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
cryptobriefing.com3. November 2026 · Q000477

Google DeepMind and Stanford study finds simple images can steer how AI writes code

cryptobriefing.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Laut einer im Bericht beschriebenen vorläufigen Studie konnten aufgabenfremde Bilder die Wahl rekursiver oder iterativer Lösungen bei mehreren Vision-Language-Modellen stark beeinflussen; die Effekte unterschieden sich je nach Modell und Symbol. Die Modelle benannten den visuellen Einfluss in ihren Erklärungen meist nicht, und mögliche Folgen für reale Anwendungen sind bislang nicht belegt.

Mittel

Der Bericht beschreibt eine vorläufige Studie von Google DeepMind und Stanford dazu, ob aufgabenfremde Bilder das Programmierverhalten von Vision-Language-Modellen beeinflussen. Getestet wurde eine Aufgabe zum Durchlaufen binärer Bäume, die rekursiv oder iterativ gelöst werden kann. Bei Claude Opus 4.7 und GPT-5.4 war ein rotes Herz laut Artikel mit einer Rekursionsrate von 100 Prozent verbunden, gegenüber null Prozent ohne Bild. Bei Gemini 3.1 Pro führte ein gelbes Häkchen zu 90 Prozent. Untersucht wurden insgesamt 288 Form-Farb-Kombinationen; die Modelle zeigten unterschiedliche Reaktionsmuster.

Textbeschreibungen derselben Symbole und zufällige Rauschbilder hatten den Angaben zufolge kaum Einfluss. Auch vermeintlich passende Zeichen wie Verzweigungspfeile wirkten nicht zuverlässig stärker als beliebige Formen. Die Erklärungen der Modelle erwähnten den visuellen Einfluss meist nicht, was laut Bericht eine mögliche Lücke bei Prüfungen anhand solcher Erklärungen darstellt. Der Artikel nennt die Ergebnisse vorläufig. Mögliche Folgen für den Umgang mit Screenshots und Diagrammen sowie eine gezielte Nutzung von Bildern zur Kommunikation sind daher Perspektiven, keine bestätigten Anwendungen.

Ausführlich lesen

Der Bericht fasst eine vorläufige Studie von Forschenden bei Google DeepMind und der Stanford University zusammen. Das am 27. Oktober 2026 auf arXiv veröffentlichte Paper „A Heart Means Recursion: Exploring Visual Meaning and Communication in VLMs“ untersucht, ob Bilder ohne erkennbaren Bezug zu einer Programmieraufgabe das Verhalten von Vision-Language-Modellen (VLMs) beeinflussen können. Laut Bericht änderten die Modelle ihre Lösungsweise, obwohl die Bilder für die Aufgabe irrelevant waren.

Als Test diente das Durchlaufen eines binären Baums. Dafür gibt es unter anderem rekursive Lösungen, bei denen eine Funktion sich selbst aufruft, und iterative Lösungen, die Schleifen verwenden. Die Forschenden fügten den Prompts einfache farbige Formen hinzu und zählten, wie häufig die Modelle rekursiv programmierten. Pro Modellkonfiguration wurden 20 Durchläufe ausgewertet.

Der Bericht nennt deutliche Ergebnisse für einzelne Kombinationen: Bei Claude Opus 4.7 und GPT-5.4 ging ein rotes Herz mit einer Rekursionsrate von 100 Prozent einher, während die jeweilige Basisrate ohne Bild bei null Prozent lag. Bei Gemini 3.1 Pro erhöhte ein gelbes Häkchen die Rate auf 90 Prozent. Insgesamt untersuchte das Team laut Artikel 288 Kombinationen aus Form und Farbe. Jedes Modell habe ein eigenes Muster der Beeinflussung gezeigt; ein Symbol, das ein Modell lenkte, musste bei einem anderen nicht denselben Effekt haben.

Als Kontrollen verwendeten die Forschenden Textbeschreibungen der Symbole sowie Bilder mit gaußschem Rauschen. Den Angaben zufolge war der Einfluss der Beschreibungen gering, und auch das Rauschen veränderte die Ergebnisse kaum. Das spreche dafür, dass nicht bloß ein zusätzlicher Prompt-Bestandteil wirkte, sondern bestimmte visuelle Reize. Zugleich hätten vermeintlich passende Symbole wie verzweigte Pfeile nicht zuverlässig stärker gelenkt als beliebige Formen. Dass ein Herz bei zwei Modellen mit mehr rekursivem Code einherging, sei also nicht durch einen offensichtlichen inhaltlichen Zusammenhang erklärbar.

Ein weiterer Befund betrifft die Erklärungen der Modelle: Der Studie zufolge erwähnten deren ausgegebene Begründungen den Einfluss der Bilder meist nicht. Die Modelle hätten ihr Vorgehen verändert, ohne den visuellen Hinweis als Ursache kenntlich zu machen; ob sie diesen Einfluss überhaupt erkennen konnten, bleibt laut Bericht offen. Das könnte Prüfungen erschweren, die sich auf solche Erklärungen stützen.

Der Artikel bezeichnet die Ergebnisse ausdrücklich als vorläufig. Er leitet daraus mögliche Folgen für Anwendungen ab, in denen Nutzende Screenshots oder Diagramme einreichen: beiläufige Bildbestandteile könnten die Ausgabe unbeabsichtigt verändern. Weil die Modelle unterschiedliche Steuerungsmuster zeigten, gebe es außerdem offenbar keine universelle Liste problematischer Symbole. Als mögliche positive Perspektive nennt der Bericht, Bilder künftig gezielt zur Kommunikation mit Modellen einzusetzen. Die beschriebenen Tests belegen jedoch zunächst nur Effekte bei der untersuchten Programmieraufgabe und den aufgeführten Modell- und Bildkombinationen; weitergehende Anwendungen bleiben eine Möglichkeit, keine nachgewiesene Wirkung.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Stufe 6 für SF-V1-T02 ist zu hoch, da der Bericht diese Frage nicht teilweise beantwortet. Ihre Anteilswerte wurden nicht geprüft, nur die Stufen. Die Zusammenfassungen sind inhaltlich zutreffend; die Kurzfassung lässt die Kontrollversuche aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kurzfassung nennt die Kontrollen mit Textbeschreibungen und Rauschbildern nicht, die laut Bericht kaum Einfluss hatten
  • Die Angabe von 20 Stichproben je Modellkonfiguration und die Leitung durch Alexa Tartaglini fehlen in beiden Fassungen

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-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 34 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 26 %gleiches Oberthema, hilft nicht
    • Luna 59 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 3 · 29 % · Hintergrund, keine 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 · 27 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %Hintergrund, keine Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 18 %einzelne zitierbare Belege
    • Luna 49 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 30 %einzelne zitierbare Belege
    • d3-ultra 34 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • 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 4 · 39 % · einzelne zitierbare Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 49 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • 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 3 · 31 % · Hintergrund, keine 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 · 42 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine 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 4 · 38 % · einzelne zitierbare 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 · 43 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V1-T13 Wenn sich vorgeführte und tatsächlich vertretene Tugend im Text nicht unterscheiden lassen: Soll der Unterschied trotzdem bestimmen, wie man Modelle baut und regelt? Luna: Stufe 3 · 28 % · 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 · 37 % · einzelne zitierbare Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 21 %Hintergrund, keine Belege
    • Luna 44 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht

    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 47 % · Hintergrund, keine Belege
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 65 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 43 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 64 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 67 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

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 56 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 63 %gleiches Oberthema, hilft nicht
    • 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 54 %Hintergrund, keine Belege
    • JEV 60 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • 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 →