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
anthropic20. März 2025 · Q003776

The "think" tool for complex tool use

anthropic.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Anthropic berichtet, dass ein separates „think“-Werkzeug Claude bei komplexen, mehrstufigen Werkzeugaufgaben und detaillierten Richtlinien helfen kann. In τ-Bench stiegen die ausgewiesenen Ergebnisse in Airline- und Retail-Aufgaben, besonders mit einer optimierten Anleitung im Airline-Bereich; der Bericht nennt für diesen Wert allerdings zwei unterschiedliche Zahlen. Das Werkzeug kostet zusätzliche Tokens und soll bei einfachen Aufgaben wenig bringen. Laut Aktualisierung empfiehlt Anthropic inzwischen erweitertes Denken in den meisten Fällen.

Mittel

Anthropic stellt ein „think“-Werkzeug vor, das Claude während einer laufenden Antwort einen strukturierten Prüfschritt ermöglicht. Es soll besonders bei langen Werkzeugketten, komplizierten Richtlinien und aufeinander aufbauenden Entscheidungen helfen. Anders als erweitertes Denken, das vor der Antwort ansetzt, soll es neue Informationen aus Werkzeugausgaben verarbeiten.

In τ-Bench, einem Benchmark für Kundenservice-Aufgaben, berichtet Anthropic über bessere Ergebnisse: Im Airline-Bereich erreichte die Kombination aus Werkzeug und optimierter Anleitung pass^1 von 0,570 statt 0,370 in der Ausgangskonfiguration. Die Ergebnistabelle nennt für diese Kombination allerdings 0,584. Im Retail-Bereich lag das Werkzeug ohne zusätzliche Anleitung bei 0,812, verglichen mit 0,783 für die Ausgangskonfiguration. Auch bei SWE-Bench wird ein positiver Beitrag berichtet; ein Experiment ergab laut Anthropic eine durchschnittliche Steigerung von 1,6 Prozent.

Empfohlen werden klare, domänenspezifische Nutzungshinweise und Beispiele, vorzugsweise im Systemprompt. Bei einfachen oder parallelen Werkzeugaufrufen sei kein wesentlicher Vorteil zu erwarten, zudem steigen Prompt- und Ausgabetokens. Die Ergebnisse beziehen sich auf bestimmte Benchmarks und Konfigurationen. Anthropic ergänzt, dass erweitertes Denken inzwischen in den meisten Fällen vorzuziehen sei.

Ausführlich lesen

Der Bericht von Anthropic beschreibt ein separates „think“-Werkzeug für Claude, das während einer laufenden Antwort einen zusätzlichen Schritt zum strukturierten Nachdenken ermöglicht. Es soll dem Modell helfen, neue Informationen aus Werkzeugausgaben zu prüfen, fehlende Angaben zu erkennen und zu entscheiden, was als Nächstes zu tun ist. Anthropic grenzt es vom erweiterten Denken ab: Dieses findet vor der Antwort statt und unterstützt eine umfassendere Planung. Das „think“-Werkzeug sei dagegen besonders für lange Werkzeugketten, mehrstufige Gespräche, detaillierte Richtlinien und aufeinander aufbauende Entscheidungen geeignet. Für einfache oder parallele Werkzeugaufrufe empfiehlt der Bericht eher erweitertes Denken.

Zur Evaluation verwendete Anthropic τ-Bench, einen Test für realitätsnahe Kundenservice-Szenarien mit simulierten Gesprächen, Richtlinien und Werkzeugzugriff. Als Kennzahl diente pass^k: Sie erfasst, wie wahrscheinlich sämtliche k unabhängigen Versuche einer Aufgabe erfolgreich sind und soll damit Konsistenz abbilden. Im Airline-Bereich stieg pass^1 laut Bericht mit dem „think“-Werkzeug und einer eigens optimierten Anleitung auf 0,570 gegenüber 0,370 in der Ausgangskonfiguration. Die Tabelle weist für dieselbe Konfiguration 0,584 aus; die beiden Angaben weichen voneinander ab. Die Anleitung enthielt Beispiele dafür, wie Regeln geprüft, fehlende Informationen ermittelt und Handlungen geplant werden sollten. Das Werkzeug allein erzielte in der Tabelle schwächere Werte als die Kombination mit dieser Anleitung. Im Retail-Bereich erreichte das Werkzeug ohne zusätzliche Anleitung bei pass^1 0,812, gegenüber 0,783 für die Ausgangskonfiguration und 0,770 für erweitertes Denken. Anthropic berichtet außerdem, dass die Verbesserungen in den τ-Bench-Werten bis k=5 erhalten blieben.

Für SWE-Bench beschreibt Anthropic eine angepasste Version des Werkzeugs, die Gedanken protokolliert, aber weder neue Informationen beschafft noch das Repository verändert. Das Unternehmen schreibt dem Werkzeug einen Beitrag zum Ergebnis von 0,623 für Claude 3.7 Sonnet zu. In einem Experiment mit 30 Stichproben mit und 144 ohne Werkzeug sei dessen isolierter Effekt eine durchschnittliche Leistungssteigerung von 1,6 Prozent gewesen; als statistische Angaben nennt der Bericht t(38,89)=6,71, p<0,001 und d=1,47.

Als Umsetzung empfiehlt Anthropic domänenspezifische Beispiele und klare Vorgaben zur Nutzung, etwa für Regelprüfung, Informationsbedarf und Schrittplanung. Lange oder komplexe Anweisungen sollten nach den beschriebenen Experimenten eher im Systemprompt als in der Werkzeugbeschreibung stehen. Das Werkzeug verursacht zusätzliche Prompt- und Ausgabetokens und bringe laut Bericht bei einfachen Anweisungen oder nicht aufeinander aufbauenden Werkzeugaufrufen wahrscheinlich keinen Vorteil. Die Resultate stammen aus den beschriebenen Benchmarks und Konfigurationen; der Bericht stellt sie nicht als universellen Leistungsnachweis dar. Eine Aktualisierung am Anfang relativiert die ältere Empfehlung: Anthropic zufolge haben sich die Fähigkeiten des erweiterten Denkens verbessert, sodass dieses inzwischen in den meisten Fällen dem separaten „think“-Werkzeug vorzuziehen sei.

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. Sie sind inhaltlich konsistent, erfinden nichts und nennen die Abweichung 0,570 gegenüber 0,584 korrekt. Bei der Einordnung liegt Luna bei SF-V3, SF-A1 und SF-V1-T07 zu hoch; SF-V5 und SF-V5-T03 sind eher Stufe 3 beziehungsweise 2.

Im Bericht, aber nicht in der Zusammenfassung

  • SWE-Bench-Ergebnis von 0,623 als neuer Bestwert
  • pass^k als Konsistenzmaß und der Befund bis k=5
  • Erweitertes Denken lag im Airline-Bereich etwa auf dem Niveau des Werkzeugs ohne Anleitung
  • Die Ergebnisse gelten für Claude 3.7 Sonnet; der Hinweis auf Claude 3.5 Sonnet (New) fehlt

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 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • 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 25 %gleiches Oberthema, hilft nicht
    • Luna 100 %kein Bezug
    • JEV 47 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 73 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 62 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 78 %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 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 43 %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 4 · 34 % · einzelne zitierbare 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 · 29 % · Hintergrund, keine Belege
    • SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
    • SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen? Luna: Stufe 3 · 26 % · 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 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • 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 · 30 % · 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 · 30 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 57 %einzelne zitierbare Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V3-T02 Wie macht man die Ausrichtung eines Modells an Werten zu prüfbaren Verhaltensregeln statt zu angestrebten menschlichen Eigenschaften wie der „Liebe zur Menschheit“? Luna: Stufe 3 · 24 % · Hintergrund, keine Belege
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 43 %einzelne zitierbare Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung 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 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
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 %gleiches Oberthema, hilft nicht
    • Luna 43 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 27 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl

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 →