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
anthropic5. Februar 2026 · Q002372

Building a C compiler with parallel Claudes

anthropic.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Carlini berichtet von einem Experiment, in dem 16 parallel arbeitende Claude-Agenten in knapp 2.000 Sitzungen einen rund 100.000 Zeilen langen C-Compiler entwickelten, der Linux 6.9 auf mehreren Prozessorarchitekturen bauen kann. Der Compiler bleibt deutlich eingeschränkt und nutzt für Teile des x86-Bootvorgangs GCC; der Autor hebt Tests und menschliche Prüfung als notwendige Absicherung autonomer Entwicklung hervor.

Mittel

Nicholas Carlini schildert, wie er 16 Claude-Agenten in getrennten Docker-Containern parallel einen C-Compiler in Rust entwickeln ließ. Eine Endlosschleife startete nach jeder Aufgabe eine neue Sitzung; Git und einfache Aufgabensperren dienten der Zusammenarbeit. Eine zentrale Orchestrierung gab es nicht. Über zwei Wochen entstanden laut Bericht in knapp 2.000 Sitzungen rund 100.000 Zeilen Code, bei Kosten von knapp 20.000 US-Dollar.

Carlini zufolge waren hochwertige Tests, knappe maschinenlesbare Rückmeldungen, Dokumentation und eine CI-Pipeline entscheidend, damit die Agenten eigenständig arbeiteten. Als viele Instanzen am Linux-Kernel denselben Fehler bearbeiteten, half GCC als Vergleichscompiler dabei, Probleme auf einzelne Dateien einzugrenzen. Agenten übernahmen außerdem spezialisierte Aufgaben wie Dokumentation und Codebereinigung.

Der Compiler kann laut Autor Linux 6.9 auf x86, ARM und RISC-V bauen und erreicht bei den meisten getesteten Compilersuites eine Erfolgsquote von 99 Prozent. Er bleibt jedoch eingeschränkt: Für 16-Bit-x86 greift er auf GCC zurück, Assembler und Linker fehlen als zuverlässige Eigenlösungen, manche Projekte scheitern, und der erzeugte Code ist ineffizienter als GCC-Code ohne Optimierungen. Carlini warnt, dass bestandene Tests menschliche Prüfung nicht ersetzen, zumal Änderungen bestehende Funktionen beschädigten und autonome Software Sicherheitsrisiken mit sich bringen kann.

Ausführlich lesen

Der Bericht beschreibt ein Experiment von Nicholas Carlini, bei dem mehrere Claude-Instanzen selbstständig und parallel an einem C-Compiler arbeiteten. Als Belastungstest ließ der Autor 16 Agenten einen Compiler von Grund auf in Rust entwickeln, der den Linux-Kernel kompilieren sollte. Nach seiner Darstellung entstanden über zwei Wochen in knapp 2.000 Claude-Code-Sitzungen rund 100.000 Zeilen Code; die API-Kosten lagen bei knapp 20.000 US-Dollar.

Damit die Agenten ohne laufende menschliche Betreuung weiterarbeiten konnten, baute Carlini eine Schleife, die nach Abschluss einer Aufgabe jeweils eine neue Claude-Sitzung startet. Die parallelen Instanzen liefen in getrennten Docker-Containern, arbeiteten mit lokalen Kopien eines gemeinsamen Git-Repositoriums und synchronisierten ihre Änderungen über dieses. Eine einfache Sperre sollte verhindern, dass mehrere Agenten dieselbe Aufgabe gleichzeitig übernehmen. Zusammenstöße und Merge-Konflikte kamen laut Bericht dennoch häufig vor. Eine übergeordnete Orchestrierungsinstanz oder ein ausgearbeitetes Verfahren zur Steuerung gemeinsamer Ziele gab es in diesem frühen Forschungsprototyp nicht.

Der Autor betont, dass die Umgebung entscheidend dafür war, ob die Agenten Fortschritte machten. Er investierte viel Arbeit in Tests, Build-Skripte und Rückmeldungen. Als neue Funktionen bestehende Teile beschädigten, ergänzte er eine kontinuierliche Integrationspipeline. Dokumentation und Fortschrittsdateien halfen neu gestarteten Agenten, sich in das große Projekt einzuarbeiten. Die Testausgaben sollten knapp und maschinenlesbar bleiben; für lange Testläufe gab es unter anderem eine schnelle, deterministische Stichprobenoption. Als viele Agenten beim Linux-Kernel denselben Fehler bearbeiteten, nutzte Carlini GCC als Vergleichscompiler, um fehlerhafte Dateien schrittweise einzugrenzen und so parallele Arbeit an unterschiedlichen Problemen zu ermöglichen. Zusätzlich übernahmen einzelne Agenten Aufgaben wie Dokumentation, Leistungsverbesserungen, Codebereinigung und Designkritik.

Laut Bericht kann der Compiler Linux 6.9 auf x86, ARM und RISC-V bauen. Er kompiliert außerdem mehrere große Softwareprojekte und besteht nach Darstellung des Autors die meisten verwendeten Compilertestsuiten, darunter den GCC-Torture-Test, zu 99 Prozent. Die Entwicklung erfolgte laut Autor ohne Internetzugang und mit alleiniger Abhängigkeit von der Rust-Standardbibliothek.

Der Compiler ist jedoch kein vollständiger Ersatz für etablierte Compiler. Für den 16-Bit-x86-Code zum Starten von Linux im Real Mode greift er auf GCC zurück; auch Assembler und Linker sind nicht eigenständig und teils fehlerhaft. Nicht alle Projekte lassen sich damit bauen, der erzeugte Code ist selbst gegenüber GCC ohne Optimierungen weniger effizient, und die Rust-Codequalität erreicht laut Autor nicht das Niveau eines erfahrenen Rust-Entwicklers. Versuche, einige dieser Mängel zu beheben, waren nur teilweise erfolgreich; Änderungen führten wiederholt zu neuen Fehlern. Der Bericht stellt das Ergebnis daher als Grenztest der Fähigkeiten von Opus 4.6 dar und warnt zugleich davor, autonome Softwareentwicklung mit bestandenen Tests gleichzusetzen: Menschen müssten Ergebnisse weiterhin selbst prüfen, auch wegen möglicher Sicherheitsfolgen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen. Die mittlere wurde geprüft: Sie ist treu, lässt aber mehrere Angaben weg. Die kurze Fassung ist ebenfalls treu, aber knapper. Die Einordnung erfolgte unabhängig von Lunas Stufen und Anteilen.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Entwicklung erfolgte clean-room ohne Internetzugang und nur mit der Rust-Standardbibliothek
  • Der Bericht ordnet das Projekt als Fähigkeits-Benchmark über die Claude-4-Modellreihe ein und nennt Opus 4.6 als getestetes Modell
  • Der Compiler kann laut Bericht außerdem QEMU, FFmpeg, PostgreSQL und Doom kompilieren, und die GCC-Torture-Tests bestehen
  • Der 16-Bit-x86-Codegenerator scheiterte am Linux-Limit von 32 KB; der Bericht beschreibt den Ausgabecode als über 60 KB groß
  • Carlini äußert Unbehagen darüber, dass Entwickler Software ausliefern, die sie nie selbst geprüft haben

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 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • 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 · 33 % · Hintergrund, keine Belege
  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 40 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  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 38 %einzelne zitierbare Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 67 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 24 %einzelne zitierbare Belege
    • d3-ultra offen

    • 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 · 29 % · 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 44 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 25 %Hintergrund, keine Belege
    • Luna 47 %umfangreiche Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 29 %Hintergrund, keine Belege
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
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 50 %Hintergrund, keine Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 44 % · umfangreiche Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 21 %Hintergrund, keine Belege
    • Luna 55 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege
    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 45 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  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 29 %Hintergrund, keine Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %Hintergrund, keine Belege
    • Luna 44 %umfangreiche Belege
    • JEV 36 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 26 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen? Luna: Stufe 4 · 33 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • 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 3 · 42 % · Hintergrund, keine 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 25 %Hintergrund, keine Belege
    • Luna 45 %umfangreiche Belege
    • JEV 49 %beantwortet teilweise oder widerspricht
    • amos 30 %einzelne zitierbare Belege
    • SubQ 29 %Hintergrund, keine Belege
    • drex 27 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 27 %Hintergrund, keine Belege
    • Luna 63 %Hintergrund, keine Belege
    • JEV 30 %Hintergrund, keine Belege
    • amos 24 %Hintergrund, keine Belege
    • SubQ 26 %nur am Rande erwähnt
    • drex 27 %Hintergrund, keine Belege
    • d3-ultra offen

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 26 %Hintergrund, keine Belege
    • Luna 66 %einzelne zitierbare Belege
    • JEV 40 %beantwortet teilweise oder widerspricht
    • amos 37 %einzelne zitierbare Belege
    • SubQ 25 %Hintergrund, keine Belege
    • drex 33 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-A3-T01 Welche Beobachtungen oder gemeinsamen Tests erkennen entstehende Abstimmung, Absprachen oder Kettenfehler zwischen Modellen in Arbeitsabläufen, Lieferketten und Gruppen vieler Agenten (Schwärmen), die kein einzelnes Labor steuert oder vorhersieht? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 61 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 72 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 32 %beantwortet teilweise oder widerspricht
    • amos 24 %Hintergrund, keine Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
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 51 %Hintergrund, keine Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 75 %gleiches Oberthema, hilft nicht
    • drex 62 %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 71 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • 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 35 %einzelne zitierbare Belege
    • JEV 57 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
Wirtschaft und Haftung
Information und Öffentlichkeit

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 →