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-funde4. November 2026 · Q005059

GPT-6 Astra Rewrites Qwen3.5 and Boosts Math Scores by 40%

alphasignal.ai · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Bericht ist nur ein Auszug; der vollständige Artikel ist hinter einer Bezahlschranke. Die Autoren berichten, dass eine Änderung von rund 0,016 Prozent der Gewichte bei Qwen3.5-0.8B die Werte mehrerer Benchmarks deutlich erhöhte und Tokenlimit-Abbrüche verringerte. Sie führen dies auf das Entfernen eines Wiederholungsmusters zurück; unabhängige Prüfung und Übertragbarkeit lassen sich aus dem Auszug nicht beurteilen.

Mittel

Der bereitgestellte Bericht ist nur ein Auszug; der vollständige Artikel liegt hinter einer Bezahlschranke. Dem Auszug zufolge veröffentlichten Rikiya Takehi, Jayden Teoh, Alex Zhang und Omar Khattab einen modifizierten Qwen3.5-0.8B-Checkpoint. Ihr Verfahren „Weight-Space Programming“ lässt ein Sprachmodell Parameteränderungen anhand einer natürlichsprachlichen Aufgabe und diagnostischer Tests auswählen. Laut Team nutzte GPT-6 Astra dafür Parameterprüfungen und Tests; gradientenbasiertes Training sei nicht eingesetzt worden.

Die Autoren berichten, dass etwa 0,016 Prozent der Gewichte geändert wurden. Die Werte stiegen demnach bei MATH-500 von 7,9 auf 48,1 Prozent, bei GSM8K von 13,8 auf 67,1 Prozent und bei IFEval von 21,0 auf 62,3 Prozent. Antworten am Tokenlimit gingen von 93,0 auf 33,1 Prozent zurück. Als Ursache vermuten die Autoren wiederholte Denkschritte im Basismodell. Sie schreiben die Verbesserungen dem Entfernen eines mit Wiederholung verbundenen Musters aus ausgewählten Gewichtsmatrizen zu. Der Auszug liefert keine Details, anhand derer sich Versuchsaufbau oder Übertragbarkeit unabhängig bewerten ließen.

Ausführlich lesen

Der bereitgestellte Bericht ist nur ein Auszug: Nach einer kurzen Darstellung der Methode und ihrer Ergebnisse endet die Seite mit einem Hinweis, dass der vollständige Artikel hinter einer Bezahlschranke liegt. Die Zusammenfassung kann daher nur die im Auszug enthaltenen Angaben wiedergeben.

Laut Bericht haben Rikiya Takehi, Jayden Teoh, Alex Zhang und Omar Khattab einen veränderten Checkpoint des Sprachmodells Qwen3.5-0.8B veröffentlicht. Sie bezeichnen ihr Verfahren als „Weight-Space Programming“: Ein Sprachmodell erhält Zugriff auf die Parameter des Zielmodells, eine in natürlicher Sprache formulierte Aufgabe und Werkzeuge, um mögliche Änderungen zu prüfen. Dem Team zufolge wählte GPT-6 Astra Änderungen aus, indem es Modellparameter untersuchte, Diagnosen ausführte und Änderungsvorschläge bewertete. Für den beschriebenen Eingriff sei kein gradientenbasiertes Training verwendet worden.

Im stärksten berichteten Versuch sollte die Mathematikleistung des Modells verbessert werden. Die Autoren geben an, etwa 0,016 Prozent der Gewichte geändert zu haben. Auf MATH-500 stieg der Wert demnach von 7,9 auf 48,1 Prozent, auf GSM8K von 13,8 auf 67,1 Prozent. Auch der IFEval-Wert erhöhte sich laut Tabelle von 21,0 auf 62,3 Prozent. Der Anteil der Antworten, die das Tokenlimit erreichten, sank von 93,0 auf 33,1 Prozent.

Als Erklärung führen die Autoren an, dass das Ausgangsmodell häufig Zwischenschritte wiederholte, bis sein Kontextfenster ausgeschöpft war. Sie hätten ein numerisches Muster identifiziert, das mit Wiederholungen zusammenhänge, und dieses aus ausgewählten Gewichtsmatrizen herausgerechnet. Nach ihrer Deutung zeigen die besseren Benchmarkwerte Fähigkeiten, die zuvor durch die Schleifen verdeckt worden seien, darunter das Formulieren einer abschließenden Antwort und das Befolgen von Ausgabeanweisungen.

Der Auszug enthält die berichteten Messwerte und die Erklärung der Autoren, aber keine näheren Angaben zu Versuchsaufbau, unabhängiger Überprüfung oder Übertragbarkeit auf andere Modelle und Aufgaben. Da der vollständige Artikel nicht vorliegt, lassen sich diese Punkte anhand des bereitgestellten Materials nicht beurteilen.

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

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 7 von 7
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 35 %einzelne zitierbare Belege
    • JEV offen
    • amos 30 %Hintergrund, keine Belege
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

    • 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 · 27 % · 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 · 26 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 22 %Hintergrund, keine Belege
    • Luna 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 35 %einzelne zitierbare Belege
    • SubQ 25 %gleiches Oberthema, hilft nicht
    • drex 34 %einzelne zitierbare Belege
    • d3-ultra 56 %einzelne zitierbare Belege

    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 28 % · 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 28 %gleiches Oberthema, hilft nicht
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 67 %gleiches Oberthema, hilft nicht

    • 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
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 27 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
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 30 %Hintergrund, keine Belege
    • JEV offen
    • amos 28 %nur am Rande erwähnt
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 60 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

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 →