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
anthropicohne Datum · Q009729

https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf

github.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt DeepSeek-R1-Zero vor, das laut den Autoren durch RL ohne vorheriges Fine-Tuning deutliche Fortschritte bei Schlussfolgerungsaufgaben erzielte, sowie DeepSeek-R1 mit Startdaten und mehrstufigem Training. Die Autoren berichten starke Benchmarkwerte und gute Ergebnisse kleinerer, aus R1-Ausgaben destillierter Modelle, nennen aber Einschränkungen bei Lesbarkeit, Sprachmischungen, Prompt-Empfindlichkeit und bestimmten allgemeinen sowie Softwareentwicklungsaufgaben.

Mittel

Der Bericht beschreibt zwei Modelle zur Verbesserung maschineller Schlussfolgerungen durch Reinforcement Learning. DeepSeek-R1-Zero wurde direkt auf DeepSeek-V3-Base trainiert, ohne vorheriges überwachtes Fine-Tuning. Die Autoren berichten, dass seine AIME-2024-Pass@1-Leistung im Training von 15,6 auf 71,0 Prozent stieg und mit Mehrheitsentscheidung 86,7 Prozent erreichte. Zugleich nennen sie schlechte Lesbarkeit und Sprachmischungen als Nachteile.

DeepSeek-R1 ergänzt das Verfahren um einige Tausend lesbare Startbeispiele, mehrere RL-Stufen und eine Feinabstimmung mit rund 800.000 kuratierten Beispielen für Schlussfolgerungs- und allgemeine Aufgaben. Laut den berichteten Benchmarks erreichte R1 unter anderem 79,8 Prozent bei AIME 2024 und 97,3 Prozent bei MATH-500; die Autoren bewerten es in Mathematik als vergleichbar mit OpenAI-o1-1217. Kleinere Qwen- und Llama-Modelle wurden durch Fine-Tuning auf R1-generierten Daten destilliert. Die Autoren berichten, dass diese Methode in ihren Vergleichen besser abschnitt als RL-Training eines kleineren Basismodells.

Als Grenzen nennt der Bericht Schwächen bei Funktionsaufrufen, Dialogen, JSON-Ausgaben und Softwareentwicklung, Sprachmischungen außerhalb von Chinesisch und Englisch sowie Empfindlichkeit gegenüber Prompts. Die Werte hängen von den beschriebenen Benchmark- und Stichprobenverfahren ab; die Befunde sind daher nicht als Beleg allgemeiner Überlegenheit zu verstehen.

Ausführlich lesen

Der Bericht stellt DeepSeek-R1-Zero und DeepSeek-R1 vor und untersucht, ob sich die Schlussfolgerungsfähigkeiten großer Sprachmodelle durch Reinforcement Learning (RL) verbessern lassen. Die Autorinnen und Autoren berichten, dass DeepSeek-R1-Zero dafür direkt auf dem Basismodell DeepSeek-V3-Base trainiert wurde, ohne vorheriges überwachtes Fine-Tuning. Als RL-Verfahren kam GRPO zum Einsatz. Die Trainingssignale beruhten vor allem auf regelbasierten Prüfungen der Antwortkorrektheit, etwa bei Mathematik- und Programmieraufgaben, sowie auf Vorgaben für das Antwortformat. Laut Bericht stieg die Pass@1-Leistung auf AIME 2024 im Verlauf des Trainings von 15,6 auf 71,0 Prozent; mit Mehrheitsentscheidung über mehrere Antworten seien 86,7 Prozent erreicht worden. Die Autoren beschreiben außerdem längere Antwortketten und Verhaltensweisen wie Selbstprüfung und das Erwägen alternativer Lösungswege als im Training entstandene Fähigkeiten. Zugleich nennen sie schlechte Lesbarkeit und Sprachmischungen als Schwächen von R1-Zero.

DeepSeek-R1 soll diese Probleme durch eine mehrstufige Trainingspipeline mindern. Zunächst wurde das Basismodell mit einigen Tausend sorgfältig ausgewählten, lesbaren Beispielen für ausführliche Schlussfolgerungen feinabgestimmt. Darauf folgte RL für Mathematik, Programmierung, Naturwissenschaften und Logik. Eine zusätzliche Belohnung für sprachliche Einheitlichkeit sollte Sprachmischungen verringern; laut Bericht ging sie in Ablationstests mit einem leichten Leistungsrückgang einher. Danach erzeugten die Autoren per Rejection Sampling Trainingsdaten aus einem RL-Zwischenstand: rund 600.000 Beispiele für Schlussfolgerungsaufgaben und etwa 200.000 für allgemeine Aufgaben wie Schreiben, Faktenfragen und Übersetzung. Mit diesen insgesamt ungefähr 800.000 Beispielen wurde das Modell feinabgestimmt. Ein weiteres RL-Stadium sollte Schlussfolgerungsfähigkeit, Hilfsbereitschaft und Harmlosigkeit über verschiedene Einsatzbereiche hinweg verbessern.

Für die Evaluation vergleicht der Bericht DeepSeek-R1 mit offenen und geschlossenen Modellen auf Mathematik-, Wissens-, Programmier- und allgemeinen Sprachaufgaben. Die Autoren geben für R1 unter anderem 79,8 Prozent Pass@1 bei AIME 2024, 97,3 Prozent bei MATH-500 und eine Codeforces-Wertung von 2.029 an. Sie bewerten die Ergebnisse in Mathematik als vergleichbar mit OpenAI-o1-1217 und berichten starke Resultate bei Wissens- und offenen Sprachaufgaben. Diese Angaben beruhen auf den beschriebenen Benchmark-Aufbauten; für o1-1217 wurden laut Bericht teilweise offizielle Werte herangezogen. Für Pass@1 nutzten die Autoren nicht-gierige Stichproben mit Temperatur 0,6 und top-p 0,95; bei AIME wird zusätzlich Mehrheitsentscheidung über 64 Antworten ausgewiesen. Benchmarkwerte sind daher an diese Auswertungsverfahren gebunden.

Ein weiterer Schwerpunkt ist die Übertragung von R1-Ausgaben auf kleinere Qwen- und Llama-Modelle. Die sechs veröffentlichten Varianten umfassen Größen von 1,5 bis 70 Milliarden Parametern und wurden laut Bericht nur per überwachtem Fine-Tuning, ohne zusätzliches RL, trainiert. Die Autoren berichten, dass diese Destillation bei mehreren Aufgaben besser abschnitt als RL-Training eines kleineren Basismodells; beim Qwen-Modell mit 32 Milliarden Parametern lag die destillierte Variante etwa bei AIME, MATH-500, GPQA Diamond und LiveCodeBench vor der RL-Variante. Sie weisen zugleich darauf hin, dass RL auf destillierten Modellen weitere Verbesserungen bringen könne, zeigen diese Ergebnisse hier aber nicht.

Als Grenzen nennen die Autoren Schwächen bei Funktionsaufrufen, mehrstufigen Dialogen, komplexem Rollenspiel und JSON-Ausgaben, mögliche Sprachmischungen bei Sprachen außerhalb des Chinesischen und Englischen sowie Empfindlichkeit gegenüber Prompts: Few-shot-Vorgaben hätten die Leistung wiederholt verschlechtert. Bei Aufgaben der Softwareentwicklung sei groß angelegtes RL wegen langer Auswertungszeiten nur begrenzt eingesetzt worden; R1 habe DeepSeek-V3 dort deshalb nicht deutlich übertroffen. Auch beschreiben sie Schwierigkeiten mit Prozessbelohnungsmodellen und selbstverbessernder Monte-Carlo-Baumsuche. Die Ergebnisse und Deutungen sind die Darstellung des Forschungsteams; der Bericht belegt damit keine allgemeine Überlegenheit in allen Anwendungen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen geliefert, eine kurze und eine mittlere. Geprüft wurde die mittlere; die kurze ist ebenfalls treu, aber knapper. Die Metadaten nennen als Haus „anthropic“, die Quelle ist aber ein DeepSeek-Dokument. Für diese Prüfung ist das nicht entscheidend, im Archiv sollte es aber korrigiert werden.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Beobachtung der Selbstentwicklung von DeepSeek-R1-Zero während des Trainings, etwa Reflexion, Selbstverifikation und der „Aha-Moment“.
  • Der Befund, dass das destillierte 14B-Modell QwQ-32B-Preview deutlich übertrifft und die 32B- und 70B-Modelle neue Bestwerte unter dichten Modellen setzen.
  • Der Hinweis, dass DeepSeek-R1 auf Chinese SimpleQA wegen Sicherheits-RL schlechter abschneidet als DeepSeek-V3.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Schlussfolgerung, die Befunde seien nicht als Beleg allgemeiner Überlegenheit zu verstehen, ist eine Wertung von Luna und steht so nicht im Bericht.

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 40 %einzelne zitierbare Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %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 · 31 % · 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 · 38 % · einzelne zitierbare Belege
  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 27 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • 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 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 47 %einzelne zitierbare Belege
    • JEV 47 %umfangreiche Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • 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 · 38 % · einzelne zitierbare Belege
  3. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 34 %gleiches Oberthema, hilft nicht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • 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 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • 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 4 · 27 % · einzelne zitierbare Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 35 %umfangreiche Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 4 · 43 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · 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 43 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 34 %gleiches Oberthema, hilft nicht
    • 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 · 37 % · einzelne zitierbare 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 5 · umfangreiche 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 4 · 26 % · einzelne zitierbare Belege
    • 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 4 · 29 % · einzelne zitierbare 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 4 · 27 % · einzelne zitierbare 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 5 · 35 % · umfangreiche Belege · Haiku-Prüfung: Stufe 3 · 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 · 37 % · einzelne zitierbare Belege
    • 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 · 28 % · Hintergrund, keine 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 · 37 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 23 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 49 %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 4 · 34 % · einzelne zitierbare Belege
    • SF-V3-T02 Wie macht man die Ausrichtung eines Modells an Werten zu prüfbaren Verhaltensregeln statt zu angestrebten menschlichen Eigenschaften wie der „Liebe zur Menschheit“? Luna: Stufe 4 · 31 % · einzelne zitierbare 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 · 37 % · 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 26 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V4-T01 Falls ein Modell kein durchgehendes Selbst hat: Kann es überhaupt an den vorgesehenen Zielen und Werten ausgerichtet sein, oder nur seine Ausgaben? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • 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 · 42 % · Hintergrund, keine Belege
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 34 %einzelne zitierbare Belege
    • JEV 41 %umfangreiche Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %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 4 · 39 % · einzelne zitierbare 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 · 35 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
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 52 %umfangreiche Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 21 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-H1-T04 Welche Maßnahmen für Transparenz über Destillationsverfahren könnten Labore einführen, um Sicherheitsbedenken zu begegnen, ohne geschützte Innovation preiszugeben? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
  2. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 55 %einzelne zitierbare Belege
    • JEV 58 %einzelne zitierbare Belege
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 24 %nur am Rande erwähnt
    • 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 4 · 26 % · einzelne zitierbare Belege
  3. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 59 %umfangreiche Belege
    • JEV 48 %beantwortet direkt und ausführlich
    • amos 30 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-H3-T02 Welche gemeinsamen Prüfstandards und Verfahren zum Herkunftsnachweis erkennen versteckte Verhaltensauslöser und eine systemweite Verschlechterung der Ausrichtung an den vorgesehenen Zielen und Werten, wenn Training immer mehr auf synthetischen Daten anderer Spitzenmodelle beruht? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
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 51 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %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 51 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • 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 →