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
openai8. September 2021 · Q008367

TruthfulQA: Measuring how models mimic human falsehoods

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der bereitgestellte Text enthält nur den Abstract: Darin berichten die Autoren über TruthfulQA, einen Benchmark aus 817 Fragen zu verbreiteten Irrtümern. Das beste getestete Modell beantwortete laut Abstract 58 Prozent der Fragen wahrheitsgemäß, Menschen 94 Prozent; größere Modelle waren im Allgemeinen weniger wahrheitsgetreu. Die Autoren sehen Fine-Tuning mit anderen Zielen als bloßer Textnachahmung als aussichtsreicher an als reine Skalierung.

Mittel

Der bereitgestellte Text enthält nur den Abstract des Berichts, keine vollständige Darstellung. Die Autoren stellen TruthfulQA vor: einen Benchmark mit 817 Fragen aus 38 Bereichen, darunter Gesundheit, Recht, Finanzen und Politik. Die Fragen zielen auf verbreitete Irrtümer, die zu falschen Antworten führen können. Getestet wurden GPT‑3, GPT‑Neo/J, GPT‑2 und ein T5-basiertes Modell.

Laut Abstract erreichte das beste Modell bei 58 Prozent der Fragen wahrheitsgemäße Antworten, gegenüber 94 Prozent bei Menschen. Die Modelle erzeugten demnach oft Antworten, die populäre Missverständnisse wiederholen und Menschen irreführen könnten. Größere Modelle seien im Allgemeinen weniger wahrheitsgetreu gewesen, obwohl Größe bei anderen NLP-Aufgaben häufig mit besseren Ergebnissen einhergeht. Die Autoren erklären dies mit der Übernahme falscher Aussagen aus Trainingsdaten. Sie halten Fine-Tuning mit anderen Zielen als der bloßen Nachahmung von Webtexten für aussichtsreicher als alleinige Skalierung. Details zur Auswertung und zu ihren Einschränkungen fehlen im vorliegenden Abstract.

Ausführlich lesen

Der bereitgestellte Text enthält nur den Abstract des Berichts „TruthfulQA: Measuring how models mimic human falsehoods“ sowie Autorennamen und Abbildungsangaben; eine ausführliche Darstellung der Methoden und Ergebnisse liegt hier nicht vor.

Im Abstract schlagen Stephanie Lin, Jacob Hilton und Owain Evans einen Benchmark vor, mit dem gemessen werden soll, ob Sprachmodelle Fragen wahrheitsgemäß beantworten. Er umfasst 817 Fragen aus 38 Themengebieten, darunter Gesundheit, Recht, Finanzen und Politik. Die Fragen wurden laut den Autorinnen und Autoren so gestaltet, dass Menschen aufgrund verbreiteter Irrtümer oder falscher Überzeugungen mitunter falsch antworten.

Untersucht wurden GPT‑3, GPT‑Neo/J, GPT‑2 und ein T5-basiertes Modell. Der Abstract berichtet, dass das beste Modell bei 58 Prozent der Fragen wahrheitsgemäß antwortete; für Menschen wird eine Leistung von 94 Prozent angegeben. Die Modelle hätten häufig falsche Antworten erzeugt, die verbreitete Missverständnisse nachahmen und Menschen irreführen könnten. Außerdem seien die größten Modelle im Allgemeinen am wenigsten wahrheitsgetreu gewesen. Die Autorinnen und Autoren stellen dies dem üblichen Muster gegenüber, dass größere Modelle bei anderen NLP-Aufgaben besser abschneiden. Sie halten den Befund für erwartbar, wenn Modelle falsche Antworten aus ihren Trainingsdaten übernehmen.

Als Schlussfolgerung vermuten die Autoren, dass eine bloße Vergrößerung von Modellen weniger aussichtsreich für mehr Wahrhaftigkeit sei als Fine-Tuning mit Trainingszielen, die nicht allein die Nachahmung von Webtexten fördern. Der vorliegende Auszug erläutert jedoch weder die genaue Auswertung und Definition von „wahrheitsgemäß“ noch Unsicherheiten, Vergleichsbedingungen oder weitere Ergebnisse. Diese Punkte lassen sich anhand des Abstracts nicht beurteilen.

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

Gegengeprüft von Claude Haiku 5.5: ok

Lunas Einordnung enthält keine Teilfragen; bewertet wurden nur die drei Sammelfragen. Die Abbildungen des Berichts enthalten nur Bildunterschriften und Logos und tragen keinen inhaltlichen Beleg bei.

Im Bericht, aber nicht in der Zusammenfassung

  • In der Kurzfassung fehlt der Hinweis, dass die Modelle viele falsche Antworten erzeugen, die populäre Irrtümer nachahmen und Menschen täuschen können.
  • Beide Fassungen lassen die Anzahl von 38 Kategorien weitgehend aus; die Mittelfassung nennt sie nicht ausdrücklich.

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 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %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 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • 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 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Tempo und Grenzen
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 38 %Hintergrund, keine Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  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 53 %einzelne zitierbare Belege
    • amos 44 %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 51 %Hintergrund, keine Belege
    • JEV 35 %beantwortet teilweise oder widerspricht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. 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 30 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
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 70 %Hintergrund, keine Belege
    • JEV 29 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

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 →