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
epoch1. Juli 2026 · Q004263

Can AI learn from experience? EBR-Bench results

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI berichtet, dass KI-Modelle beim wiederholten Spielen von *Earthborne Rangers* kaum durch Erfahrung besser wurden. Sie machten taktische Fehler, erkundeten wenige Deckvarianten und blieben deutlich hinter der Expertenreferenz; die Ergebnisse gelten allerdings nur für den fünf Tage langen Spieleinstieg und beruhen auf einer vorläufigen menschlichen Vergleichsbasis.

Mittel

Epoch AI stellt mit EBR-Bench einen Test vor, der untersucht, ob KI-Systeme durch wiederholtes Spielen eines komplexen, wenig bekannten Brettspiels dazulernen. Die Modelle erhielten Regeln, Kartendatenbank und Spielkarte, sollten 10 oder 30 Partien spielen, Notizen machen und ihre Punktzahl in den letzten 20 Prozent der Durchläufe maximieren. Der Bericht findet kaum Leistungszuwachs durch Wiederholung. Neuere Modelle schneiden teilweise besser ab, was die Autoren vor allem auf eine höhere Anfangsleistung zurückführen. Die Ergebnisse liegen weit unter der Expertenreferenz von 20 aus 21 Zielen.

Als wesentliche Probleme nennt der Bericht unnötige „Fatigue“, die Spielzeit und Kartenressourcen aufbraucht, sowie geringe Vielfalt bei der Erkundung möglicher Decks. Ein umfangreicher Strategie-Leitfaden erhöhte die Punktzahl zunächst um zwei bis dreieinhalb Ziele; eine spätere methodische Aktualisierung mit konkreteren Anweisungen brachte laut Hinweis einen größeren Effekt. Die Autoren betonen, dass andere Hilfen bessere Resultate ermöglichen könnten. Ihre Tests betreffen nur den fünf Tage langen Spieleinstieg. Zudem basiert die menschliche Referenz bislang auf einer einzelnen erfahrenen Person, weshalb sie noch keine robuste Vergleichsstudie darstellt. Epoch AI wertet die Befunde als Hinweis auf Grenzen beim Lernen aus wiederholter Erfahrung und auf den Einfluss der Trainingsverteilung.

Ausführlich lesen

Der Bericht stellt EBR-Bench vor, einen Test dafür, ob KI-Systeme durch wiederholte Erfahrung eine komplexe, zunächst unbekannte Aufgabe besser bewältigen. Dafür spielen Modelle das Brettspiel *Earthborne Rangers*, das Strategie und taktische Entscheidungen über längere Zeit verlangt. Epoch AI begründet die Wahl damit, dass das Spiel relativ wenig bekannt, überwiegend kartenbasiert und damit kein primär visueller Test ist. Die Autoren sehen solche Spiele als möglichen Hinweis darauf, ob KI-Systeme auch bei neuen beruflichen oder wissenschaftlichen Aufgaben „im laufenden Betrieb“ lernen könnten; diese Übertragbarkeit ist eine Einschätzung des Berichts.

Im Grundaufbau erhielten die Modelle Regelbuch, Kartendatenbank und Spielkarte. Sie sollten 10 oder 30 Durchläufe absolvieren, Notizen machen und aus Fehlern lernen. Bewertet wurden die letzten 20 Prozent der Durchläufe. Laut Bericht zeigten die Systeme dabei kaum Anzeichen, ihre Leistung durch wiederholtes Spielen zu steigern. Neuere Modelle erzielten zwar teils höhere Punktzahlen, doch führen die Autoren das vor allem auf bessere Ausgangsleistung zurück. Die Ergebnisse blieben deutlich unter der Expertenreferenz von 20 aus 21 Zielen.

Als zentrale Schwäche nennt der Bericht taktische Fehler beim Umgang mit „Fatigue“: Sie verbraucht Karten und kann einen Spieltag beenden. Erfahrene Menschen begrenzen sie laut den angeführten Vergleichswerten auf etwa 0,6 pro Runde; GPT-5.5 und Opus 4.8 lagen bei etwa 2,1. Dadurch bleiben weniger Spielrunden, um Ziele zu erreichen. Zudem erkundeten die Agenten die möglichen Deckzusammenstellungen nur begrenzt. Der Bericht stellt fest, dass neuere Modelle dabei keine erkennbare größere Vielfalt zeigten; einzelne ältere Modelle probierten sogar deutlich mehr Decks aus.

Ein ausführlicher Strategie-Leitfaden brachte im beschriebenen Vergleich je nach Modell zwei bis dreieinhalb zusätzliche Ziele. Die Autoren bewerten diesen Zuwachs als eher begrenzt angesichts der umfangreichen Hilfestellung. Sie ergänzen jedoch, dass eine spätere Aktualisierung der Methode mit konkreteren Schritt-für-Schritt-Anweisungen einen größeren Effekt ergeben habe.

Die Autoren räumen ein, dass andere Hilfsmittel oder Vorgehensweisen bessere Resultate hervorbringen könnten. Ad-hoc-Versuche mit Codeausführung sowie Claude Code und Codex hätten keine deutliche Verbesserung gezeigt; weitere Experimente seien aber sinnvoll. Die Befunde beziehen sich auf den ersten, fünf Tage umfassenden Abschnitt des Spiels, nicht auf vollständige Kampagnen. Außerdem beruht die menschliche Expertenreferenz bislang auf den rückblickenden Angaben einer einzelnen erfahrenen Person; strengere Vergleichsstudien waren laut Bericht noch in Arbeit. Insgesamt deutet Epoch AI die Ergebnisse als Hinweis darauf, dass wiederholtes Spielen und zusätzliche Inferenzzeit manche Fähigkeitslücken nicht schließen und die Leistung weiterhin durch Trainingsdaten geprägt sein könnte. Der Bericht kündigt weitere Tests neuer Modelle an.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung bezieht sich nur auf den Inhalt des Berichts; die Fragen zu Selbstüberwachung, Schwellen, Verantwortung und Cyber-Maßstäben bleiben darin weitgehend unbeantwortet.

Im Bericht, aber nicht in der Zusammenfassung

  • Begründung, warum Brettspiele als Stellvertreter für Lernen aus Erfahrung dienen (obskur, textbasiert, langer Zeithorizont)
  • Quantitative Fatigue-Werte: Experte etwa 0,6, Zufall 3,5, GPT-5.5 und Opus 4.8 je 2,1 pro Runde
  • Gemini 3.1 Pro zeigt sehr geringe Fatigue, weil es in den Durchläufen 21 bis 24 vorzeitig Tage beendete
  • Neuere Modelle zeigen keinen klaren Trend zu vielfältigerer Deckerkundung
  • Die Autoren deuten die Befunde als Grenze durch die Trainingsverteilung und sehen Mängel vor allem in fehlender Priorisierung durch KI-Firmen

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 30 %Hintergrund, keine Belege
    • Luna 46 %Hintergrund, keine Belege
    • JEV 33 %Hintergrund, keine Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht

    • 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 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 100 %kein Bezug
    • JEV 23 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 25 %Hintergrund, keine Belege
    • Luna 58 %einzelne zitierbare Belege
    • JEV 45 %umfangreiche Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 24 %Hintergrund, keine Belege
    • Luna 44 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %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 · 49 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 27 %Hintergrund, keine Belege
    • Luna 72 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung 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 · 40 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. 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 49 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 37 %umfangreiche Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %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 40 %Hintergrund, keine Belege
    • JEV 41 %nur am Rande erwähnt
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
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 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %Hintergrund, keine Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  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 32 %Hintergrund, keine Belege
    • amos 56 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

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 →