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
anthropic17. September 2025 · Q002279

A postmortem of three recent issues

anthropic.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Anthropic führt zeitweise Qualitätsprobleme bei Claude im August und September auf drei Infrastrukturfehler zurück: Fehlleitung von Sonnet-4-Anfragen, fehlerhafte Token-Erzeugung auf TPUs und einen Compilerfehler bei der Token-Auswahl. Das Unternehmen berichtet, die Probleme behoben oder zurückgerollt zu haben, und kündigt bessere Tests und Überwachung an; die Ursachenanalyse und Folgen stammen aus Anthropics eigener Darstellung.

Mittel

Anthropic berichtet von drei Infrastrukturfehlern, die zwischen Anfang August und Mitte September zeitweise die Qualität von Claude-Antworten beeinträchtigt hätten. Das Unternehmen erklärt, die Ursachen seien technische Fehler gewesen, nicht Nachfrage, Tageszeit oder Serverlast.

Erstens wurden manche Sonnet-4-Anfragen an Server für ein längeres Kontextfenster fehlgeleitet. Eine Load-Balancing-Änderung vergrößerte das Problem; laut Bericht waren in der schlimmsten Stunde 16 Prozent der Sonnet-4-Anfragen betroffen. Zweitens führte eine fehlerhafte TPU-Konfiguration zeitweise zu ungewöhnlichen Zeichen oder Syntaxfehlern bei Opus 4.1, Opus 4 und Sonnet 4. Drittens löste eine Token-Auswahländerung einen Fehler im XLA:TPU-Compiler aus. Anthropic bestätigt Auswirkungen auf Haiku 3.5, hält Auswirkungen auf Teile von Sonnet 4 und Opus 3 für möglich, konnte sie bei Sonnet 4 aber nicht reproduzieren.

Anthropic gibt an, die Änderungen zurückgenommen oder korrigiert und die Top-k-Berechnung präzisiert zu haben. Als Gründe für die späte Erkennung nennt der Bericht unzureichende Tests, unterschiedliche Symptome und Datenschutzbeschränkungen bei der Untersuchung von Unterhaltungen. Geplant seien bessere Auswertungen, Produktionskontrollen und Debugging-Werkzeuge. Ursachen und Folgen werden im Bericht aus Sicht Anthropics dargestellt.

Ausführlich lesen

Der Bericht von Anthropic schildert drei Infrastrukturfehler, die zwischen Anfang August und Mitte September zeitweise die Qualität von Claude-Antworten beeinträchtigt hätten. Anthropic betont, die Probleme seien allein durch Fehler in der Infrastruktur entstanden; die Qualität werde nicht absichtlich wegen hoher Nachfrage, Tageszeit oder Serverlast gesenkt. Das Unternehmen räumt ein, bei der Sicherung gleichbleibender Antwortqualität seine eigenen Anforderungen verfehlt zu haben.

Die Fehler traten auf unterschiedlichen Plattformen und Modellen auf und überschnitten sich zeitlich. Der erste begann am 5. August: Ein Teil der Sonnet-4-Anfragen wurde an Server für das kommende Kontextfenster mit einer Million Tokens geleitet, obwohl kurze Anfragen andere Server hätten nutzen sollen. Laut Bericht betraf das anfangs etwa 0,8 Prozent der Sonnet-4-Anfragen. Eine Änderung am Load Balancing am 29. August erhöhte den Anteil; in der am stärksten betroffenen Stunde am 31. August seien 16 Prozent fehlgeleitet worden. Wegen einer „sticky“ Weiterleitung konnten Folgeanfragen derselben Sitzung ebenfalls betroffen sein. Anthropic gibt an, die Korrektur ab dem 4. September ausgerollt und die Verteilung auf den eigenen Dienst und Vertex AI bis zum 16. September sowie auf Bedrock bis zum 18. September abgeschlossen zu haben. Für Claude Code nennt der Bericht rund 30 Prozent der Nutzer, die in diesem Zeitraum mindestens eine fehlgeleitete Nachricht gehabt hätten. Die Auswirkungen auf Bedrock und Vertex AI seien deutlich kleiner gewesen.

Der zweite Fehler ging laut Anthropic auf eine Konfigurationsänderung auf TPU-Servern der Claude API am 25. August zurück. Eine Laufzeitoptimierung konnte bei der Token-Erzeugung gelegentlich unwahrscheinliche Zeichen oder fehlerhaften Code hervorbringen. Betroffen gewesen seien Opus 4.1 und Opus 4 vom 25. bis 28. August sowie Sonnet 4 vom 25. August bis zum 2. September. Drittanbieterplattformen seien davon nicht betroffen gewesen. Anthropic machte die Änderung am 2. September rückgängig und ergänzte Tests auf unerwartete Zeichen.

Der dritte Fehler betraf eine ungefähre Top-k-Berechnung auf TPUs. Eine Änderung an der Token-Auswahl habe einen Fehler im XLA:TPU-Compiler ausgelöst. Anthropic bestätigt Auswirkungen auf Haiku 3.5 und hält Auswirkungen auf einen Teil der Sonnet-4- und Opus-3-Anfragen für möglich; reproduzieren ließ sich der Fehler bei Sonnet 4 laut Bericht nicht. Die Änderungen wurden für Haiku am 4. September und für Opus 3 am 12. September zurückgenommen. Anthropic wechselte außerdem zu einer genaueren Top-k-Berechnung und höherer Präzision. Als technische Ursache beschreibt der Bericht einen zuvor durch eine Übergangslösung verdeckten Compilerfehler, der abhängig von Batchgröße und Modellkonfiguration inkonsistente Ergebnisse liefern konnte. Die genauere Berechnung könne geringfügige Effizienzverluste sowie selten Unterschiede bei Tokens nahe dem Top-p-Schwellenwert mit sich bringen.

Als Gründe für die verzögerte Erkennung nennt Anthropic Tests, die die gemeldeten Qualitätsprobleme nicht zuverlässig erfassten, wechselnde Symptome zwischen Plattformen und Datenschutzvorgaben, die den Zugriff auf nicht ausdrücklich gemeldete Unterhaltungen begrenzten. Das Unternehmen kündigt empfindlichere Auswertungen, laufende Qualitätsprüfungen auf Produktionssystemen und bessere Werkzeuge zur Untersuchung von Nutzerfeedback unter Wahrung der Privatsphäre an. Der Bericht stützt sich auf Anthropics eigene Untersuchung und nennt keine unabhängige Überprüfung der Ursachen oder Auswirkungen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung beurteilt nur, wie stark der Bericht jede Frage beantwortet. Lunas Stufen und Anteile wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Das sticky Routing, durch das Folgeanfragen beim falschen Server blieben und einzelne Nutzer stärker betroffen waren
  • Dass Drittplattformen von Ausgabefehler und Compilerfehler nicht betroffen waren
  • Die Ursache durch gemischte Präzision (bf16 gegenüber fp32) und der Dezember-2024-Workaround, dessen Entfernung den Top-k-Fehler freilegte
  • Die Angabe, dass Meldungen Anfang August kaum von normalen Schwankungen zu unterscheiden waren
  • Das Eingeständnis, dass Anthropic den eigenen Qualitätsmaßstab nicht eingehalten hat

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
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %beantwortet teilweise oder widerspricht
    • amos 24 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 22 %Hintergrund, keine Belege
    • Luna 48 %einzelne zitierbare Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-M4-T01 Welches gemeinsame Meldeformat und welcher geschützte Kanal ließen Labore Fehler nachstellen und Korrekturen prüfen, ohne private Daten oder gefährliche technische Details preiszugeben? Und könnte sich die Branche über Grenzen hinweg auf einen Standard für das Melden KI-gestützter Einbrüche und Datenabflüsse einigen, damit eine Eskalation gemessen und nicht nur behauptet wird? Luna: Stufe 4 · 26 % · einzelne zitierbare Belege
  3. SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
    • clef 22 %Hintergrund, keine Belege
    • Luna 29 %einzelne zitierbare Belege
    • JEV 47 %einzelne zitierbare Belege
    • amos 34 %einzelne zitierbare Belege
    • SubQ 25 %einzelne zitierbare Belege
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-M5-T02 Wird jeder öffentlich gemeldete Vorfall von Fehlausrichtung, der sich gefahrlos nachstellen lässt, zu einem versionierten Regressionstest (einer Prüfung, ob der Fehler wiederkehrt), den Nachfolgemodelle vor der Freigabe bestehen müssen, mit unabhängiger Prüfung des Ergebnisses? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-M5-T03 Veröffentlicht das Labor zu jedem veröffentlichten Fallbericht über Fehlausrichtung, was sich danach geändert hat (erneutes Training, Einsatzbeschränkungen, Überwachung), und veröffentlicht es eine datierte Nachprüfung, die zeigt, ob diese Maßnahmen das gemeldete Verhalten an den betroffenen Modellversionen geändert haben und ob eine Stelle von außen das Ergebnis nachgestellt hat? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 27 %einzelne zitierbare Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F4-T03 Welche neue Prüfung braucht jeder Einsatz, wenn Fähigkeiten zunehmend im Nachdenken des Modells während der Nutzung stecken statt in einem einmal trainierten Modell, und würden die für ein festes Modell gebauten Freigabetests das noch erfassen? Luna: Stufe 3 · 22 % · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 46 %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 24 %Hintergrund, keine Belege
    • Luna 49 %umfangreiche Belege
    • JEV 41 %beantwortet teilweise oder widerspricht
    • amos 33 %einzelne zitierbare Belege
    • SubQ 30 %einzelne zitierbare Belege
    • drex 40 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung 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 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? Luna: Stufe 4 · 32 % · einzelne zitierbare Belege
    • SF-P3-T09 Was geschieht, wenn sich ein gemeinsames Prüfverfahren oder die Befunde eines Prüfers später als unzuverlässig erweisen: Wie findet man jede Einsatzfreigabe, die wesentlich darauf beruhte, prüft sie erneut, und welche vorläufigen Betriebsbedingungen gelten, bevor modellbezogene Vorfälle auftreten? Luna: Stufe 3 · 20 % · 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 47 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 41 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 32 %einzelne zitierbare Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %Hintergrund, keine Belege
    • Luna 42 %umfangreiche Belege
    • JEV 49 %beantwortet teilweise oder widerspricht
    • amos 25 %einzelne zitierbare Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 23 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege
Agenten und vernetzte Systeme
  1. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 40 %einzelne zitierbare Belege
    • JEV 58 %einzelne zitierbare Belege
    • amos 32 %einzelne zitierbare Belege
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 24 %einzelne zitierbare Belege
    • d3-ultra offen
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 25 %Hintergrund, keine Belege
    • Luna 54 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung umfangreiche Belege

    • SF-A3-T05 Wie sollen Aufsichtsbehörden und Labore die Gesamtrisiken und die miteinander verknüpften Risiken tausender einzeln genehmigter Einsätze bewerten, die Infrastruktur, Modelle, Datenquellen oder Fehlerarten teilen? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
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 33 %einzelne zitierbare Belege
    • amos 23 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  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 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 →