[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-two-ai-endpoints-measured-latency-change-frankfurt":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"two-ai-endpoints-measured-latency-change-frankfurt","2 KI-Endpunkte mit gemessener Latenzänderung aus Frankfurt","Der i6eal KI-Latenz-Index misst für zwei Endpunkte eine leichte Verringerung der Zeit bis zum ersten Inhaltstoken. Die Messung gilt nur für die jeweilige Route und ist keine Aussage über Anbieter insgesamt.","2026-10-12","08:46","2026-10-12T08:46:00+02:00","","12. Oktober 2026","daten","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Latenz","Frankfurt","Gateway","OpenAI","Anthropic","\u002Fki-latenz","Zum KI-Latenz-Index","GPT-5 mini: 743 ms → 658 ms (−11,44 %); Claude Haiku 4.5: 776 ms → 693 ms (−10,70 %)","\u002Fnewsroom\u002Fimg\u002Ftwo-ai-endpoints-measured-latency-change-frankfurt.webp","\u002Fog-nr\u002Ftwo-ai-endpoints-measured-latency-change-frankfurt.de.png",2,362,"\u003Ch2>Was gemessen wurde\u003C\u002Fh2>\n\u003Cp>Der i6eal KI-Latenz-Index misst die Zeit bis zum ersten Inhaltstoken (TTFT) aus einer Lambda-Funktion in Frankfurt. Verglichen werden zwei abgeschlossene UTC-Wochen, 28. September bis 4. Oktober 2026 und 5. bis 11. Oktober 2026. Für zwei Endpunkte liegt eine Veränderung vor: GPT-5 mini (OpenAI) und Claude Haiku 4.5 (Anthropic), jeweils über die Gateway-Route. Beide Endpunkte haben an allen sieben Wochentagen ein Wertepaar.\u003C\u002Fp>\n\u003Ch2>Wie du die Zahlen lesen solltest\u003C\u002Fh2>\n\u003Cp>Die Änderungen beziehen sich immer nur auf den jeweils selben Endpunkt in seiner eigenen Vorwoche. Sie erlauben keinen Vergleich zwischen den beiden Modellen und auch keinen Vergleich zwischen direkter Route und Gateway-Route. Der Index bewertet außerdem nur eine kurze synthetische Anfrage, keinen vollständigen Arbeitsablauf.\u003C\u002Fp>\n\u003Ch2>Was die Messung nicht belegt\u003C\u002Fh2>\n\u003Cp>Die beobachteten Unterschiede belegen weder eine Ursache noch statistische Signifikanz. Über Modellqualität, Verfügbarkeit oder Ausfallsicherheit sagt die Messung nichts aus. Wenn du Latenz für eine konkrete Anwendung planst, lohnt sich ein Test mit deinen eigenen Prompts und deinem eigenen Zeitfenster.\u003C\u002Fp>\n\u003Ch2>Die gemessenen Latenzänderungen\u003C\u002Fh2>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Endpunkt\u003C\u002Fth>\n\u003Cth>Route\u003C\u002Fth>\n\u003Cth align=\"right\">Tage je Woche im Paar\u003C\u002Fth>\n\u003Cth align=\"right\">TTFT vorher (ms)\u003C\u002Fth>\n\u003Cth align=\"right\">TTFT jetzt (ms)\u003C\u002Fth>\n\u003Cth align=\"right\">Änderung\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>GPT-5 mini (OpenAI)\u003C\u002Ftd>\n\u003Ctd>gateway\u003C\u002Ftd>\n\u003Ctd align=\"right\">7\u003C\u002Ftd>\n\u003Ctd align=\"right\">743,00\u003C\u002Ftd>\n\u003Ctd align=\"right\">658,00\u003C\u002Ftd>\n\u003Ctd align=\"right\">-11,44 %\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Claude Haiku 4.5 (Anthropic)\u003C\u002Ftd>\n\u003Ctd>gateway\u003C\u002Ftd>\n\u003Ctd align=\"right\">7\u003C\u002Ftd>\n\u003Ctd align=\"right\">776,00\u003C\u002Ftd>\n\u003Ctd align=\"right\">693,00\u003C\u002Ftd>\n\u003Ctd align=\"right\">-10,70 %\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>2026-09-28–2026-10-04 → 2026-10-05–2026-10-11 (UTC).\u003C\u002Fp>\n\u003Ch2>Abdeckung und Messgrenzen\u003C\u002Fh2>\n\u003Cp>7 Endpunkte haben ausreichende Tagespaare und unveränderte Modell-\u002FRoutenangaben. 0 Endpunkte haben zu wenige Tagespaare; 0 Endpunkte wurden wegen geänderter Modell-\u002FRoutenangaben ausgeschlossen.\u003C\u002Fp>\n\u003Cp>TTFT misst die Zeit bis zum ersten Inhaltstoken aus einer Lambda in Frankfurt. Verglichen werden die Mediane täglicher Messwerte in zwei abgeschlossenen UTC-Wochen. Es zählen nur Wochentage, für die in beiden Wochen ein Wert vorliegt; je Endpunkt müssen mindestens fünf Tagespaare vorliegen. Der Collector verwirft einen Aufwärmdurchlauf und behält pro Messrunde die schnellere von zwei erfolgreichen Proben. Das ist eine kurze synthetische Probe, keine Messung deines vollständigen Workloads. Direkte und Gateway-Routen werden nicht gegeneinander gerankt. Die beobachteten Unterschiede belegen weder eine Ursache noch statistische Signifikanz, Modellqualität oder Ausfallsicherheit.\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fi6eal.de\u002Fki-latenz\u002F\">i6eal KI-Latenz-Index\u003C\u002Fa>. Datenstand: 2026-10-12T01:20:59.125Z.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fi6eal.de\u002Fki-latenz\u002F\">i6eal\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1791787700102]