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
aisi9. Juli 2025 · Q002181

LLM judges on trial: A new statistical framework to assess autograders

aisi.gov.uk · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt ein vorgeschlagenes bayesianisches GLM-Framework, mit dem Autograder sowohl für KI-Bewertungen eingesetzt als auch selbst auf Zuverlässigkeit untersucht werden sollen. Es soll verschiedene Bewertungsskalen und Unsicherheit abbilden; konkrete Leistungsnachweise liefert der Beitrag nicht, und die erwähnten Tabellen und Abbildungen sind im Text nicht auswertbar.

Mittel

Der Bericht stellt Autograder vor, also Sprachmodelle, die Ausgaben anderer KI-Modelle bewerten sollen. Sie könnten menschliche Bewertungen effizienter machen, doch laut den angeführten Studien sind ihre Urteile möglicherweise systematisch verzerrt: Sie bevorzugen etwa Modelle aus der eigenen Familie, längere Antworten oder bestimmte Stile und Schlüsselwörter. Ihre Zuverlässigkeit sollte deshalb für die jeweilige Aufgabe geprüft werden.

Die Autorinnen und Autoren schlagen in einem Fachartikel Bayesianische generalisierte lineare Modelle (GLMs) vor, die Bewertungen und die Qualität des Autograders zugleich untersuchen sollen. GLMs modellieren Ergebnisse anhand gewichteter Faktoren und können unterschiedliche Bewertungsarten abbilden, etwa Pass/Fail, ordinale Skalen oder Fehlerzahlen. Der bayesianische Ansatz gibt eine Verteilung möglicher Werte aus, um Unsicherheit bei begrenzten oder verrauschten Daten abzubilden. Laut Beitrag kann das Framework an verschiedene Fragen angepasst werden; Modelle und reproduzierbare Notebooks stehen quelloffen bereit. Der Bericht nennt allerdings keine konkreten Leistungskennzahlen. Seine erwähnten Abbildungen und Tabellen sind im vorliegenden Text nicht inhaltlich zugänglich, sodass die Beispiele daraus nicht zusammengefasst werden können.

Ausführlich lesen

Der Bericht behandelt die Frage, wie zuverlässig große Sprachmodelle als automatische Bewerter („Autograder“ oder „LLMs-as-judge“) für KI-Ausgaben sind. Bewertungen sollen den Leistungsvergleich über Aufgabenfelder wie Mathematik, Programmieren und Schlussfolgern ermöglichen und auch Hinweise auf potenziell gefährliche Fähigkeiten liefern. Menschliche Beurteilungen gelten dabei als teuer und zeitaufwendig. Autograder könnten den Aufwand verringern, doch der Bericht verweist auf Studien, denen zufolge sie systematische Verzerrungen zeigen können: Sie bewerten etwa Ausgaben von Modellen aus der eigenen Modellfamilie günstiger oder bevorzugen längere, stilistisch bestimmte beziehungsweise bestimmte Schlüsselwörter enthaltende Antworten. Daher müsse die Zuverlässigkeit eines Autograders jeweils für die konkrete Aufgabe geprüft werden.

Als Lösung schlagen die Autorinnen und Autoren des erwähnten Fachartikels einen gemeinsamen Ansatz vor: Bayesianische generalisierte lineare Modelle (GLMs) sollen sowohl zur Bewertung von Modellausgaben als auch zur Untersuchung der Autograder-Qualität dienen. Der Bericht erklärt GLMs als Modelle, die ein Ergebnis aus gewichteten Eingangsvariablen vorhersagen. Eine Linkfunktion bildet das Ergebnis auf eine zur Datenart passende Skala ab. Weil der lineare Prädiktor die einzelnen Faktoren gewichtet zusammenfasst, lasse sich der Beitrag eines Faktors – beispielsweise der Einsatz eines menschlichen statt eines automatischen Bewerters – gesondert betrachten.

Die Flexibilität der GLMs soll unterschiedliche Bewertungsarten abdecken, darunter binäre Pass/Fail-Urteile, ordinale Skalen und die Zählung von Fehlern. Der bayesianische Ansatz liefert laut Bericht keine einzelne feste Schätzung, sondern eine Wahrscheinlichkeitsverteilung möglicher Werte. Das soll Unsicherheit berücksichtigen, insbesondere bei verrauschten oder begrenzten Daten, wie sie bei Modellbewertungen vorkommen können. Bayesianische Verfahren werden als Wahl der Autorinnen und Autoren beschrieben; der Bericht sagt, dass auch andere Ansätze möglich sind.

Das Framework lässt sich dem Bericht zufolge an verschiedene Fragen zur Leistung eines Autograders anpassen. Der verlinkte Fachartikel erläutere Anwendungen anhand illustrativer Beispiele. Modelle und reproduzierbare Notebooks seien quelloffen auf GitHub verfügbar. Der Beitrag selbst stellt jedoch keine konkreten Versuchsergebnisse oder Kennzahlen zur Genauigkeit des Verfahrens dar. Die erwähnten Tabellen und Abbildungen liegen im bereitgestellten Text nicht in auswertbarer Form vor; deshalb lassen sich ihre konkreten Beispiele hier nicht wiedergeben. Die Aussagen beschreiben somit einen vorgeschlagenen statistischen Rahmen und dessen mögliche Einsatzgebiete, belegen aber im vorliegenden Berichtsauszug keine allgemeine Überlegenheit oder Zuverlässigkeit für alle Aufgaben.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen geliefert; beide wurden geprüft. Die mittlere Fassung ist treu. Die kurze Fassung lässt die Verzerrungen von Autograder-Urteilen aus. Die Abbildungen und Tabellen des Berichts sind im Text nicht auswertbar, daher stützt sich die Einordnung nur auf den Fließtext.

Im Bericht, aber nicht in der Zusammenfassung

  • Die kurze Fassung nennt nicht, dass Studien systematische Verzerrungen von Autograder-Urteilen belegen, etwa die Bevorzugung von Modellen derselben Familie, längerer Antworten oder bestimmter Stile und Schlüsselwörter.

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 22 %Hintergrund, keine Belege
    • Luna 60 %Hintergrund, keine Belege
    • JEV 46 %Hintergrund, keine Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 27 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung 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 · 36 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 3 · 40 % · 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 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  3. SF-F3 Welche Regeln gelten für gefährliche Fähigkeiten jenseits von Cyber, etwa in Biologie, Chemie, bei radioaktiven Stoffen oder in der Nukleartechnik?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 40 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 18 %Hintergrund, keine Belege
    • Luna 58 %einzelne zitierbare Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 27 %gleiches Oberthema, hilft nicht
    • drex 23 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-P3-T04 Wer prüft die KI-Modelle, die andere Modelle prüfen, auf Anweisungen, Versionen und Fehlerfälle, und welche unabhängige Prüfung zeigt, dass das geprüfte Modell sie nicht manipulieren kann, besonders wenn sie aus derselben Modellfamilie stammen? Und wenn gemeinsame Tests, Schweregrade und die Ersteinstufung von Meldungen von Sprachmodellen entworfen, durchgeführt und zusammengefasst werden: Nimmt jeder Staat einen Prüfmechanismus an, dessen Kernbausteine aus ausländischen Laboren stammen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 29 %gleiches Oberthema, hilft nicht
    • Luna 39 %Hintergrund, keine Belege
    • JEV 32 %nur am Rande erwähnt
    • amos 36 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %Hintergrund, keine Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  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 32 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 35 %Hintergrund, keine Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 31 %Hintergrund, keine Belege
    • JEV 60 %nur am Rande erwähnt
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. 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 71 %Hintergrund, keine Belege
    • JEV 49 %gleiches Oberthema, hilft nicht
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

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 →