Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
arxiv.orgohne Datum · Q000296

Chain-of-Thought Oversight Requires Separate Evidence for Faithfulness and Monitorability

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Es liegt nur der Abstract vor. Er unterscheidet Sichtbarkeit, Treue zur internen Berechnung, Lokalisierbarkeit eines Mechanismus und Überwachbarkeit und berichtet anhand zweier Fallstudien, dass Belege für eine dieser Eigenschaften die anderen nicht automatisch stützen. Vorgeschlagen wird ein Berichtsstandard, der für jede Aussage Belege und unbelegte oder angenommene Verbindungen offenlegt.

Mittel

Es liegt nur die arXiv-Seite mit Metadaten und Abstract vor, nicht der vollständige Bericht. Darin argumentieren die Autorinnen und Autoren, dass eine sichtbare Chain-of-Thought-Spur nicht automatisch bedeutet, dass interne Berechnungen getreu abgebildet, kausale Mechanismen lokalisiert oder Zielverhalten zuverlässig überwacht werden können. Sie unterscheiden diese vier Eigenschaften ausdrücklich und berichten über zwei Fallstudien mit drei offenen Reasoning-Modellen.

Bei der Untersuchung zu Sicherheitslücken weisen Sonden und Aktivierungsablationen laut Abstract auf interne Repräsentationen und kausalen Einfluss hin. Ein Monitor mit Zugriff auf die Referenzantwort übertrifft im zurückgehaltenen Test aber nicht die Mehrheitsklassen-Baseline. Bei Faktenfragen mit Autoritätshinweisen erkennt ein Monitor veränderte gegenüber unveränderten Antworten; sieben mechanistische Analysen isolieren dort keinen kompakten kausalen Mechanismus. Die Autorinnen und Autoren schlagen deshalb vor, für jede Überwachungsaussage Eigenschaft, Zugriffsebene und Belegartefakt anzugeben und jeden erforderlichen Schritt als gestützt, ungestützt oder angenommen zu kennzeichnen. Der Abstract erlaubt keine Prüfung der methodischen Einzelheiten.

Ausführlich lesen

Es liegt nur die arXiv-Seite mit Titel, Metadaten und Abstract vor, nicht der vollständige Bericht. Die Zusammenfassung behandelt die Überwachung von Chain-of-Thought-Spuren (CoT), also sichtbaren Begründungstexten von Modellen. Die Autorinnen und Autoren stellen die verbreitete Annahme infrage, dass ein sichtbarer Denkpfad das Modellverhalten automatisch leichter überwachbar macht. Sie unterscheiden vier Eigenschaften: ob eine Spur zugänglich ist, ob sie die interne Berechnung zuverlässig widerspiegelt, ob sich ein kompakter kausaler Mechanismus isolieren lässt und ob ein Monitor das gesuchte Verhalten erkennen kann. Der Abstract betont, dass Belege für eine dieser Eigenschaften nicht zugleich die übrigen belegen.

Als Grundlage nennen die Autorinnen und Autoren zwei ergänzende Fallstudien mit drei offenen Reasoning-Modellen. In der Studie zu Sicherheitslücken liefern Sonden und Aktivierungsablationen laut Abstract Hinweise darauf, dass interne Repräsentationen vorhanden sind und kausalen Einfluss haben. Ein Monitor, der zusätzlich die Referenzantwort erhält, übertrifft in einem zurückgehaltenen Test jedoch nicht die Mehrheitsklassen-Baseline. In der Studie zu Faktenfragen mit Autoritätshinweisen kann ein Monitor geänderte von unveränderten Antworten unterscheiden. Sieben mechanistische Analysen isolieren dort laut Abstract jedoch keinen kompakten kausalen Mechanismus.

Aus diesen Ergebnissen leiten die Autorinnen und Autoren einen Berichtsstandard für Beweisketten ab. Für jede Aussage soll ausgewiesen werden, welche Eigenschaft sie betrifft, auf welche Zugriffsebene sie sich stützt und welches Artefakt als Beleg dient. Außerdem sollen die erforderlichen Verbindungen in der Beweiskette als gestützt, ungestützt oder angenommen markiert werden. Je nach Bewertung sei ein Schluss dann gerechtfertigt, nur unter Bedingungen gerechtfertigt oder nicht gerechtfertigt. Da hier nur der Abstract vorliegt, lassen sich Details zu Versuchsaufbau, Messgrößen, Ergebnissen und Einschränkungen über diese knappen Angaben hinaus nicht beurteilen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Abstract und die Metadaten der arXiv-Seite, nicht auf den vollständigen Bericht. Methodische Einzelheiten der Fallstudien sind daher nicht prüfbar.

Im Bericht, aber nicht in der Zusammenfassung

  • Die drei möglichen Schlussurteile des Standards (licensed, conditionally licensed, not licensed) fehlen in der mittleren Zusammenfassung.
  • Die konkreten Befunde der Fallstudien fehlen in der kurzen Zusammenfassung: Monitor ohne Vorteil gegenüber der Mehrheitsklassen-Baseline bei Sicherheitslücken und fehlende kompakte Mechanismen bei den Autoritätshinweisen.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 23 %Hintergrund, keine Belege
    • Luna 37 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %beantwortet teilweise oder widerspricht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 29 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 26 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 22 %gleiches Oberthema, hilft nicht
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %Hintergrund, keine Belege
    • Luna 55 %einzelne zitierbare Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 27 %einzelne zitierbare Belege
    • SubQ 25 %einzelne zitierbare Belege
    • drex 23 %gleiches Oberthema, hilft nicht
    • d3-ultra 39 %Hintergrund, keine Belege
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-P3-T01 Welcher gemeinsame Rahmen für Labore macht Selbstüberwachung überprüfbar, ohne geschütztes geistiges Eigentum offenzulegen, und welche unabhängigen Verfahren Dritter, falls es sie gibt, bestätigen, dass die Selbstüberwachung riskantes Verhalten vor der Freigabe wirklich findet und nicht nur Schein ist? Luna: Stufe 4 · 30 % · einzelne zitierbare Belege
    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 30 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 72 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 21 %beantwortet teilweise oder widerspricht
    • Luna 50 %Hintergrund, keine Belege
    • JEV 29 %beantwortet teilweise oder widerspricht
    • amos 24 %einzelne zitierbare Belege
    • SubQ 36 %beantwortet direkt und ausführlich
    • drex 27 %umfangreiche Belege
    • d3-ultra 28 %beantwortet teilweise oder widerspricht
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt? Luna: Stufe 6 · 39 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 51 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 4 · 31 % · einzelne zitierbare Belege
    • SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird? Luna: Stufe 4 · 41 % · einzelne zitierbare Belege
    • SF-V1-T05 Mit welchen empirischen Tests prüft man, ob Training mit synthetischen Daten und gegnerischen Denkspuren, auch von geopolitischen Rivalen, die Überwachbarkeit verschlechtert, und verpflichten sich Labore, alle synthetischen Trainingsdaten kryptografisch zu signieren? Luna: Stufe 4 · 20 % · einzelne zitierbare Belege
    • SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen? Luna: Stufe 4 · 39 % · einzelne zitierbare Belege
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 6 · 30 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 4 · 40 % · einzelne zitierbare Belege
    • SF-V1-T11 Wie unterscheidet man bei sich selbst ehrliches von interessegeleitetem Denken, welche Belege für diesen Unterschied würde man von einem Modell akzeptieren, und welcher Test trennt tatsächlich vertretene von nur vorgeführten Werten? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
    • SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen? Luna: Stufe 4 · 36 % · einzelne zitierbare Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 24 %Hintergrund, keine Belege
    • Luna 46 %gleiches Oberthema, hilft nicht
    • JEV 26 %Hintergrund, keine Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht

  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 40 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 4 · 37 % · einzelne zitierbare Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %Hintergrund, keine Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 24 %beantwortet teilweise oder widerspricht
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %Hintergrund, keine Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →