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
epoch30. September 2025 · Q005735

AI capabilities have steadily improved over the past year

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI zufolge sind KI-Ergebnisse in Benchmarks für Mathematik, Wissenschaft, Programmieren, Alltagsverstand und physikalisches Verständnis im Jahresverlauf überwiegend gestiegen. Der Bericht deutet dies als zunehmenden Nutzen ohne erkennbare Verlangsamung, betont aber, dass die Tests nicht alle für wirtschaftlich wertvolle Aufgaben erforderlichen Fähigkeiten abbilden.

Mittel

Epoch AI berichtet von stetigen Verbesserungen bei KI-Benchmarks über die zwölf Monate vor Veröffentlichung des Beitrags. Die Auswahl deckt Mathematik auf Forschungsniveau (FrontierMath), wissenschaftliche Fragen (GPQA Diamond), Programmieren (Aider Polyglot), Alltagsverstand (SimpleBench) und physikalisches Verständnis (VPCT) ab. Die aufgeführten Ergebnisse zeigen deutliche Zuwächse in einigen Bereichen: etwa Werte bis 0,87 bei GPQA Diamond und über 80 bei Aider Polyglot. Bei FrontierMath bleiben die Werte hingegen niedrig; der höchste gelistete beträgt 0,25. Für einzelne Modelle erscheinen teils mehrere Ergebnisse.

Der Bericht wertet die allgemeinen Aufwärtstrends als Hinweis auf einen wachsenden praktischen Nutzen und sieht keine Anzeichen, dass sich das Wachstum verlangsamt. Das ist seine Einschätzung. Zugleich räumt er ein, dass die Benchmarks nicht alle Fähigkeiten erfassen, die für wirtschaftlich wertvolle Aufgaben nötig sind. Die Ergebnisse zeigen daher Fortschritte bei den getesteten Aufgaben, belegen aber weder umfassende Leistungsverbesserungen noch konkreten wirtschaftlichen Nutzen.

Ausführlich lesen

Der Bericht von Epoch AI beschreibt einen stetigen Anstieg der KI-Leistungen im Laufe der zwölf Monate vor seiner Veröffentlichung. Als Beleg führt er Ergebnisse aus einer Auswahl von Benchmarks an, die verschiedene Fähigkeiten abdecken: FrontierMath prüft anspruchsvolle Mathematik auf Forschungsniveau, GPQA Diamond wissenschaftliche Fragen aus Biologie, Physik und Chemie, Aider Polyglot schwierige Programmieraufgaben, SimpleBench Schlussfolgerungen im Alltagsverstand und der Visual Physics Comprehension Test (VPCT) das Verständnis einfacher physikalischer Situationen.

Die beigefügten Tabellen listen Modelle, Veröffentlichungsdaten und Benchmarkwerte auf. Sie zeigen deutliche Fortschritte in einzelnen Bereichen: Bei GPQA Diamond erreichen spätere Modelle Werte bis 0,87, während ältere Einträge teils deutlich niedriger liegen. Bei Aider Polyglot liegen einige der späteren Werte über 80; bei VPCT steigen einzelne Werte auf etwa 0,66. Auch bei SimpleBench sind spätere Ergebnisse höher als viele frühere. Die Werte für FrontierMath bleiben dagegen selbst bei neueren Modellen vergleichsweise niedrig: Der höchste aufgeführte Wert beträgt 0,25. Die Tabellen enthalten mehrere Einträge je Modell und teilweise unterschiedliche Ergebnisse, sodass sie keinen einzelnen, einheitlichen Messwert pro Modell darstellen.

Epoch AI deutet die übergreifenden Aufwärtstrends als echte Verbesserungen des praktischen Nutzens von KI und erklärt, dass das Wachstum bislang keine Anzeichen einer Verlangsamung zeige. Das ist die Einschätzung des Berichts. Seine Einschränkung: Die ausgewählten Benchmarks bilden nicht alle vielschichtigen Fähigkeiten ab, die für wirtschaftlich wertvolle Aufgaben erforderlich sind. Die dargestellten Testergebnisse belegen daher Fortschritte in den jeweils geprüften Aufgaben, aber für sich genommen weder eine umfassende Verbesserung in allen Fähigkeiten noch den tatsächlichen wirtschaftlichen Nutzen. Der Text erläutert die Auswahl und den Zweck der Benchmarks, beschreibt jedoch keine detaillierte statistische Auswertung oder ein Verfahren, mit dem sich die behauptete Geschwindigkeit des Gesamtfortschritts bestimmen ließe.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Berichtstext und die Tabellen. Die Stufen von Luna wurden nicht übernommen. Der Bericht sagt ausdrücklich, dass die Benchmarks nicht alle für wirtschaftlich wertvolle Aufgaben nötigen Fähigkeiten erfassen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Kernbefund, dass die Fähigkeiten über die letzten zwölf Monate schnell und konsistent gewachsen sind

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, die Ergebnisse belegten weder umfassende Leistungsverbesserungen noch konkreten wirtschaftlichen Nutzen, steht so nicht im Bericht; der Bericht sieht vielmehr echte Verbesserungen des Nutzens

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 25 %Hintergrund, keine Belege
    • Luna 43 %Hintergrund, keine Belege
    • JEV 35 %gleiches Oberthema, hilft nicht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %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 35 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
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 45 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 67 %Hintergrund, keine Belege
    • JEV 51 %gleiches Oberthema, hilft nicht
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 70 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. 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 34 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 29 %gleiches Oberthema, hilft nicht
    • Luna 51 %Hintergrund, keine Belege
    • JEV 45 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 67 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
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 66 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung 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 →