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
medium.com15. August 2026 · Q011016

Meta’s New Local AI Agent Hallucinates 82% of the Time

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht würdigt Muse Glimmers kompakte Bauweise und seine guten Ergebnisse bei der Werkzeugauswahl, kritisiert aber eine laut Artificial Analysis sehr hohe Halluzinationsrate von 82 Prozent. Der Autor hält das Modell deshalb für unbeaufsichtigte Arbeit mit persönlichen Dateien für zu riskant, räumt jedoch ein, dass der Bericht keine Tests mit Abrufsystemen und strenger Werkzeugvalidierung enthält.

Mittel

Der Bericht lobt Muse Glimmer als technisch leistungsfähiges, kompaktes Modell mit offenen Gewichten. Meta habe ein 30-Milliarden-Parameter-Modell auf rund 18 GB in 4-Bit-Quantisierung gebracht; auch die gemessenen Beschleunigungen durch spekulatives Decoding seien beachtlich, wobei die Tests laut Artificial Analysis nur begrenzt auf reale Nutzungssituationen übertragbar sind.

Die zentrale Kritik betrifft die Verlässlichkeit: Artificial Analysis messe eine Halluzinationsrate von 82 Prozent. Der Autor deutet das als schwache Kalibrierung – Glimmer antworte demnach oft selbstsicher, statt bei Unsicherheit zu passen. Bei der Werkzeugauswahl schneide das Modell gut ab, liege laut zitierten Benchmarks bei umfassenderen Agenten- und Terminalaufgaben jedoch hinter Qwen und Gemini. Einen zusätzlichen MCP-Atlas-Vergleich kennzeichnet der Autor ausdrücklich als nicht anhand einer Primärquelle überprüft.

Der Autor hält Glimmer deshalb für ungeeignet, unbeaufsichtigt auf persönliche Dateien zugreifen zu lassen, bevorzugt Qwen für überprüfbare Routineaufgaben und nutzt für komplexe Arbeiten weiterhin API-Modelle. Er betont jedoch, dass die Benchmarks nicht klären, wie sich Glimmer mit Abrufsystemen und strenger Validierung an jedem Werkzeugaufruf verhält; diese Variante hat er nicht getestet.

Ausführlich lesen

Der Bericht bewertet Meta’s Muse Glimmer, ein lokal ausführbares Modell mit offenen Gewichten, als technisch eindrucksvoll, aber für unbeaufsichtigte Agentenarbeit zu wenig verlässlich. Der Autor stützt seine Kritik vor allem auf Benchmarks von Artificial Analysis und grenzt eigene Einschätzungen sowie nicht unabhängig geprüfte Vergleichswerte davon ab.

Muse Glimmer hat 30 Milliarden Parameter, ein Kontextfenster von 128.000 Token und laut Bericht ein Gewicht von etwa 18 GB in einer 4-Bit-Version. Der Autor lobt die Kompression, den geringen Speicherbedarf des Aufmerksamkeitsverfahrens und die Beschleunigung durch spekulatives Decoding. Die genannten Geschwindigkeitsmessungen stammen allerdings aus Batch-eins-Tests mit gierigem Decoding; laut Artificial Analysis lassen sie sich nicht ohne Weiteres auf lange Prompts, Werkzeuglatenzen, Bilder oder mehrere gleichzeitige Sitzungen übertragen.

Bei der allgemeinen Intelligenz liegt Glimmer laut den zitierten Daten mit einem Wert von 35 unter Qwen3.6–27B mit 38 und über Gemma 4 31B mit 30. Besonders kritisch sieht der Autor den AA-Omniscience-Wert: Die Halluzinationsrate liege bei 82 Prozent, gegenüber 49 Prozent für Qwen und 34 Prozent für Gemini 3.5 Flash-Lite. Artificial Analysis führe den schwachen Omniscience-Index vor allem auf mangelnde Kalibrierung zurück, nicht auf deutlich geringere Rohgenauigkeit. Der Autor interpretiert das so, dass Glimmer häufiger selbstsicher antworte, statt bei Unsicherheit zu passen.

Die Stärken des Modells sieht der Bericht beim Auswählen und Aufrufen von Werkzeugen. Im Tau3-Banking-Test erreiche Glimmer 24 Prozent, gegenüber 18 Prozent für Gemini und 17 Prozent für Qwen. Für MCP-Atlas nennt der Autor Vergleichswerte aus anderen Berichten, weist jedoch ausdrücklich darauf hin, sie nicht anhand einer Primärquelle geprüft zu haben. Bei Aufgaben, die über den Werkzeugaufruf hinausgehen, fällt das Bild laut den zitierten Messungen schwächer aus: Bei GDPval-AA v2 liege Glimmer mit 953 Elo unter dem menschlichen Referenzwert von 1000 und deutlich unter Qwen und Gemini mit jeweils 1141. Auch beim Terminal-Bench liege Glimmer mit 52 Prozent hinter Qwen mit 61 Prozent.

Der Autor veranschaulicht das Risiko mit einer eigenen Erfahrung: Ein lokales Modell habe einst einen plausibel wirkenden, aber erfundenen Konfigurationsschlüssel vorgeschlagen. Eine Schema-Prüfung fing den Fehler ab. Seine Sorge ist, dass Glimmers Fähigkeit, nach fehlgeschlagenen Werkzeugaufrufen weiterzumachen und es erneut zu versuchen, in Verbindung mit Halluzinationen Fehler in längeren Agentenschleifen verschärfen könnte. Das ist seine Schlussfolgerung, kein im Bericht dokumentierter Versuch mit Glimmer.

Für alltägliche, schnell überprüfbare Programmieraufgaben bevorzugt der Autor weiterhin Qwen und setzt bei komplexen oder potenziell schädlichen Aktionen auf API-Modelle. Er räumt zugleich ein, dass die geschlossene Wissensabfrage des Benchmarks nicht zwingend das Verhalten eines Agenten mit Abrufsystemen und strenger Schema-Prüfung vorhersagt. Er hat diese abgesicherte Konfiguration nicht getestet. Sein Urteil lautet daher, dass die Benchmarks Glimmer nicht abschließend für alle Agentenszenarien bewerten, die vorgelegte Produkteinordnung als stets verfügbarer, unbeaufsichtigter lokaler Agent aber nicht hinreichend belegt sei.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung gibt den Bericht im Kern richtig wieder, lässt aber mehrere zentrale Punkte aus, etwa die Retry-Problematik und die Auslassungen im Launch-Post. Die Einordnung stützt sich nur auf den Bericht; die Sammelfragen zu Ausrichtung und Governance werden vom Bericht nur am Rande berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Metas Launch-Post erwähnt Kalibrierung und Enthaltung nicht, obwohl das Modell für autonomen Betrieb mit persönlichen Daten gedacht ist
  • Die Fehlerwiederholung als Feature kann einen abgefangenen Fehler in einen unbemerkten verwandeln
  • Das Modell weiß laut Bericht etwa so viel wie seine Konkurrenten; das Problem ist die Kalibrierung, nicht die Genauigkeit
  • Die Anekdote mit dem erfundenen Feld authType, das erst die Schema-Validierung sichtbar machte
  • Die Apache-2.0-Lizenz als erste ihrer Art bei Meta wird als Lob genannt

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Gemini 3.5 Flash-Lite wird im Vergleich zu Terminal-Bench genannt, obwohl der Bericht dort nur Qwen gegenüberstellt

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 25 %Hintergrund, keine Belege
    • Luna 26 %gleiches Oberthema, hilft nicht
    • JEV 35 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 27 %Hintergrund, keine Belege
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
  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 28 %beantwortet teilweise oder widerspricht
    • amos 25 %nur am Rande erwähnt
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 24 %Hintergrund, keine Belege
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 31 %nur am Rande erwähnt
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 47 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 24 %Hintergrund, keine Belege
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare 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 · 36 % · einzelne zitierbare Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 35 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 26 %einzelne zitierbare Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht

    • 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 · 31 % · Hintergrund, keine Belege
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 100 %kein Bezug
    • JEV 33 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 69 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
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 21 %gleiches Oberthema, hilft nicht
    • Luna 37 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 28 %Hintergrund, keine Belege
    • drex 26 %einzelne zitierbare Belege
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • 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 · 27 % · einzelne zitierbare Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 39 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • 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 · 29 % · umfangreiche Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • 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 3 · 31 % · 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 · 39 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 52 %Hintergrund, keine Belege
    • JEV 35 %beantwortet teilweise oder widerspricht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 28 %gleiches Oberthema, hilft nicht
    • drex 27 %Hintergrund, keine Belege
    • d3-ultra 45 %gleiches Oberthema, hilft nicht

    • 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 · 42 % · 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 53 %Hintergrund, keine Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 45 %einzelne zitierbare Belege
    • JEV 50 %beantwortet teilweise oder widerspricht
    • amos 29 %einzelne zitierbare Belege
    • SubQ 30 %Hintergrund, keine Belege
    • drex 32 %einzelne zitierbare Belege
    • d3-ultra 41 %Hintergrund, keine Belege

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 30 % · 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 4 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 39 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 27 %Hintergrund, keine Belege
    • drex 26 %Hintergrund, keine Belege
    • d3-ultra 41 %Hintergrund, keine Belege

  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 36 %gleiches Oberthema, hilft nicht
    • Luna 57 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 31 %nur am Rande erwähnt
    • SubQ 32 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 67 %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 24 %Hintergrund, keine Belege
    • Luna 51 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 29 %nur am Rande erwähnt
    • drex 34 %nur am Rande erwähnt
    • d3-ultra 37 %nur am Rande erwähnt
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 34 % · Hintergrund, keine Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 55 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 33 %Hintergrund, keine Belege
    • JEV 30 %beantwortet teilweise oder widerspricht
    • amos 28 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 44 %Hintergrund, keine Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 28 %gleiches Oberthema, hilft nicht
    • Luna 38 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 66 %gleiches Oberthema, hilft nicht

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
Wirtschaft und Haftung
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 →