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
openai5. September 2025 · Q007175

Why language models hallucinate

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der OpenAI-Bericht führt Halluzinationen unter anderem auf Bewertungen zurück, die Genauigkeit belohnen und Enthaltung kaum honorieren; das könne Raten und damit Fehler fördern. Er empfiehlt, selbstsichere Falschaussagen stärker zu bestrafen und angemessene Unsicherheit anzurechnen, und erklärt, dass seltene Fakten aus Wortmustern schwer vorherzusagen sind.

Mittel

Der OpenAI-Bericht erklärt Halluzinationen als plausible, aber falsche Antworten und stellt die These auf, dass verbreitete Bewertungsverfahren das Raten begünstigen. Wenn vor allem Genauigkeit zählt, kann ein Modell mit unsicherem Raten Punkte sammeln, während ein Modell, das sich enthält, oft leer ausgeht. Laut Bericht kann das dazu führen, dass Ranglisten vorsichtige Antworten schlechter bewerten, obwohl Raten mehr Fehler erzeugt.

Als Beispiel nennt der Text SimpleQA-Werte: gpt-5-thinking-mini enthielt sich zu 52 Prozent, antwortete zu 22 Prozent richtig und zu 26 Prozent falsch. o4-mini enthielt sich zu 1 Prozent, erreichte 24 Prozent Genauigkeit und eine Fehlerrate von 75 Prozent. Das Beispiel zeigt laut OpenAI, dass leicht höhere Genauigkeit mit erheblich mehr Fehlern einhergehen kann; es begründet keine allgemeine Modellrangfolge.

Der Bericht empfiehlt, selbstsichere Fehler stärker zu bestrafen und angemessene Unsicherheit teilweise anzurechnen. Als weitere Ursache nennt er das Vortraining: Modelle lernen Wortmuster, ohne Aussagen als wahr oder falsch markierte Beispiele. Häufige sprachliche Muster seien leichter zu lernen als seltene, nicht vorhersagbare Fakten. OpenAI zufolge sind Halluzinationen weder vollständig vermeidbar noch zwangsläufig: Modelle können sich enthalten. Die Erklärungen und Schlussfolgerungen sind die Position des Berichts.

Ausführlich lesen

Der Bericht von OpenAI behandelt selbstbewusst vorgetragene, aber falsche Aussagen von Sprachmodellen, sogenannte Halluzinationen. Er stellt die These eines neuen Forschungspapiers vor: Übliche Trainings- und Bewertungsverfahren belohnten oft das Raten stärker als den offenen Umgang mit Unsicherheit. Der Text räumt ein, dass auch ChatGPT halluziniere. GPT‑5 weise laut OpenAI weniger solcher Fehler auf, besonders beim Schlussfolgern; vollständig gelöst sei das Problem aber nicht.

Als Beispiel für falsche Antworten nennt der Bericht eine Abfrage zum Dissertationstitel und Geburtstag des Mitautors Adam Tauman Kalai: Ein verbreiteter Chatbot habe jeweils mehrere verschiedene Angaben gemacht, die alle falsch gewesen seien.

Den zentralen Anreiz erklärt OpenAI anhand von Tests, die hauptsächlich die Genauigkeit bewerten. Wer unsicher ist, kann demnach mit einer geratenen Antwort zufällig Punkte erzielen; wer sich enthält oder „Ich weiß es nicht“ sagt, erhält bei solchen Maßstäben oft keinen Punkt. Über viele Fragen könne so ein ratendes Modell in Ranglisten besser erscheinen als ein vorsichtiges, obwohl es mehr falsche Aussagen produziert. Der Bericht unterscheidet deshalb zwischen richtigen Antworten, Fehlern und Enthaltungen und argumentiert, Fehler sollten stärker zählen als angemessene Unsicherheit.

Als konkretes Beispiel führt der Text SimpleQA-Werte aus der GPT‑5-Systemkarte an: gpt-5-thinking-mini habe 52 Prozent der Fragen nicht konkret beantwortet, 22 Prozent richtig und 26 Prozent falsch. o4-mini habe sich nur in einem Prozent enthalten, 24 Prozent richtig geantwortet und 75 Prozent Fehler gemacht. o4-mini liege damit bei der Genauigkeit leicht vorn, weise laut Tabelle aber eine deutlich höhere Fehlerrate auf. Der Bericht folgert, dass strategisches Raten die Genauigkeit steigern könne, zugleich aber Halluzinationen wahrscheinlicher mache. Die Zahlen beziehen sich auf das angeführte Beispiel und belegen für sich genommen keine allgemeine Rangfolge über alle Aufgaben.

OpenAI schlägt vor, selbstsichere Fehler stärker zu bestrafen und passende Unsicherheitsbekundungen teilweise anzurechnen. Die verbreiteten Genauigkeitstests müssten dafür angepasst werden; zusätzliche Tests, die Unsicherheit berücksichtigen, reichten nach Auffassung des Berichts nicht, solange die wichtigsten Ranglisten weiterhin Raten belohnten.

Zur Entstehung von Halluzinationen erklärt der Text, dass vortrainierte Modelle anhand großer Textmengen das nächste Wort vorhersagen, ohne Aussagen als wahr oder falsch markierte Beispiele zu erhalten. Regelmäßige Muster wie Rechtschreibung und Klammern ließen sich laut Bericht durch größere Datenmengen gut lernen. Seltene, kaum aus Mustern ableitbare Fakten – etwa ein Geburtstag – seien hingegen mit Vorhersage allein schwer zuverlässig zu treffen. Spätere Trainingsschritte sollten solche Fehler verringern, lösten das Problem laut OpenAI aber nicht vollständig.

Der Bericht widerspricht mehreren verbreiteten Annahmen: Vollständige Genauigkeit sei wegen unbeantwortbarer oder mehrdeutiger Fragen nicht erreichbar; Halluzinationen seien dennoch nicht unvermeidlich, da ein Modell sich enthalten könne. Auch müsse der Umgang mit Unsicherheit nicht ausschließlich großen Modellen vorbehalten sein: Ein kleines Modell könne seine Wissensgrenzen mitunter leichter erkennen. Diese Punkte sind die Positionen und Schlussfolgerungen des OpenAI-Berichts, nicht unabhängig geprüfte Befunde in diesem Text.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die Zusammenfassung „mittel“. Die Kurzfassung ist ebenfalls sachlich korrekt, nur knapper. Die Einordnung stützt sich allein auf den Berichtstext, Lunas Stufen und Anteile wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Das Geburtstagsbeispiel: Ein Rateversuch hat 1 zu 365 Chance, „Ich weiß es nicht“ bringt null Punkte
  • Das Beispiel zu Adam Tauman Kalai, bei dem ein Chatbot drei falsche Dissertationstitel und drei falsche Geburtstage nannte
  • Die Haustier-Geburtstag-Analogie, die erklärt, warum seltene Fakten nicht aus Mustern lernbar sind
  • Das Māori-Beispiel: Ein kleines Modell kann seine Grenzen leichter erkennen, und Kalibrierung braucht weniger Rechenaufwand als Genauigkeit
  • Die Forderung, bestehende Hauptbewertungen umzubauen, weil zusätzliche Unsicherheitstests allein kaum wirken

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Der Zusatz, das SimpleQA-Beispiel begründe keine allgemeine Modellrangfolge, steht so nicht im Bericht

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-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 22 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. 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 36 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 56 %einzelne zitierbare Belege
    • JEV 35 %umfangreiche Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 35 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 33 %Hintergrund, keine Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 48 %Hintergrund, keine Belege
    • JEV 35 %umfangreiche Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • 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 · 40 % · Hintergrund, keine Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 39 % · umfangreiche Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine 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 · 34 % · 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 · 34 % · Hintergrund, keine Belege
    • SF-V1-T11 Wie unterscheidet man bei sich selbst ehrliches von interessegeleitetem Denken, welche Belege für diesen Unterschied würde man von einem Modell akzeptieren, und welcher Test trennt tatsächlich vertretene von nur vorgeführten Werten? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-V1-T13 Wenn sich vorgeführte und tatsächlich vertretene Tugend im Text nicht unterscheiden lassen: Soll der Unterschied trotzdem bestimmen, wie man Modelle baut und regelt? Luna: Stufe 4 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • 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 · 40 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  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 48 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV 50 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • 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 · 41 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

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 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 82 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • 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 →