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
metr29. Januar 2026 · Q002038

Time Horizon 1.1

metr.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

METR hat seine Zeithorizont-Messung mit mehr Aufgaben und der Evaluierungsumgebung Inspect aktualisiert. Die langfristige Verdopplungszeit bleibt in einem Vergleich mit älteren Messwerten bei etwa 196 Tagen; seit 2023 ergibt TH1.1 jedoch einen schnelleren Trend als TH1, wobei METR Unterschiede in Aufgabenmix und Modellwerten als Einschränkungen nennt. Die Schätzungen bleiben unsicher, und nur fünf der 31 Langzeitaufgaben haben gemessene menschliche Vergleichszeiten.

Mittel

METR veröffentlicht Time Horizon 1.1 (TH1.1), eine aktualisierte Schätzung, wie lange Menschen für Aufgaben brauchen, die KI-Modelle autonom erledigen. Dafür wurde die Testsammlung von 170 auf 228 Aufgaben erweitert und überarbeitet sowie die Evaluierungsumgebung von Vivaria auf Inspect umgestellt. Nur 14 der zuvor 33 Modelle wurden neu bewertet. Die zusätzlichen Aufgaben verengen besonders bei neueren Modellen die Konfidenzintervalle, die laut METR aber weiterhin breit sind. Von den 31 Aufgaben mit geschätztem menschlichem Aufwand von mindestens acht Stunden haben nur fünf gemessene menschliche Vergleichszeiten; die übrigen beruhen auf Schätzungen.

Für 2019–2025 bleibt die geschätzte Verdopplungszeit des Zeithorizonts in einem Vergleich, der ältere TH1-Werte übernimmt, mit rund 196 Tagen praktisch unverändert. Seit 2023 ergibt TH1.1 rund 131 Tage statt 165 unter TH1; METR beschreibt den gemessenen Fortschritt damit als schneller. Der Unterschied hängt auch mit veränderten Modellwerten und einer leicht anderen Aufgabenschwierigkeit zusammen, sodass die Trends nicht uneingeschränkt vergleichbar sind. Im Vergleich der Umgebungen waren die Ergebnisse auf der neuen Testsammlung für drei Modelle ähnlich; auf der alten Sammlung erzielten GPT-4o und o3 unter Vivaria signifikant bessere Aufgabenwerte. METR will mehr schwierige Aufgaben ergänzen, weil die aktuelle Sammlung bei sehr leistungsfähigen Modellen an ihre Messgrenze kommt.

Ausführlich lesen

METR stellt Time Horizon 1.1 (TH1.1) vor, eine aktualisierte Messung dafür, wie lange Menschen vergleichbare Aufgaben üblicherweise benötigen, die KI-Modelle autonom erledigen können. Die neue Auswertung nutzt eine überarbeitete Aufgabensammlung und die Evaluierungsumgebung Inspect statt des zuvor intern entwickelten Vivaria. METR berichtet, dass sich die meisten neu berechneten Modellwerte innerhalb der früheren Konfidenzintervalle bewegen.

Die Testsammlung wuchs von 170 auf 228 Aufgaben: 73 Aufgaben kamen hinzu, 15 wurden entfernt und 53 überarbeitet. Viele Ergänzungen stammen aus HCAST; Überarbeitungen und Streichungen betrafen unter anderem missverständliche Aufgaben, Möglichkeiten zum Ausnutzen der Bewertung und Fehler in Bewertungsfunktionen. Die Zahl der Aufgaben, für die Menschen mindestens acht Stunden benötigen, stieg von 14 auf 31. Für lediglich fünf dieser 31 Langzeitaufgaben wurden menschliche Vergleichszeiten tatsächlich gemessen; die übrigen Zeiten sind Schätzungen. METR berechnete TH1.1-Werte für 14 von zuvor 33 Modellen, unter anderem weil manche Modelle nicht mehr öffentlich verfügbar waren, erhebliche Anpassungen der Werkzeuganbindung gebraucht hätten oder weit vom damaligen Leistungsstand der Spitze entfernt waren.

Die größere Zahl an Aufgaben verengt laut Bericht besonders bei neueren Modellen die Unsicherheit: Bei Opus 4.5 sank das Verhältnis der oberen Konfidenzgrenze zum Schätzwert von 4,4 unter TH1 auf 2,3 unter TH1.1. Dennoch bleiben die Intervalle breit. METR sagt, dass weitere lange Aufgaben nötig sind, um die Messungen zu verbessern und eine Sättigung zu vermeiden.

Das Bild des langfristigen Fortschritts hängt teilweise davon ab, welche Aufgaben einbezogen werden. Für den gesamten Zeitraum 2019–2025 ergibt ein zusammengesetzter Vergleich, der für frühe Modelle weiterhin TH1-Werte verwendet, eine Verdopplungszeit des Zeithorizonts von rund 196 Tagen – praktisch wie bei TH1. Seit 2023 ergibt TH1.1 dagegen rund 131 Tage gegenüber 165 Tagen mit TH1; seit 2024 sind es rund 89 statt 109 Tage. METR beschreibt den jüngeren Fortschritt damit unter TH1.1 als schneller geschätzt, weist aber darauf hin, dass die Modellgruppen nicht völlig identisch sind. Verschobene Werte älterer und aktueller Modelle tragen zum Unterschied bei. METR führt ihn auch auf eine etwas andere Schwierigkeitsverteilung der neuen Aufgaben zurück und hält TH1.1 insgesamt für eine Verbesserung, die dennoch leicht eine andere Größe messen kann.

Ein Vergleich von Vivaria und Inspect mit fünf Modellen auf den alten Aufgaben ergab teils unterschiedliche Werte. GPT-4o und o3 erzielten statistisch signifikant höhere Aufgabenergebnisse mit Vivaria; über die Aufgaben hinweg gab es häufiger höhere Werte unter Vivaria, wobei METR dies vor allem auf diese beiden Modelle zurückführt. Beim Vergleich der neuen Testsammlung mit drei Modellen waren die Zeithorizont-Schätzungen in beiden Umgebungen sehr ähnlich. Der Bericht betont außerdem, dass die neue Testsammlung für die leistungsstärksten Modelle noch zu wenige Aufgaben enthält, bei denen sie scheitern. METR arbeitet deshalb an Verfahren, die Leistungsgrenze der Messungen anzuheben.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich allein auf den Bericht; Lunas Stufen und Anteile habe ich nicht übernommen. Die Fragen betreffen überwiegend Governance und Cyber-Schwellen, zu denen der Bericht kaum Substanzielles beiträgt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die neuen Schätzungen liegen laut METR meist innerhalb der bisherigen TH1-Konfidenzintervalle
  • Die Änderungen werden vor allem auf Aufgabensammlung und Laufrauschen zurückgeführt, die Infrastruktur nur zu einem kleineren Teil
  • Ältere Modellwerte sinken deutlich (GPT-4 um 35 bis 57 Prozent), neuere steigen (GPT-5 um 55 Prozent, Opus 4.5 um 11 Prozent)
  • Seit 2024 sinkt die Verdopplungszeit von 109 auf 89 Tage
  • Beim Opus-4.5-Konfidenzintervall schrumpft die obere Grenze von 4,4-fach auf 2,3-fach des Schätzwerts

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
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 25 %Hintergrund, keine Belege
    • Luna 42 %Hintergrund, keine Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 24 %Hintergrund, keine Belege
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra 35 %Hintergrund, keine Belege

    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · 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 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %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 28 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %Hintergrund, keine Belege
    • Luna 65 %umfangreiche Belege
    • JEV 52 %umfangreiche Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 31 %einzelne zitierbare Belege
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 32 %Hintergrund, keine Belege
    • Haiku-Prüfung Hintergrund, keine Belege

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 30 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 31 %Hintergrund, keine Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht

  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 31 %Hintergrund, keine Belege
    • Luna 40 %Hintergrund, keine Belege
    • JEV 32 %gleiches Oberthema, hilft nicht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

    • SF-T3-T05 Wenn Selbstverbesserung schneller voranschreitet als der Beobachtungstakt fortlaufender Prüfer: Wie kurz muss dieser Takt sein, und wer darf zwischen zwei Beobachtungen eine Pause durchsetzen: der Prüfer, das Labor oder eine Stelle von außen? Luna: Stufe 3 · 26 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
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 41 %Hintergrund, keine Belege
    • JEV 27 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • 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 72 %Hintergrund, keine Belege
    • JEV 28 %Hintergrund, keine Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

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 28 %Hintergrund, keine Belege
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 58 %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 48 %einzelne zitierbare Belege
    • JEV 33 %umfangreiche Belege
    • amos 24 %nur am Rande erwähnt
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 30 %nur am Rande erwähnt
    • d3-ultra 41 %nur am Rande erwähnt
  2. 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 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 →