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
metr14. Juli 2025 · Q002351

How Does Time Horizon Vary Across Domains?

metr.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

METR berichtet, dass die geschätzten KI-Zeithorizonte in Software, Mathematik und wissenschaftlichen Aufgaben meist etwa 50 bis über 200 Minuten betragen und sich dort ungefähr alle zwei bis sechs Monate verdoppeln; grafische Computernutzung liege deutlich zurück, autonomes Fahren verbessere sich langsamer. Die Ergebnisse sprechen laut Bericht in den untersuchten Benchmarks für exponentiellen oder leicht überexponentiellen Fortschritt, sind aber wegen lückenhafter Daten, künstlicher Aufgaben und teils extrapolierter Schätzungen unsicher; für Videoverständnis sei die Videolänge kein brauchbares Maß für die Aufgabenschwierigkeit.

Mittel

Der Bericht von METR vergleicht KI-Zeithorizonte in neun bestehenden Benchmarks aus Bereichen wie Software, Mathematik, wissenschaftlichen Fragen, Computernutzung, Video und autonomem Fahren. Der Zeithorizont ist die menschlich gemessene Aufgabenlänge, bei der ein Agent eine Aufgabe mit 50-prozentiger Wahrscheinlichkeit selbstständig löst. METR schätzt ihn aus menschlichen Zeitangaben und veröffentlichten Erfolgswerten: Bei Daten zu einzelnen Aufgaben oder Schwierigkeitsgruppen wird ein logistisches Modell angepasst; bei bloßen Gesamtwerten muss eine durchschnittliche Modellsteigung angenommen werden, was die Schätzung unsicherer macht.

Laut Bericht erreichen Software-, Mathematik-, Programmier- und wissenschaftliche Fragebenchmarks häufig Horizonte von etwa 50 bis über 200 Minuten, die sich ungefähr alle zwei bis sechs Monate verdoppeln. Damit sei der zuvor für METR-HRS beobachtete Anstieg kein Ausreißer. Grafische Computernutzung liege erheblich niedriger, wachse aber ähnlich schnell; Teslas autonomes Fahren verbessere sich langsamer. Für Videoverständnis sei die Videolänge kein verlässliches Schwierigkeitsmaß, obwohl Modelle Fragen zu einstündigen Videos oft erfolgreich beantworten.

METR sieht die beobachteten Verläufe als exponentiell oder leicht überexponentiell, nicht als klar abflachend. Die Schlussfolgerung ist jedoch durch künstliche und begrenzte Benchmarks, uneinheitliche Daten und extrapolierte Werte eingeschränkt. Wo Aufgabenzeit die Modellschwierigkeit nur schwach vorhersagt, ist der Zeithorizont laut Bericht keine passende Kennzahl.

Ausführlich lesen

Der METR-Bericht untersucht, ob sich die bei Softwareaufgaben beobachteten KI-Zeit­horizonte auch in anderen Bereichen zeigen. Ein Zeit­horizont bezeichnet hier die Länge einer Aufgabe, gemessen an der dafür benötigten Zeit menschlicher Fachleute, bei der ein KI-Agent sie mit 50-prozentiger Wahrscheinlichkeit selbstständig bewältigt. Die frühere METR-Studie hatte für Software- und Forschungsaufgaben eine Verdopplung dieses Horizonts etwa alle sieben Monate festgestellt, möglicherweise alle vier Monate im Jahr 2024.

Für den Vergleich wertet der Bericht neun bestehende Benchmarks aus, unter anderem zu Softwareentwicklung, Mathematik, wissenschaftlichen Fragen, Programmierwettbewerben, grafischer Computernutzung, Videofragen, autonomem Fahren und simulierten Robotikaufgaben. Es werden keine neuen Experimente für alle Bereiche durchgeführt. Stattdessen schätzt METR die menschlichen Aufgabenzeiten und kombiniert sie mit veröffentlichten Erfolgswerten. Wo Ergebnisse für einzelne Aufgaben oder Schwierigkeitsgruppen vorliegen, passt das Team ein logistisches Modell an. Bei bloßen Gesamtwerten setzt es die Modellsteigung anhand eines Durchschnittswerts aus METR-HRS fest und schätzt daraus den Zeithorizont. Diese Ersatzmethode ist ungenauer. Für Tesla FSD verwendet der Bericht eine eigene Auswertung der Zeit beziehungsweise Strecke zwischen menschlichen Eingriffen.

Laut Bericht liegen die geschätzten Zeithorizonte in Software, Mathematik, Programmierwettbewerben und wissenschaftlicher Fragebeantwortung vielfach bei etwa 50 bis über 200 Minuten. Die Fortschritte in diesen Bereichen entsprechen geschätzten Verdopplungszeiten von ungefähr zwei bis sechs Monaten. Damit sei METR-HRS mit rund 100 Minuten und einer etwa viermonatigen Verdopplung seit 2024 kein klarer Ausreißer. Aufgaben zur grafischen Computernutzung weisen dem Bericht zufolge deutlich kürzere Horizonte auf – ungefähr 40- bis 100-mal kürzer als die Gruppe der intellektuellen Aufgaben –, steigen aber mit ähnlicher Rate. Für Teslas autonomes Fahren wird ein langsamerer Fortschritt von etwa 0,6 Verdopplungen pro Jahr geschätzt. Bei Videoverständnis lasse sich der Zeithorizont dagegen nicht sinnvoll aus der Videolänge ableiten: Die Länge hängt nur schwach mit der Schwierigkeit für Modelle zusammen, obwohl Modelle Fragen zu einstündigen Videos mit mehr als 50 Prozent Erfolg beantworten können.

METR deutet die Ergebnisse insgesamt als mit exponentiellem oder leicht überexponentiellem Fortschritt vereinbar; in den untersuchten Bereichen sieht der Bericht keinen klaren subexponentiellen Trend. Er hält es deshalb für möglich, dass auch Bereiche mit derzeit nur Sekunden- bis Minutenhorizonten in den kommenden fünf Jahren deutlich längere Horizonte erreichen. Das ist eine vorsichtige Projektion, keine gesicherte Vorhersage.

Die Aussagekraft ist begrenzt: Benchmarks decken nur wenige, womöglich für KI vergleichsweise günstige Aufgabenverteilungen ab und bilden reale Arbeit möglicherweise nicht repräsentativ ab. Menschliche Zeitangaben und Agentendaten sind je nach Benchmark unterschiedlich belastbar; manche Zeit­horizonte liegen außerhalb der tatsächlich geprüften Aufgabenlängen und sind extrapoliert. Besonders bei Gesamtwerten, wenigen Schwierigkeitsgruppen oder schwachem Zusammenhang zwischen Aufgabenzeit und Modellleistung kann die Schätzung stark abweichen. Der Bericht betont zudem, dass der Zeit­horizont ungeeignet ist, wenn längere menschliche Bearbeitungszeit die Erfolgswahrscheinlichkeit von Modellen nicht zuverlässig vorhersagt.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu und enthält keine erfundenen Angaben; ihr fehlt vor allem die Fünf-Jahres-Prognose. Die Einordnung stützt sich auf den Bericht, der Zeithorizonte in Benchmark-Domänen misst. Fragen zu gefährlichen Fähigkeiten, Schwellen und Governance beantwortet er nicht direkt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Prognose, dass Zeithorizonte auch in Domänen mit heute nur Sekunden bis Minuten innerhalb von etwa fünf Jahren auf Tage bis Wochen steigen können
  • Die Angabe, dass Teslas Fahrassistenz nur etwa 0,6 Verdopplungen pro Jahr erreicht

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 28 %Hintergrund, keine Belege
    • Luna 45 %einzelne zitierbare Belege
    • JEV 34 %nur am Rande erwähnt
    • amos 28 %Hintergrund, keine Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 34 %Hintergrund, keine Belege
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 36 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  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 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %Hintergrund, keine Belege
    • Luna 58 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht

    • SF-T1-T01 Welche messbaren, maschinell prüfbaren Fähigkeitsschwellen sollen Labore veröffentlichen, die vor dem Einsatz von Agentensystemen eine verpflichtende Pause und eine Prüfung von außen auslösen, abgestimmt über alle Labore hinweg? Wer führt das Register, und wo soll die Gesellschaft die verbindliche Sicherheitsgrenze für weitere Steigerungen der Fähigkeiten ziehen? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 27 %Hintergrund, keine Belege
    • Luna 87 %Hintergrund, keine Belege
    • JEV 38 %Hintergrund, keine Belege
    • amos 34 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra 35 %Hintergrund, keine Belege
    • Haiku-Prüfung nur am Rande erwähnt

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 33 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 45 %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 71 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %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 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 28 %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
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 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 50 %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 →