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
openai13. November 2025 · Q007491

Understanding neural networks through sparse circuits

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt, wie sparsam trainierte Sprachmodelle mit weniger Verbindungen teilweise verständlichere und für einfache Aufgaben ausreichende Schaltkreise hervorbringen können. Die Befunde stammen aus einfachen Aufgaben und deutlich kleineren Modellen als führende Systeme; eine Übertragung auf leistungsfähigere Modelle ist laut Beitrag nicht gesichert.

Mittel

Der Bericht stellt einen Ansatz zur mechanistischen Interpretierbarkeit vor: Sprachmodelle werden so trainiert, dass die meisten Gewichte null sind und die Neuronen weniger Verbindungen haben. Die Forschenden vermuten, dass solche sparsamen Netze leichter zu verstehen sind als dichte Netze. Sie prüften eine handverlesene Reihe einfacher algorithmischer Aufgaben, indem sie jeweils den kleinsten noch funktionsfähigen Teil des Modells isolierten. Ihren Ergebnissen zufolge ließen sich bei größeren, sparsameren Modellen leistungsfähigere Netze mit einfacheren Schaltkreisen erreichen. Bei gleichbleibender Modellgröße gehe stärkere Sparsamkeit allerdings mit geringerer Fähigkeit einher.

Ein Beispiel ist ein Schaltkreis, der bei Python-Zeichenketten das passende schließende Anführungszeichen vorhersagt. Laut Beitrag ist dieser kleine Schaltkreis für die Aufgabe sowohl hinreichend als auch notwendig. Komplexere Fälle, etwa Variablenbindung, seien nur teilweise erklärt; diese Teilanalysen könnten dennoch Verhalten vorhersagen.

Die Ergebnisse gelten für vergleichsweise kleine Modelle, deren Berechnungen zudem vielfach ungeklärt bleiben. Der Bericht sagt ausdrücklich, dass eine Übertragung auf leistungsfähigere Systeme nicht garantiert ist. Als nächste Schritte nennt er größere Modelle, bessere Erklärungen und effizientere Trainings- oder Extraktionsverfahren.

Ausführlich lesen

Der Bericht beschreibt einen Forschungsansatz, mit dem neuronale Netze leichter nachvollziehbar werden sollen. OpenAI stellt demnach dichte Modelle, deren viele Verbindungen schwer zu entwirren sind, eine Methode gegenüber, die Netze von Anfang an sparsamer trainiert: Die meisten Gewichte werden auf null gesetzt, sodass zwischen den Neuronen deutlich weniger Verbindungen bestehen. Die Forschenden vermuten, dass sich dadurch interne Berechnungen besser auseinanderhalten lassen.

Der Beitrag ordnet den Ansatz als mechanistische Interpretierbarkeit ein. Diese untersucht die Berechnungen eines Modells möglichst auf niedriger Ebene, während die Überwachung von Erklärungen, die ein Modell selbst ausgibt, auf dessen nachvollziehbare Gedankengänge setzt. Laut Bericht können solche Gedankengänge derzeit Hinweise auf problematisches Verhalten geben, doch sei es brüchig, sich dauerhaft darauf zu verlassen. Mechanistische Interpretierbarkeit könnte vollständigere Erklärungen liefern, ist aber schwieriger und bislang weniger unmittelbar nützlich. Sie soll andere Sicherheitsmaßnahmen ergänzen und etwa bessere Aufsicht sowie frühe Warnzeichen ermöglichen.

Zur Prüfung trainierten die Forschenden Sprachmodelle mit einer GPT‑2 ähnlichen Architektur und untersuchten eine handverlesene Auswahl einfacher algorithmischer Aufgaben. Für jede Aufgabe schnitten sie das Modell auf den kleinsten Teil zurück, der sie noch bewältigt; diese Teilnetze bezeichnen sie als Schaltkreise. Nach ihrer Auswertung entstanden bei größeren und zugleich sparsameren Modellen leistungsfähigere Modelle mit zunehmend einfacheren Schaltkreisen. Für eine feste Modellgröße erhöhe stärkere Sparsamkeit laut Beitrag die Interpretierbarkeit, verringere aber die Fähigkeit. Eine Vergrößerung des Modells verschiebe diesen Zielkonflikt nach außen. Die Darstellung berichtet damit über einen beobachteten Zusammenhang in den untersuchten Modellen, nicht über einen Nachweis für beliebig große oder leistungsfähige Systeme.

Als konkretes Beispiel dient das Schließen von Python-Zeichenketten mit dem passenden Anführungszeichen. Ein besonders gut verständlicher Schaltkreis soll erkennen, ob die Zeichenkette mit einem einfachen oder doppelten Anführungszeichen begann, dazwischenliegende Tokens übergehen, das frühere Zeichen auslesen und das passende Abschlusszeichen vorhersagen. Der Beitrag beschreibt ihn als hinreichend: Er funktioniere auch, wenn der Rest des Modells entfernt werde. Zugleich seien die gezeigten Verbindungen notwendig, denn ihr Entfernen lasse die Aufgabe scheitern. Bei komplexeren Verhaltensweisen wie der Variablenbindung seien die Erklärungen weniger vollständig; partielle Erklärungen könnten das Modellverhalten aber weiterhin vorhersagen.

Die Grenzen sind ausdrücklich: Die untersuchten Modelle seien viel kleiner als führende Modelle, und große Teile ihrer Berechnungen blieben unerklärt. Die Forschenden betonen, dass die Ergebnisse nicht garantierten, dass sich das Verfahren auf leistungsfähigere Systeme übertragen lässt. Als nächste Schritte nennen sie die Skalierung und die Erklärung komplexerer Verhaltensweisen. Für den hohen Trainingsaufwand sehen sie entweder das Herauslösen sparsamer Schaltkreise aus bestehenden dichten Modellen oder effizientere interpretierbare Trainingsverfahren vor. Der Beitrag versteht die Ergebnisse als frühen, vielversprechenden Schritt, nicht als bereits erreichtes umfassendes Verständnis.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas beide Zusammenfassungen geben den Kerninhalt treu wieder; die Abbildungen 5 bis 7 im Archiv (BioBasicsBench, Cover-Bilder, Karte zu Engineering) gehören nicht zum Artikel und wurden hier nicht ausgewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Gegenüberstellung von Chain-of-Thought-Interpretierbarkeit und mechanistischer Interpretierbarkeit sowie die Begründung, warum der Bericht Letztere verfolgt
  • Begründung des Ansatzes: Aufsicht, Frühwarnung vor unsicherem oder strategisch fehlausgerichtetem Verhalten und Ergänzung zu anderen Sicherheitsmaßnahmen
  • Ausgangsproblem: Modelle werden nicht über explizite Schritt-für-Schritt-Anweisungen geschrieben, sondern lernen durch Anpassung von Gewichten

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 30 %Hintergrund, keine Belege
    • JEV 32 %Hintergrund, keine Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  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 51 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %Hintergrund, keine Belege
    • Luna 38 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 31 % · Hintergrund, keine Belege
    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? Luna: Stufe 3 · 29 % · 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 55 %Hintergrund, keine Belege
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 29 %Hintergrund, keine Belege
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 74 %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 24 %Hintergrund, keine Belege
    • Luna 43 %Hintergrund, keine Belege
    • JEV 33 %Hintergrund, keine Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 23 %Hintergrund, keine Belege
    • 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 4 · 32 % · einzelne zitierbare Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 38 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
    • 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 · 38 % · 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 4 · 44 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare 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 6 · 36 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 4 · einzelne zitierbare 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 · 50 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 26 %Hintergrund, keine Belege
    • Luna 74 %Hintergrund, keine Belege
    • JEV 32 %Hintergrund, keine Belege
    • amos 34 %Hintergrund, keine Belege
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  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 60 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V4-T03 Ist Intelligenz, die „eher gewachsen als entworfen“ ist, ein Grund für mehr Vorsicht oder dafür, Modelle wie ein Ökosystem zu pflegen? Luna: Stufe 3 · 51 % · Hintergrund, keine Belege
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 28 %Hintergrund, keine Belege
    • Luna 71 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 34 % · 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 · 40 % · 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 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 22 %Hintergrund, keine Belege
    • Luna 46 %umfangreiche Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

  2. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
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 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. 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 35 %Hintergrund, keine Belege
    • JEV 39 %Hintergrund, keine Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 48 % · Hintergrund, keine Belege
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 62 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

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 →