Advancing science and math with GPT-5.2
Zusammenfassung
Kurz
OpenAI berichtet über starke GPT‑5.2-Ergebnisse in Wissenschafts- und Mathematikbenchmarks sowie über einen von GPT‑5.2 Pro unterstützten Beweis zu einem offenen Problem der statistischen Lerntheorie. Der Beweis wurde laut Bericht von Forschenden und externen Fachleuten geprüft; menschliche Expertise bleibt laut OpenAI trotz möglicher Unterstützung durch KI unverzichtbar.
Mittel
OpenAI stellt GPT‑5.2 Pro und GPT‑5.2 Thinking als seine bislang stärksten Modelle für Mathematik und Naturwissenschaften vor. Als Belege nennt der Bericht 93,2 Prozent für Pro und 92,4 Prozent für Thinking im GPQA-Diamond-Test. GPT‑5.2 Thinking habe bei FrontierMath 40,3 Prozent der Expertenaufgaben gelöst und einen neuen Bestwert erzielt. Die Bedingungen unterschieden sich: GPQA lief ohne Werkzeuge, FrontierMath mit Python; beide Tests verwendeten maximalen Reasoning-Aufwand.
Eine Fallstudie betrifft ein offenes Problem der statistischen Lerntheorie: Sinkt der erwartete Fehler immer, wenn mehr Daten hinzukommen? Für einen einfachen Fall mit korrekt spezifiziertem Normalmodell, bekanntem Mittelwert und unbekannter Standardabweichung berichtet das Paper einen Beweis für vorhersehbare Verbesserung durch mehr Daten. GPT‑5.2 Pro sei direkt mit der Frage beauftragt worden, ohne Beweisplan oder Zwischenschritte. Forschende prüften den Beweis sorgfältig; externe Fachleute hätten ihn ebenfalls validiert. Das Modell habe das Ergebnis anschließend auf weitere Fälle erweitert.
OpenAI sieht darin Potenzial für KI-gestützte theoretische Forschung, betont aber, dass Modelle Fehler machen und Annahmen übersehen können. Menschliche Expertise und Überprüfung bleiben erforderlich. Die Leistungs- und Bedeutungsbewertungen sind Aussagen des Unternehmens.
Ausführlich lesen
Der Bericht stellt GPT‑5.2 Pro und GPT‑5.2 Thinking als OpenAIs bislang stärkste Modelle für Mathematik und Naturwissenschaften vor. OpenAI beschreibt das Ziel, Forschung durch schnelleres Erkunden von Ideen und Prüfen von Hypothesen zu unterstützen. Das Unternehmen berichtet, im vergangenen Jahr eng mit Forschenden aus Mathematik, Physik, Biologie und Informatik zusammengearbeitet zu haben. Frühere Fallstudien hätten bereits Beiträge von GPT‑5 zu realer wissenschaftlicher Arbeit gezeigt; mit GPT‑5.2 würden diese Leistungen nach OpenAIs Einschätzung konsistenter und zuverlässiger.
Als Belege führt der Bericht Benchmark-Ergebnisse an. Bei GPQA Diamond, einem Multiple-Choice-Test zu Physik, Chemie und Biologie auf Hochschulniveau, erreiche GPT‑5.2 Pro 93,2 Prozent und GPT‑5.2 Thinking 92,4 Prozent. Die Auswertung erfolgte laut Bericht ohne aktivierte Werkzeuge und mit maximalem Reasoning-Aufwand. Bei FrontierMath, das Mathematikaufgaben auf Expertenniveau umfasst, habe GPT‑5.2 Thinking 40,3 Prozent der Aufgaben gelöst und damit einen neuen Bestwert erzielt. Dabei war ein Python-Werkzeug aktiviert; auch hier war der Reasoning-Aufwand maximal. OpenAI deutet die Ergebnisse als Hinweise auf verbesserte allgemeine Schlussfolgerungs- und Abstraktionsfähigkeiten, die sich auch für wissenschaftliches Programmieren, Datenanalyse und Versuchsplanung eignen könnten. Die weitergehende Verbindung solcher Fähigkeiten mit Fortschritten in Richtung AGI ist eine Einschätzung des Unternehmens.
Im Mittelpunkt steht eine Fallstudie aus der statistischen Lerntheorie. Untersucht wurde, ob der erwartete Fehler eines statistischen Modells mit zunehmender Datenmenge stets sinkt. Frühere Arbeiten hätten gezeigt, dass Lernkurven in manchen Situationen nicht monoton verlaufen: Mehr Daten können den erwarteten Fehler vorübergehend erhöhen. Für einen einfachen Grundfall – ein korrekt spezifiziertes Modell mit normalverteilten Daten, bekanntem Mittelwert und unbekannter Standardabweichung – sei die Frage offen geblieben.
Laut dem beschriebenen Paper half GPT‑5.2 Pro, dieses Problem zu lösen. Die Forschenden hätten dem Modell die offene Frage direkt gestellt, ohne zuvor einen Beweisplan oder Zwischenschritte vorzugeben. Anschließend überprüften sie den Beweis sorgfältig; laut Bericht wurde er außerdem von externen Fachleuten begutachtet und validiert. In Folgefragen habe das Modell das Ergebnis auf höherdimensionale Fälle und weitere verbreitete statistische Modelle ausgeweitet. Die Autoren beschreiben die menschliche Arbeit dabei vor allem als Prüfung und verständliche Darstellung, nicht als Vorgabe des mathematischen Lösungswegs.
Der Bericht sieht darin ein mögliches Muster für den Einsatz von KI in theoretischen Gebieten: Modelle können beim Erkunden von Beweisen, Prüfen von Vermutungen und Finden möglicher Zusammenhänge helfen. Zugleich betont er klare Grenzen: Die Systeme seien keine unabhängigen Forschenden, könnten Fehler machen oder unausgesprochene Annahmen verwenden. Fachurteil, Verständnis des Forschungsgebiets und Prüfung durch Menschen blieben daher nötig. Die Aussagen zu Leistungsfähigkeit und Bedeutung stammen aus einer OpenAI-Veröffentlichung; der Bericht liefert keine unabhängige Gesamtbewertung der Benchmarks oder des Falls.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Bewertet wurde Lunas mittlere Zusammenfassung; die kurze Fassung ist knapper, aber ebenfalls treu. Die Einordnungen wurden unabhängig von Lunas Stufen und Anteilen vergeben. Für die Sammelfragen wurden keine Teilfragen angegeben.
Im Bericht, aber nicht in der Zusammenfassung
- Kontext des offenen Problems: 2019 von Viering, Mey und Loog auf der COLT gestellt, mit einer Reihe von Folgearbeiten zu nicht-monotonen Lernkurven
- Die Einordnung der Reasoning-Fähigkeiten als Bezug zu AGI und die Aussage, dass Abstraktion und Konsistenz über Domänen hinweg übertragbar sind
- Die Aussage, dass die menschliche Rolle im Fall auf Verifikation und klare Darstellung beschränkt blieb
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Fähigkeiten messen
- 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 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 59 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- 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 27 %einzelne zitierbare Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 62 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-F3 Welche Regeln gelten für gefährliche Fähigkeiten jenseits von Cyber, etwa in Biologie, Chemie, bei radioaktiven Stoffen oder in der Nukleartechnik?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 43 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 52 %gleiches Oberthema, hilft nicht
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 57 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 55 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 57 %Hintergrund, keine Belege
- JEV 28 %nur am Rande erwähnt
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 38 %Hintergrund, keine Belege
- JEV 61 %einzelne zitierbare Belege
- amos 31 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 64 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 46 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 55 %gleiches Oberthema, hilft nicht
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 39 %gleiches Oberthema, hilft nicht
- amos 27 %nur am Rande erwähnt
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra 58 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
- 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 47 %Hintergrund, keine Belege
- JEV 27 %einzelne zitierbare Belege
- amos 36 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 58 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 72 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- 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 48 %einzelne zitierbare Belege
- JEV 62 %beantwortet teilweise oder widerspricht
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 49 %gleiches Oberthema, hilft nicht
- Haiku-Prüfung nur am Rande erwähnt
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 46 %Hintergrund, keine Belege
- JEV 41 %einzelne zitierbare Belege
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra 50 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
- 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 100 %kein Bezug
- JEV 37 %nur am Rande erwähnt
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 45 %gleiches Oberthema, hilft nicht
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 75 %gleiches Oberthema, hilft nicht
- drex 54 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
- SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 29 %Hintergrund, keine Belege
- JEV 42 %einzelne zitierbare Belege
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 61 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 57 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 50 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 59 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- 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 38 %Hintergrund, keine Belege
- JEV 41 %einzelne zitierbare Belege
- amos 51 %gleiches Oberthema, hilft nicht
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 60 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
- SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- 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?
- Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- Alle Berichte im Archiv