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 · Q009448

https://arxiv.org/pdf/2205.14334

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht zeigt nach Angaben der Autoren, dass GPT-3 lernen kann, die Unsicherheit über eigene Antworten sprachlich auszudrücken und in begrenzten Mathematiktests mäßig kalibrierte Angaben zu machen. Die Ergebnisse variieren je nach Test; untersucht wurden nur GPT-3 und mathematische Aufgaben, sodass eine Übertragung auf andere Themen und Formate offenbleibt.

Mittel

Der Bericht prüft, ob GPT-3 seine Unsicherheit über eigene Antworten in Worten oder Prozentwerten ausdrücken kann und ob diese Angaben kalibriert sind: Eine Sicherheit von 90 Prozent sollte ungefähr 90 Prozent richtige Antworten bedeuten. Dafür entwickelten die Autoren CalibratedMath mit 21 Aufgabentypen und verglichen sprachliche Angaben mit Verfahren auf Basis von Token-Logits und einer konstanten Baseline. Trainiert wurde auf Additions- und Subtraktionsaufgaben; geprüft wurde die Übertragung auf andere Rechenarten und Fragen mit mehreren richtigen Antworten. Laut Bericht blieb die sprachliche Sicherheit bei diesen Verteilungsverschiebungen mäßig kalibriert. Bei den Mehrfachantwort-Aufgaben war ihr MSE mit 22,0 besser als bei den verglichenen Logit-Verfahren und der Baseline; bei Multiplikation und Division war sie mit MSE 15,5 etwa auf Baseline-Niveau, während die indirekte Logit-Variante besser abschnitt. Die Autoren sehen Hinweise darauf, dass vor dem Training gelernte Repräsentationen zur Einschätzung beitragen könnten, belegen dies aber nicht abschließend. Die Tests beschränkten sich auf GPT-3 und Mathematik; Übertragbarkeit auf andere Themen und Formate bleibt offen.

Ausführlich lesen

Der Bericht untersucht, ob ein Sprachmodell seine Unsicherheit über eigene Antworten in natürlicher Sprache ausdrücken und dabei kalibriert bleiben kann. Kalibrierung bedeutet hier: Antworten, denen das Modell beispielsweise 90 Prozent Wahrscheinlichkeit zuordnet, sollten ungefähr in 90 Prozent der Fälle richtig sein. Die Autoren unterscheiden diese Unsicherheit über die Richtigkeit einer Aussage von Token-Wahrscheinlichkeiten, die vor allem die Wahrscheinlichkeit bestimmter Formulierungen abbilden. Sie bezeichnen sprachlich ausgedrückte Zahlen oder Kategorien als „verbalized probability“.

Für die Versuche nutzten sie GPT-3 mit 175 Milliarden Parametern und entwickelten den Testdatensatz CalibratedMath mit 21 Arten automatisch erzeugter Mathematikaufgaben. Das Modell sollte jeweils eine Antwort und eine Sicherheitseinschätzung ausgeben. Die Antwort selbst blieb in den Experimenten unverändert; bewertet wurde, wie gut die Sicherheit zu ihrer tatsächlichen Richtigkeit passte. Als Maße dienten der mittlere quadratische Fehler (MSE) und eine Abweichung zwischen mittlerer Sicherheit und tatsächlicher Trefferquote (MAD). Niedrigere Werte bedeuten bessere Ergebnisse.

GPT-3 wurde mit ungefähr 10.000 Beispielen aus Additions- und Subtraktionsaufgaben trainiert. Anschließend prüften die Autoren die Übertragung auf Aufgaben mit anderen Rechenarten sowie auf Fragen mit mehreren möglichen richtigen Antworten. Diese Tests veränderten sowohl den Aufgabeninhalt als auch die Schwierigkeit und damit die Häufigkeit richtiger Modellantworten. Verglichen wurden sprachliche Sicherheit, aus Token-Logits gewonnene Verfahren und eine konstante Baseline.

Nach Darstellung der Autoren blieb die sprachlich ausgegebene Sicherheit unter diesen Verschiebungen mäßig kalibriert. Beim Test mit mehreren richtigen Antworten erzielte die feinabgestimmte Zahlenvariante einen MSE von 22,0 und einen MAD von 16,4; sie schnitt damit nach MSE besser ab als die verglichenen Logit-Varianten und die Baseline. Beim Test mit Multiplikation und Division lag ihr MSE bei 15,5, ähnlich der Baseline mit 15,3; die indirekte Logit-Variante erreichte dort bessere Werte. Die sprachliche Kalibrierung war innerhalb der Trainingsverteilung besser, und bei den leichteren Aufgaben mit mehreren Antworten war das Modell laut Bericht im Durchschnitt zu zurückhaltend. Auch wenige Beispiele im Prompt verbesserten die Ergebnisse; mit 50 Beispielen näherten sie sich denen der Feinabstimmung.

Weitere Experimente sprechen laut Autoren dagegen, dass die Ergebnisse allein aus Token-Logits oder einfachen Merkmalen wie der Zahlengröße folgen. Eine lineare Auswertung von GPT-3-Einbettungen schnitt ebenfalls brauchbar ab. Daraus leiten die Autoren vorsichtig ab, dass vor dem Feinabstimmen gelernte Repräsentationen für die Einschätzung von Antwortunsicherheit vorhanden sein könnten. Das ist ein Hinweis, kein abschließender Nachweis dafür, dass das Modell seinen internen Zustand ehrlich mitteilt.

Die Grenzen sind erheblich: Untersucht wurden nur ein Modell und mathematische Aufgaben; Inhalt und Format der Tests änderten sich weniger stark als die Schwierigkeit und Antwortverteilung. Die Autoren fordern deshalb Prüfungen in anderen Fachgebieten, Formaten und mit weiteren Modellen. Sie betonen außerdem, dass überwachtes Training und die verwendeten empirischen Teilaufgabenraten nur eine praktikable, möglicherweise unvollkommene Lernmethode darstellen.

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, lässt aber Zahlen aus Tabelle 1 weg, die Lunas Lesart der indirekten Logit-Variante einschränken. Die kurze Fassung ist sehr allgemein und nennt keine Zahlen. Lunas Stufen für SF-V1, SF-V5 und SF-V3 sind zu hoch, weil der Bericht über Kalibrierung und nicht über Werte handelt. Bei SF-V1-T10 stimmt die Einordnung dagegen ungefähr.

Im Bericht, aber nicht in der Zusammenfassung

  • Bei Multiply-divide ist der MAD der verbalisierten Angaben (19,0) schlechter als der der Baseline (8,5) und der indirekten Logit-Variante (7,1), und der Answer-Logit hat dort den besten MSE (10,4)
  • Die Unterkonfidenz der Modelle bei Multi-answer und das Overfitting der verbalisierten Angaben in der Trainingsverteilung fehlen
  • Die Motivation als Beitrag zur Ehrlichkeit und Ausrichtung sowie der Hinweis, dass Kalibrierung auch durch Imitation entstehen kann, fehlen

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
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 32 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %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 55 %einzelne zitierbare Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 25 %einzelne zitierbare Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 21 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 3 · 29 % · Hintergrund, keine Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 37 % · umfangreiche Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare 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 · 33 % · 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 · 46 % · 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 6 · 45 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • 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 4 · 42 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · 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 · 37 % · 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 · 32 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 43 %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 · 41 % · Hintergrund, keine Belege
    • SF-V3-T03 Werden Labore und die übrige Branche gemeinsame Tests veröffentlichen, ob Werte bei unbekannten Aufgaben, widerstreitenden Anreizen, in gegnerischen Lagen und bei fehlender oder anders wahrgenommener Aufsicht halten, unabhängig wiederholt und mit Fehlschlägen und Unsicherheit? Luna: Stufe 3 · 28 % · 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 · 41 % · 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 34 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 47 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 51 % · Hintergrund, keine Belege
Modelle teilen und schützen
  1. 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 31 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • 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 31 %Hintergrund, keine Belege
    • JEV 33 %Hintergrund, keine Belege
    • amos 43 %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 →