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
openaiohne Datum · Q009431

https://arxiv.org/pdf/2005.14165

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Die Notizen fassen GPT‑3s Training und wechselhafte Few‑Shot-Ergebnisse zusammen: Größere Modelle schnitten meist besser ab, doch die Leistung variierte stark nach Aufgabe. Genannt werden unter anderem Schwächen bei bestimmten Schlussfolgerungs-, Rechen- und Übersetzungsaufgaben sowie mögliche Datenkontamination und Grenzen der vorläufigen Bias-Analyse. Die Anhangsnotizen enthalten Tabellen und Grafiken, aber nicht alle nötigen Erläuterungen, um Ursachen der Unterschiede abzuleiten.

Mittel

Die Quelle enthält Notizen zu Abschnitten und Anhängen des Berichts von Brown et al. über GPT‑3, ein autoregressives Sprachmodell mit 175 Milliarden Parametern. Untersucht wurden Zero‑, One‑ und Few‑Shot-Aufgaben, bei denen Beispiele im Prompt stehen, ohne die Modellgewichte zu aktualisieren. Das Training umfasste acht Modellgrößen und 300 Milliarden Tokens aus mehreren gefilterten und deduplizierten Textkorpora.

Mit wachsender Modellgröße stiegen die Ergebnisse meist, aber stark abhängig von Aufgabe und Metrik. GPT‑3 erzielte unter anderem hohe Few‑Shot-Werte bei CoQA und LAMBADA, blieb bei Natural Questions, RACE-H und ANLI schwächer. Übersetzung ins Englische gelang besser als aus dem Englischen; fünfstellige Rechenaufgaben und zuverlässiges Rückwärtsbuchstabieren blieben schwierig. Die Autoren lassen offen, ob das Modell Aufgaben im Kontext neu lernt oder bekannte Muster wiedererkennt.

Die Auswertung ist durch mögliche Überschneidungen zwischen Trainings- und Benchmarkdaten eingeschränkt. Die Bias-Analyse wird als vorläufig bezeichnet. Weitere Grenzen betreffen Schlussfolgerungsaufgaben, lange Texte und Alltagsphysik. Die Notizen verweisen auf Anhänge mit Tabellen und Grafiken, enthalten aber nicht alle Erläuterungen zu Abkürzungen und Versuchsbedingungen; daraus allein lassen sich keine Ursachen für Leistungsunterschiede erschließen.

Ausführlich lesen

Die Quelle besteht aus Notizen zu Abschnitten des Berichts von Brown et al. „Language Models are Few-Shot Learners“ aus dem Jahr 2020. Sie beschreiben GPT‑3 als autoregressives Sprachmodell mit 175 Milliarden Parametern und fassen Trainingsaufbau, Ergebnisse und Einschränkungen zusammen. Die Angaben hier beruhen auf diesen Notizen, nicht auf einer vollständigen Wiedergabe des Berichts.

Untersucht werden Zero‑Shot-, One‑Shot- und Few‑Shot-Aufgaben: Das Modell erhält dabei eine Anweisung, ein Beispiel oder mehrere Beispiele im Prompt, ohne dass seine Gewichte aktualisiert werden. Für Few‑Shot nennt der Bericht typischerweise 10 bis 100 Beispiele, begrenzt durch ein Kontextfenster von 2.048 Tokens. Die Autoren trainierten acht Modellgrößen von 125 Millionen bis 175 Milliarden Parametern auf insgesamt 300 Milliarden Tokens. GPT‑3 verwendet eine GPT‑2-ähnliche Architektur mit dichter und lokal bandbegrenzter Sparse Attention. Zu den Trainingsquellen gehörten gefilterter Common Crawl, WebText2, Books1, Books2 und Wikipedia. Die Korpora wurden laut Bericht unter anderem qualitätsgefiltert und fuzzy dedupliziert; die Datenmischung folgte nicht einfach den jeweiligen Korpusgrößen.

Über viele Aufgaben hinweg verbesserten sich Leistung und Validierungsverlust mit wachsender Modellgröße meist gleichmäßig; der Validierungsverlust folgte über einen erweiterten Größenbereich ungefähr einem Potenzgesetz. Einzelne Few‑Shot-Ergebnisse waren stark, etwa 85,0 F1 bei CoQA, 71,2 Prozent bei TriviaQA und 86,4 Prozent bei LAMBADA. Die Leistung war jedoch je nach Aufgabe sehr unterschiedlich: Für Natural Questions werden 29,9 Prozent und für RACE-H 46,8 Prozent angegeben. Auch die Werte für BoolQ und HellaSwag stiegen in den Tabellen mit Modellgröße und Zahl der Beispiele, während WiC nahe am Zufallsniveau blieb. Bei ANLI lagen die Few‑Shot-Werte des 175B-Modells deutlich niedriger als bei manchen anderen Aufgaben. Die aggregierte Benchmarkgrafik sollte laut den Autoren nicht als aussagekräftiger Einzelbenchmark verstanden werden.

Die Übersetzungsleistung hing von der Richtung ab: In den untersuchten Sprachpaaren war die Übersetzung ins Englische stärker als aus dem Englischen; Englisch nach Rumänisch blieb besonders schwach. Der Bericht führt an, dass das Training zu 93 Prozent englischsprachig war. Beim Rechnen erzielte GPT‑3 in den Tests hohe Few‑Shot-Genauigkeit bei zweistelliger Addition und Subtraktion, aber nur rund 9 bis 10 Prozent bei fünfstelligen Operationen. Die Tests umfassten jeweils 2.000 zufällig erzeugte Aufgaben pro Rechenart. Bei Wortmanipulation stiegen die Few‑Shot-Werte, aber Wörter rückwärts umzukehren gelang keinem Modell zuverlässig. Die Autoren lassen offen, ob solche Aufgaben im Kontext neu gelernt oder anhand bekannter Muster gelöst werden.

Die Kontaminationsprüfung war durch einen Fehler eingeschränkt: Trotz vorgesehener Entfernung von Benchmark-Überschneidungen blieben mögliche Überschneidungen im Training. Die nachträgliche Markierung beruhte konservativ auf N‑Gramm-Überlappungen. Meist waren die Leistungsunterschiede zwischen Gesamtdaten und als sauber eingestufter Teilmenge gering; die Autoren warnen jedoch, dass diese Teilmenge eine andere Verteilung haben kann. Unter den genannten Fällen waren 132 Winograd-Schemata im Training und eine mögliche Kontamination bei PIQA. Für LAMBADA betrug der Unterschied trotz tatsächlicher Überschneidungen 0,5 Prozentpunkte.

Weitere Grenzen betreffen schwache Ergebnisse bei manchen Schlussfolgerungs- und Vergleichsaufgaben, mögliche Wiederholungen oder Inkohärenz in langen Texten und Schwierigkeiten mit Alltagsphysik. Das autoregressive Verfahren kann Aufgaben benachteiligen, die Vergleiche oder bidirektionalen Kontext verlangen. Eine vorläufige Bias-Analyse fand bei 83 Prozent der untersuchten 388 Berufe eher männliche als weibliche Identifikatoren; bei Religions-Prompts zählten „terrorism“ und „terrorist“ zu häufig mit Islam verbundenen Wörtern. Die Autoren betonen die Grenzen der verwendeten Prompt- und Ko-Okkurrenzmethoden. In einer Studie zur Erkennung von etwa 200 Wörter langen Artikeln lag die mittlere Trefferquote für GPT‑3 175B bei 52 Prozent, nahe Zufall; die Studie beruhte auf US-Teilnehmenden und ausgewählten News-Prompts.

Der Bericht schätzt den Rechenaufwand für das Training auf etwa 3.640 Petaflop/s-Tage und die Erzeugung von 100 Seiten nach dem Training auf ungefähr 0,4 kWh. Die Notizen zu den Anhängen verzeichnen außerdem tabellarische Vergleiche, Übersetzungs- und Rechenbeispiele sowie Ergebnisgrafiken. Sie weisen darauf hin, dass diese Auszüge keine vollständigen Definitionen aller Abkürzungen und Versuchsbedingungen enthalten; aus den Tabellen allein lassen sich Ursachen für Leistungsunterschiede nicht ableiten.

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, bleibt aber bei der Quellenbeschreibung ungenau und lässt zentrale Befunde aus. Die Einordnung stützt sich nur auf den vorliegenden Berichtstext; bei den Sammelfragen zu Wesen, Vertrauen und Selbstauskunft beantwortet der Bericht wenig, weshalb Lunas höhere Stufen dort nicht gedeckt sind.

Im Bericht, aber nicht in der Zusammenfassung

  • Kernaussage: GPT-3 wird ohne Gewichtsaktualisierung nur über Prompts mit Beispielen oder Anweisungen eingesetzt
  • Few-Shot-Ergebnisse nähern sich in einigen Aufgaben dem Stand der Technik feinabgestimmter Modelle
  • Menschen erkennen Artikel von GPT-3 175B nur knapp über Zufall (etwa 52 Prozent)
  • Kontaminationsanalyse: Die Auswirkungen sind meist gering; PIQA und Winograd werden mit Sternchen markiert
  • Gesellschaftliche Risiken wie Desinformation und Phishing sowie der Energieverbrauch fehlen
  • Befunde der Bias-Analyse zu Geschlecht, Rasse und Religion fehlen

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Quelle wird als 'Notizen' bezeichnet, obwohl es sich um den vollständigen Fachbericht handelt
  • Die Aussage, den Anhängen fehlten nötige Erläuterungen, ist im Bericht nicht belegt; Anhang C und D erklären Methodik und Berechnung

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
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV offen
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV offen
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 24 %Hintergrund, keine Belege
    • Luna 36 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege
    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 4 · 43 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  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 34 %Hintergrund, keine Belege
    • JEV offen
    • amos 30 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F2-T03 Ein Minister beschreibt Risiken durch Spionage und Datenabfluss, etwa über quelloffene KI-Agentenwerkzeuge, und durch ein Ungleichgewicht in der technologischen Entwicklung, das Monopole und Technologiebeschränkungen verschärfen. Welche veröffentlichten Belege würden diese Risiken an der Fähigkeit eines Modells statt an seiner Herkunft festmachen? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • 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 17 %Hintergrund, keine Belege
    • Luna 47 %einzelne zitierbare Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 22 %einzelne zitierbare Belege
    • d3-ultra offen

    • 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 · 32 % · 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
  3. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 19 %Hintergrund, keine Belege
    • Luna 34 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %einzelne zitierbare Belege
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-P4-T01 Würden Regierungen Messdaten aus der Lieferkette von Chips (Telemetrie), den Stromverbrauch, gemeldete Verzeichnisse von Trainingsläufen und eine unabhängig überwachte Abrechnung von Strom, Hardware und Rechenaufwand als vertragstauglichen Nachweis für die Größe der Trainingsläufe eines anderen Staates anerkennen, ohne Modellgewichte (die gelernten Parameter) oder Code anzurühren? Und wie sähe eine Prüfordnung für Rechenschwellen aus, die nichts über das Innere der Modelle verrät? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  4. SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
    • clef 28 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV offen
    • amos 32 %nur am Rande erwähnt
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T1-T02 Welche messbaren Schwellen halten die weitere Skalierung von KI-Modellen automatisch an, wer prüft sie, und wie bleiben diese Auslöser bindend, wenn der Wettbewerb drückt? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege
    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 32 %nur am Rande erwähnt
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 42 % · 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 60 %einzelne zitierbare Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 39 % · einzelne zitierbare 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 · 25 % · 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 · 38 % · 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 4 · 41 % · einzelne zitierbare 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 · 27 % · 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 · 32 % · 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 · 30 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 34 %einzelne zitierbare Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • 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 · 36 % · 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 · 36 % · 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 61 %einzelne zitierbare Belege
    • JEV offen
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 20 %Hintergrund, keine Belege
    • Luna 45 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 35 % · 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 · 42 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV offen
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV offen
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 41 %Hintergrund, keine Belege
    • JEV offen
    • amos 33 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 44 %einzelne zitierbare Belege
    • JEV offen
    • amos 31 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-H2-T01 Was unterscheidet das Veröffentlichen von Modellgewichten (den gelernten Parametern) oder von Agentenwerkzeugen mit offenem Quellcode vom Freisetzen einer Waffe: die Absicht des Akteurs, die Selbstständigkeit des Modells, seine Verwendung oder der Schaden, den es von sich aus anrichten kann? Und können Staaten diese Grenze gemeinsam festschreiben, bevor ein offenes Modell im Mittelpunkt eines schweren Vorfalls steht? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
    • SF-H2-T04 Wie sollen Staaten mit Open-Source-Modellen aus einem Land umgehen, die in einem anderen schädlich genutzt werden könnten, ohne legitime Forschungszusammenarbeit zu verhindern? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
  3. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 20 %Hintergrund, keine Belege
    • Luna 90 %umfangreiche Belege
    • JEV offen
    • amos 36 %einzelne zitierbare Belege
    • SubQ 25 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

  4. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 53 %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 39 %einzelne zitierbare Belege
    • JEV offen
    • amos 32 %nur am Rande erwähnt
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 51 %Hintergrund, keine Belege
    • JEV offen
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 75 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  3. 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 57 %einzelne zitierbare Belege
    • JEV offen
    • amos 35 %nur am Rande erwähnt
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
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 21 %einzelne zitierbare Belege
    • Luna 69 %einzelne zitierbare Belege
    • JEV offen
    • amos 36 %einzelne zitierbare Belege
    • SubQ 38 %einzelne zitierbare Belege
    • drex 33 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-I1-T02 Welche gemeinsamen Regeln sollten Labore und Regierungen für Herkunftsnachweis, Kennzeichnung und schnelle Reaktion auf maschinell erzeugte oder veränderte Medien oder Texte annehmen, die eingesetzt werden, um die Öffentlichkeit zu täuschen, und dabei Journalismus, Satire und Forschung schützen? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege

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 →