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
mistral2. Juli 2026 · Q001551

Leanstral 1.5: Proof Abundance for All

mistral.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Mistral stellt Leanstral 1.5 als offenes Modell für Lean-4-Beweise vor und berichtet über hohe Benchmark-Ergebnisse sowie Anwendungen bei Laufzeitbeweisen und der Suche nach Fehlern in Rust-Projekten. Die Leistungs-, Kosten- und Fehlerfundzahlen beruhen auf Mistrals eigener Auswertung; unabhängige Bestätigung wird im Bericht nicht angeführt.

Mittel

Der Bericht kündigt Leanstral 1.5 an, ein laut Mistral unter Apache 2.0 verfügbares Modell für formale Beweise in Lean 4 mit 119 Milliarden Gesamt- und 6 Milliarden aktiven Parametern. Mistral zufolge erreicht es 100 Prozent auf den Validierungs- und Testsätzen von miniF2F, löst 587 von 672 PutnamBench-Aufgaben und erzielt auf FATE-H und FATE-X 87 beziehungsweise 34 gelöste Aufgaben. Bei PutnamBench sei es sieben Aufgaben besser als Seed-Prover 1.5 in hoher Einstellung und koste etwa vier Dollar pro Problem. Mistral weist zugleich darauf hin, dass höher platzierte Systeme teils andere Hilfen oder wesentlich höhere Kosten nutzen.

Das Training verbindet überwachte Feinabstimmung mit Reinforcement Learning. Das Modell lernt, Compiler-Rückmeldungen für Beweise zu verwenden und in längeren Programmieraufgaben Dateien und Lean-Werkzeuge zu bearbeiten. Als Anwendungsbeispiele nennt der Bericht einen vollständig verifizierten logarithmischen Laufzeitbeweis für AVL-Bäume sowie eine Untersuchung von 57 Rust-Repositories. Dabei seien 11 echte Fehlerhinweise gefunden worden, darunter fünf zuvor nicht auf GitHub gemeldete Bugs. Diese Zahlen und Leistungsangaben stammen aus Mistrals eigener Darstellung und sind im Bericht nicht unabhängig bestätigt. Mistral veröffentlicht auch FLTEval und bietet Modellgewichte sowie einen kostenlosen API-Endpunkt an.

Ausführlich lesen

Der Bericht stellt Leanstral 1.5 vor, ein von Mistral veröffentlichtes Modell für formale Beweise in Lean 4. Mistral gibt an, das Modell sei unter Apache 2.0 frei verfügbar und habe insgesamt 119 Milliarden Parameter, von denen jeweils 6 Milliarden aktiv seien. Es solle formale Verifikation leistungsfähiger und leichter zugänglich machen.

Laut Mistrals Angaben erreicht Leanstral 1.5 auf miniF2F 100 Prozent sowohl im Validierungs- als auch im Testsatz. Auf PutnamBench löse es 587 von 672 Aufgaben. Für die anspruchsvollen Algebra-Benchmarks FATE-H und FATE-X meldet Mistral 87 beziehungsweise 34 gelöste Aufgaben und bezeichnet die Ergebnisse als neue Bestwerte. Beim Vergleich auf PutnamBench liege das Modell sieben Aufgaben vor Seed-Prover 1.5 in dessen hoher Einstellung und koste laut Bericht ungefähr vier Dollar je Problem; für Seed-Prover werden mindestens 300 Dollar geschätzt. Die Vergleiche seien jedoch durch unterschiedliche Bedingungen eingeschränkt: Einige höher platzierte Systeme erhielten natürlichsprachige Beweishinweise, andere seien deutlich teurer.

Das Training umfasst laut Bericht drei Phasen: Mid-Training, überwachtes Feinabstimmen und Reinforcement Learning mit CISPO. In einer Trainingsumgebung beweist oder widerlegt das Modell Theoreme und nutzt Rückmeldungen des Lean-Compilers für weitere Versuche. In einer zweiten arbeitet es wie ein Entwickler an Dateien, führt Befehle aus und verwendet den Lean Language Server, um Beweisziele und Fehler zu untersuchen. Mistral berichtet, dass es dadurch auch längere Aufgaben mit wiederholten Überarbeitungen bearbeiten könne. Als Beispiel nennt der Bericht einen PutnamBench-Leistungstest, bei dem mehr Rechenbudget mit mehr gelösten Aufgaben einherging, sowie einen AVL-Baum-Beweis, der über 2,7 Millionen Tokens und 22 Kontextkomprimierungen benötigte.

Neben Mathematik beschreibt Mistral zwei Fälle zur Codeverifikation. Für eine reale AVL-Baum-Implementierung habe Leanstral Laufzeitgrenzen bewiesen und daraus eine logarithmische Laufzeit für Einfügen und Löschen hergeleitet. In einer automatisierten Prüfung von 57 Rust-Repositories seien 47 verletzte Eigenschaften aufgefallen; 11 deuteten laut Mistral auf echte Fehler hin, fünf davon seien zuvor nicht auf GitHub gemeldet worden. Als Beispiel nennt der Bericht einen Überlauf in der Vorzeichenfunktion einer Zigzag-Dekodierung, der bei maximaler 64-Bit-Eingabe Abstürze oder fehlerhafte Ergebnisse verursachen könne.

Mistral veröffentlicht außerdem FLTEval als Open Source. Auf diesem Test meldet es Verbesserungen gegenüber der Vorgängerversion. Die berichteten Ergebnisse, Kostenvergleiche und Fehlerfunde stammen aus Mistrals eigener Auswertung; der Text enthält keine unabhängige Replikation. Gewichte und ein kostenloser API-Endpunkt werden laut Bericht angeboten.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen; bewertet wurde die mittlere, die kurze ist ebenfalls treu, aber knapper. Die Zahlen im Bericht sind Mistral-Angaben, was Luna korrekt vermerkt. Der Bericht enthält widersprüchliche Angaben wie das Zeichen %87 neben 87 gelösten Aufgaben, was Luna nicht aufgreift.

Im Bericht, aber nicht in der Zusammenfassung

  • Trainingsstufen Mid-Training und CISPO werden nicht genannt
  • FLTEval-Ergebnisse: pass@1 von 21,9 auf 28,9, pass@8 von 31,9 auf 43,2, vor Opus 4.6 mit 39,6
  • Test-time-Scaling-Befund: Pass@8 steigt bis 587 Aufgaben bei 4M Token
  • Der varinteger-Fehler (Überlauf bei Std.U64.MAX) wird nicht genannt

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 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  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 28 %gleiches Oberthema, hilft nicht
    • JEV 29 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • 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 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • 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 · 28 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. 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 51 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %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 1 · 36 % · gleiches Oberthema, hilft nicht · Haiku-Prüfung: Stufe 4 · 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 23 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 51 %einzelne zitierbare Belege
    • JEV 56 %einzelne zitierbare Belege
    • amos 33 %einzelne zitierbare Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 26 %nur am Rande erwähnt
    • d3-ultra 35 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
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 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 54 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Wirtschaft und Haftung

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 →