LEM statt LLM: Was hinter den vielen „Large“-Modellen jenseits der Sprache steckt
Wer in Fachartikeln zurzeit über „LEM“ stolpert, liest je nach Quelle etwas völlig anderes. Die drei Buchstaben stehen für mindestens vier verschiedene Modellfamilien, die unabhängig voneinander entstanden sind – im Sport, im Wertpapierhandel, in der Hirnforschung und im Maschinenbau. Gemeinsam haben sie eine Idee: die Technik der großen Sprachmodelle auf Daten anwenden, die keine Sprache sind. Genau das ist für viele Betriebe der interessantere Teil der KI-Entwicklung.
Warum es die Abkürzung mehrfach gibt
Ein Sprachmodell macht im Kern eine einzige Sache: Es sagt das nächste Wort voraus, gestützt auf alles, was davor steht. Dass daraus Übersetzungen, Zusammenfassungen und Programmcode werden, liegt nicht an einem tieferen Sprachverständnis, sondern daran, dass Sprache aus Folgen besteht und die Modelle Folgen sehr gut fortsetzen können.
Diese Einsicht hat Forschende in ganz unterschiedlichen Feldern auf dieselbe Frage gebracht: Was, wenn die Folge nicht aus Wörtern besteht, sondern aus Spielzügen, Börsenorders, Hirnstromkurven oder Konstruktionsschritten? Die Architektur bleibt, die Trainingsdaten wechseln. Und weil jedes Feld seinen eigenen Namen dafür gesucht hat, gibt es heute mehrere „Large Something Models“, die zufällig dieselbe Abkürzung tragen.
Large Event Model: der nächste Spielzug statt des nächsten Wortes
Aus der Sportanalytik stammt der am besten dokumentierte Fall. Forschende der Universität Porto haben Modelle auf Ereignisdaten aus Fußballspielen trainiert: Pass, Zweikampf, Schuss, Ballverlust, jeweils mit Zeit, Ort und beteiligten Spielern. Das Modell sagt aus dem aktuellen Spielstand das nächste Ereignis voraus. Weil jedes vorhergesagte Ereignis den Spielstand verändert, lassen sich ganze Partien Zug für Zug durchsimulieren.
Der praktische Wert liegt in der Frage „Was wäre, wenn“. Das Modell kann durchrechnen, wie eine Mannschaft mit einem anderen Spieler abschneiden würde – nicht als Bauchgefühl, sondern als Ergebnis von Tausenden simulierten Spielen. Übertragen auf einen Betrieb: Ein Modell, das auf Auftragsfolgen, Störungsmeldungen oder Bestellverläufen trainiert ist, könnte auf dieselbe Weise fragen, was passiert, wenn eine Maschine ausfällt oder ein Lieferant wechselt.
Large Execution Model: Orders über den Tag verteilen
Im Wertpapierhandel meint LEM etwas anderes. Wer eine große Order hat – etwa ein Unternehmen, das eigene Aktien zurückkauft – darf sie nicht auf einmal in den Markt geben, sonst bewegt sie den Preis gegen sich. Die Order wird über Stunden oder Tage gestückelt. Wie genau, das entscheidet bislang eine Mischung aus Regeln und Erfahrung.
Ein Arbeitspapier von Oktober 2025 beschreibt Modelle, die diese Aufteilung lernen: Sie lesen den Marktzustand und entscheiden, wie viel wann ausgeführt wird, mit flexiblem Zeitfenster und Nebenbedingungen wie Mindest- und Höchstdauer. Ein einziges Modell soll dabei Kauf und Verkauf, feste Stückzahl und festen Gegenwert gleichermaßen abdecken, statt für jeden Fall ein eigenes Verfahren zu pflegen.
Das Muster ist auch außerhalb der Börse vertraut: Jede Beschaffung, die zu groß ist, um sie auf einmal auszulösen, jede Produktionsmenge, die über eine Woche verteilt werden muss, hat dasselbe Problem – nur ohne Handelsplatz, der es sichtbar macht.
Large EEG Model: Messkurven als Sprache
In der Hirnforschung stehen die drei Buchstaben für Modelle, die auf großen Mengen von Hirnstromaufzeichnungen vortrainiert sind. Bisher brauchte jede Anwendung – Anfallserkennung, Stressmessung, Steuerung einer Prothese – ein eigenes, von Hand entworfenes Modell. Ein vortrainiertes Grundmodell wie LaBraM lernt stattdessen einmal, wie Hirnstromkurven grundsätzlich aussehen, und wird dann mit vergleichsweise wenigen Beispielen auf die konkrete Aufgabe angepasst.
Eine Studie von 2025 hat ein solches Modell auf Stressdaten aus einem realen Klassenzimmer feinabgestimmt und kam auf rund 90 Prozent Treffergenauigkeit bei Fünf-Sekunden-Fenstern. Bemerkenswert ist weniger die Zahl als die Verschiebung: Die Arbeit steckt nicht mehr im Modellentwurf, sondern in der Qualität der Daten. Wer saubere Aufzeichnungen hat, kommt mit einem allgemeinen Modell weiter als früher mit einem maßgeschneiderten.
Für Betriebe mit Sensorik ist das die eigentliche Nachricht. Ob Hirnstrom, Vibration an einer Pumpe oder Temperaturverlauf in einer Halle – es sind Zeitreihen. Die Verfahren, die für EEG-Daten funktionieren, lassen sich auf Maschinendaten übertragen, und die Voraussetzung ist dieselbe: ein gepflegter Datenbestand.
Large Engineering Model: Physik statt Plauderei
Der vierte Gebrauch kommt aus der Konstruktion. Anbieter von Simulationssoftware bezeichnen damit Modelle, die auf Versuchs- und Simulationsdaten aus dem Maschinenbau trainiert sind – Strömungen, Belastungen, Materialverhalten. Der Anspruch: Statt jede Variante eines Bauteils aufwendig durchzurechnen, sagt das Modell das Ergebnis aus früheren Rechnungen voraus, in Sekunden statt Stunden.
Hier ist die Abgrenzung zum Sprachmodell am schärfsten. In der Konstruktion gibt es keinen Spielraum für ungefähre Antworten; ein Modell, das plausibel klingt und falsch liegt, ist wertlos. Deshalb werden diese Modelle auf kleineren, aber sorgfältig geprüften Datensätzen trainiert, und ihre Aussagen werden gegen Messungen geprüft, bevor jemand danach baut.
Und das „Large Experience Model“?
Dieser Begriff kursiert ebenfalls, ist aber kein Fachbegriff mit Quelle. Gemeint ist meist eine Forschungsrichtung, die David Silver und Richard Sutton 2025 unter dem Titel „Welcome to the Era of Experience“ beschrieben haben: Modelle, die nicht mehr aus menschlichem Text lernen, sondern aus dem, was ein Agent selbst tut und welche Folgen das hat. Der Gedanke dahinter: Menschliche Texte sind endlich und enthalten nur, was Menschen bereits wissen. Eigene Erfahrung ist unbegrenzt und kann darüber hinausgehen.
Ob daraus einmal eine eigene Modellklasse mit eigenem Namen wird, ist offen. Wer den Begriff heute in einem Angebot liest, sollte nachfragen, was konkret gemeint ist.
Was alle LEMs gemeinsam haben
Dieselbe Technik, andere Daten. Fast alle genannten Modelle nutzen Transformer oder verwandte Architekturen, die eine Folge fortsetzen. Der Unterschied zum Sprachmodell liegt ausschließlich darin, woraus die Folge besteht.
Sie antworten nicht in Sätzen. Ein Large Event Model liefert das nächste Ereignis, ein Execution Model eine Stückelung, ein EEG-Modell eine Klassifikation. Wer eine Antwort in Sprache braucht, setzt ein Sprachmodell davor oder dahinter – das Fachmodell selbst redet nicht.
Die Daten sind der Engpass, nicht das Modell. In jedem der vier Felder ist die Erkenntnis dieselbe: Die Architektur ist verfügbar, die Rechenleistung bezahlbar. Was fehlt, sind ausreichend große, saubere, einheitlich erfasste Datenbestände. Das gilt für Hirnströme wie für Maschinendaten in einer Werkhalle.
Kleiner ist oft besser. Anders als Sprachmodelle, die mit Billionen Wörtern trainiert werden, kommen Fachmodelle mit dem aus, was in einem Feld tatsächlich anfällt. Das macht sie günstiger im Betrieb und leichter zu prüfen – und es macht sie für einen einzelnen Betrieb überhaupt erst erreichbar.
Was das für Ihren Betrieb heißt
Die meisten Fragen, die in einem Unternehmen anfallen, sind keine Sprachfragen. Wann fällt die Pumpe aus? Wie viel wird nächste Woche bestellt? Welcher Auftrag wird zum Problem? Ein Sprachmodell kann diese Fragen wortreich beantworten, aber es hat die Daten nicht gesehen, auf die es ankäme. Ein Fachmodell, das auf den eigenen Maschinen-, Auftrags- oder Sensordaten trainiert ist, hat genau das getan.
Der erste Schritt ist deshalb selten ein Modell. Er ist die Frage, ob die Daten überhaupt in einer Form vorliegen, aus der sich etwas lernen lässt: fortlaufend erfasst, mit Zeitstempel, ohne Lücken, in einem Format statt in fünf. Sehr oft ist die Antwort nein – und dann ist die Datenerfassung selbst das Projekt, nicht die KI. Wir haben dazu in unserem Beitrag zu Drohnendaten ohne Cloud beschrieben, wie so ein Bestand entsteht, und unter LoRaWAN, wie Sensordaten überhaupt erst ins Haus kommen.
Zur ehrlichen Einordnung gehört auch: Nicht jede Frage braucht ein trainiertes Modell. Ein Schwellenwert, eine Regressionsgerade oder eine saubere Auswertung beantworten viele Betriebsfragen ebenso gut – und lassen sich in einer Stunde prüfen statt in einem Quartal. Wir bauen ein Modell erst, wenn das einfachere Verfahren nachweislich nicht reicht.
Quellen
Mendes-Neves, Meireles, Mendes-Moreira: Estimating Player Performance in Different Contexts Using Fine-tuned Large Events Models (2024) · Genet, Inzirillo: LEMs: A Primer On Large Execution Models (2025) · Fine-Tuning Large EEG Model with Real-World Stress Data (2025) · ECHO: Toward Contextual Seq2Seq Paradigms in Large EEG Models (2025) · Silver, Sutton: Welcome to the Era of Experience (2025).
Interesse?
Wenn in Ihrem Betrieb Sensor-, Auftrags- oder Maschinendaten anfallen und Sie wissen möchten, ob sich daraus etwas vorhersagen lässt, prüfen wir das mit Ihnen – zuerst die Daten, dann das Verfahren, zuletzt das Modell.