4 RTEB-Punkte über llama-nemotron-embed-vl-1b-v2die Basislinie der vorherigen Era. Unabhängig davon kostet NVFP4 0,38 RTEB-Punkte gegenüber seinem BF16-Mutterunternehmen oder 99,5 % Retention.

Wie das 1B-Modell gebaut wurde?

Diese 1B-Ergebnisse stammen aus einer Komprimierungspipeline und nicht aus einem kleineren Trainingslauf. Der Elternteil warfare nemotron-3-embed-3bbeschnitten und über zwei Iterationsrunden destilliert.

Zuerst wurde der 3B-Elternteil mit auf 2B beschnitten NVIDIA ModelOpt mcore_minitron Neural Structure Search (NAS). Die Suche umfasst versteckte Breite, FFN-Größe, Aufmerksamkeitspunkte und Tiefe. Anschließend wird der beste Kandidat aus der Prime-10-Pareto-Entrance ausgewählt. Diese Kandidaten wurden mit einem 50.000 domäneninternen Kalibrierungskorpus bewertet.

Als nächstes wurde das 2B-Modell aus dem fein abgestimmten 8B-Einbettungslehrer destilliert. Destillation kombiniert Kosinus-Distanzverlust (COS) Und mittlerer quadratischer Fehler (MSE) Verlust. Die Datenmischung warfare mehrsprachig und domänenintern. Schließlich wurde derselbe Vorgang wiederholt, um den 1.14B-Kontrollpunkt zu erzeugen.

Der NVFP4-Serving-Kompromiss

Die Komprimierung wird dann im Bereitstellungsformat fortgesetzt. Die Quantisierung trifft nur Gewichte und Aktivierungen linearer Ebenen und zielt auf die NVFP4 Datentyp. Das Forschungsteam verwendete nvidia-modelopt v0.45.0. Quantisierungsbewusste Destillation (QAD) befolgt, hauptsächlich um die Genauigkeit bei langen Eingaben wiederherzustellen.

Für die Kalibrierung wurden 512 Proben verwendet: 256 Abfragen und 256 Passagen von abisee/cnn_dailymail. Beim QAD-Coaching wurden 20.000 Proben verwendet.

Das Forschungsteam berichtet, dass Blackwell NVFP4 liefert bis zu 2x höherer Durchsatz als BF16. Es behält Über 99 % der BF16-Abrufgenauigkeit. Die NVFP4-Karte dokumentiert auch dynamische Einbettungsgrößen. Sie können den 2048-d-Vektor von Anfang an auf 1024 oder 512 Dimensionen aufteilen. Danach wieder normalisieren.

Interaktiver Erklärer: Der fünfstufige Abrufpfad

Beobachten Sie den Pfadverlauf, bevor Sie den Code berühren. Es animiert Präfixierung, bidirektionale Kodierung, durchschnittliches Pooling, L2-Normalisierung und Skalarproduktbewertung. Die Ergebnisse ergeben sich aus der veröffentlichten erwarteten Ausgabe jeder Karte.

Bereitstellungsmatrix

Wie aus dieser exemplarischen Vorgehensweise hervorgeht, teilen sich die Prüfpunkte keine Laufzeitpfade.

Neben den Kontrollpunkten veröffentlichte das NVIDIA-Forschungsteam eine optimierte Model NIM-Mikroservice für das 1B-Modell. Das Rust-basierte NIM entspricht oder übertrifft den vLLM-Checkpoint auf GB200 und RTX PRO 6000. NVIDIA hat Eingabesequenzlängen von 256 und 1024 getestet. Separat NVIDIA NeMo AutoModel Die Rezepte umfassen Feinabstimmung und Destillation.

Verwendung im Code

Unter Berücksichtigung dieser Pfade stehen Präfixe an erster Stelle. Anfragen nehmen question: und Dokumente nehmen passage: . Einbettungen sind L2-normalisiert, sodass das Skalarprodukt der Kosinusähnlichkeit entspricht.

# pip set up --upgrade "transformers>=5.2.0" "sentence-transformers>=5.4.1"
import torch
from sentence_transformers import SentenceTransformer

QUERIES = ("How can somebody cut back publicity to pollen throughout allergy season?")
DOCUMENTS = ("Individuals with pollen allergy can cut back publicity by staying indoors "
             "on dry, windy days, avoiding early-morning out of doors exercise, and "
             "going outdoors after rain when pollen ranges are decrease.")

mannequin = SentenceTransformer(
    "nvidia/Nemotron-3-Embed-8B-BF16",
    gadget="cuda",
    model_kwargs={"dtype": torch.bfloat16,
                  # use "sdpa" if FlashAttention-2 is unavailable
                  "attn_implementation": "flash_attention_2"},
    processor_kwargs={"padding_side": "left"},
)
mannequin.max_seq_length = 32768

q = mannequin.encode_query(QUERIES, batch_size=1, convert_to_tensor=True)
d = mannequin.encode_document(DOCUMENTS, batch_size=1, convert_to_tensor=True)
print(mannequin.similarity(q, d))  # card's printed q(3)/d(3) rating: 0.8008

encode_query Und encode_document Lesen Sie die gespeicherten Eingabeaufforderungen. Sie fügen Präfixe additionally nie von Hand hinzu. Zum Servieren, /v2/embed wendet sie an input_type stattdessen:

vllm serve nvidia/Nemotron-3-Embed-1B-NVFP4 
  --max-model-len 4096 
  --max-num-batched-tokens 4096 
  --max-cudagraph-capture-size 4096

import numpy as np, requests

def embed(input_type: str, texts: record(str)) -> np.ndarray:
    r = requests.submit(
        "http://localhost:8000/v2/embed",
        json={"mannequin": "nvidia/Nemotron-3-Embed-1B-NVFP4",
              "input_type": input_type,          # "question" or "doc"
              "texts": texts,
              "embedding_types": ("float"),
              "truncate": "END"},
        timeout=120,
    )
    r.raise_for_status()
    return np.array(r.json()("embeddings")("float"), dtype=np.float32)

scores = embed("question", QUERIES) @ embed("doc", DOCUMENTS).T

Anwendungsfälle mit Beispielen

• Mehrsprachige Unternehmenssuche: Ein Help-Staff indiziert Hindi-, Japanisch- und Englisch-Tickets gemeinsam. Da der Abruf sprachübergreifend erfolgt, kann bei einer deutschen Abfrage ein japanischer Lösungshinweis angezeigt werden.
• Code-Abruf: Schulung inklusive coir_apps, coir_cosqa, synthetic_text2sqlund SWE-Financial institution. Die Suche von natürlicher Sprache in Code ähnelt daher eher der Verteilung.
• Agentenspeicher: Das Restrict von 32.768 Token ermöglicht es einem Agenten, lange Konversationszusammenfassungen ohne aggressives Chunking einzubetten.
• Kostengestufte RAG: Stellen Sie 1B-NVFP4 für den Rückruf großer Mengen bereit und leiten Sie harte Abfragen an 8B weiter. Da die Breiten unterschiedlich sind, sind zwei Indizes erforderlich.

Wichtige Erkenntnisse

• Nemotron-3-Embed-8B-BF16 belegt Platz 1 bei RTEB mit durchschnittlich 78,46 NDCG@10.
• Drei offene Kontrollpunkte umfassen 8B BF16, 1B BF16 und 1B NVFP4.
• NVFP4 behält über 99 % der BF16-Genauigkeit bei bis zu 2-fachem Blackwell-Durchsatz.
• Der 1B stammte aus der ModelOpt NAS-Beschneidung plus COS+MSE-Destillation aus dem 8B.
• Alle Kontrollpunkte verwenden OpenMDW-1.1 und unterstützen 32.768-Token-Eingaben.

Schauen Sie sich das an NVIDIA-Startbeitrag zu Hugging Face, Nemotron 3 Embed-Sammlung, 8B-BF16-Karte, 1B-BF16-Karte Und 1B-NVFP4-Karte. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150k+ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns

Asif Razzaq ist CEO von Marktechpost Media Inc.. Als visionärer Unternehmer und Ingenieur setzt sich Asif dafür ein, das Potenzial der künstlichen Intelligenz für das soziale Wohl zu nutzen. Sein jüngstes Unterfangen ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch eine ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die sowohl technisch fundiert als auch für ein breites Publikum leicht verständlich ist. Die Plattform verfügt über mehr als 2 Millionen monatliche Aufrufe, was ihre Beliebtheit beim Publikum verdeutlicht.

OpenAI-Modelle haben sich in den letzten Jahren drastisch weiterentwickelt. Die Reise begann mit GPT-3.5 und hat nun GPT-5.1 und die neueren Argumentationsmodelle der O-Serie erreicht. Während ChatGPT GPT-5.1 als primäres Modell verwendet, bietet Ihnen die API Zugriff auf viele weitere Optionen, die für verschiedene Arten von Aufgaben konzipiert sind. Einige Modelle sind auf Geschwindigkeit und Kosten optimiert, andere sind auf fundierte Überlegungen ausgelegt und wieder andere sind auf Bilder oder Audio spezialisiert.

In diesem Artikel werde ich Sie durch alle wichtigen Modelle führen, die über die API verfügbar sind. Anhand einfacher Codebeispiele erfahren Sie, wofür sich jedes Modell am besten eignet, für welche Artwork von Projekt es geeignet ist und wie man damit arbeitet. Ziel ist es, Ihnen ein klares Verständnis dafür zu vermitteln, wann Sie ein bestimmtes Modell auswählen und wie Sie es in einer realen Anwendung effektiv einsetzen können.

GPT-3.5 Turbo: Die Grundlagen moderner KI

Der GPT-3.5 Turbo leitete die Revolution der generativen KI ein. Der ChatGPT kann auch das Unique mit Strom versorgen und ist zudem eine stabile und kostengünstige Lösung für einfache Aufgaben. Das Modell beschränkt sich auf das Befolgen von Anweisungen und das Führen eines Gesprächs. Es hat die Fähigkeit, auf Fragen zu antworten, Texte zusammenzufassen und einfachen Code zu schreiben. Neuere Modelle sind intelligenter, aber GPT-3.5 Turbo kann immer noch für Aufgaben mit hohem Volumen eingesetzt werden, bei denen die Kosten im Vordergrund stehen.

Hauptmerkmale:

• Geschwindigkeit und Kosten: Es ist sehr schnell und sehr günstig.
• Aktion nach Anweisung: Es ist auch ein zuverlässiger Nachfolger einfacher Eingabeaufforderungen.
• Kontext: Es rechtfertigt das 4K-Token-Fenster (ca. 3.000 Wörter).

Praxisbeispiel:

Das Folgende ist eine kurze Zusammenfassung Python Skript zur Verwendung von GPT-3.5 Turbo für die Textzusammenfassung.

import openai
from google.colab import userdata 

# Set your API key 
consumer = openai.OpenAI(api_key=userdata.get('OPENAI_KEY')) 

messages = ( 
   {"position": "system", "content material": "You're a useful summarization assistant."}, 
   {"position": "person", "content material": "Summarize this: OpenAI modified the tech world with GPT-3.5 in 2022."} 
) 

response = consumer.chat.completions.create( 
   mannequin="gpt-3.5-turbo", 
   messages=messages 
) 

print(response.selections(0).message.content material)

Ausgabe:

GPT-4-Familie: Multimodale Kraftpakete

Der GPT-4 Familie warfare ein enormer Durchbruch. Solche Serien sind GPT-4, GPT-4 Turbo und der sehr effiziente GPT-4o. Diese Modelle sind multimodal, das heißt, sie können sowohl Textual content als auch Bilder verstehen. Ihre größte Stärke liegt in kompliziertem Denken, juristischer Recherche und kreativem, subtilem Schreiben.

GPT-4o-Funktionen:

• Multimodaler Enter: Es verarbeitet Texte und Bilder gleichzeitig.
• Geschwindigkeit: GPT-4o (o ist Omni) ist doppelt so schnell wie GPT-4.
• Preis: Es ist viel günstiger als das herkömmliche GPT-4-Modell.

Eine openAI-Studie ergab, dass GPT-4 bei den besten 10 Prozent der Personen, die den Take a look at absolvierten, einen simulierten Balkentest durchführte. Dies ist ein Hinweis auf seine Fähigkeit, mit anspruchsvoller Logik umzugehen.

Praktisches Beispiel (komplexe Logik):

GPT-4o ist in der Lage, ein logisches Rätsel zu lösen, das logisches Denken beinhaltet.

messages = ( 
   {"position": "person", "content material": "I've 3 shirts. One is crimson, one blue, one inexperienced. " 
                               "The crimson is just not subsequent to the inexperienced. The blue is within the center. " 
                               "What's the order?"} 
) 

response = consumer.chat.completions.create( 
   mannequin="gpt-4o", 
   messages=messages 
) 

print("Logic Answer:", response.selections(0).message.content material)

Ausgabe:

Die o-Serie: Modelle, die denken, bevor sie sprechen

Ende 2024 und Anfang 2025 kündigte OpenAI die o-Serie (o1, o1-mini und o3-mini) an. Dies sind „Argumentationsmodelle“. Sie antworten nicht sofort, sondern nehmen sich im Gegensatz zu den normalen GPT-Modellen Zeit zum Nachdenken und Entwickeln einer Strategie. Dadurch sind sie in Mathematik, Naturwissenschaften und schwierigem Programmieren überlegen.

o1- und o3-mini-Highlights:

• Gedankenkette: Dieses Modell überprüft seine Schritte intern selbst und minimiert so Fehler.
• Programmierkenntnisse: o3-mini ist darauf ausgelegt, Codes schnell und genau zu verarbeiten.
• Effizienz: o3-mini ist ein hochintelligentes Modell zu einem günstigeren Preis im Vergleich zum kompletten o1-Modell.

Praktisches Beispiel (Math Reasoning):

Verwenden Sie o3-mini für ein mathematisches Drawback, bei dem eine schrittweise Überprüfung entscheidend ist.

# Utilizing the o3-mini reasoning mannequin 
response = consumer.chat.completions.create( 
   mannequin="o3-mini", 
   messages=({"position": "person", "content material": "Remedy for x: 3x^2 - 12x + 9 = 0. Clarify steps."}) 
) 

print("Reasoning Output:", response.selections(0).message.content material)

Ausgabe:

GPT-5 und GPT-5.1: Die nächste Technology

Beide GPT-5 und seine optimierte Model GPT-5.1das Mitte 2025 veröffentlicht wurde, vereinte Tempo und Logik. GPT-5 bietet integriertes Denken, bei dem das Modell selbst in kurzer Zeit bestimmt, wann es denken und wann es reagieren muss. Die Model, GPT-5.1, wurde verfeinert, um bessere Unternehmenskontrollen und weniger Halluzinationen zu bieten.

Was sie auszeichnet:

• Adaptives Denken: Es reicht von einfachen Abfragen bis zu einfachen Routen und von einfacher Argumentation bis hin zu harten Argumentationsrouten.
• Unternehmensklasse: GPT-5.1 bietet die Möglichkeit einer umfassenden Recherche mit Professional-Funktionen.
• Das GPT-Bild 1: Dies ist ein integriertes Menü, das ersetzt DALL-E 3 um eine reibungslose Bilderstellung im Chat zu gewährleisten.

Praxisbeispiel (Geschäftsstrategie):

GPT-5.1 eignet sich sehr intestine für die Prime-Degree-Strategie, die Allgemeinwissen und strukturiertes Denken erfordert.

# Instance utilizing GPT-5.1 for strategic planning 
response = consumer.chat.completions.create( 
   mannequin="gpt-5.1", 
   messages=({"position": "person", "content material": "Draft a go-to-market technique for a brand new AI espresso machine."}) 
) 

print("Technique Draft:", response.selections(0).message.content material)

Ausgabe:

DALL-E 3 und GPT-Bild: Visuelle Kreativität

Für visuelle Daten stellt OpenAI DALL-E 3 und die neueren GPT-Picture-Modelle bereit. Diese Anwendungen verwandeln Textaufforderungen in wunderschöne, detaillierte Bilder. Wenn Sie mit DALL-E 3 arbeiten, können Sie Bilder, Logos und Schemata zeichnen, indem Sie sie einfach beschreiben.

Mehr lesen: Bildgenerierung mithilfe der GPT-Bild-API

Hauptfunktionen:

• Sofortmaßnahme: Ausführliche Anweisungen werden strikt befolgt.
• Integration: Es ist in ChatGPT und die API integriert.

Praxisbeispiel (Bildgenerierung):

Dieses Skript generiert eine Bild-URL basierend auf Ihrer Textaufforderung.

image_response = consumer.photos.generate( 
   mannequin="dall-e-3", 
   immediate="A futuristic metropolis with flying vehicles in a cyberpunk type", 
   n=1, 
   dimension="1024x1024" 
) 

print("Picture URL:", image_response.information(0).url)

Ausgabe:

Whisper: Speech-to-Textual content-Beherrschung

Whisper Das Spracherkennungssystem entspricht dem neuesten Stand der Technik und wird von OpenAI bereitgestellt. Es ist in der Lage, Audioinhalte aus Dutzenden von ihnen bekannten Sprachen ins Englische zu transkribieren. Es ist resistent gegen Hintergrundgeräusche und Akzente. Der folgende Ausschnitt des Whisper API-Tutorials zeigt, wie einfach die Verwendung ist.

Praxisbeispiel (Transkription):

Stellen Sie sicher, dass Sie sich in einem Verzeichnis mit einer Audiodatei befinden (mit dem Namen „speech.mp3“).

audio_file = open("speech.mp3", "rb") 

transcript = consumer.audio.transcriptions.create( 
   mannequin="whisper-1", 
   file=audio_file 
) 

print("Transcription:", transcript.textual content)

Ausgabe:

Einbettungen und Moderation: Die Utility-Instruments

OpenAI verfügt über Gebrauchsmuster, die für die Entwickler von entscheidender Bedeutung sind.

1. Einbettungen (text-embedding-3-small/massive): Diese werden verwendet, um Textual content als Zahlen (Vektoren) zu kodieren. Auf diese Weise können Sie Suchmaschinen erstellen, die die Bedeutung anstelle von Schlüsselwörtern entschlüsseln können.
2. Mäßigung: Dies ist eine kostenlose API, die Textinhalte auf Hassrede, Gewalt oder Selbstverletzung überprüft, um sicherzustellen, dass Apps sicher sind.

Praxisbeispiel (Semantische Suche):

Dadurch wird die Tatsache entdeckt, dass eine Ähnlichkeit zwischen einer Anfrage und einem Produkt besteht.

# Get embeddings 

resp = consumer.embeddings.create(
   enter=("smartphone", "banana"), 
   mannequin="text-embedding-3-small" 
) 

# In an actual app, you examine these vectors to search out the very best match 
print("Vector created with dimension:", len(resp.information(0).embedding))

Ausgabe:

Feinabstimmung: Anpassen Ihrer KI

Die Feinabstimmung ermöglicht das Coaching eines Modells anhand seiner eigenen Daten. GPT-4o-mini oder GPT-3.5 können verfeinert werden, um einen bestimmten Ton, ein bestimmtes Format oder einen bestimmten Branchenjargon aufzunehmen. Dies ist im Fall von Unternehmensanwendungen, die lediglich eine allgemeine Reaktion erfordern, von großer Bedeutung.

So funktioniert es:

1. Bereiten Sie eine JSON-Datei mit Trainingsbeispielen vor.
2. Laden Sie die Datei auf OpenAI hoch.
3. Beginnen Sie mit der Feinabstimmung.
4. Verwenden Sie Ihre neue benutzerdefinierte Modell-ID in der API.

Abschluss

Die OpenAI-Modelllandschaft bietet für nahezu jede digitale Aufgabe ein Werkzeug. Von der Geschwindigkeit von GPT-3.5 Turbo bis zur Argumentationsleistung von o3-mini und GPT-5.1 haben Entwickler zahlreiche Möglichkeiten. Sie können mit Whisper Sprachanwendungen erstellen, mit DALL-E 3 visuelle Belongings erstellen oder Daten mit den neuesten Reasoning-Modellen analysieren.

Die Eintrittsbarrieren bleiben niedrig. Sie benötigen lediglich einen API-Schlüssel und ein Konzept. Wir empfehlen Ihnen, die in diesem Handbuch bereitgestellten Skripte zu testen. Experimentieren Sie mit den verschiedenen Modellen, um ihre Stärken zu verstehen. Finden Sie das richtige Gleichgewicht zwischen Kosten, Geschwindigkeit und Intelligenz für Ihre spezifischen Anforderungen. Die Technologie ist vorhanden, um Ihre nächste Anwendung voranzutreiben. Es liegt nun an Ihnen, es anzuwenden.

Häufig gestellte Fragen

Harsh Mishra ist ein KI/ML-Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit echten Menschen. Leidenschaftlich für GenAI, NLP und die intelligentere Entwicklung von Maschinen (damit sie ihn noch nicht ersetzen). Wenn er nicht gerade Modelle optimiert, optimiert er wahrscheinlich seinen Kaffeekonsum.

Betrüger werden immer raffinierter und es wird erwartet, dass im Jahr 2025 neue Taktiken auftauchen. Aktuelle Berichte deuten darauf hin, dass ältere Amerikaner, insbesondere im Alter von 60 Jahren und älter, im Jahr 2023 durch Betrügereien erhebliche finanzielle Verluste in Höhe von insgesamt über 3,4 Milliarden US-Greenback erlitten haben, ein Pattern, der weiter eskaliert .

Immer mehr Betrügereien zielen auf Senioren und Unternehmen ab, während sich die Taktiken weiterentwickeln

Entsprechend AARPs Im Rahmen des Fraud Watch Community sind Betrügereien aufgetaucht, bei denen es um emotionale Manipulation geht, etwa gefälschte beunruhigende Nachrichten über Haustiere, bei denen traurige oder niedliche Bilder genutzt werden, um die Opfer anzusprechen. Michael Bruemmer, Vizepräsident bei Experian, warnt davor, dass das Wachstum der künstlichen Intelligenz (KI) die Umnutzung etablierter Betrügereien erleichtern wird, insbesondere Betrug mit Identitätsdiebstahl und den Einsatz von Deepfake-Technologie.

Im Jahr 2024 nahmen die Beschäftigungsbetrügereien stark zu, und zahlreiche Organisationen, darunter das Higher Enterprise Bureau (BBB) ​​und das Identification Theft Useful resource Heart (ITRC), meldeten einen Anstieg betrügerischer Stellenanzeigen und Einstellungsgespräche. Betrüger locken Arbeitssuchende häufig mit der Abfrage persönlicher Daten an und überzeugen sie häufig von einem Stellenangebot, für das vertrauliche Daten wie Sozialversicherungsnummern erforderlich sind. Bei aufwändigeren Varianten wird den Antragstellern eine Gebühr für Schulungen oder Ausrüstungslieferungen in Rechnung gestellt.

Kryptowährungsbetrug nimmt zu

Kryptowährungsbetrug bleibt eine erhebliche Bedrohung, insbesondere da Bitcoin kürzlich die 100.000-Greenback-Marke überschritten hat. Das FBI meldete im Jahr 2023 quick 17.000 Kryptowährungsbeschwerden von Personen ab 60 Jahren mit einem Schaden von insgesamt 1,6 Milliarden US-Greenback. Betrüger wenden häufig Taktiken wie das „Schweineschlachten“ an, bei denen sie im Laufe der Zeit Vertrauen zu ihren Opfern aufbauen, bevor sie große Investitionen tätigen. Diese Manipulation wird oft durch irreführende Gewinnberichte und hohe Auszahlungsgebühren verschärft.

Zusammen mit Kryptowährungsbetrügereien nehmen Betrügereien mit Prominenten zu, bei denen sich Kriminelle als bekannte Personen ausgeben, um Geld von den Opfern zu erpressen. AARP stellt fest, dass diese Betrügereien häufig auf Personen abzielen, die möglicherweise emotional verwundbar sind, und persönliche Verbindungen mit falschen Liebesgeschichten oder dringenden finanziellen Bedürfnissen ausnutzen. Die FTC hat neue Regeln eingeführt, um diese irreführenden Empfehlungen zu bekämpfen. Verbraucher werden daher dringend aufgefordert, gründliche Nachforschungen über Behauptungen in sozialen Medien anzustellen.

Wie Betrüger das Branding der Polizei von Dubai nutzten, um Phishing-Angriffe zu starten

Zunehmende Technologiebetrügereien

Betrügereien beim technischen Assist sind ebenfalls weit verbreitet, insbesondere bei Personen ab 60 Jahren, die einem fünfmal höheren Risiko ausgesetzt sind als jüngere Menschen. Die FTC berichtete, dass Senioren durch diese Betrügereien im Jahr 2023 über 175 Millionen US-Greenback verloren haben. Betrüger nehmen häufig Kontakt über Popup-Nachrichten auf, in denen sie Computerprobleme behaupten, und nutzen die Opfer dann aus, indem sie sich Fernzugriff auf persönliche Geräte verschaffen. Seriöse Technologieunternehmen werden sich nicht unangekündigt melden, daher ist Vorsicht geboten.

Ein weiterer besorgniserregender Pattern ist die Zunahme von Kartenablehnungsbetrügereien, bei denen Verbraucher bei On-line-Transaktionen falsche Benachrichtigungen erhalten, die auf Kartenprobleme hinweisen. Viele Opfer wissen nicht, dass ihre Karte möglicherweise belastet wurde, obwohl sie diese Nachrichten gesehen haben. Der Rip-off Tracker von BBB hat auf eine Zunahme solcher Vorfälle hingewiesen, bei denen sich Verbraucher unwissentlich einem Betrug aussetzen, während sie versuchen, Transaktionsfehler auf gefälschten Web sites zu beheben.

Der automatische Neustart von iPhones stellt die Strafverfolgung vor Herausforderungen

Methoden, die auf Unternehmen abzielen

Betrüger nutzen heute häufig fortschrittliche Technologie, um geschäftliche Phishing- und Identitätsdiebstahl-Betrügereien durchzuführen, die auf hochrangige Mitarbeiter in Unternehmen abzielen. Mithilfe von Informationen aus sozialen Medien oder Datenschutzverletzungen geben sich Kriminelle als vertrauenswürdige Kontakte aus, um dringende Geldüberweisungen anzufordern. Diese Methode hat an Bedeutung gewonnen, da sie ausgefeilte Social-Engineering-Taktiken mit beeindruckenden KI-gesteuerten Skripten kombiniert, die die Täuschung verstärken.

Während sich die KI weiterentwickelt, nehmen auch ihre Anwendungen bei der Betrugsentwicklung entsprechend zu. Dazu gehört die Entwicklung überzeugender Chatbots, die lokale Akzente nachahmen und Gespräche manipulieren können, um den Opfern wise Informationen zu entlocken. Darüber hinaus warnt das FBI vor Cookie-Diebstahl-Systemen, die die Multifaktor-Authentifizierung umgehen und Kriminellen Zugriff auf wise On-line-Konten ermöglichen.

Zu berücksichtigende Schutzmaßnahmen

Angesichts dieser zunehmenden Bedrohungen empfehlen Experten mehrere Schutzmaßnahmen. Einzelpersonen sollten regelmäßig Browser-Cookies löschen, sichere Passwörter verwenden und für zusätzliche Sicherheit den Einsatz von Passwort-Managern in Betracht ziehen. Zukunftssicheres On-line-Verhalten – skeptischer Umgang mit der Kommunikation und gründliche Untersuchung unaufgeforderter Anfragen – bleibt von größter Bedeutung.

Hervorgehobener Bildnachweis: Anna Tarazevich/Pexels