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
openai20. Februar 2026 · Q007434

Our First Proof submissions

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI berichtet, dass ein internes Modell bei fünf von zehn First-Proof-Aufgaben Beweise geliefert habe, die nach Einschätzung des Unternehmens eine hohe Chance auf Korrektheit haben; Aufgabe 2 werde inzwischen als falsch bewertet, weitere Lösungen würden geprüft. Da Menschen den Prozess unterstützten und keine streng kontrollierte Evaluation stattfand, sind diese Ergebnisse vorläufig und bedürfen weiterer Expertenprüfung.

Mittel

OpenAI beschreibt Versuche eines internen Modells mit allen zehn Aufgaben der Mathematikherausforderung First Proof. Diese Forschungsprobleme verlangen vollständige, überprüfbare Beweise in spezialisierten Gebieten; ihre Korrektheit ist laut Bericht ohne Expertenprüfung schwer festzustellen. OpenAI schätzt nach Rückmeldungen von Fachleuten, dass die Versuche zu den Aufgaben 4, 5, 6, 9 und 10 mit hoher Wahrscheinlichkeit korrekt sind. Aufgabe 2, die das Unternehmen zunächst für wahrscheinlich gelöst hielt, wird inzwischen als falsch eingeschätzt; mehrere andere Versuche sind noch in Prüfung.

Die Ergebnisse sind nicht aus einem streng kontrollierten Versuch hervorgegangen. Menschen gaben teils Hinweise zu erfolgversprechenden Strategien, baten nach Expertenfeedback um ausführlichere Begründungen und unterstützten den Austausch mit ChatGPT zur Prüfung und Formatierung. Bei manchen Aufgaben wurde der beste aus mehreren Versuchen ausgewählt. OpenAI räumt ein, dass der schnelle Ablauf nicht den Ansprüchen einer sauberen kontrollierten Evaluation genügte, und strebt für künftige Durchgänge ein rigoroseres Verfahren an. Die Angaben zur möglichen Korrektheit bleiben daher vorläufige Einschätzungen. Der Bericht stellt First Proof als Test anspruchsvollen Forschungsdenkens dar und verweist auf frühere OpenAI-Angaben zu Mathematik, Wissenschaft und theoretischer Physik.

Ausführlich lesen

OpenAI berichtet über Versuche mit einem internen Modell bei der Mathematikherausforderung First Proof. Die zehn Aufgaben stammen laut Bericht von führenden Fachleuten und verlangen vollständige, überprüfbare Argumente in spezialisierten Forschungsgebieten. Anders als bei kurzen Rechen- oder Wettbewerbsaufgaben sei ihre Korrektheit ohne fachkundige Prüfung schwer festzustellen; einige Aufgaben hätten jahrelang offen gestanden. OpenAI hält First Proof deshalb für einen möglichen Test anspruchsvoller Forschungsfähigkeiten, die übliche Benchmarks nur teilweise erfassen.

Das Unternehmen veröffentlichte die zehn Lösungsversuche am 14. Februar 2026. Nach Rückmeldungen von Fachleuten schätzt OpenAI, dass die Versuche zu den Aufgaben 4, 5, 6, 9 und 10 mit hoher Wahrscheinlichkeit korrekt sind; mehrere weitere werden noch geprüft. Den Versuch zu Aufgabe 2 hatte OpenAI zunächst für wahrscheinlich richtig gehalten, stuft ihn angesichts offizieller Kommentare der Veranstalter und weiterer Analysen aus der Gemeinschaft inzwischen aber als falsch ein. Die vollständigen Versuche stehen laut Bericht in einem Vorabdruck, der zusätzlich einen Anhang mit Promptmustern und Beispielen enthält.

Das Vorgehen war keine streng kontrollierte Prüfung. Das Modell erhielt begrenzte menschliche Unterstützung: Während des Trainings wurden ihm teils erfolgversprechende Strategien zum erneuten Versuch vorgeschlagen. Nach fachlichem Feedback ließ OpenAI einige Beweise erweitern oder erläutern, um sie leichter überprüfbar zu machen. Außerdem wurde ein Austausch mit ChatGPT zur Prüfung, Formatierung und sprachlichen Überarbeitung unterstützt. Bei manchen Aufgaben wählten Menschen den besten aus mehreren Versuchen aus. OpenAI bezeichnet den Ablauf als schnellen Sprint und räumt ein, dass er nicht so sauber war, wie es für eine kontrollierte Evaluation wünschenswert wäre. Das Unternehmen möchte mit den Veranstaltern über strengere Verfahren für künftige Durchgänge sprechen.

Der Bericht ordnet die Arbeit in frühere OpenAI-Angaben ein: eine 2025 gemeldete Leistung auf Goldmedaillenniveau bei der Internationalen Mathematik-Olympiade, Fallstudien zu GPT‑5-Unterstützung in mehreren Wissenschaftsgebieten und eine Zusammenarbeit in der theoretischen Physik. Bei Letzterer habe GPT‑5.2 einen möglichen Ausdruck für eine Gluon-Amplitude vorgeschlagen, den ein internes Modell formal bewiesen und dessen Korrektheit die Autoren bestätigt hätten.

Die Aussagen über die fünf vermutlich korrekten Beweise sind vorläufige Einschätzungen, keine im Bericht ausgewiesenen abschließenden Ergebnisse einer unabhängigen, systematischen Prüfung. OpenAI betont den Bedarf an weiterem Expertenfeedback und erklärt, künftige öffentliche Modelle sollten von diesen Fähigkeiten profitieren.

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; es fehlen vor allem die Trainingsaussage von James R. Lee und die Vorgeschichte mit der IMO-Leistung. Die Einordnung beruht ausschließlich auf dem Berichtstext, der die Ergebnisse als Eigenangaben von OpenAI ohne unabhängige kontrollierte Prüfung darstellt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Aussage des Forschers James R. Lee, dass ein neues Modell mit Schwerpunkt auf Rigorosität trainiert wird und stundenlang konsistent denken soll
  • Die früheren Ergebnisse, etwa die IMO-2025-Leistung mit 35 von 42 Punkten, werden nicht konkret genannt

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 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %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 36 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 54 %einzelne zitierbare Belege
    • JEV 57 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 63 %einzelne zitierbare Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 23 %einzelne zitierbare Belege
    • d3-ultra 33 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare 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 · 33 % · 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 4 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • 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 3 · 25 % · 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 53 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 49 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen? Luna: Stufe 3 · 29 % · 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 3 · 32 % · 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 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • 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 · 26 % · 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 · 34 % · Hintergrund, keine Belege
  2. 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 28 %Hintergrund, keine Belege
    • JEV 63 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

Modelle teilen und schützen
  1. 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 37 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. 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 42 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 42 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %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 →