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

● Fragen-Atlas · Quellen aus dem Archiv

SF-A1-T04

Bevor ein Agent weiterarbeitet, nachdem sein bisheriger Arbeitsverlauf für ein neues Kontextfenster zusammengefasst wurde: Wird geprüft, ob diese Zusammenfassung die Anweisungen des Nutzers, die Herkunft wichtiger Fakten und offene Fehler bewahrt? Und wird festgelegt, wann der Agent die Originalaufzeichnung prüfen muss, statt der Zusammenfassung zu vertrauen?

32 Berichte ab Stufe 3 bei Luna (weitere Modelle folgen), stärkste zuerst.

Zum Inhalt ↓
← Alle Quellen zu SF-A1
  1. How we detect frontier model misalignment openai · 2026 · Q000274 · beantwortet teilweise oder widerspricht

    OpenAI berichtet über ein mehrstufiges System zur Überwachung leistungsfähiger KI-Agenten, dessen Tests Erfolge, aber auch Erkennungslücken und betriebliche Grenzen zeigen.

  2. GPT-6 Astra Has a 1.05 Million Token Context Window. Past 272,000 Tokens It Bills You Double. medium.com · 2026 · Q011006 · beantwortet teilweise oder widerspricht

    Laut Bericht ist Astra besonders für lange Agentenaufgaben interessant, aber die Preisstufe ab 272.000 Eingabe-Tokens und uneinheitliche Benchmark-Ergebnisse schränken das Leistungsversprechen ein.

  3. Compaction Laundering: Provenance Destruction in Context-Compacting Coding Agents arxiv.org · Q000154 · einzelne zitierbare Belege

    Der Abstract-Auszug behauptet, dass der Verlust von Nachrichtenrollen bei der Kontextverdichtung gefälschte Anweisungen in das Gedächtnis von Coding-Agenten schleusen kann.

  4. OpenAI Expands Monitoring to Detect Frontier Model Misalignment fragen-funde · 2026 · Q000163 · einzelne zitierbare Belege · ohne Zusammenfassung
  5. OpenAI Misalignment Monitor: Would Have Caught HF Breach fragen-funde · 2026 · Q000250 · einzelne zitierbare Belege · ohne Zusammenfassung
  6. Post by @arpit_bhayani on X x-posts · 2026 · Q000833 · einzelne zitierbare Belege · ohne Zusammenfassung
  7. Scaling Managed Agents with stable interfaces anthropic · 2026 · Q000885 · einzelne zitierbare Belege · ohne Zusammenfassung
  8. Effective context engineering for AI agents anthropic · 2025 · Q002268 · einzelne zitierbare Belege · ohne Zusammenfassung
  9. Effective harnesses for long-running agents anthropic · 2025 · Q002314 · einzelne zitierbare Belege · ohne Zusammenfassung
  10. Claude Opus 4.6 anthropic · 2026 · Q002937 · einzelne zitierbare Belege

    Anthropic präsentiert Opus 4.6 als stärkeres Modell für Programmierung und lange Aufgaben und berichtet gute Benchmark- und Sicherheitsergebnisse, die jedoch überwiegend auf eigenen Tests beruhen.

  11. Unrolling the Codex agent loop openai · 2026 · Q005588 · einzelne zitierbare Belege

    OpenAI beschreibt Codex als wiederholte Modell- und Werkzeugschleife mit Prompt-Caching und automatischer Kontextkomprimierung, wobei die Sandbox laut Bericht nur das eigene Shell-Werkzeug schützt.

  12. Introducing the Agents API openai · 2026 · Q006209 · einzelne zitierbare Belege

    OpenAI stellt eine öffentliche Beta-API für cloudbasierte Agenten mit verwalteter Codex-Infrastruktur vor; die angeführten Leistungswerte stammen aus einem einzelnen, nicht näher belegten Kundenbericht.

  13. Building more with GPT-5.1-Codex-Max openai · 2025 · Q006968 · einzelne zitierbare Belege

    OpenAI zufolge verbessert GPT‑5.1‑Codex‑Max die Ergebnisse und Ausdauer bei agentischen Programmieraufgaben, doch der Bericht stützt sich überwiegend auf unternehmenseigene Benchmarks und interne Beobachtungen und empfiehlt weiterhin menschliche Kontrolle.

  14. Wie wir Fehlausrichtung bei Frontier-Modellen erkennen openai · Q009534 · einzelne zitierbare Belege

    OpenAI berichtet über ein erweitertes Überwachungssystem für KI-Agenten, das Vorfälle früher erkennen soll, aber laut Bericht durch Fehlalarme, Umgehungsmöglichkeiten und Datenschutzgrenzen eingeschränkt bleibt.

  15. Unser Rahmen für Berichte über Modell-Fehlausrichtung openai · Q009536 · einzelne zitierbare Belege

    OpenAI veröffentlicht einen vorläufigen Offenlegungsrahmen und sechs Einzelfälle von Modell-Fehlausrichtung, die laut Unternehmen weder deren Häufigkeit noch das gesamte bekannte Spektrum abbilden.

  16. 27 Claude Code Tricks I Wish Someone Had Shown Me on Day One medium.com · 2026 · Q010910 · einzelne zitierbare Belege

    Der Autor rät, Claude Code mit Projektwissen, Skills, Hooks und Subagents für wiederkehrende Abläufe zu konfigurieren, präsentiert dies aber als Sammlung von Empfehlungen ohne systematische Wirksamkeitsmessung.

  17. I Tested 100+ Claude Code GitHub Repos. These Are the 10 Worth Using medium.com · 2026 · Q011170 · einzelne zitierbare Belege

    Der Autor empfiehlt zehn praktisch erprobte Claude-Code-Werkzeuge, weist aber darauf hin, dass seine Erfahrungen und Einsparungsmessungen begrenzt sind und Ergebnisse, Kosten sowie Risiken konkret geprüft werden müssen.

  18. Vibe physics: The AI grad student anthropic · 2026 · Q000813 · Hintergrund, keine Belege · ohne Zusammenfassung
  19. GPT-5.1-Codex-Max System Card openai · 2025 · Q000927 · Hintergrund, keine Belege

    GPT‑5.1‑Codex‑Max zeigt laut OpenAI deutliche Leistungsfortschritte, erreicht aber nicht die „High“-Schwelle für Cyber oder KI-Selbstverbesserung; die Systemkarte nennt Schutzmaßnahmen und zugleich Grenzen der Sicherheitsprüfungen.

  20. Addendum to GPT-5.2 System Card: GPT-5.2-Codex openai · 2025 · Q000982 · Hintergrund, keine Belege

    OpenAI zufolge ist GPT-5.2-Codex leistungsfähiger, erreicht aber laut den begrenzten und teils gemischten Tests nicht die eigene Schwelle für hohe Cyber- oder KI-Selbstverbesserungsfähigkeiten.

  21. Implementing and Evaluating a Basic Per-Action Monitor for Safer Evals metr · 2026 · Q001020 · Hintergrund, keine Belege

    METRs Aktionsmonitor zeigt in begrenzten Tests gute Erkennung, doch Abdeckungslücken, Umgehungsmöglichkeiten und schwache Belege verhindern bislang eine belastbare Wirksamkeitsbehauptung.

  22. Harness design for long-running apps anthropic · 2026 · Q002492 · Hintergrund, keine Belege · ohne Zusammenfassung
  23. How we built our multi-agent research system anthropic · 2025 · Q004085 · Hintergrund, keine Belege · ohne Zusammenfassung
  24. A shared playbook for trustworthy third party evaluations fragen-funde · 2026 · Q004558 · Hintergrund, keine Belege

    Vertrauenswürdige KI-Evaluationen müssen neben Ergebnissen auch Harness, Budget, geprüfte Behauptung und Validitätsrisiken offenlegen; die Bewertung von Fehlanpassungs- und Neigungsbehauptungen bleibt laut Bericht offen.

  25. 阶跃星辰开放平台 fragen-funde · 2026 · Q004919 · Hintergrund, keine Belege

    Step 5 Preview soll laut seinen Entwicklern lange Agentenaufgaben durch ein tiefes Modell, sparse Aufmerksamkeit und angepasste Daten- und RL-Verfahren effizienter bewältigen; die berichteten Ergebnisse sind interne Angaben und das System bleibt in Entwicklung.

  26. A model guide for the GPT-6 family openai · 2026 · Q005550 · Hintergrund, keine Belege

    Der Auszug gibt Empfehlungen zur Modellauswahl, Promptgestaltung und Produktionsnutzung der GPT‑6-Familie, enthält aber keine systematischen Vergleichsergebnisse und endet nach dem ersten von vier angekündigten Kundenbeispielen.

  27. How enabling two settings tripled our scores on the ARC-AGI-3 benchmark openai · 2026 · Q007673 · Hintergrund, keine Belege

    OpenAI zufolge steigerten erhaltene Überlegungen und Compaction GPT‑5.6 Sols ARC‑AGI‑3-Wert auf dem öffentlichen Aufgabensatz von 13,3 auf 38,3 Prozent; die Zahlen stammen aus den beschriebenen OpenAI-Versuchen.

  28. From model to agent: Equipping the Responses API with a computer environment openai · 2026 · Q007989 · Hintergrund, keine Belege

    OpenAI stellt eine computerbasierte Umgebung für mehrstufige Agenten vor, doch die beschriebenen Vorteile sind Unternehmensangaben ohne unabhängige Evaluation im Bericht.

  29. I kept building LLM apps that worked in demos and broke in production. medium.com · 2026 · Q011080 · Hintergrund, keine Belege

    Der Beitrag empfiehlt, LLM-Anwendungen vor allem durch sorgfältige Auswahl, Pflege und Überwachung ihres Kontexts verlässlicher zu machen; die Begründung beruht hauptsächlich auf Praxiserfahrungen und einem knapp referierten Studienergebnis.

  30. My Claude Code Setup: A Planner, Workers, a Reviewer, and a Smarter Context Window medium.com · 2026 · Q011168 · Hintergrund, keine Belege

    Der Bericht empfiehlt für größere Claude-Code-Aufgaben getrennte Rollen, Koordination und gezieltes Kontextmanagement, betont aber, dass die Wirkung von der Umsetzung abhängt und Tests sowie menschliches Urteil nötig bleiben.

  31. Top 10 Jev Builds You Can Ship in an Afternoon medium.com · 2026 · Q011180 · Hintergrund, keine Belege

    Der vollständige Bericht skizziert zehn Jev-Anwendungen und empfiehlt, sie mit eigenen Beispieldaten, Unsicherheitsregeln und Schattenbetrieb zu erproben.

  32. Building Agents That Actually Work: OpenAI’s New Toolkit for Long-Running Workflows medium.com · 2026 · Q011293 · Hintergrund, keine Belege

    Der Beitrag beschreibt Skills, Shell und Compaction als praktische Grundlage für längere Agentenabläufe und nennt dazu Empfehlungen sowie nicht näher methodisch erklärte Erfahrungswerte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →