Die offene Spracherkennung ist seit einiger Zeit keine Whisper-Monokultur mehr. Im März 2026 Cohere hat Transcribe veröffentlichtein 2B Apache 2.0-Modell, das die Spitze einnahm Umarmendes Gesicht Öffnen Sie die ASR-Bestenliste bei einer durchschnittlichen Wortfehlerrate von 5,42 %. Fünf Wochen später IBM hat Granite Speech 4.1 2B ausgeliefert bei 5,33 %. Seitdem ARK-ASR-3B Und MOSS-Transcribe-preview-2B haben noch niedrigere Zahlen gemeldet.

Die Spitze dieser Bestenliste ist jetzt durch weniger als einen WER-Punkt getrennt. Das hat für jeden, der sich für ein Modell entscheidet, eine konkrete Konsequenz: Der Rang ist nicht mehr die entscheidende Variable. Lizenz, Sprachabdeckung, Streaming-Unterstützung und Kosten professional Audiostunde sind. Diese Zusammenfassung vergleicht das Feld auf allen vier.

Erstens ein Downside mit der Bestenlistennummer, die jeder zitiert

Beim Open ASR Leaderboard-Durchschnitt handelt es sich nicht um eine einzelne feste Größe, und die derzeit nebeneinander aufgeführten Modelle wurden nicht alle auf die gleiche Weise bewertet.

Die 5,42 % von Cohere sind ein Durchschnitt aus acht englischen Testsätzen, einschließlich TED-LIUM. Das ergibt: AMI 8,13, Earnings-22 10,86, GigaSpeech 9,34, LibriSpeech clear 1,25, LibriSpeech different 2,37, SPGISpeech 3,08, TED-LIUM 2,49, VoxPopuli 5,87 im Durchschnitt genau 5,42.

Die 5,04 % von ARK-ASR-3B sind ein Durchschnitt Sieben Sätze. TED-LIUM fehlt. Die MOSS-Transcribe-preview-2B-Karte besagt dies ausdrücklich: TED-LIUM ist derzeit nicht Teil des Bestenlistenlaufs und daher ausgeschlossen.

TED-LIUM ist eines der einfacheren Units in der Suite, daher erhöht sich der Durchschnitt, wenn man es weglässt. Berechnen Sie die veröffentlichten Ergebnisse professional Datensatz von Cohere über dieselben sieben Sätze, die ARK berichtet, neu, und Cohere landet bei 5,84 und nicht bei 5,42. Machen Sie dasselbe mit Granite Speech 4.1 2B und es bewegt sich von 5,33 auf 5,65. Auf vergleichbarer Foundation liegt der Vorsprung von ARK bei größer als die Schlagzeilen vermuten lassen, nicht kleiner – aber der Punkt ist, dass man eine veröffentlichte Zahl nicht von einer anderen subtrahieren kann, um eine aussagekräftige Antwort zu erhalten.

Zwei weitere Vorbehalte gehören auf die gleiche Seite:

Einige Ergebnisse sind offen für die Bestenliste geeignet: Die MOSS-Transcribe-preview-2B-Karte besagt, dass das Modell mit Reinforcement Studying auf den Open ASR Leaderboard-Trainingssplits verfeinert wurde. Das wird offengelegt, was mehr ist als die meisten anderen, aber es bedeutet, dass die Punktzahl eher den Maßstab als die Leistungsfähigkeit misst.

Non-public-Observe-Daten ordnen das Board neu: Appen beigesteuerte zurückgehaltene Auswertungssätze Abdeckung australischer, kanadischer, indischer und amerikanischer Akzente in Skript- und Konversationssituationen. Wenn diese privaten Units aktiviert sind, wechselt zoom/scribe_v1 von Platz 4 auf Platz 1 und der Anführer der öffentlichen Bestenliste verliert eine Place. Modelle, die auf saubere Lesesprache abgestimmt sind, verschlechtern sich bei spontanem Gesprächsaudio unverhältnismäßig stark.

Nutzen Sie die Bestenliste, um eine Auswahlliste zu erstellen. Verwenden Sie es nicht, um einen Gewinner auszuwählen.

Die Genauigkeitsstufe

Kohärente Transkription (2B, Apache 2.0, 14 Sprachen) ist das Modell, das tatsächlich in Produktion ging. Es wurde im letzten Monat über 620.000 Mal heruntergeladen und bietet umfassende Laufzeitunterstützung transformersvLLM, mlx-audio für Apple Silicon, einen Rust-Port und einen WebGPU-Construct. Es handelt sich um einen Conformer-Encoder mit einem leichten Transformer-Decoder, der von Grund auf trainiert wurde. Cohere führte auch eine menschliche Präferenzbewertung durch, bei der geschulte Annotatoren Transkripte hinsichtlich Bedeutungserhalt, Halluzination und benannter Entitäten bewerteten: eine durchschnittliche Gewinnrate von 61 %, 78 % gegen IBM Granite 4.0 1B Speech und 64 % gegen Whisper Massive-v3.

Der Abschnitt zu den Einschränkungen auf der Modellkarte ist ungewöhnlich ehrlich und sollte vor der Entscheidung gelesen werden. Es gibt keine automatische Spracherkennung, keine Zeitstempel und keine Tagebuchführung, und das Modell ist bestrebt, Stille zu transkribieren, daher empfiehlt Cohere, ein VAD oder Noise Gate voranzustellen. Das Repo ist trotz der Apache 2.0-Lizenz auch durch eine Kontaktinformationsvereinbarung geschützt.

Granite Speech 4.1 2B (2B, Apache 2.0) ist die bessere Wahl, wenn Sie mehr Kapazität benötigen, als eine niedrigere Anzahl. Sechs Sprachen für ASR plus bidirektionale Sprachübersetzung, Key phrase-Pay attention-Biasing für Namen und Fachjargon, Interpunktion und Truecasing, einschließlich deutscher Groß- und Kleinschreibung von Substantiven. Auf 174.000 Stunden trainiert. RTFx 231.29. IBM liefert auch zwei Geschwister aus: -plus fügt sprecherattributierte ASR und Zeitstempel auf Wortebene hinzu und -nar wird weiter unten besprochen.

Canary-Qwen-2.5B (2.5B, CC-BY-4.0, Englisch) koppelt einen FastConformer-Encoder mit einem Qwen3-1.7B-Decoder und läuft in zwei Modi – reine Transkription oder LLM-Modus, in dem der Decoder Fragen zum Transkript zusammenfasst und beantwortet. 5,63 % WER bei RTFx 418. Beachten Sie, dass AMI auf etwa 15 % der Trainingsdaten überabgetastet wurde, was die Ausgabe in Richtung wörtlicher, disfluenzerhaltender Transkripte verzerrt. Das ist ein Function für juristische Arbeiten und ein Ärgernis für Besprechungsnotizen.

Qwen3-ASR-1.7B (Apache 2.0) deckt 52 Sprachen und Dialekte ab – 30 Sprachen plus 22 chinesische Dialekte – bei 5,76 %. Es wird mit einem vollständigen Inferenz-Toolkit und einem separaten erzwungenen Ausrichtungsmodell für Zeitstempel in 11 Sprachen geliefert. Für alles, was Mandarin oder die regionale chinesische Sprache berührt, ist dies der offensichtliche Ausgangspunkt.

Die Durchsatzstufe

Die Genauigkeit im oberen Bereich des Feldes variiert jetzt um etwa einen WER-Punkt. Der Durchsatz variiert um mehr als eine Größenordnung, was bedeutet, dass der Durchsatz in der Regel über die Rechnung entscheidet.

Sittich TDT 0.6B v3 (0,6B, CC-BY-4.0) ist der Durchsatzführer unter den mehrsprachigen offenen Modellen mit RTFx 3332,74 in 25 europäischen Sprachen mit automatischer Spracherkennung und bewältigt bis zu 24 Minuten in einem einzigen Durchgang auf einem A100 80 GB. Es kostet 6,32 % WER – etwa einen Punkt mehr als Granite 4.1 2B für etwa das Vierzehnfache des Audios professional GPU-Sekunde.

Granite Speech 4.1 2B-NAR ist das interessantere technische Ergebnis. Es ist nicht autoregressiv: Es bearbeitet eine CTC-Hypothese in einem einzigen Vorwärtsdurchlauf mithilfe eines bidirektionalen LLM und erreicht RTFx ~1820 auf einem H100 bei Stapelgröße 128. Um dorthin zu gelangen, verzichtet es auf Japanisch, Sprachübersetzung und Key phrase-Biasing.

Qwen3-ASR-0.6B Behält alle 52 Sprachen bei und erreicht einen 2000-fachen Durchsatz bei Parallelität 128.

Die Streaming-Stufe

Ein Batch-WER scheint der falsche Check für ein Streaming-Modell zu sein, und die Bestenliste bewertet sie trotzdem. Voxtral Realtime liegt bei 7,68 % und Kyutai STT 2.6B bei 6,40 % – beide unter Whisper – und keine der beiden Zahlen sagt etwas Nützliches über ihren Verwendungszweck aus.

Voxtral Mini 4B Realtime 2602 (Apache 2.0, 13 Sprachen) ist ein 3.4B-Sprachmodell mit einem von Grund auf trainierten kausalen 970M-Audio-Encoder mit Schiebefenster-Aufmerksamkeit auf beiden Hälften für effektiv unbegrenztes Streaming. Die Transkriptionsverzögerung ist in 80-ms-Schritten von 80 ms bis 1200 ms konfigurierbar, plus einer eigenständigen 2400-ms-Possibility; Mistral empfiehlt 480 ms als Candy Spot und berichtet, dass es bei dieser Einstellung mit führenden offenen Offline-Modellen mithalten kann. Es läuft auf einer einzelnen 16-GB-GPU und hatte Day-0-vLLM-Echtzeit-API-Unterstützung.

Kyutai STT (CC-BY-4.0) gibt es in zwei Formen: als ~1B-Englisch/Französisch-Modell mit einer Verzögerung von 0,5 Sekunden und einem integrierten semantischen Sprachaktivitätsdetektor und als 2,6B-Modell nur für Englisch mit einer Verzögerung von 2,5 Sekunden. Für Sprachagenten ist der semantische VAD wichtiger als die Transkriptionsverzögerung – er sagt voraus, wann der Sprecher tatsächlich fertig ist, was die wahrgenommene Latenz beim Abwechseln bestimmt. Ein H100 bedient 400 gleichzeitige Streams in Echtzeit.

Die Deckungsstufe

Metas omnilingualer ASR (Apache 2.0, Korpus CC-BY) konkurriert nicht auf WER und sollte nicht so bewertet werden, als ob dies der Fall wäre. Es deckt nativ mehr als 1.600 Sprachen ab und erweitert sich durch Zero-Shot-In-Context-Lernen auf mehr als 5.400 Sprachen. Es basiert auf einem wav2vec 2.0-Encoder, der auf 7B skaliert und in etwa 4,3 Millionen Stunden vorab trainiert wurde. Die 7B LLM-ASR-Variante erreicht eine Zeichenfehlerrate von unter 10 % bei 78 % der unterstützten Sprachen, darunter 500+, die noch nie zuvor von einem ASR-System unterstützt wurden. Die Encodergrößen reichen von 300M bis 7B. Meta veröffentlichte außerdem den Omnilingual ASR Corpus, der mehr als 350 unterversorgte Sprachen abdeckt.

Whisper Massive-v3 (1.55B, MIT, 99 Sprachen) wurde hinsichtlich der Genauigkeit von etwa zehn offenen Modellen überholt und bleibt für eine große Klasse von Projekten der korrekte Standardwert. MIT ist die am wenigsten belastete Lizenz auf diesem Gebiet. Das Laufzeit-Ökosystem – Whisper.cpp, Sooner-Whisper, WhisperX – hat unter den neueren Versionen kein Äquivalent. Wenn Ihre Anforderung „etwas Sprache, etwas {Hardware}, kein Lizenzanwalt“ lautet, ist dies immer noch die Antwort.

Der Vorsprung der Forschung

diffusion-gemma-asr-klein vom YC-Startup Interfaze ist die architektonisch kreativste Veröffentlichung des Jahres. Es erzeugt Transkripte durch paralleles Diffusions-Diffusions-Rauschunterdrücken über einen 256-Token-Canvas in 8 bis 16 Schritten, sodass die Dekodierungskosten nicht mit der Länge des Transkripts steigen. Es wurden nur ~42 Millionen Parameter trainiert – 0,16 % der Gewichte – auf einem eingefrorenen 26B DiffusionGemma und einem eingefrorenen Flüsterklein-Encoder. Beim LibriSpeech-Check-Clear erreicht es 6,6 % WER bei etwa 11- bis 17-facher Echtzeit. Es erreicht außerdem 15,7 % bei FLEURS Englisch und 29,6 % CER bei FLEURS Mandarin. Behandeln Sie daher die LibriSpeech-Zahl als Obergrenze. Niemand sollte dies einsetzen. Jeder, der an ASR arbeitet, sollte es lesen.

MOSS-Transkribieren-Diarisieren 0,9B (Apache 2.0, 50+ Sprachen) löst das Downside, das die meisten Zusammenfassungen ignorieren: Es gibt Sprecherbezeichnungen, Wortzeitstempel und Transkript in einer Era aus, anstatt ASR an einen separaten Diarisierungsstapel zu verketten. 128.000 Kontext, etwa 90 Minuten Audio in einem Durchgang, RTF ~0,017 auf einer RTX 4090, mit Hotword-Bias.

Die Lizenzaufteilung liest bis zur Bereitstellung niemand

Dies ist der Abschnitt, der den Versand tatsächlich blockiert, und das Feld ist sauber unterteilt:

Apache 2.0: Cohere Transcribe, Granite Speech 4.1 (alle drei Varianten), Qwen3-ASR (beide Größen), Voxtral Mini Realtime, Omnilingual ASR, ARK-ASR, MOSS-Transcribe. Keine Quellenangabepflicht, kommerzielle Nutzung uneingeschränkt. Beachten Sie, dass das Repo von Cohere einer Kontaktinformationsvereinbarung unterliegt, obwohl die Lizenz selbst Apache 2.0 ist.

MIT: Whisper Massive-v3. Die freizügigste Possibility auf diesem Gebiet.

CC-BY-4.0: Canary-Qwen-2.5B, Parakeet TDT 0.6B v3, Kyutai STT. Gewerblich nutzbar, Namensnennung erforderlich. Für ein eingebettetes Produkt oder eine White-Label-API stellt dies eine echte Compliance-Verpflichtung dar und ist der häufigste Grund dafür, dass Groups am Ende ein Modell ausliefern, das nicht das genaueste ist, das sie getestet haben.

Metas Omnilingual ASR trennt die beiden: Apache 2.0 für Modelle, CC-BY für den Korpus.

Wie man tatsächlich wählt

Führen Sie diese Reihenfolge aus, nicht nur die Ranglistenreihenfolge:

1. Lizenz: Wenn die Namensnennung ein Blocker ist, entfernt CC-BY-4.0 Parakeet, Canary-Qwen und Kyutai, bevor Sie irgendetwas vergleichen.
2. Sprachabdeckung: Die 14 Sprachen von Cohere, die 6 von Granite und die Nur-Englisch-Sprache von Canary sind harte Grenzen, keine weichen. Darüber hinaus verfügt Cohere über keine automatische Spracherkennung, sodass Sie die Sprache im Voraus kennen müssen.
3. Streaming oder Batch: Das ist architektonisch. Kein Aufwand an Optimierung verwandelt einen Offline-Encoder-Decoder in ein Streaming-Modell mit geringer Latenz.
4. Dann messen Sie WER auf Ihrem eigenen Audio: Der Abstand zwischen den Prime-Ten-Modellen im öffentlichen Benchmark beträgt weniger als einen Punkt. Die Streuung Ihres akzentuierten, verrauschten, domänenspezifischen Audios wird um ein Vielfaches höher sein und die Modelle werden nicht in derselben Reihenfolge eingestuft.
5. Berechnen Sie dann die Kosten professional Audiostunde auf Ihren eigenen GPUs: RTFx-Zahlen werden bei großen Batchgrößen auf Rechenzentrumshardware gemessen und nicht übertragen.

Die nützliche Zusammenfassung des Jahres 2026 ist nicht, dass ein einzelnes Modell gewonnen hat. Es liegt daran, dass ein 2B-Modell mit offenem Gewicht und einer freizügigen Lizenz jetzt die Preise übertrifft, die geschlossene APIs vor 18 Monaten verlangten, und dass die verbleibende Entscheidung eher eine Beschaffungsfrage als eine Forschungsfrage ist.

Quellen:

Die Positionen in der Bestenliste sind stay und ändern sich häufig. Alle Zahlen wurden am 23. Juli 2026 anhand von Primärquellen überprüft.

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.

Vor ein paar Monaten sorgte bei einem Produktbewertungstreffen bei einem großen Technologieunternehmen eine täuschend einfache Frage für Stillstand. Ein leitender Ingenieur hatte gerade ein Replace eines Empfehlungssystems vorgestellt – nichts Ungewöhnliches, eine Reihe von Verfeinerungen zur Verbesserung des Engagements. Am Ende der Präsentation fragte jemand: Warum erscheint dieser bestimmte Inhalt zuerst und nicht ein anderer?

Was folgte, battle keine Meinungsverschiedenheit oder auch nur eine technische Erklärung, sondern ein Zögern, das quick philosophisch wirkte. Der Ingenieur begann, die Faktoren zu skizzieren – Benutzerhistorie, Interaktionsmuster, Modellvorhersagen, Inhaltsmerkmale –, aber die Erklärung wurde immer weiter und verzweigte sich in Abhängigkeiten, Interaktionen und Wahrscheinlichkeiten. Nach ein oder zwei Minuten wurde klar, dass die Antwort nicht unvollständig battle. Es battle strukturell unmöglich, es auf eine einzige Ursache zusammenzufassen.

Das System hat Entscheidungen nicht in der Artwork und Weise getroffen, wie wir es erwarten.

Dieser Second, der in der Branche durchaus bekannt ist, findet selten Eingang in die öffentliche Diskussion über Technologie. Wir neigen dazu, uns digitale Macht mit Begriffen aus früheren Zeiten vorzustellen: Jemand legt die Regeln fest, jemand setzt sie durch, jemand profitiert davon. Selbst die kritischsten Berichte – ob von Regulierungsbehörden, Ökonomen oder Journalisten – gehen oft davon aus, dass hinter jedem Ergebnis ein erkennbarer Kontrollort steht.

Aber die Architektur, die heute die On-line-Sichtbarkeit regelt, verhält sich nicht so.

Was Sie sehen, ist nicht an einem einzigen Ort ausgewählt. Es ist zusammengebaut.

Im letzten Jahrzehnt haben sich digitale Plattformen zu Systemen entwickelt, bei denen Ergebnisse aus der Interaktion mehrerer Ebenen entstehen: auf Verhaltensdaten trainierte Rating-Algorithmen, Schnittstellendesigns, die bestimmte Aktionen privilegieren, Werbemechanismen, die wirtschaftliche Anreize schaffen, und Benutzeraktivitäten, die kontinuierlich in das System zurückgemeldet werden. Jede Komponente ist isoliert verständlich. Zusammen bilden sie etwas, das eher einem Ökosystem als einem Mechanismus ähnelt.

Dies ist nicht ganz ohne Präzedenzfall. Ökonomen beschreiben Märkte seit langem als verteilte Systeme. Die zentrale Erkenntnis von Friedrich Hayek battle, dass kein einzelner Akteur über alle Informationen verfügt, die zur Koordinierung der Wirtschaftstätigkeit erforderlich sind, und dass Preise als Signale dienen, die verstreutes Wissen aggregieren. Aber auch in Hayeks Rahmen blieb der Koordinationsmechanismus lesbar.

In digitalen Systemen ist der koordinierende Mechanismus nicht mehr allein der Preis. Es ist Sichtbarkeit – und Sichtbarkeit wird durch eine Struktur bestimmt, die weder vollständig clear noch vollständig zentralisiert ist.

Herbert Simon, der Jahrzehnte vor dem Web schrieb, warnte davor, dass die menschliche Entscheidungsfindung unter Bedingungen begrenzter Rationalität abläuft. Wir vereinfachen, wir nähern uns an, wir verlassen uns auf Teilmodelle der Realität. Was heute auffällt, ist nicht nur, dass Individuen auf diese Weise eingeschränkt sind, sondern auch, dass die Systeme, die wir aufbauen, dieselben Einschränkungen widerspiegeln. Ingenieure verstehen Komponenten. Produktteams verstehen Kennzahlen. Vermarkter verstehen Leistungssignale. Aber das System als Ganzes geht über jede Einzelperspektive hinaus.

Selbst innerhalb der Unternehmen, die diese Systeme entwickeln, gibt es kein vollständiges Echtzeitverständnis darüber, wie Ergebnisse erzielt werden.

An diesem Punkt scheint die aktuelle Diskussion über künstliche Intelligenz seltsam fehl am Platz zu sein. Ein Großteil der Aufmerksamkeit – sowohl in der Industrie als auch im öffentlichen Diskurs – hat sich auf Instruments verlagert: wie man Modelle anregt, wie man Ausgaben generiert, wie man KI in Arbeitsabläufe integriert. Dies sind praktische Fragen, aber sie bewegen sich auf der oberflächlichen Ebene der Interaktion.

Was weitgehend ungeprüft bleibt, ist die Architektur, innerhalb derer diese Instruments funktionieren.

Wenn ein neues Modell in ein Empfehlungssystem eingeführt oder eine prädiktive Optimierung zu einer Werbeplattform hinzugefügt wird, ersetzt es nicht die bestehende Struktur. Es wird zu einer weiteren Schicht darin. Jede Ebene wird lokal, oft von verschiedenen Groups, nach unterschiedlichen Metriken optimiert. Das Ergebnis ist ein System, das leistungsfähiger, aber nicht unbedingt kohärenter wird.

Ein leitender Forscher für maschinelles Lernen beschrieb mir einmal große Plattformen als „Systeme, die wir steuern, anstatt sie zu kontrollieren“. Der Unterschied ist subtil, aber wichtig. Lenken impliziert Einfluss ohne vollständige Kontrolle, Anpassung ohne vollständige Vorhersehbarkeit.

Dies hat Folgen, die über die Technik hinausgehen.

Im Advertising beispielsweise ist der Wandel bereits sichtbar. Traditionelle Modelle gehen davon aus, dass der Einfluss durch Botschaften erfolgt: Identifizieren Sie eine Zielgruppe, formulieren Sie einen Vorschlag und liefern Sie ihn über einen Kanal. Doch in digitalen Umgebungen ist der Kanal nicht mehr impartial. Es gestaltet aktiv, welche Botschaften in welcher Reihenfolge und mit welcher Häufigkeit gesehen werden.

Untersuchungen des Ehrenberg-Bass-Instituts betonen seit langem die Bedeutung der „mentalen Verfügbarkeit“ – der Wahrscheinlichkeit, dass einem in einer Kaufsituation eine Marke in den Sinn kommt. In digitalen Systemen wird diese Verfügbarkeit zunehmend durch algorithmischen Abruf vermittelt. Es geht nicht nur darum, in Erinnerung zu bleiben. Es geht darum, aufgetaucht zu sein.

In der Praxis haben sich Vermarkter schneller an diese Realität angepasst als die meisten theoretischen Rahmenwerke. Sie führen kontinuierliche Experimente durch und passen kreative Formate, Timing und Focusing on-Strategien an. Sie beobachten, welche Signale das System zu belohnen scheint und richten sich danach aus. Eine erfolgreiche Kampagne ist nicht nur eine, die überzeugt, sondern auch eine, die der Logik der Verbreitung entspricht.

Und doch ist das Verständnis auch hier nur teilweise gegeben.

Führungskräfte sprechen vom „Arbeiten mit dem Algorithmus“, doch dieser Ausdruck ist eher eine Metapher als eine Methode. Was sie wirklich tun, ist, auf Ausgaben zu reagieren, Muster abzuleiten und zu iterieren. Erfolge sind oft erst im Nachhinein erkennbar.

Dadurch entsteht eine eigenartige Dynamik. Das System erzeugt hochstrukturierte Ergebnisse – bestimmte Produkte gewinnen an Sichtbarkeit, bestimmte Narrative verbreiten sich, bestimmte Verhaltensweisen werden verstärkt –, aber der Prozess, durch den diese Ergebnisse entstehen, bleibt selbst von denen, die am stärksten an ihrer Gestaltung beteiligt sind, nur teilweise verstanden.

Shoshana Zuboff hat argumentiert, dass digitale Plattformen eine Type von Macht ausüben, die durch die Gestaltung von Verhalten statt durch die Erteilung von Befehlen erfolgt. Diese Einsicht bleibt wichtig, setzt jedoch ein Maß an bewusstem Design voraus, das mit zunehmender Komplexität der Systeme immer schwieriger aufrechtzuerhalten ist. Einfluss entsteht zunehmend nicht mehr durch eine einzelne Strategie, sondern durch das Zusammenspiel vieler kleiner Optimierungen.

Die politische Theoretikerin Hannah Arendt unterschied einst zwischen Macht als etwas, das von Individuen gehalten wird, und Macht als etwas, das aus Strukturen entsteht. Im digitalen Umfeld scheint sich die Macht entscheidend in Richtung Letzterer verlagert zu haben. Es ist in die Konfiguration des Programs eingebettet – in die Gewichtung von Signalen, den Aufbau von Rückkopplungsschleifen und die Ausrichtung von Anreizen.

Deshalb ist es so schwierig, es herauszufordern.

Regulierungsdebatten konzentrieren sich oft auf einzelne Themen: Inhaltsmoderation, Wettbewerb, Datenschutz. Diese sind wichtig, aber sie neigen dazu, Plattformen so zu behandeln, als wären sie traditionelle Institutionen, die in der Lage sind, klare, zentralisierte Entscheidungen zu treffen. In Wirklichkeit sind viele der folgenreichsten Ergebnisse nicht das Ergebnis expliziter Entscheidungen, sondern systemischer Interaktionen.

Man kann nicht auf einen einzigen Second verweisen und sagen: Hier ist es passiert.

Was die Sache besonders kompliziert macht, ist, dass die Nutzer selbst Teil des Programs sind. Jede Interaktion – jeder Klick, jedes Scrollen, jede Pause – wirkt sich auf die Modelle aus, die die zukünftige Sichtbarkeit prägen. Verhalten wird zur Eingabe, Eingabe zur Ausgabe und der Zyklus geht weiter.

In diesem Sinne handelt das System nicht einfach nur auf Benutzer ein. Es entwickelt sich gemeinsam mit ihnen weiter.

Das bringt uns zurück zur ursprünglichen Frage.

Wer entscheidet, was Sie on-line sehen?

Die genaueste Antwort ist auch die am wenigsten befriedigende. Es gibt keinen einzigen Entscheidungsträger. Was Sie sehen, ist das Ergebnis eines verteilten Prozesses, in dem Algorithmen, Schnittstellen, wirtschaftliche Anreize und menschliches Verhalten kontinuierlich interagieren und Ergebnisse erzeugen, die strukturiert, aber nicht zentral gesteuert sind.

Das bedeutet nicht, dass die Macht verschwunden ist. Wenn überhaupt, ist es allgegenwärtiger geworden. Aber es ist auch schwieriger zu identifizieren, weil es sich nicht mehr als Kontrolle darstellt.

Es präsentiert sich als die natürliche Type des Programs.

Und vielleicht ist das die wichtigste Veränderung. Wir bewegen uns nicht länger in einem Raum, in dem Entscheidungen an sichtbaren Orten getroffen werden. Wir bewegen uns in einem System, das Entscheidungen als Nebenprodukt seines eigenen Betriebs hervorbringt.

Aus diesem Grund scheint die Frage, wer entscheidet, immer schwieriger zu beantworten.

Nicht, weil es keine Antwort gibt.

Sondern weil die Antwort nicht mehr zu der Artwork und Weise passt, wie wir es von der Funktionsweise von Entscheidungen erwarten.

Hervorgehobener Bildnachweis

startet am 11. Juni mit 48 Mannschaften, 104 Spielen und der üblichen Lawine heißer Takes. Ich wollte eine Prognose, die ich tatsächlich verteidigen konnte. Nicht nur ein cooles Modell für maschinelles Lernen mit guten Ergebnissen, sondern ein Modell, bei dem jede Zahl auf eine explizite Annahme zurückgeht, über die ich streiten könnte.

In diesem Artikel wird diese Prognose von Grund auf erstellt. Es ist bewusst einfach: Bewerten Sie jedes Staff, wandeln Sie jedes Spiel in eine Torverteilung um und simulieren Sie das gesamte Turnier zehntausende Male.

Das hört sich vielleicht sehr fußballspezifisch an, aber so ziemlich alles in diesem Artikel, von der Methodik bis zur Artwork und Weise, wie wir Ergebnisse interpretieren, ist universell für die Datenwissenschaft. Tauschen Sie „Groups“ gegen Vertriebsmitarbeiter, Liefertermine, Serverauslastungen oder Abwanderungskohorten aus, und mit denselben drei Schritten erhalten Sie eine vertretbare Prognose anstelle einer Punktschätzung.

Die wirklich übertragbare Fähigkeit besteht hier darin, eine Pipeline aufzubauen, in der jede Zahl auf eine Annahme zurückgeht, über die Sie streiten können, und nicht auf eine, die Ihnen ein Black-Field-Modell für maschinelles Lernen verbirgt.

In unserem Fußball-Fall bedeutet das: Keine Monitoring-Daten, kein Deep Studying, nichts, was man nicht an einem Nachmittag neu aufbauen könnte. Aber hören Sie hier nicht auf zu lesen! Es geht nicht um Raffinesse. Es geht um eine transparente Pipeline, die Sie dazu zwingt, sich genau den Modellierungsentscheidungen zu stellen, die Black Bins verbergen. Wir erstellen unser Modell in drei Schritten und hinterfragen bei jedem Schritt die Annahmen.

Schritt 1: Bewerten Sie jedes Staff mit Elo

Man kann ein Spiel nicht vorhersagen, wenn man nicht angibt, wie intestine jede Mannschaft ist. Die sauberste Standardoption für Nationalmannschaften ist die Weltfußball-Elo-Bewertungeine Adaption des Schachsystems von Arpad Elo.

Elo ist eine einzelne selbstkorrigierende Gleichung. Jedes Staff trägt eine Wertung R. Vor einem Spiel ist das erwartete Ergebnis von Staff A gegen Staff B (auf einer Skala von 0–1, wobei 1 ein Sieg ist) eine logistische Funktion des Bewertungsunterschieds:

E_A = 1 / (1 + 10^(-(R_A - R_B) / 400))

Nach dem Spiel verschieben Sie die Wertung dahingehend, was tatsächlich passiert ist:

R_A' = R_A + Okay * (S_A - E_A),

Wo S_A ist das realisierte Ergebnis (1 Sieg, 0,5 Unentschieden, 0 Niederlage) und Okay steuert, wie schnell sich die Bewertungen ändern. Die Fußballvariante fügt zwei wichtige Falten hinzu: Okay skaliert mit der Vorsprung des Sieges (eine Wertung von 4–0 Zügen ist höher als eine 1–0) und es gewichtet Pflichtspiele über Freundschaftsspielen. Die Konstante 400 ist eine Skalenwahl – sie sorgt dafür, dass ein Abstand von 400 Punkten ungefähr einem Favoriten von 10:1 entspricht (E ≈ 0.91).

Für das Modell benötigen wir lediglich die aktuellen Bewertungen, gespeichert als Wörterbuch. Ich verwende den Schnappschuss vor dem Turnier von Anfang Juni 2026, aufgenommen von a frei wiederverwendbarer Kaggle-Datensatz das diese Bewertungen zusammenstellt:

# World Soccer Elo Scores, pre-tournament snapshot (early June 2026).
# Supply: "2026 FIFA World Cup — Historic Elo Scores" (Kaggle, CC BY-SA 4.0),
# compiling information from World Soccer Elo Scores (eloratings.web).
ELO = {
    "Spain": 2155, "Argentina": 2113, "France": 2062,
    "England": 2020, "Brazil": 1988, "Portugal": 1984,
    "Colombia": 1977, "Netherlands": 1944, "Germany": 1925,
    # ... all 48 certified groups
}

Annahmeprüfung: Elo fasst alles – Kind, Kaderqualität, Ermüdung – in einer Zahl zusammen und geht davon aus, dass die Stärke eines Groups auf kurze Sicht ungefähr gleich bleibt. Das ist eine starke Vereinfachung, aber sie ist ehrlich und überprüfbar, und Elo ist als einzelnes Function kaum zu übertreffen.

Schritt 2: Wandeln Sie eine Bewertungslücke in eine Zielverteilung um

Ein Bewertungsunterschied gibt uns einen Sieg Wahrscheinlichkeitaber wir wollen ein Turnier simulieren Spielstände – Sie bestimmen die Tordifferenz, den Gruppen-Tiebreaker und die Struktur der Sache. Der Standardschritt in der Fußballanalyse besteht darin, die Ziele jeder Mannschaft als zu modellieren Poisson-Prozess.
Die Poisson-Verteilung gibt die Wahrscheinlichkeit der Beobachtung an ok Ereignisse, bei denen Ereignisse unabhängig voneinander mit einer konstanten Durchschnittsrate auftreten λ:

P(ok targets) = λ^ok * e^(-λ) / ok!

Tore passen empirisch intestine dazu: Sie sind diskret, relativ selten und innerhalb eines Spiels nahezu erinnerungslos. Wenn wir die Anzahl der Tore beider Groups als unabhängige Poisson-Variablen mit Mittelwerten behandeln λ_home Und λ_awaydie vollständige Scoreline-Verteilung ist nur das äußere Produkt ihrer beiden PMFs, und wir können die Gewinn-/Unentschieden-/Verlustwahrscheinlichkeiten durch Summieren der entsprechenden Zellen ablesen:

from scipy.stats import poisson
import numpy as np

def match_probs(lam_home, lam_away, max_goals=10):
    h = poisson.pmf(np.arange(max_goals + 1), lam_home)
    a = poisson.pmf(np.arange(max_goals + 1), lam_away)
    grid = np.outer(h, a)             # grid(i, j) = P(dwelling i, away j)
    p_home = np.tril(grid, -1).sum()  # dwelling targets > away targets
    p_draw = np.hint(grid)
    p_away = np.triu(grid, 1).sum()
    return p_home, p_draw, p_away

Annahmeprüfung: Die Unabhängigkeitsannahme ist praktisch, aber unvollkommen – echte Ergebnislinien zeigen Korrelation und einen Überschuss an Unentschieden mit niedriger Punktzahl (0–0, 1–1). Der Customary-Repair ist der Dixon–Coles Anpassung, die einen Low-Rating-Korrekturterm und eine Time-Decay-Gewichtung für historische Übereinstimmungen hinzufügt. Der Klarheit halber überspringen wir es hier. Es ist ein natürliches Improve und genau die Artwork von Verfeinerung, die mir gefällt kommendes BuchDas Poisson-Kapitel geht durch.

Schritt 3: Bewertungen mit Zielen verknüpfen

Wir brauchen λ_home Und λ_away als Funktion der Elo-Lücke. Ein belastbarer Teil der Fußballmodell-Folklore besagt, dass ein Elo-Vorsprung von ~400 Punkten ungefähr ein Tor Überlegenheit wert ist. Daher haben wir einen Ausgangswert von ca. 2,7 Gesamttoren (ein typischer internationaler Durchschnitt) zwischen den Groups entsprechend ihrer Bewertungsdifferenz aufgeteilt:

GOALS_BASE = 2.7
GOALS_PER_400_ELO = 1.0

def lambdas(elo_a, elo_b):
    diff = (elo_a - elo_b) / 400.0 * GOALS_PER_400_ELO
    la = max(0.15, GOALS_BASE / 2 + diff / 2)
    lb = max(0.15, GOALS_BASE / 2 - diff / 2)
    return la, lb

Die Untergrenze von 0,15 verhindert, dass selbst einem großen Außenseiter eine nicht-physische unfavorable Bewertungsquote zugewiesen wird. Eine prinzipiellere Model passt log(λ) = β₀ + β₁·Δrating als Poisson-GLM auf realen Spieldaten; Die obige lineare Supremacy-Heuristik ist die Again-of-Envelope-Model und landet bei den Favoriten an derselben Stelle.

Schritt 4: Simulieren Sie das Turnier 10.000 Mal

Eine einzelne Simulation ist keine Prognose, sondern nur ein mögliches Jahr 2026. Die Prognose ist die Verteilung über Tausende von ihnen. Wir durchlaufen additionally die gesamte Runde und zählen, wie oft jedes Staff gewinnt.

Das Format 2026 ist neu und präzisiert: 48 Groups in 12 Vierergruppen, wobei die beiden Erstplatzierten jeder Gruppe plus die acht besten Drittplatzierten Erreichen Sie eine Okay.-o.-Runde mit 32 Mannschaften.

Diese Regel des dritten Platzes ist ein ziemlicher kombinatorischer Kniff, weil man nicht entscheiden kann, wer weiterkommt, bis jede Gruppe fertig ist. Daher verfolgt die Simulation Punkte und Tordifferenz für alle vier Groups in jeder Gruppe, ordnet die drittplatzierten Groups in allen Gruppen ein und ermittelt die besten acht. In den Okay.-o.-Runden geht ein Unentschieden ins Elfmeterschießen, was wir als einen Beinahe-Münzenwurf modellieren, der leicht in Richtung der stärkeren Seite verschoben wird.

N = 10_000

title = {t: 0 for t in ELO}

for _ in vary(N):

    champion = simulate_one_tournament()  # teams -> R32 -> ... -> last

    title(champion) += 1
probs = {t: title
Warum 10.000? Denn eine simulierte Wahrscheinlichkeit ist selbst eine Schätzung mit Stichprobenfehler. Eine Titelwahrscheinlichkeit p geschätzt von N Unabhängige Turniere haben einen Standardfehler von sqrt(p(1-p)/N). Für einen 15 %-Favoriten bei N = 10,000das sind etwa 0,36 Prozentpunkte – knapp genug, dass das Rating stabil ist und die Prime-Zahlen zwischen den Läufen nicht schwanken. Gehen Sie zu N = 500 und der Standardfehler vervierfacht sich und noch mehr auf ~1,6 Punkte, genug, um das Mittelfeld neu zu mischen. Vektorisieren der Simulation (alles zeichnen). N Turniere als Array-Operationen statt einer Python-Schleife) macht mehr als 20.000 Läufe im Wesentlichen kostenlos.
Was das Modell sagt




Staff
Gewinnwahrscheinlichkeit




Spanien
16,0 %


Argentinien
11,9 %


Frankreich
7,9 %


England
7,0 %


Brasilien
5,4 %


Niederlande
4,7 %


Portugal
4,3 %


Deutschland
3,7 %




Tabelle 1: Mögliche Ergebnisse der Weltmeisterschaft nach Modell. Quelle: Autor.
Zwei Dinge fallen auf. Zuerst sitzt der Favorit herum 15 %, nicht 50 %. Selbst das beste Staff der Welt ist weitaus wahrscheinlicher nicht einen Knockout mit 48 Mannschaften zu gewinnen, als ihn zu gewinnen – eine direkte Folge der Poisson-Varianz in einer Sportart mit geringer Punktzahl, die sich über sieben Win-or-Go-Residence-Spiele verschlimmert. 
Zweitens liegen diese Zahlen bemerkenswert nahe an den Prognosen, die von weitaus ausgefeilteren statistischen Modellen veröffentlicht werden, die auf jahrelangen Spieldaten und Dutzenden von Merkmalen basieren. Das ist beruhigend: Eine transparente Elo-plus-Poisson-Pipeline gewinnt das meiste von dem zurück, was ein Schwergewicht-Prognosesystem produziert, weil beide letztendlich das Gleiche tun: Teamstärke auf Ergebniswahrscheinlichkeiten abbilden.
Was es richtig macht und was es auslässt
Das Modell ist ehrlich in seiner Einfachheit und jede Vereinfachung ist ein beschriftetes Zifferblatt, das Sie drehen können:

Neutraler Veranstaltungsort. Jedes Spiel wird als impartial behandelt; Die Gastgeber (USA, Mexiko, Kanada) bekommen keinen Auftrieb. Das Hinzufügen eines Heimvorteilsbegriffs (~+50–100 Elo, historisch gesehen ein Drittel eines Tores wert) ist eine einzeilige Änderung.
Statische Bewertungen. Elo ist beim Anpfiff erstarrt; Das Modell wird im Verlauf des Turniers nicht aktualisiert. Eine Neubewertung nach jeder Runde würde die Prognosen für die spätere Runde verbessern.
Unabhängige Poisson-Tore. Keine Dixon-Coles-Low-Rating-Korrektur, keine explizite Draw-Inflation.
Gesäte Klammer. Ich verwende ein gesetztes Knockout anstelle der genauen Runde-of-32-Karte der FIFA. Für die Titelquoten der Prime-Groups bewegt sich das kaum, ist aber für bestimmte Wege von Bedeutung.
Jedes davon ist das Thema eines Kapitels in dem von mir mitverfassten Buch. Fußballanalyse mit maschinellem Lernen  (O'Reilly, 2026): das Poisson-Tormodell und seine Erweiterungen in Kapitel 6, Teambewertungen in Kapitel 8 und die Umwandlung von Wahrscheinlichkeiten in Wettentscheidungen in Kapitel 9. Dieser Artikel ist die Spielzeugversion dieser Pipeline – und ein Spielzeug, das Sie tatsächlich an einem Nachmittag ausführen können.

Probieren Sie es selbst aus
Viele weitere Beispiele finden Sie im Buch GitHub-Repository – Klonen Sie es, lassen Sie die heutigen Elo-Werte fallen, und Sie haben schneller Ihre eigene WM-Prognose, als Sie Claude auffordern können. 
In einem anderen Artikel erfahren Sie, wie ich diese Struktur neu aufbaue elf verschiedene Modelle, passen Sie es an reale Spieldaten an und sehen Sie zu, wie die FIFA vier verschiedene Champions krönt.
Mein Modell sagt vorerst Spanien. Das Turnier beginnt am 11. Juni. Wir werden es gemeinsam herausfinden.
Ari Joury ist Co-Autor von Fußballanalyse mit maschinellem Lernen (O'Reilly, 2026).