Wie sich ein 185 Jahre altes Informationsunternehmen neu erfand, indem es redaktionelle Autorität in eingebettete Entscheidungsunterstützung umwandelte. Und was wir daraus über den Aufbau langlebiger Geschäftsmodelle lernen.

Fachleute in regulierten Bereichen können es sich nicht leisten, falsch zu liegen. Ein Arzt diagnostiziert einen Patienten. Ein Steuerberater reicht eine Steuererklärung ein. Ein Compliance-Beauftragter berät einen Kunden. Sie alle brauchen mehr als nur Informationen. Sie benötigen vertrauenswürdige Anleitung, die zum richtigen Zeitpunkt in den Instruments bereitgestellt wird, die sie bereits verwenden.

Wolters Kluwer hat die letzten zwei Jahrzehnte damit verbracht, sich in diese Lücke hineinzuarbeiten. Das Ergebnis ist eine der folgenreichsten Geschäftstransformationen im Informationszeitalter.

Das niederländische Unternehmen wurde 1836 gegründet. Die meisten Menschen außerhalb der Fachwelt haben noch nie davon gehört. Aber bis 2024 conflict es ein globales Unternehmen mit einem Umsatz von 5,6 Milliarden Euro. Mit 21.000 Mitarbeitern betreut das Unternehmen Kunden in 180 Ländern. Professional Options, seine Software program- und KI-Produktlinie, machte im Jahr 2023 58 Prozent des Umsatzes aus. Wolters Kluwer ist kein Verlag mehr, der Software program hinzugefügt hat. Es handelt sich um eine professionelle Intelligence-Plattform mit publizistischen Wurzeln.

Es lohnt sich zu verstehen, wie der Wandel stattfand und warum er funktionierte. Nur wenige Unternehmen bieten einen klareren Plan für die Schaffung dauerhafter Werte im KI-Zeitalter.

Das Gewicht des alten Modells

Die meiste Zeit seiner Geschichte agierte Wolters Kluwer wie ein traditioneller Verlag. Die Einnahmen stammten aus Zeitschriften, Nachschlagewerken und Abonnements. Das Wertversprechen conflict einfach: Wir haben den Inhalt, Sie zahlen für den Zugang.

Das Modell funktionierte intestine, als die Informationen knapp waren. Fachleute in den Bereichen Gesundheitswesen, Recht, Steuern und Finanzdienstleistungen waren auf Verlage angewiesen. Verlage kuratierten Wissen, das anderswo kaum zu finden conflict. Eine umfassende Referenzbibliothek conflict ein echter Wettbewerbsvorteil.

Doch mit zunehmender Reife des Internets begann die Logik zu bröckeln. Informationen wurden reichlich vorhanden. Inhalte wurden zur Ware. Das Finden von Antworten über eine Suchmaschine dauerte Sekunden. Der Kernvorteil des traditionellen Verlags, die Tiefe und Breite der Berichterstattung, wurde immer schwieriger zu verteidigen.

Das größere Downside conflict nicht der Wettbewerb. Es conflict related. Ein professioneller Mid-Case hat keine Zeit, einen Artikel zu lesen und anzuwenden, was darin steht. Fachleute brauchen die Antwort, wenn der Second der Entscheidung kommt. Nicht in einem separaten Tab. Nicht in einer gedruckten Referenz auf einem Regal.

Die Lücke zwischen Informationen und umsetzbarer Workflow-Anleitung ist der Ausgangspunkt für das nächste Kapitel von Wolters Kluwer.

Die Wende: Vom Inhalt zur Entscheidungsunterstützung

Der moderne Wandel des Unternehmens begann, als Nancy McKinstry 2003 CEO wurde. Unter ihrer Leitung wandte sich Wolters Kluwer vom traditionellen Verlagswesen ab. Ziel conflict es, ein Anbieter professioneller Informationen, Software program und Dienstleistungen zu werden. MIT CISR-Forscher nannten den Prozess später einen Expertenlösungsübergang.

Der Schwenk erfolgte nicht abrupt, und das ist wichtig. Wolters Kluwer hat das Publizieren nicht über Nacht aufgegeben. Stattdessen wurde nach und nach neu definiert, was das Unternehmen verkaufte. Das Produkt wurde immer als Inhalt beschrieben. Wie sich herausstellte, conflict das eigentliche Produkt professionelles Vertrauen. Die Fähigkeit, eine folgenreiche Entscheidung zu treffen und zu wissen, dass sie richtig conflict.

Nachdem sich die Neuausrichtung durchgesetzt hatte, folgte die Strategie. Erstellen Sie Produkte, die vertrauenswürdige Anleitungen für die täglichen Arbeitsabläufe bieten. Hören Sie auf, neben Profis zu sitzen. Beginnen Sie mit der Arbeit innerhalb ihres Arbeitstages.

Anfang der 2010er Jahre entwickelte das Unternehmen eine unternehmensweite Strategie rund um Expertenlösungen. Das Ziel bestand darin, vom Verkauf von Veröffentlichungen zum Verkauf von Ergebnissen überzugehen. Nicht „Hier sind die Informationen.“ Vielmehr: „Hier erfahren Sie, was in Ihrem spezifischen Kontext zu tun ist.“

Der Wert, der sich in aller Deutlichkeit verbirgt: Domänenwissen

Das Wolters-Kluwer-Modell ist aus einem wesentlichen Grund vertretbar. Der Vermögenswert in seinem Zentrum unterscheidet sich von den meisten Vermögenswerten in der Wirtschaft.

Die Wissensdatenbank des Unternehmens wird nicht aus dem offenen Web entfernt. Es basiert auf jahrzehntelang professionell kuratierten Inhalten. Von Experten verfasstes Referenzmaterial, regulatorische Leitlinien, klinische Protokolle, steuerliche Rahmenbedingungen und rechtliche Interpretationen. Area-Spezialisten entwickeln und warten alles. Kuratiertes, strukturiertes Wissen dieser Tiefe ist außerordentlich schwer zu reproduzieren.

In Bereichen wie Gesundheitswesen, Recht, Steuern und Compliance sind Genauigkeit und Rückverfolgbarkeit keine Possibility. Eine allgemeine Antwort aus breiten Internetdaten kann betriebsgefährdend sein. Nicht hilfreich zu sein ist das geringste Downside.

Der Wert von Wolters Kluwer beruht auf Wissen, das eng begrenzt, verifiziert und maßgeblich ist. Fachleute in diesen Bereichen benötigen eine Anleitung, nach der sie sicher handeln können. Informationen allein reichen nicht aus.

Das Modell funktioniert genau wie geplant. Das Unternehmen verfügt über einen proprietären Wissensbestand. Es strukturiert den Vermögenswert in wiederholbare digitale Produkte. Das Unternehmen integriert diese Produkte in den täglichen Arbeitsablauf der Kunden. Der Burggraben vertieft sich mit jeder Produktverbesserung und jeder Kundeninteraktion.

Kontrollierte KI: Intelligenz mit Leitplanken

Anfang der 2020er Jahre hatte Wolters Kluwer KI in etwa die Hälfte seiner Produkte integriert. Im Jahr 2024 machten KI-gestützte Angebote etwa die Hälfte des digitalen Umsatzes aus. Die Zahlen sind nicht marginal. KI steht heute im Mittelpunkt der Wertschöpfung.

Aber die wichtigere Geschichte ist, wie das Unternehmen KI nutzt.

Wolters Kluwer verwendet keine generische Verbraucher-KI. Seine KI ist domänenspezifisch, in den Workflow eingebettet und basiert auf proprietärem Wissen, das von menschlichen Experten gepflegt wird. Das Unternehmen nennt den Ansatz kontrollierte KI.

Die KI generiert keine Antworten aus dem offenen Web. Es basiert auf kuratiertem, kontinuierlich aktualisiertem Quellenmaterial. Die Leitplanken passen in professionelle und regulierte Umgebungen. In der Medizin oder im Recht ist ein KI-Fehler keine kleine Unannehmlichkeit. Es ist ein berufliches und manchmal auch rechtliches Downside.

Der Ansatz ist aus zwei Gründen wichtig. Erstens werden dadurch Fehler, die in der Medizin oder im Recht inakzeptabel sind, drastisch reduziert. Zweitens ist die KI kein eigenständiges Produkt, das um Aufmerksamkeit konkurriert. Es sitzt unsichtbar in den Werkzeugen, denen Profis bereits vertrauen.

Das Wertversprechen unterscheidet sich grundlegend von einem Chatbot. Die KI fordert Benutzer nicht dazu auf, ihren Arbeitsablauf zu ändern. Dadurch wird der bereits vorhandene Arbeitsablauf schneller, genauer und zuverlässiger. Die Akzeptanz ist hoch. Die Bindung ist stark.

Die Suggestions-Schleife, die dafür sorgt, dass es funktioniert

Das Geschäftsmodell von Wolters Kluwer ist ein verstärkender Kreislauf. Die Schleife enthält die eigentliche Lektion für jeden, der Informationsgeschäfte aufbaut.

Das Unternehmen sammelt spezialisiertes Expertenwissen. Es strukturiert Wissen in digitale Produkte. Es nutzt Software program und KI, um das Wissen umsetzbar zu machen. Das Unternehmen bettet das Produkt in den täglichen Arbeitsablauf des Kunden ein. Es lernt aus dem Nutzerverhalten und verbessert sich kontinuierlich. Es monetarisiert wiederkehrende Werte durch Abonnements und Unternehmenslösungen.

Jedes Component stärkt die anderen. Tiefergehendes Wissen verbessert die KI. Bessere KI steigert den Produktwert. Ein höherer Produktwert fördert die Akzeptanz. Mehr Akzeptanz generiert mehr Nutzungsdaten. Mehr Nutzungsdaten verbessern die KI weiter.

Ein Kunde, der Werkzeuge von Wolters Kluwer in seine tägliche Arbeit integriert, wird das Unternehmen wahrscheinlich nicht verlassen. Ein Wechsel kostet Geld. Durch den Wechsel werden auch Arbeitsabläufe unterbrochen. Nur wenige Kunden sind bereit, die Kosten und die Unterbrechung in Kauf zu nehmen.

Die Architektur des dauerhaften Unternehmenswerts funktioniert wie ein Kreislauf. Inhalte allein machen es nicht aus. Vertrauen, Workflow-Integration und kontinuierliches Lernen tun es.

Was alte Unternehmen lernen können

Wolters Kluwers Verwandlung wird als Veröffentlichungsgeschichte diskutiert. Genauer gesagt handelt es sich um eine Produktstrategiegeschichte mit publizistischem Ursprung.

Dem Unternehmen gelang es nicht, am schnellsten voranzukommen. Es gelang, indem wir uns in die richtige Richtung bewegten. Die Richtung richtete sich nach der eigentlichen Aufgabe des Kunden.

Fachleute in regulierten Branchen suchen nicht nach Informationen. Sie versuchen, folgenreiche Entscheidungen selbstbewusst zu treffen. Wolters Kluwer baute ein Unternehmen rund um diese Auszeichnung auf und baute diesen Vorsprung über zwei Jahrzehnte hinweg stetig aus.

Für Unternehmen aller Branchen mit fundiertem Fachwissen ist die Lektion übertragbar. Die redaktionelle Autorität oder das Fachwissen, die das ursprüngliche Unternehmen aufgebaut haben, sind nicht haftbar. Es ist das Fundament. Die Frage ist einfach: Werden Produkte auf Grundlage des Fachwissens erstellt, in Arbeitsabläufe eingebettet und durch die Nutzung verfeinert?

Inhalte, so maßgeblich sie auch sein mögen, schaffen keinen wiederkehrenden Wert. Die Entscheidungsunterstützung, eingebettet in den Second des Handelns, tut dies.

Wolters Kluwer hat den digitalen Wandel mehr als nur überstanden. Das Unternehmen nutzte den Übergang, um etwas aufzubauen, was ein Verlagsunternehmen noch nie zuvor getan hatte. Eine Plattform, auf der Vertrauen das Produkt und Expertenwissen der Burggraben ist.

Kleine Unternehmen machen 44 % des US-BIP aus. Sie beschäftigen quick die Hälfte der Arbeitskräfte im privaten Sektor. Und seit drei Jahren erhalten sie KI-Instruments für Unternehmen mit IT-Abteilungen, Dateningenieuren und sechsstelligen Softwarebudgets.

Genau auf diese Lücke zielt Anthropic mit Claude for Small Enterprise, das am 13. Mai 2026 auf den Markt kam. Die Frage ist nicht, ob das Produkt beeindruckend ist. Es geht darum, ob Anthropic besser als jeder andere Anbieter zuvor verstanden hat, warum die KI-Einführung in kleinen Unternehmen immer wieder ins Stocken gerät.

Es stellt sich heraus, dass die Antwort auf eine einzige Designentscheidung zurückzuführen ist.

Das Downside warfare nie die Technologie

Jede bisherige Welle von KMU-Software program versprach, den Betrieb zu vereinfachen. Was tatsächlich geliefert wurde, warfare eine neue Ebene der Konfiguration, Schulung und Wartung, für die die Eigentümer keine Zeit hatten. KI-Instruments folgten dem gleichen Muster, leistungsstark in Demos, reibungsintensiv in der Praxis.

Die Trennung warfare struktureller Natur. Enterprise-KI-Instruments sind für zentralisierte IT-Umgebungen mit sauberen, standardisierten Daten konzipiert. Kleine Unternehmen arbeiten mit QuickBooks-Konten, die von einem Teilzeitbuchhalter geführt werden, HubSpot-CRMs werden inkonsistent aktualisiert und PayPal-Abrechnungen stimmen nicht immer mit dem Kontostand überein. Die Werkzeuge sprachen diese Sprache nicht.

Die Antwort von Anthropic ist kein einfacheres Werkzeug. Es handelt sich um ein Instrument, das die bereits verwendeten Sprachen spricht.

Was die Anschlüsse tatsächlich tun

Claude for Small Enterprise verbindet sich direkt mit den Plattformen, die Kleinunternehmer bereits betreiben, Intuit QuickBooks, PayPal, HubSpot, Canva, DocuSign, Google Workspace und Microsoft 365, und wird mit 15 vorgefertigten Agenten-Workflows und 15 aufgabenspezifischen Fähigkeiten aus den Bereichen Finanzen, Vertrieb, Advertising, Personalwesen und Kundenservice geliefert.

Die Einrichtung erfolgt mit einem Klick professional Connector, ohne Datenmigration, ohne Erlernen einer neuen Benutzeroberfläche und ohne zusätzliche Abonnementkosten über eine bestehende Claude-Lizenz hinaus. Die Konnektoren funktionieren auf der API-Ebene. Ein QuickBooks-Benutzer verbindet ein Konto, nicht ein Datenmodell.

Die Arbeitsabläufe machen genau das, was die Eigentümer sagen, dass sie es hassen. Ein Arbeitsablauf zur Lohn- und Gehaltsabrechnung integriert die Bargeldbestände von QuickBooks mit PayPal-Abrechnungen, erstellt eine 30-Tage-Cashflow-Prognose und stellt Zahlungserinnerungen zur Genehmigung durch den Eigentümer in die Warteschlange, bevor etwas gesendet wird. Ein Arbeitsablauf zum Monatsabschluss gleicht Konten ab, markiert Unstimmigkeiten und erstellt eine Gewinn- und Verlustrechnung in einfacher Sprache, die direkt an einen Buchhalter exportiert werden kann. Ein Advertising-Workflow analysiert die Kampagnenleistung von HubSpot, identifiziert Umsatzrückgänge, entwirft eine Werbestrategie und generiert kreative Belongings in Canva.

Zu den weiteren Funktionen gehören ein Rechnungsverfolgungssystem, ein Margenanalysator, ein Vertragsprüfer, ein Organisator der Steuersaison und ein Lead-Triage-System.

Das Gestaltungsprinzip, das sich durch alle 15 Arbeitsabläufe zieht, ist das gleiche: Claude bereitet vor. Sie stimmen zu. Nichts wird ohne menschliche Zustimmung ausgeführt.

Der letzte Punkt ist wichtiger als es klingt.

Die Belief-Architektur ist die wahre Wette

Die meisten KI-Produkte für kleine Unternehmen scheitern am Vertrauen und nicht an den Funktionen. Eigentümer geben den Zugriff auf Finanzdaten weiter und beobachten dann, wie KI-Systeme Maßnahmen ergreifen, die sie nicht vollständig verstanden oder autorisiert haben. Die Haftungsfrage, wer die Verantwortung trägt, wenn die KI etwas falsch macht, ist selten sauber beantwortet.

Anthropic baute seine Antwort in die Architektur selbst ein. Jeder Claude for Small Enterprise-Workflow erfordert vor der Ausführung die Genehmigung des Eigentümers. Nichts wird gesendet, gepostet oder bezahlt, ohne dass ein Mensch auf dem Laufenden ist. Das beseitigt KI-Fehler zwar nicht, das kann kein System, aber Folgeentscheidungen bleiben bei der Individual, die rechtlich und finanziell dafür verantwortlich ist.

Brian Ludviksen, COO von Purity Espresso, fasste die Erfahrung in den Einführungsmaterialien von Anthropic zusammen: „Es konnte nicht nur Probleme für mich lösen, es zeigte mir auch Probleme, von denen ich nicht wusste, dass ich sie hatte.“

Das ist das richtige Versprechen. Nicht „die Kontrolle abgeben“. Nicht „Lassen Sie KI Ihr Unternehmen leiten.“ Lassen Sie die KI ans Licht bringen, was Sie übersehen würden, und überlassen Sie es Ihnen, zu entscheiden, was Sie dagegen tun möchten.

Das Distributionsstück, über das niemand spricht

Folgendes fehlt in den meisten Berichten über diese Markteinführung: Die Produktstrategie ist interessant, aber die Vertriebsstrategie ist wirklich klug.

Anthropic verlässt sich nicht auf Direktmarketing, um Kleinunternehmer zu erreichen. Die Einführung erfolgt über Group Improvement Monetary Establishments, den Accion Alternative Fund, den Group Reinvestment Fund USA und Pacific Group Ventures und stellt Claude-Gutschriften und technische Unterstützung direkt den Organisationen zur Verfügung, denen kleine Unternehmen bereits in Bezug auf Kapital vertrauen. Pacific Group Ventures nutzt Claude bereits zur Stromversorgung seines Radiant Information Hub und synthetisiert sprachbasiertes Kundenfeedback über ein Netzwerk von Kreditgebern.

Kleine Unternehmen führen neue Technologien nicht über Anbieterkampagnen ein. Sie übernehmen es durch vertrauenswürdige Berater, Buchhalter, Kreditgeber und Branchenverbände. Wenn CDFIs Claude erfolgreich in ihre Beratungsdienste integrieren, erzielt Anthropic eine Verbreitung, die durch keine Werbung erreicht werden könnte. Das ist eine strukturelle Wette, keine Marketingtaktik.

Fügen Sie den kostenlosen AI Fluency for Small Enterprise-Kurs hinzu, der mit PayPal entwickelt und von Eigentümern unterrichtet wird, die KI in ihre eigenen Betriebe integriert haben, und eine Workshop-Tour durch 10 Städte in den USA, die praktische Schulungen und ein einmonatiges Claude Max-Abonnement professional Teilnehmer bietet, und das Bild wird schärfer. Anthropic bringt nicht nur ein Produkt auf den Markt. Es wird versucht, die Voraussetzungen für eine völlig neue Kategorie der KI-Einführung zu schaffen, die nicht davon abhängt, dass der Geschäftsinhaber bereits technisch neugierig ist.

Der eigentliche Check liegt noch vor uns

Die Unternehmen, die bei der KI für Kleinunternehmen gewinnen, werden diejenigen sein, die etwas Einfaches verstanden haben: Eigentümer haben keine Angst vor Technologie. Sie haben Angst vor Instruments, die mehr Arbeit verursachen als sie einsparen.

Alle strukturellen Entscheidungen in Claude for Small Enterprise, vorgefertigte Konnektoren, Human-in-the-Loop-Genehmigungen, Group-basierte Verteilung, keine zusätzlichen Abonnementkosten, basieren auf dieser Erkenntnis. In einer Umfrage, die Anthropic unter Kleinunternehmern durchführte, gab die Hälfte der Befragten die Datensicherheit als ihr größtes Zögern gegenüber KI an. Die Antwort von Anthropic ist kein Grundsatzdokument. Es handelt sich um ein Berechtigungsmodell, bei dem die bestehenden Zugriffskontrollen des Eigentümers gelten, nichts ohne Genehmigung ausgeführt wird und die Geschäftsdaten auf den Plattformen verbleiben, von denen sie stammen.

Der eigentliche Check des Produkts ist jedoch nicht die Markteinführung. Es geht darum, ob die Arbeitsabläufe aufrechterhalten werden, wenn die Bücher unordentlich sind, die Daten nicht übereinstimmen und der Eigentümer keine Zeit für die Fehlerbehebung hat. Hier verdient oder verliert jedes Instrument für kleine Unternehmen seinen Ruf.

Wenn Claude for Small Enterprise den Kontakt mit realen Abläufen überlebt, gehen die Auswirkungen weit über die Gehaltsabrechnung und den Monatsabschluss hinaus. Es wäre das erste Mal, dass die KI-Automatisierung auf Unternehmensebene den Teil der Wirtschaft erreicht, der sie am meisten benötigt und am längsten auf sich warten lässt.

Die Unternehmen, die es bereits nutzen, fragen sich nicht, ob KI für kleine Unternehmen bereit ist. Sie fragen sich, warum alle anderen so lange gebraucht haben.

OpenAI ist in Fahrt! Während das Unternehmen alle wegen seines neuen Bilderzeugungsmodells völlig aus dem Häuschen struggle, ist das ChatGPT-Bilder 2.0Es kam zu dem Schluss, dass es jetzt nicht an der Zeit sei, damit aufzuhören. Und siehe da, ein weiterer Knaller kommt aus seinen Büros, und wohlgemerkt, das ist der größere. Die neue Model des beliebten ChatGPT ist da und heißt GPT 5.5.

Und ich gehe davon aus, dass sich mit dieser Einführung im KI-Zeitalter einiges ändern wird. Warum? Um dies zu verstehen, werfen wir einen Blick auf das neue GPT 5.5-Modell.

Was ist GPT 5.5?

Es handelt sich um das neueste Modell der ChatGPT-Familie, das das Unternehmen als sein „bisher intelligentestes und intuitivstes Modell“ bezeichnet. Obwohl wir diese Behauptung im Laufe der Jahre bei verschiedenen Modelleinführungen immer wieder gehört haben, sollten Sie sich nicht nur an den Adjektiven orientieren. Der Unterschied besteht dieses Mal darin, dass sich das neue GPT-Modell darauf konzentriert, die Arbeit zu erledigen, anstatt nur Ihre Fragen zu lösen.

Hier geht es additionally nicht um bessere Antworten. Es geht darum, Aufgaben zu erledigen.

Laut der offiziellen Ankündigung von OpenAI wurde GPT 5.5 mit einem starken Fokus auf die Ausführung realer Aufgaben entwickelt. Das bedeutet, dass es in der Lage ist, die nächsten Schritte zu planen, die richtigen Instruments zu verwenden und dabei den Output zu verfeinern.

Eine der größten Verbesserungen besteht darin, wie das Modell die Absicht versteht. GPT 5.5 erfordert im Vergleich zu früheren Versionen weitaus weniger Eingabeaufforderungen. Sie müssen Ihre Anfrage nicht zu sehr erläutern oder perfekt strukturieren. Das Modell ist besser darin, das aufzunehmen, was Sie tatsächlich wollen, und es umzusetzen.

Es gibt auch mehrere andere Funktionen. Lassen Sie uns als nächstes alle diese im Element untersuchen.

GPT 5.5: Hauptfunktionen

Jetzt wissen wir additionally, dass es bei GPT 5.5 darum geht, die Arbeit zu erledigen. Aber was ermöglicht diesen Wandel?

Hier sind die wichtigsten Merkmale, die aus der Ankündigung hervorstechen:

1. Stärkere Agentenkodierung

GPT 5.5 wird als das bisher stärkste Agenten-Codierungsmodell von OpenAI positioniert. Das bedeutet, dass es nicht nur um das Schreiben von Codeschnipseln geht, sondern auch um die Übernahme längerer technischer Arbeitsabläufe wie Debuggen, Refactoring, Testen, Validieren und Beheben von Problemen in größeren Codebasen.

2. Bessere Computernutzung

Das Modell ist darauf ausgelegt, die Instruments effizienter zu nutzen. Laut OpenAI kann GPT 5.5 Software program bedienen, Dokumente und Tabellenkalkulationen erstellen, durch Schnittstellen navigieren und eine Aufgabe ausführen, bis sie abgeschlossen ist.

3. Verbesserte Wissensarbeit

GPT 5.5 ist ebenfalls dafür konzipiert berufliche Aufgaben wie Recherche, Informationssynthese, Datenanalyse, dokumentenintensive Arbeit und Geschäftsabläufe. Dies macht es über das Codieren hinaus nützlich, insbesondere für Menschen, die KI für die tägliche Arbeit verwenden.

4. Frühe wissenschaftliche Forschungskapazitäten

OpenAI hat auch Fortschritte in der wissenschaftlichen und technischen Forschung hervorgehoben. Das Modell kann bei mehrstufigen Forschungsabläufen helfen, z. B. beim Erkunden von Ideen, beim Analysieren von Daten, beim Testen von Annahmen, beim Interpretieren von Ergebnissen und beim Vorschlagen nächster Schritte.

5. Bessere Effizienz

Eine der interessanteren Behauptungen ist, dass GPT 5.5 nicht nur intelligenter, sondern auch effizienter ist. OpenAI gibt an, dass es die Professional-Token-Latenz von GPT 5.4 bei der Bereitstellung in der realen Welt erreicht und gleichzeitig weniger Token für die gleichen Codex-Aufgaben verwendet.

6. Stärkere Schutzmaßnahmen

Da das Modell insbesondere in Bereichen wie Cybersicherheit und Biologie leistungsfähiger ist, hat OpenAI nach eigenen Angaben GPT 5.5 mit den bislang stärksten Sicherheitsmaßnahmen veröffentlicht. Dazu gehören internes und externes Pink-Teaming, gezielte Checks und Suggestions von quick 200 Early-Entry-Partnern.

GPT 5.5: Benchmark-Leistung

Das neue ChatGPT-Modell hat seine Leistungsfähigkeit auch bei Benchmark-Ergebnissen unter Beweis gestellt, und wie! GPT 5.5 sieht dort am stärksten aus, wo die Agentenarbeit in der Praxis eine Rolle spielt. Es erreicht 82,7 % auf Terminal-Bench 2.0, vor GPT-5.4 mit 75,1 %, Claude Opus 4,7 mit 69,4 % und Gemini 3.1 Professional mit 68,5 %. Bei Professional-SWE erreicht es 73,1 % und liegt damit erneut über den 68,5 % von GPT-5.4. Das gleiche Muster setzt sich bei Software- und Arbeits-Benchmarks fort: GPT-5.5 erzielte 84,9 % bei GDPval, 78,7 % bei OSWorld-Verified, 55,6 % bei Toolathlon und 81,8 % bei CyberGym.

Auch die Zahlen zur härteren Argumentation sind stark. GPT-5.5 erreicht 51,7 % auf FrontierMath Tier 1–3 und 35,4 % auf FrontierMath Tier 4, während GPT-5.5 Professional diese Werte auf 52,4 % bzw. 39,6 % steigert. Bei BrowseComp sticht das Professional-Modell mit 90,1 % am meisten heraus, vor GPT-5.4 Professional mit 89,3 % und Claude Opus 4,7 mit 79,3 %.

Die Gesamtaussage ist additionally klar: GPT 5.5 ist nicht nur besser in der Argumentation im Chat-Stil, sondern auch stärker in den Bereichen Codierung, Browsernutzung, Software-Workflows, Mathematik und Agenten-Aufgabenausführung.

GPT 5.5: Verfügbarkeit und Preise

GPT 5.5 wird bereits für Plus-, Professional-, Enterprise- und Enterprise-Benutzer in ChatGPT und Codex eingeführt. In ChatGPT ist GPT 5.5 Considering für Plus-Benutzer und höher verfügbar, während GPT 5.5 Professional für Professional-, Enterprise- und Enterprise-Benutzer verfügbar ist.

In Codex ist GPT 5.5 für die Tarife Plus, Professional, Enterprise, Enterprise, Edu und Go mit einem 400K-Kontextfenster verfügbar. Es gibt auch einen Schnellmodus, der Token 1,5-mal schneller generiert, jedoch 2,5-mal teurer ist.

Preise

• gpt-5.5 API: 5 $ professional 1 Mio. Eingabe-Tokens und 30 $ professional 1 Mio. Ausgabe-Tokens
• Kontextfenster: 1 Mio. Token
• Batch- und Flex-Preise: Die Hälfte des Normal-API-Tarifs
• Vorrangige Bearbeitung: 2,5-faches des Standardtarifs
• gpt-5.5-pro API: 30 $ professional 1 Mio. Eingabe-Tokens und 180 $ professional 1 Mio. Ausgabe-Tokens

Obwohl GPT 5.5 teurer ist als GPT 5.4, ist es laut OpenAI auch intelligenter und Token-effizienter, insbesondere im Codex, wo es für die meisten Benutzer bessere Ergebnisse mit weniger Token liefern kann. Dies ist nun ein kluger Schachzug, wenn man bedenkt, dass Anthropic in jüngster Zeit eine Gegenreaktion wegen des Claude Opus 4.7 erlebt hat, der in enormem Tempo Token verschlingt.

Probieren wir GPT 5.5 aus

Nachdem wir nun alles über das neueste ChatGPT-Modell wissen, finden Sie hier einige Anwendungsfälle aus der Praxis, um seine Fähigkeiten zu testen.

Aufgabe 1: Pc-/Werkzeug-Workflow-Simulation

Immediate:

Ich leite ein kleines Innenarchitekturstudio mit 6 Teammitgliedern und 14 aktiven Wohnprojekten.

Erstellen Sie ein vollständiges Google Sheets-Betriebssystem, das mir hilft, Kundenprojekte, Designphasen, Besuche vor Ort, Lieferantenkoordination, Budgets, Genehmigungen und Zahlungen an einem Ort zu verwalten.

Das Blatt sollte praktisch genug sein, um es täglich zu verwenden, und nicht nur ein einfacher Tracker. Fügen Sie die Hauptregisterkarten, Schlüsselspalten, Beispielzeilen, Formeln, Dashboard-Metriken, Ideen zur bedingten Formatierung und einen einfachen täglichen Arbeitsablauf für das Workforce hinzu.

Angenommen, ich möchte schnell erkennen, welche Projekte sich verzögern, welche Lieferanten noch ausstehen, welche Kunden eine Genehmigung benötigen, welche Zahlungen fällig sind und was heute meine Aufmerksamkeit erfordert.

Ausgabe:

Aufgabe 2: On-line-Recherche / Quellensynthese

Immediate:

Erforschen Sie, wie KI-Agenten im Jahr 2026 die tägliche Arbeit von Softwareentwicklern verändern.

Ich möchte keine allgemeine Zusammenfassung. Vergleichen Sie die Behauptungen von KI-Unternehmen mit dem, was Entwickler tatsächlich im realen Einsatz berichten.

Teilen Sie die Antwort auf in:

• Was KI-Agenten heute eindeutig intestine können
• Wo sie immer noch scheitern oder menschliche Aufsicht benötigen
• Was das für Nachwuchsentwickler bedeutet
• Was das für erfahrene Ingenieure bedeutet
• Ein abschließender, ausgewogener Imbiss

Nutzen Sie aktuelle Quellen, vermeiden Sie Hype, erwähnen Sie bei Bedarf Unsicherheiten und machen Sie die Ergebnisse für einen Berufstätigen nützlich, der über eine Übernahme entscheidet KI-Agenten in ihrem Workflow.

Ausgabe:

Aufgabe 3: Lange, chaotische Geschäftsaufgabe

Immediate:

Ich betreibe eine kleine Marke für Heimfitnessgeräte, die über meine Web site und Marktplätze verstellbare Hanteln, Widerstandsbänder, Yogamatten und Kompaktbänke verkauft.

Der Umsatz ist in Ordnung, aber das Wachstum hat sich verlangsamt. Kundenbewertungen sagen, dass die Produkte intestine sind, aber die Leute verstehen nicht genau, warum sie bei uns statt bei günstigeren Marken kaufen sollten. Wir haben auch keine starke Wiederholungskaufstrategie.

Erstellen Sie aus diesem chaotischen Briefing einen praktischen 90-Tage-Plan zur Geschäftsverbesserung.

Enthalten:

• Eine schärfere Markenpositionierung
• 3 Kundensegmente, die wir ansprechen sollten
• Verbesserungen der Web site und des Marktplatzes
• Ideen zur Produktbündelung
• Ideen zur Kundenbindung und Wiederholungskäufen
• Ein einfacher Kampagnenplan für die nächsten 90 Tage
• Risiken oder Schwachstellen im Plan

Halten Sie es für eine kleine D2C-Marke mit begrenztem Price range und einem kleinen Workforce realistisch.

Ausgabe:

Aufgabe 4: Wissenschaftliches/technisches Denken

Immediate:

Eine Stadt möchte die Sommerhitze in einem dicht besiedelten Stadtviertel reduzieren, in dem die Temperaturen konstant 4–6 °C höher sind als in den umliegenden Gebieten.

Die in Betracht gezogenen Optionen sind:

• mehr Bäume pflanzen
• Dächer weiß streichen
• Ersetzen von Betondecken durch durchlässige Materialien
• Hinzufügung schattiger Bushaltestellen und Fußgängerkorridore
• Schaffung kleiner Gewässer oder Nebelzonen

Analysieren Sie dies wie ein technischer Berater.

Erklären Sie, welche Interventionen wahrscheinlich am besten funktionieren, welche möglicherweise Kompromisse eingehen und wie die Stadt sie in einem praktischen 2-Jahres-Pilotplan kombinieren sollte.

Geben Sie keine allgemeine Nachhaltigkeitsantwort. Grund durch Wärmeabsorption, Schatten, Feuchtigkeit, Wartung, Kosten und Auswirkungen auf die Bewohner.

Ausgabe:

Beobachtungen

In jedem der Fälle, in denen wir das neue ChatGPT-Modell ausprobiert haben, weigerte es sich einfach, nachzugeben oder auch nur durchschnittlich zu sein. Wie Sie in den Bildschirmaufzeichnungen sehen können, kam es zu erstklassigen Antworten mit äußersten Nuancen und Particulars und einem gestochen scharfen Fokus auf jede einzelne Anweisung, die ihm übermittelt wurde.

Ich kann ernsthaft in keiner der Eingabeaufforderungen einen einzigen Bereich/Anweisung/Detaillierung finden, den GPT 5.5 in seinen Antworten möglicherweise übersehen hätte. Zugegeben, die Antworten sind lang, aber alle Eingabeaufforderungen erforderten so ausführliche und ausführliche Antworten. Darüber hinaus tat das Modell immer dann, wenn es aufgefordert wurde, bestimmte Aufgaben Schritt für Schritt auszuführen, dasselbe.

Das Beste daran: Das alles ging innerhalb von Sekunden. Die längste Denkzeit betrug etwa 13 Sekunden, und das auch noch für eine ausführliche Antwort, die weit über 3.000 Wörter und 25 Quellen umfasste. Im Fall der wissenschaftlichen Forschung durchlief es blitzschnell über 118 Quellen. Das ist genau die Artwork von Modell, die ich gerne als Spine-KI für alle meine Projekte verwenden würde.

Abschluss

In unseren obigen Checks konnte GPT 5.5 seine erweiterten Funktionen in allen Anwendungsfällen problemlos rechtfertigen. Dies steht im Einklang mit den Behauptungen von OpenAI und zeigt die echte Verbesserung, die das Modell der ChatGPT-Familie bringt. Wenn Sie additionally auf der Suche nach einer KI sind, die nicht nur Ihre Fragen beantwortet, sondern auch zu Ihrem täglichen Helfer bei allen Aufgaben wird, ist das neue GPT 5.5 ein Muss.

Neulich stieß ich auf eine Bibliothek, von der ich noch nie zuvor gehört hatte. Es wurde genannt Numexpr.

Ich warfare sofort interessiert wegen einiger Behauptungen über die Bibliothek. Insbesondere wurde festgestellt, dass es für einige komplexe numerische Berechnungen bis zu 15 -mal schneller warfare als Numpy.

Ich warfare fasziniert, weil Numpy bisher in seiner Dominanz im numerischen Berechnungsraum in Python unangefochten geblieben ist. Insbesondere mit DatenwissenschaftNumpy ist ein Eckpfeiler für maschinelles Lernen, explorative Datenanalyse und Modelltraining. Alles, was wir verwenden können, um jede letzte Leistung in unseren Systemen auszudrücken, wird begrüßt. Additionally beschloss ich, die Behauptungen selbst auf den Take a look at zu setzen.

Am Ende dieses Artikels finden Sie einen Hyperlink zum NumexPR -Repository.

Was ist numexpr?

Nach seiner GitHub -Seite ist numexpr ein schneller numerischer Expressions -Bewerter für Numpy. Mit der Verwendung werden Ausdrücke, die auf Arrays arbeiten, beschleunigt und verwenden weniger Speicher als die gleichen Berechnungen in Python mit anderen numerischen Bibliotheken wie Numph.

Darüber hinaus kann numexpr, da es multitHehead ist, alle Ihre CPU -Kerne verwenden, was im Allgemeinen zu einer erheblichen Leistungsskalierung im Vergleich zu Numpy führt.

Einrichtung einer Entwicklungsumgebung

Bevor wir mit dem Codieren beginnen, richten wir unsere Entwicklungsumgebung ein. Die beste Praxis ist es, eine separate zu erstellen Python Umgebung, in der Sie alle erforderlichen Software program installieren und mit Codierung experimentieren können, wusste ich, dass alles, was Sie in dieser Umgebung tun, den Relaxation Ihres Programs nicht beeinflusst. Ich benutze Conda dafür, aber Sie können jede Methode verwenden, die Sie am besten wissen, die zu Ihnen passt.

Wenn Sie die Miniconda -Route hinuntergehen möchten und sie noch nicht haben, müssen Sie zuerst Miniconda installieren. Holen Sie es mit diesem Hyperlink:

https://www.anaconda.com/docs/principal

1/ Erstellen Sie unsere neue Entwicklerumgebung und installieren Sie die erforderlichen Bibliotheken

(base) $ conda create -n numexpr_test python=3.12-y
(base) $ conda activate numexpr
(numexpr_test) $ pip set up numexpr
(numexpr_test) $ pip set up jupyter

2/ Begin Jupyter
Tippen Sie jetzt ein jupyter pocket book in Ihre Eingabeaufforderung. Sie sollten ein Jupyter -Notizbuch in Ihrem Browser geöffnet sehen. Wenn das nicht automatisch passiert, werden Sie wahrscheinlich eine Bildschirminformationen nach dem feststellen jupyter pocket book Befehl. Nahe unten finden Sie eine URL, die Sie kopieren und in Ihren Browser einfügen sollten, um das Jupyter -Notizbuch zu starten.

Ihre URL wird anders sein als meine, aber sie sollte ungefähr so ​​aussehen:-

http://127.0.0.1:8888/tree?token=3b9f7bd07b6966b41b68e2350721b2d0b6f388d248cc69

Vergleich von Numexpr und Numpy Efficiency

Um die Leistung zu vergleichen, werden wir eine Reihe von numerischen Berechnungen mit Numpy und Numexpr und beiden Systemen ausführen.

Beispiel 1 – Eine einfache Array -Additionsberechnung
In diesem Beispiel führen wir eine vektorisierte Zugabe von zwei großen Arrays 5000 -mal durch.

import numpy as np
import numexpr as ne
import timeit

a = np.random.rand(1000000)
b = np.random.rand(1000000)

# Utilizing timeit with lambda capabilities
time_np_expr = timeit.timeit(lambda: 2*a + 3*b, quantity=5000)
time_ne_expr = timeit.timeit(lambda: ne.consider("2*a + 3*b"), quantity=5000)

print(f"Execution time (NumPy): {time_np_expr} seconds")
print(f"Execution time (NumExpr): {time_ne_expr} seconds")

>>>>>>>>>>>


Execution time (NumPy): 12.03680682599952 seconds
Execution time (NumExpr): 1.8075962659931974 seconds

Ich muss sagen, das ist bereits ein beeindruckender Begin in der Numexpr -Bibliothek. Ich mache das eine 6 -fache Verbesserung gegenüber der Numpy -Laufzeit.

Überprüfen Sie, ob beide Vorgänge das gleiche Ergebnissatz zurückgeben.

# Arrays to retailer the outcomes
result_np = 2*a + 3*b
result_ne = ne.consider("2*a + 3*b")

# Guarantee the 2 new arrays are equal
arrays_equal = np.array_equal(result_np, result_ne)
print(f"Arrays equal: {arrays_equal}")

>>>>>>>>>>>>

Arrays equal: True

Beispiel 2 – Berechnen Sie PI unter Verwendung einer Monte -Carlo -Simulation

Unser zweites Beispiel untersucht einen komplizierteren Anwendungsfall mit mehr realen Anwendungen.

Monte -Carlo -Simulationen umfassen viele Iterationen eines zufälligen Prozesses, um die Eigenschaften eines Programs abzuschätzen, was rechnerisch intensiv sein kann.

In diesem Fall werden wir Monte Carlo verwenden, um den Wert von PI zu berechnen. Dies ist ein bekanntes Beispiel, bei dem wir ein Quadrat mit einer Seitenlänge einer Einheit einnehmen und einen Viertelkreis mit einem Radius einer Einheit einschreiben. Das Verhältnis des Viertelkreises zum Platz des Quadrats ist (π/4)/1, und wir können diesen Ausdruck mit vier multiplizieren, um sie zu bekommen π von allein.

Wenn wir additionally zahlreiche zufällige (x, y) Punkte betrachten, die alle innerhalb oder an den Grenzen des Quadrats liegen, da die Gesamtzahl dieser Punkte tendenziell unendlich ist, ist das Verhältnis der Punkte, die auf oder innerhalb des Viertelkreises liegen, zur Gesamtzahl der Punkte in Richtung PI.

Erstens die Numpy -Implementierung.

import numpy as np
import timeit

def monte_carlo_pi_numpy(num_samples):
    x = np.random.rand(num_samples)
    y = np.random.rand(num_samples)
    inside_circle = (x**2 + y**2) <= 1.0
    pi_estimate = (np.sum(inside_circle) / num_samples) * 4
    return pi_estimate

# Benchmark the NumPy model
num_samples = 1000000
time_np_expr = timeit.timeit(lambda: monte_carlo_pi_numpy(num_samples), quantity=1000)
pi_estimate = monte_carlo_pi_numpy(num_samples)

print(f"Estimated Pi (NumPy): {pi_estimate}")
print(f"Execution Time (NumPy): {time_np_expr} seconds")

>>>>>>>>

Estimated Pi (NumPy): 3.144832
Execution Time (NumPy): 10.642843848007033 seconds

Nun mit numexpr.

import numpy as np
import numexpr as ne
import timeit

def monte_carlo_pi_numexpr(num_samples):
    x = np.random.rand(num_samples)
    y = np.random.rand(num_samples)
    inside_circle = ne.consider("(x**2 + y**2) <= 1.0")
    pi_estimate = (np.sum(inside_circle) / num_samples) * 4  # Use NumPy for summation
    return pi_estimate

# Benchmark the NumExpr model
num_samples = 1000000
time_ne_expr = timeit.timeit(lambda: monte_carlo_pi_numexpr(num_samples), quantity=1000)
pi_estimate = monte_carlo_pi_numexpr(num_samples)

print(f"Estimated Pi (NumExpr): {pi_estimate}")
print(f"Execution Time (NumExpr): {time_ne_expr} seconds")

>>>>>>>>>>>>>>>

Estimated Pi (NumExpr): 3.141684
Execution Time (NumExpr): 8.077501275009126 seconds

Okay, die Beschleunigung warfare zu dieser Zeit nicht so beeindruckend, aber eine Verbesserung von 20% ist auch nicht schrecklich. Ein Teil des Grundes ist, dass numexpr keine optimierte SUM () -Funktion hat, daher mussten wir für diese Operation standardmäßig auf Numpy zurückkehren.

Beispiel 3 – Implementierung eines Sobel -Bildfilters

In diesem Beispiel werden wir einen Sobelfilter für Bilder implementieren. Der Sobelfilter wird üblicherweise bei der Bildverarbeitung zur Kantenerkennung verwendet. Es berechnet den Bildintensitätsgradienten an jedem Pixel, wobei Kanten und Intensitätsübergänge hervorgehoben werden. Unser Eingabebild ist der Taj Mahal in Indien.

Lassen Sie uns den Numpy -Code sehen, der zuerst und Zeit ausgeführt wird.

import numpy as np
from scipy.ndimage import convolve
from PIL import Picture
import timeit

# Sobel kernels
sobel_x = np.array(((-1, 0, 1),
                    (-2, 0, 2),
                    (-1, 0, 1)))

sobel_y = np.array(((-1, -2, -1),
                    ( 0,  0,  0),
                    ( 1,  2,  1)))

def sobel_filter_numpy(picture):
    """Apply Sobel filter utilizing NumPy."""
    img_array = np.array(picture.convert('L'))  # Convert to grayscale
    gradient_x = convolve(img_array, sobel_x)
    gradient_y = convolve(img_array, sobel_y)
    gradient_magnitude = np.sqrt(gradient_x**2 + gradient_y**2)
    gradient_magnitude *= 255.0 / gradient_magnitude.max()  # Normalize to 0-255
    
    return Picture.fromarray(gradient_magnitude.astype(np.uint8))

# Load an instance picture
picture = Picture.open("/mnt/d/take a look at/taj_mahal.png")

# Benchmark the NumPy model
time_np_sobel = timeit.timeit(lambda: sobel_filter_numpy(picture), quantity=100)
sobel_image_np = sobel_filter_numpy(picture)
sobel_image_np.save("/mnt/d/take a look at/sobel_taj_mahal_numpy.png")

print(f"Execution Time (NumPy): {time_np_sobel} seconds")

>>>>>>>>>

Execution Time (NumPy): 8.093792188999942 seconds

Und jetzt der Numexpr -Code.

import numpy as np
import numexpr as ne
from scipy.ndimage import convolve
from PIL import Picture
import timeit

# Sobel kernels
sobel_x = np.array(((-1, 0, 1),
                    (-2, 0, 2),
                    (-1, 0, 1)))

sobel_y = np.array(((-1, -2, -1),
                    ( 0,  0,  0),
                    ( 1,  2,  1)))

def sobel_filter_numexpr(picture):
    """Apply Sobel filter utilizing NumExpr for gradient magnitude computation."""
    img_array = np.array(picture.convert('L'))  # Convert to grayscale
    gradient_x = convolve(img_array, sobel_x)
    gradient_y = convolve(img_array, sobel_y)
    gradient_magnitude = ne.consider("sqrt(gradient_x**2 + gradient_y**2)")
    gradient_magnitude *= 255.0 / gradient_magnitude.max()  # Normalize to 0-255
    
    return Picture.fromarray(gradient_magnitude.astype(np.uint8))

# Load an instance picture
picture = Picture.open("/mnt/d/take a look at/taj_mahal.png")

# Benchmark the NumExpr model
time_ne_sobel = timeit.timeit(lambda: sobel_filter_numexpr(picture), quantity=100)
sobel_image_ne = sobel_filter_numexpr(picture)
sobel_image_ne.save("/mnt/d/take a look at/sobel_taj_mahal_numexpr.png")

print(f"Execution Time (NumExpr): {time_ne_sobel} seconds")

>>>>>>>>>>>>>

Execution Time (NumExpr): 4.938702256011311 seconds

Bei dieser Gelegenheit führte die Verwendung von numexPR zu einem großartigen Ergebnis mit einer Leistung, die quick doppelt so hoch warfare wie Numpy.

So sieht das kandidierten Bild aus.

Beispiel 4 – Annäherung der Fourier -Serie

Es ist bekannt, dass komplexe periodische Funktionen simuliert werden können, indem eine Reihe von Sinuswellen aufeinander angewendet werden. Im Extremwert kann sogar eine Quadratwelle auf diese Weise leicht modelliert werden. Die Methode wird als Fourier -Serie -Näherung bezeichnet. Obwohl eine Annäherung, können wir die Zielwellenform so nah wie Speicher und Rechenkapazität zulässt.

Die Mathematik hinter all dem ist nicht der Hauptaugenmerk. Beachten Sie nur, dass die Laufzeit der Lösung, wenn wir die Anzahl der Iterationen erhöhen, deutlich steigt.

import numpy as np
import numexpr as ne
import time
import matplotlib.pyplot as plt

# Outline the fixed pi explicitly
pi = np.pi

# Generate a time vector and a sq. wave sign
t = np.linspace(0, 1, 1000000) # Decreased dimension for higher visualization
sign = np.signal(np.sin(2 * np.pi * 5 * t))

# Variety of phrases within the Fourier sequence
n_terms = 10000

# Fourier sequence approximation utilizing NumPy
start_time = time.time()
approx_np = np.zeros_like
for n in vary(1, n_terms + 1, 2):
    approx_np += (4 / (np.pi * n)) * np.sin(2 * np.pi * n * 5 * t)
numpy_time = time.time() - start_time

# Fourier sequence approximation utilizing NumExpr
start_time = time.time()
approx_ne = np.zeros_like
for n in vary(1, n_terms + 1, 2):
    approx_ne = ne.consider("approx_ne + (4 / (pi * n)) * sin(2 * pi * n * 5 * t)", local_dict={"pi": pi, "n": n, "approx_ne": approx_ne, "t": t})
numexpr_time = time.time() - start_time

print(f"NumPy Fourier sequence time: {numpy_time:.6f} seconds")
print(f"NumExpr Fourier sequence time: {numexpr_time:.6f} seconds")

# Plotting the outcomes
plt.determine(figsize=(10, 6))

plt.plot(t, sign, label='Unique Sign (Sq. Wave)', shade='black', linestyle='--')
plt.plot(t, approx_np, label='Fourier Approximation (NumPy)', shade='blue')
plt.plot(t, approx_ne, label='Fourier Approximation (NumExpr)', shade='pink', linestyle='dotted')

plt.title('Fourier Collection Approximation of a Sq. Wave')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.legend()
plt.grid(True)
plt.present()

Und die Ausgabe?

Das ist ein weiteres ziemlich gutes Ergebnis. Numexpr zeigt bei dieser Gelegenheit eine 5 -fache Verbesserung gegenüber Numpy.

Zusammenfassung

Numpy und numexpr sind beide leistungsstarke Bibliotheken, die für Python Numerical Berechnungen verwendet werden. Sie haben jeweils einzigartige Stärken und Anwendungsfälle, wodurch sie für verschiedene Arten von Aufgaben geeignet sind. Hier haben wir ihre Leistung und Eignung für bestimmte Rechenaufgaben verglichen und uns auf Beispiele wie einfache Array -Ergänzung zu komplexeren Anwendungen konzentrieren, z. B. die Verwendung eines Sobelfilters zur Erkennung von Bildkanten.

Obwohl ich in meinen Checks nicht genau gesehen habe, dass die um 15 -fach -Geschwindigkeit über Numpy zunahm, besteht kein Zweifel daran, dass Numexprin in vielen Fällen erheblich schneller sein kann als Numpy.

Wenn Sie ein starker Benutzer von Numpy sind und alle Leistung aus Ihrem Code extrahieren müssen, empfehle ich, die NumexPR -Bibliothek auszuprobieren. Neben der Tatsache, dass nicht alle Numpy -Code mit numexPR repliziert werden können, gibt es praktisch keinen Nachteil, und der Vorteil könnte Sie überraschen.

Weitere Informationen in der NumexPR -Bibliothek finden Sie auf der GitHub -Seite Hier.