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
openai30. Oktober 2024 · Q008608

Introducing SimpleQA

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt SimpleQA, einen Benchmark mit 4.326 kurzen, thematisch vielfältigen Faktenfragen, und erläutert die unabhängige Erstellung sowie Prüfung der Antworten. Die Modellvergleiche deuten laut Bericht auf Unterschiede bei Genauigkeit und Antwortverzicht hin; zugleich überschätzen die Modelle häufig ihre Sicherheit. SimpleQA erfasst nur kurze Fragen mit einer eindeutigen Antwort, und seine Aussagekraft für lange Texte bleibt ungeklärt.

Mittel

SimpleQA ist ein von OpenAI vorgestellter, offener Benchmark, der die Faktentreue von Sprachmodellen anhand kurzer Fragen mit jeweils einer überprüfbaren Antwort messen soll. Der Datensatz umfasst 4.326 Fragen aus unterschiedlichen Themenbereichen. KI-Trainer erstellten die Fragen, eine zweite Person beantwortete sie unabhängig, und nur übereinstimmende Fälle wurden aufgenommen. In einer Stichprobe von 1.000 Fragen stimmte eine dritte Person zu 94,4 Prozent mit den festgelegten Antworten überein. Aus den Abweichungen schätzt der Bericht eine inhärente Fehlerrate von ungefähr drei Prozent.

Ein ChatGPT-Klassifikator bewertet Antworten als korrekt, falsch oder nicht versucht. Bei den verglichenen OpenAI-Modellen schnitten GPT‑4o und o1‑preview bei der Zahl korrekter Antworten besser ab als die kleineren Modelle; o1‑mini und o1‑preview ließen Fragen häufiger unbeantwortet. Die untersuchten Modelle zeigten zwar einen Zusammenhang zwischen angegebener Sicherheit beziehungsweise Antworthäufigkeit und Genauigkeit, überschätzten aber oft ihre Sicherheit. o1‑preview war laut Bericht am besten kalibriert.

Die wesentliche Grenze: SimpleQA prüft nur kurze Fragen mit eindeutigen Einzelantworten. Ob das Ergebnis auf lange, faktengesättigte Texte übertragbar ist, bleibt offen.

Ausführlich lesen

Der Bericht stellt SimpleQA vor, einen offenen Benchmark zur Bewertung der faktischen Zuverlässigkeit von Sprachmodellen. Statt beliebige oder lange Antworten mit vielen Einzelbehauptungen zu prüfen, konzentriert sich SimpleQA auf kurze Fragen, die eine einzelne, überprüfbare Antwort haben sollen. OpenAI begründet diese Eingrenzung damit, dass sich die Faktentreue so leichter messen lasse. Der Benchmark soll vielfältige Themen abdecken, schnell auszuführen sein und für aktuelle Spitzenmodelle anspruchsvoll bleiben. Laut Bericht erzielt GPT‑4o weniger als 40 Prozent; ältere Benchmarks wie TriviaQA und NQ seien für führende Modelle inzwischen weitgehend gesättigt.

Für den Datensatz ließen die Verantwortlichen KI-Trainerinnen und -Trainer im Web recherchieren und Fragen samt Antworten erstellen. Aufgenommen werden sollten nur Fragen mit einer eindeutigen Antwort, die sich nicht mit der Zeit ändert. Die meisten Fragen sollten zudem GPT‑4o oder GPT‑3.5 zu falschen Antworten verleiten. Eine zweite, unabhängige Person beantwortete jede Frage, ohne die erste Antwort zu sehen; nur bei übereinstimmenden Antworten kam eine Frage in den Datensatz. Eine dritte Person prüfte anschließend eine zufällige Stichprobe von 1.000 Fragen. Ihre Antworten stimmten in 94,4 Prozent der Fälle überein. Die übrigen Abweichungen teilte der Bericht in Fehler der Bewertung oder menschliche Fehler einerseits und tatsächliche Probleme wie Mehrdeutigkeit oder widersprüchliche Quellen andererseits ein. Daraus schätzt er die inhärente Fehlerrate des Datensatzes auf ungefähr drei Prozent.

Zur Bewertung werden Modellantworten mithilfe eines ChatGPT-Klassifikators in drei Kategorien eingeteilt: korrekt, falsch oder nicht versucht. Eine Antwort gilt als korrekt, wenn sie die Referenzantwort vollständig enthält und ihr nicht widerspricht. Widersprüche zählen als falsch, auch wenn sie nur vermutet oder eingeschränkt formuliert werden. Wird die gesuchte Antwort weder vollständig gegeben noch widerlegt, gilt die Frage als nicht versucht. Der Bericht vergleicht mehrere OpenAI-Modelle ohne Websuche. Demnach beantworten die kleineren Modelle GPT‑4o‑mini und o1‑mini weniger Fragen korrekt als GPT‑4o und o1‑preview. Die o1-Modelle verzichten häufiger auf eine Antwort; der Bericht vermutet, dass sie dadurch Unwissen eher erkennen und seltener halluzinieren.

Außerdem untersucht der Beitrag die Kalibrierung: ob die angegebene Sicherheit eines Modells zu seiner tatsächlichen Trefferquote passt. Bei ausdrücklich erfragten Konfidenzwerten steigt die Genauigkeit zwar mit der angegebenen Sicherheit, bleibt aber unter der idealen Gleichheitslinie. Die Modelle überschätzen demnach ihre Sicherheit. In einem zweiten Verfahren wurde dieselbe Frage 100-mal gestellt und Antworten wurden per Zeichenkettenvergleich gruppiert. Auch hier steigt die Genauigkeit mit der Häufigkeit einer Antwort. Laut Bericht ist o1‑preview dabei am besten kalibriert; die Häufigkeit seiner Antworten liegt ungefähr bei deren Genauigkeit.

Als zentrale Einschränkung nennt der Bericht den engen Geltungsbereich: SimpleQA misst nur Faktentreue bei kurzen Fragen mit jeweils einer verifizierbaren Antwort. Ob gute Leistungen dabei auch die faktische Zuverlässigkeit langer Texte mit vielen Behauptungen vorhersagen, sei offen. Die genannten Ergebnisse beziehen sich auf die beschriebenen Modelle und Verfahren; der Beitrag präsentiert den Benchmark als Ausgangspunkt für weitere Forschung und bittet um Rückmeldungen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Einordnung enthält nur Sammelfragen, keine Teilfragen. Die Fragen betreffen Werte und Verhalten von Modellen, der Bericht behandelt dagegen Faktentreue in einem Kurzfrage-Benchmark. Deshalb fallen die Bewertungen insgesamt niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kriterien für die Aufnahme (eine eindeutige Antwort, zeitlich unveränderlich, Fragen mit Halluzinationen von GPT-4o oder GPT-3.5) fehlen.
  • GPT-4o erreicht laut Bericht weniger als 40 Prozent, also ist der Benchmark für Spitzenmodelle anspruchsvoll.
  • Die Aufschlüsselung der 5,6 Prozent Abweichungen (je 2,8 Prozent Bewertungsfehler bzw. echte Probleme der Frage) fehlt.
  • Die Kalibrierungsmessung über 100 wiederholte Antworten nach Häufigkeit wird nicht erwähnt.

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-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 39 %Hintergrund, keine Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 47 %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 31 %Hintergrund, keine Belege
    • JEV 51 %umfangreiche Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 29 %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 60 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 63 %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 33 %einzelne zitierbare Belege
    • amos 45 %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 53 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
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 25 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • 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 36 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 50 %gleiches Oberthema, hilft nicht
    • JEV 47 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Information und Öffentlichkeit

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 →