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
fragen-funde15. Oktober 2026 · Q004919

阶跃星辰开放平台

platform.stepfun.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht erläutert die Architektur, Trainingsstabilisierung, Datenerstellung und RL-Infrastruktur von Step 5 Preview für lange Agentenaufgaben. Die genannten Leistungs- und Effizienzverbesserungen sind Angaben des Entwicklungsteams; unabhängige Validierung wird nicht vorgelegt, und das System sei noch in Entwicklung.

Mittel

Der Bericht stellt Step 5 Preview als Modell für lang laufende Agentenaufgaben vor. Die Autoren setzen auf eine tiefe Architektur mit 92 Transformer-Blöcken und sparsamer Aufmerksamkeit, die laut ihrer Darstellung Kontexte bis zu einer Million Tokens effizienter verarbeiten soll. Sparse GQA bündelt historische Tokens in Blöcken und fasst Auswahlresultate benachbarter Tokens zusammen. Gegen Trainingsinstabilitäten nennen sie FP32 für verborgene Zustände und RMSNorm-Skalierungen sowie eine gezielte Begrenzung seltener großer Gradienten.

Auch die Datenerstellung und das Reinforcement Learning sollen auf lange Aufgaben ausgerichtet sein: Agenten erschließen Wissen und koordinieren Syntheseschritte unter fachlicher Aufsicht; Schwierigkeit, Vielfalt und ausnutzbare Schwächen von Aufgaben werden kontrolliert. Im RL-System beanspruchen die Autoren eine weitgehende Angleichung von Training und Inferenz, schnellere Rollouts sowie eine Verlustrate von unter einem Prozent. Kontextkomprimierung und feinere Belohnungszuweisung sollen Aufgaben über längere Zeiträume ermöglichen.

Diese Ergebnisse sind Eigenangaben des Entwicklungsteams. Der Bericht beschreibt interne Beobachtungen und lässt unabhängige Validierung sowie umfassende Vergleichsdaten offen. Das System sei weiterhin in Entwicklung.

Ausführlich lesen

Der Bericht beschreibt die Entwicklung von Step 5 Preview für lang laufende, werkzeugintensive Agentenaufgaben. Die Autoren begründen, dass solche Aufgaben tiefe mehrstufige Verarbeitung, lange Kontexte und effizientes Reinforcement Learning erfordern. Ihre zentrale Architekturentscheidung sei ein schmales, tiefes Modell mit 92 Transformer-Blöcken. Es kombiniere überwiegend Gated Sliding Window Attention mit dazwischenliegenden sparsamen Vollaufmerksamkeits-Schichten. Für Kontexte bis zu einer Million Tokens stellen sie Sparse GQA vor: Eine Indexierung wählt relevante historische Blöcke aus; Blockzusammenfassung und gemeinsame Verarbeitung benachbarter Auswahlresultate sollen Indexierungsaufwand senken und die GPU-Auslastung verbessern. Als Konfiguration nennen sie Blockgröße 8 und ein Top-k-Budget von 4096 Tokens. In eigenen Experimenten habe die Tokenabdeckung damit nahe an einer Referenzkonfiguration gelegen.

Beim Training berichten die Autoren von Instabilitäten tiefer Modelle, darunter numerische Ausreißer und Gradientenspitzen. Als Gegenmaßnahmen verwenden sie FP32 für verborgene Zustände samt Gradienten und für die RMSNorm-Skalierung sowie eine feingranulare Begrenzung besonders großer Gradienten. Nach ihrer Darstellung habe das Begrenzen von nur 0,00004 Prozent der Gradientenwerte je Schicht Spitzen gedämpft und die Konvergenz geglättet. Die Ursachen der Aktivierungsausreißer seien jedoch nicht abschließend geklärt; den Zusammenhang von Schichtredundanz und Gradientenspitzen formulieren sie als Hypothese.

Für Trainingsdaten schildert der Bericht ein agentengestütztes Verfahren mit gemeinsamem Kontext, systematischer Wissenssuche und ausdrücklicher Steuerung von Aufgabenschwierigkeit und Vielfalt. Fachleute setzen Prinzipien und prüfen kritische Stellen, Agenten koordinieren Arbeitsschritte, und wiederholbare Prüfungen laufen als Code und Werkzeuge. Das Team gibt an, damit Millionen anspruchsvoller, überprüfbarer Umgebungen aus Bereichen wie Wissenschaft, Softwareentwicklung und professioneller Arbeit erstellt zu haben.

Der RL-Teil behandelt Aufgabenlänge, Training-Inferenz-Abweichungen, Rechendurchsatz, verlorene Rollouts und die Grenzen endlicher Kontextfenster. Für den Zustand ohne Veraltung beanspruchen die Autoren bitweise Übereinstimmung der Trainings- und Inferenzoperatoren bei weniger als zehn Prozent Zusatzaufwand. Bei veralteten Rollouts würden sie relevante Inferenzzustände wiedergeben; die Log-Wahrscheinlichkeitsabweichung bleibe so laut Bericht unter 1e-2. Weitere Maßnahmen sollen die Inferenz beschleunigen, den KV-Cache vergrößern und Rollout-Verluste auf unter ein Prozent senken. Für sehr lange Aufgaben beschreiben sie Kontextkomprimierung in fortsetzbare Zustände sowie Belohnungszuweisung auf Token- und Gesprächsrundenebene.

Die Aussagen sind als Darstellung des Entwicklungsteams zu lesen: Der Text nennt interne Beobachtungen und ausgewählte Vergleiche, aber keine unabhängige Prüfung oder vollständige Vergleichsdaten. Die Autoren betonen selbst, dass das System weiterentwickelt wird und Kontext, Trainingsinfrastruktur und Rückmeldung weiterhin Grenzen setzen.

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 benennt zu Recht, dass alle Leistungsangaben Eigenangaben des Entwicklungsteams sind; sie verliert aber die konkreten Kennzahlen und die Begründung der Architekturwahl. Die kurze Fassung ist ebenfalls treu, aber noch knapper. Die Einordnung bewertet den Bericht als Technikbeschreibung, die Sicherheitsfragen nur am Rande berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Konkrete Zahlen wie der um den Faktor 8 gesenkte Indexer-Aufwand, der Overhead unter 10 %, die rund 30 % Beschleunigung durch den MTP-3-Kopf und die 8–12-fache KV-Cache-Kapazität
  • Die bitweise Übereinstimmung von logprob bei staleness = 0 (Differenz exakt null) statt nur einer weitgehenden Angleichung
  • Die Begründung der tiefen Architektur: Mehrschritt-Schlussfolgern braucht Schichten, und die Tiefe gleicht die geringere Parameterzahl gegenüber größeren Modellen aus
  • Die Aussage, dass die Autoren Trainingsstabilität als Folge der Tiefe beobachten und Gradientenspitzen in Zwischenschichten verorten

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 25 %Hintergrund, keine Belege
    • JEV 47 %nur am Rande erwähnt
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 45 %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 24 %gleiches Oberthema, hilft nicht
    • Luna 44 %umfangreiche Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine 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 3 · 31 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 34 %gleiches Oberthema, hilft nicht
    • Luna 100 %kein Bezug
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 53 %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 47 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 26 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • 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 21 %Hintergrund, keine Belege
    • Luna 44 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-T3-T03 Welche Teile von Training, Prüfung und Einsatz laufen schon heute weitgehend durch KI, und welche Rollen sagt jedes Labor zu, bei Menschen zu lassen, in einer veröffentlichten Liste statt als bloßer Grundsatz? Wenn KI nachfolgende Modelle selbst entwirft, trainiert und prüft: Welcher Mindestanteil der Forschung muss unter direkter menschlicher Prüfung bleiben, und wie belegt man, dass ein Durchbruch mit menschlicher Beteiligung und nicht vollautomatisch entstanden ist? Luna: Stufe 4 · 31 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 43 % · 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 25 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 36 % · 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 · 30 % · 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 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T09 Wenn Labore bessere Überwacher bauen, Modelle lernen, ihnen auszuweichen, und sich dieses Wechselspiel in jedem Labor beschleunigt: Behandeln Regierungen diesen Wettlauf selbst als Sicherheitsfrage zwischen Staaten, und welche gemeinsamen Belege würden zeigen, dass er beherrscht ist? Luna: Stufe 3 · 39 % · 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 · 27 % · 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 · 35 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 28 %nur am Rande erwähnt
    • 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 · 31 % · 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 · 34 % · Hintergrund, keine Belege
  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 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 38 %einzelne zitierbare Belege
    • JEV 42 %umfangreiche Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • 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 · 36 % · 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 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-A1-T04 Bevor ein Agent weiterarbeitet, nachdem sein bisheriger Arbeitsverlauf für ein neues Kontextfenster zusammengefasst wurde: Wird geprüft, ob diese Zusammenfassung die Anweisungen des Nutzers, die Herkunft wichtiger Fakten und offene Fehler bewahrt? Und wird festgelegt, wann der Agent die Originalaufzeichnung prüfen muss, statt der Zusammenfassung zu vertrauen? Luna: Stufe 3 · 26 % · Hintergrund, keine Belege
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 32 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %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 45 %einzelne zitierbare Belege
    • JEV 30 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-H3-T02 Welche gemeinsamen Prüfstandards und Verfahren zum Herkunftsnachweis erkennen versteckte Verhaltensauslöser und eine systemweite Verschlechterung der Ausrichtung an den vorgesehenen Zielen und Werten, wenn Training immer mehr auf synthetischen Daten anderer Spitzenmodelle beruht? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 51 %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 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %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 · 43 % · Hintergrund, keine Belege
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 →