Forschende ds ScaDS.AI Dresden/Leipzig haben GPTKB 2.0 veröffentlicht, eine großskalige Wissensdatenbank, die vollständig auf dem großen Sprachmodell GPT-5.1 basiert. Die Wissensdatenbank enthält 38 Millionen Fakten mit automatischer Entitätsdisambiguierung und bietet damit einen beispiellosen Einblick in die Annahmen von modernen KI-Modellen.

Über GPTKB 2.0

Wie viel strukturiertes Wissen enthält ein großes Sprachmodell – und wie lässt sich dieses Wissen zugänglich und für Menschen lesbar machen? GPTKB 2.0, entwickelt am ScaDS.AI Dresden/Leipzig, geht dieser Frage mit einer neuen, großskaligen Wissensdatenbank nach, die vollständig auf einem großen Sprachmodell aufgebaut ist.

GPTKB 2.0 enthält 38 Millionen Fakten-Tripel zu 2,3 Millionen Entitäten, die für 7.000 US-Dollar aus dem GPT-5.1-LLM extrahiert wurden. Ein Tripel stellt eine einfache, maschinenlesbare Aussage dar, wie beispielsweise „Marie Curie – Beruf – Physikerin“. Solche Strukturen ermöglichen es Nutzenden, Entitäten zu durchsuchen, nach Fakten zu suchen, Daten herunterzuladen und eigene Analyseabfragen zu formulieren.

Die wichtigste Neuerung in Version 2.0 ist die automatisierte Entitätsdisambiguierung und Deduplizierung. Große Sprachmodelle können sich unter verschiedenen Namen oder Oberflächenformen auf dieselbe Entität beziehen – zum Beispiel „USA“, „Vereinigte Staaten“ und „Vereinigte Staaten von Amerika“. GPTKB 2.0 identifiziert und klärt solche Varianten auf, wodurch Duplikate reduziert werden und Nutzende besser zwischen tatsächlich unterschiedlichen Entitäten mit ähnlichen Namen unterscheiden können. Das Ergebnis ist eine wesentlich übersichtlichere und zuverlässigere Ressource als frühere Versionen.

Dieser Prozess sorgt zudem für mehr Transparenz in der Wissensbasis. Für jeden Fakt zeigt der GPTKB-Browser eine Disambiguierungs-Kette an, die von der ursprünglichen Oberflächenform bis zur kanonischen Entität und deren Provenienzbatch reicht. Forschende können somit nicht nur überprüfen, welche Informationen in der Ressource enthalten sind, sondern auch nachvollziehen, wie diese konsolidiert wurden.

Die Bewertungsergebnisse weisen auf eine hohe Qualität des extrahierten Wissens hin. GPTKB 2.0 erreicht eine Entitätspräzision von 96 % und löst 95 % aller Disambiguierungen korrekt auf. Diese Verbesserungen sind besonders wichtig, wenn durch große Sprachmodelle generiertes Wissen für die Datenanalyse, die Wissenserforschung oder nachgelagerte KI-Anwendungen genutzt wird.

Publikationen

Das Projekt wird von zwei wissenschaftlichen Publikationen begleitet:

• Yujia Hu, Tuan-Phong Nguyen, and ›Simon Razniewski. “Direct Construction of Disambiguated Knowledge Bases from Large Language Models.” AACL 2026 / arXiv-2608.03729.
• Yujia Hu, Tuan-Phong Nguyen, and Simon Razniewski. “GPTKB 2.0: Browsing, Querying, and Auditing a Disambiguated LLM-Derived Knowledge Base.“ EMNLP 2026 / arXiv-2608.06992.

Sie werden Ende Oktober auf der EMNLP in Budapest und Anfang November auf der AACL in Hengqin vorgestellt.

Zugriff

GPTKB 2.0 ist hier frei zugänglich. Nutzende können Entitäten einsehen, Fakten prüfen, Abfragen durchführen und den Datensatz herunterladen. Weitere Informationen zum Projekt finden Sie hier.