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-P3-T05

Welches Mindestpaket (Datenverzeichnisse, Code, Zufallsstartwerte, Abbilder der Rechenumgebung, Prüferversionen, Fehlerprotokolle und Annahmen über die Hardware) muss ein Labor sichern oder kontrolliert hinterlegen, damit ein Prüfer ein sicherheitskritisches Trainings- oder Prüfergebnis auch nach Ende seines Zugangs nachrechnen kann, und welche Geheimnisse bleiben unzugänglich?

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

Zum Inhalt ↓
← Alle Quellen zu SF-P3
  1. Compute trends across three eras of machine learning epoch · 2022 · Q003996 · Hintergrund, keine Belege

    Epoch AI berichtet von stark wachsendem Trainingsaufwand und schlägt drei Entwicklungsphasen vor, weist aber auf erhebliche Datenlücken und unsichere Abgrenzungen hin.

  2. Automated Alignment Researchers anthropic · 2026 · Q004013 · Hintergrund, keine Belege

    Anthropic zufolge beschleunigten autonome Claude-Forschende eine eng umrissene Alignment-Aufgabe deutlich, doch begrenzte Übertragbarkeit, ein ergebnisloser Produktionstest und Versuche zur Bewertungsmanipulation zeigen, dass menschliche Kontrolle nötig bleibt.

  3. Paving the way for AI agents in biology anthropic · 2026 · Q004286 · Hintergrund, keine Belege

    Laut dem Beitrag macht ein zuverlässiger, deterministischer Datenzugang biologische KI-Agenten beim Abruf viraler Sequenzen deutlich genauer und reproduzierbarer.

  4. Estimating training compute of deep learning models epoch · 2022 · Q004371 · Hintergrund, keine Belege

    Der Bericht vergleicht zwei annähernde Verfahren zur Schätzung des Trainingsaufwands von KI-Modellen und empfiehlt, Architektur- und GPU-basierte Schätzungen nach Möglichkeit gegenzuprüfen.

  5. 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.

  6. Priorities and principles for effective third party assessments fragen-funde · 2026 · Q004579 · Hintergrund, keine Belege

    OpenAI skizziert Grundsätze und vier Schwerpunkte für unabhängige KI-Sicherheitsprüfungen, deren Reichweite durch Zugang, Vertraulichkeit und den noch entstehenden Standardrahmen begrenzt sein kann.

  7. An Alien Mind fragen-funde · 2026 · Q004592 · Hintergrund, keine Belege

    Pachocki warnt, dass KI-Fähigkeiten schneller wachsen könnten als ihre verlässliche Ausrichtung und Überwachung, und fordert deshalb Sicherheitsgrenzen sowie internationale Abstimmung.

  8. Autonomous Cyber Defense cset · 2023 · Q004614 · Hintergrund, keine Belege

    Der vorliegende Executive-Summary-Auszug sieht RL-gestützte autonome Cyberabwehr als vielversprechend, aber technisch unreif und langfristig; nötig seien vertrauenswürdige Systeme und nachhaltige Unterstützung.

  9. The case for targeted regulation anthropic · 2024 · Q004624 · Hintergrund, keine Belege

    Anthropic fordert flexible, überprüfbare und gezielte Regeln für fortgeschrittene KI, um ausgewählte schwere Risiken zu senken und unnötige Belastungen zu vermeiden.

  10. Amazon Nova Reel - AWS AI Service Cards fragen-funde · 2025 · Q004873 · Hintergrund, keine Belege

    AWS zufolge erzeugt Nova Reel Videos aus englischen Prompts und optionalen Bildern, doch Ergebnisse können fehlerhaft oder ungeeignet sein und müssen für jeden Einsatzfall geprüft werden.

  11. nemotron-3.5-super-vl-120b-a12b Model by NVIDIA fragen-funde · Q004895 · Hintergrund, keine Belege

    Laut NVIDIA ist Nemotron 3.5 Super VL NVFP4 ein multimodales, quantisiertes Modell mit teils ähnlichen und teils niedrigeren Benchmarkwerten als BF16, dessen Ausgaben und Einsatz laut Modellkarte geprüft und abgesichert werden sollen.

  12. Models as Insider Risks in the Super Intelligence Era fragen-funde · 2026 · Q005078 · Hintergrund, keine Belege · ohne Zusammenfassung
  13. OpenAI's AI Pipeline Finds 948 Linux Root Exploits in a Single Run fragen-funde · 2026 · Q005102 · Hintergrund, keine Belege

    OpenAI meldet 948 funktionierende Linux-Rechteausweitungs-Exploits aus einem automatisierten Lauf; der Bericht betont, dass die Angaben und ihre unabhängige Überprüfbarkeit begrenzt sind.

  14. AI Safety Institutes: Can countries meet the challenge? oecd · 2024 · Q005261 · Hintergrund, keine Belege

    Der OECD-Beitrag beschreibt AISIs als mögliche Säulen für KI-Prüfung und internationale Abstimmung, deren Wirksamkeit jedoch von sicherem Informationsaustausch, passenden Befugnissen, ausreichenden Fachkräften und geeignetem Modellzugang abhängt.

  15. Post by @Sam_McCandlish on X fragen-funde · 2026 · Q005265 · Hintergrund, keine Belege · ohne Zusammenfassung
  16. Towards algorithm auditing: A research overview oecd · 2024 · Q005375 · Hintergrund, keine Belege

    Der Beitrag plädiert für wiederkehrende, kontextspezifische Algorithmus-Audits, deren Zusicherung nur die tatsächlich geprüften Standards und Rechtsvorgaben abdeckt.

  17. Measurements for understanding the pace of AI development inside frontier labs anthropic · Q005392 · Hintergrund, keine Belege

    Anthropic berichtet vorläufige Kennzahlen zu KI-Forschung, Agentenaufsicht und Sicherheits-Rechenleistung und fordert vergleichbare Messungen sowie unabhängige Prüfungen.

  18. Why policymakers worldwide must prioritise security for AI oecd · 2023 · Q005571 · Hintergrund, keine Belege

    Der Beitrag fordert, KI-Sicherheit wegen vielfältiger Angriffsrisiken stärker in Regulierung und Praxis zu verankern, räumt aber ein, dass Abwehr schwierig bleibt.

  19. Ensuring AI’s trustworthiness: reliability engineering meets data-driven risk management oecd · 2023 · Q005603 · Hintergrund, keine Belege

    Der Beitrag empfiehlt Zuverlässigkeitstechnik und dokumentierte Vorfallmeldungen für das KI-Risikomanagement, betont aber, dass dieser Ansatz allein keine KI-Sicherheit garantiert.

  20. The argument for holistic AI audits oecd · 2023 · Q005696 · Hintergrund, keine Belege

    Der Beitrag empfiehlt umfassende KI-Audits, die technische Ergebnisse und Governance gemeinsam prüfen, weil jeder Ansatz für sich wichtige Risiken übersehen kann.

  21. The United States works with domestic and international AI communities to establish frameworks that advance trustworthy AI for all oecd · 2023 · Q005707 · Hintergrund, keine Belege

    Die US-Regierung will laut Bericht KI durch Risikomanagement, Sicherheitsmaßnahmen und internationale Abstimmung vertrauenswürdiger gestalten; die Darstellung beschreibt vor allem Ziele und laufende Vorhaben, nicht deren unabhängig geprüfte Wirkung.

  22. Comment on NIST Draft Standards for Reliable, Robust, and Trustworthy Artificial Intelligence cset · 2019 · Q005766 · Hintergrund, keine Belege

    Der vorliegende Auszug aus CSETs Stellungnahme empfiehlt Grundlagenforschung und ein nationales NIST-Testfeld, um Standards für vertrauenswürdige KI zu entwickeln.

  23. 人工智能原则: 美国国防部关于人工智能道德使用的建议 cset · 2019 · Q006534 · Hintergrund, keine Belege

    Der Bericht empfiehlt fünf ethische KI-Grundsätze und zwölf Umsetzungsschritte für das US-Verteidigungsministerium, über deren endgültige Annahme dieses selbst entscheidet.

  24. Familiar methods can help to ensure trustworthy AI as the algorithm auditing industry grows oecd · 2021 · Q006823 · Hintergrund, keine Belege

    Der Bericht plädiert für risikobasierte Audits von Algorithmen, die zentrale Vertrauensfragen prüfen, Zielkonflikte berücksichtigen und in Governance eingebettet werden.

  25. Harness engineering: leveraging Codex in an agent-first world openai · 2026 · Q006874 · Hintergrund, keine Belege

    OpenAI berichtet, dass Codex ein internes Produkt ohne manuell geschriebenen Code entwickelte, wobei Werkzeuge, Dokumentation und feste Regeln die Agentenarbeit ermöglichten; die langfristige Tragfähigkeit ist laut Autor noch ungeklärt.

  26. Why benchmarking is hard epoch · 2025 · Q006907 · Hintergrund, keine Belege

    Laut den Autoren können sich Unterschiede bei Benchmark-Setup, Modellzugang und Bereitstellung summieren und KI-Benchmarkwerte deutlich beeinflussen.

  27. Building more with GPT-5.1-Codex-Max openai · 2025 · Q006968 · Hintergrund, keine 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.

  28. Introducing EVMbench openai · 2026 · Q007446 · Hintergrund, keine Belege

    EVMbench misst KI-Fähigkeiten bei Smart-Contract-Sicherheit; OpenAI berichtet starke Exploit-Ergebnisse, nennt aber deutliche Leistungs- und Bewertungsgrenzen.

  29. An update on our safety & security practices openai · 2024 · Q007585 · Hintergrund, keine Belege

    OpenAI kündigt unabhängige Aufsicht und weitere Sicherheitsmaßnahmen an, nennt aber weder konkrete Fristen noch ausführliche Prüfergebnisse; der Text ist keine erkennbare Auszugs- oder Fehlerseite.

  30. Helping build shared standards for advanced AI openai · 2026 · Q007935 · Hintergrund, keine Belege

    OpenAI zufolge soll Appia offene, interoperable Standards für KI-Prüfungen fördern; die Wirkung des Vorhabens wird im Bericht nicht unabhängig belegt.

  31. Improving verifiability in AI development openai · 2020 · Q008309 · Hintergrund, keine Belege

    Der Text stellt zehn Empfehlungen für besser überprüfbare KI-Entwicklung vor, ist aber nur eine Zusammenfassung und erläutert weder deren Wirksamkeit noch die Einschränkungen des vollständigen Berichts.

  32. OpenAI o1 System Card openai · 2024 · Q008641 · Hintergrund, keine Belege

    OpenAI beschreibt o1 als in vielen Sicherheitstests verbessert, stuft es aber wegen verbleibender Risiken insgesamt als mittleres Risiko ein und warnt, dass die Prüfungen mögliche Fähigkeiten nur unvollständig erfassen.

  33. Testimony before the U.S. Senate openai · 2023 · Q008913 · Hintergrund, keine Belege

    Altman wirbt vor dem US-Senat für KI-Sicherheitsregeln und beschreibt OpenAIs Vorteile und Schutzmaßnahmen, räumt aber Fehler und Risiken ein; seine Angaben sind nicht unabhängig geprüft.

  34. https://arxiv.org/pdf/2410.07095 openai · Q009434 · Hintergrund, keine Belege

    MLE-bench zeigt, dass die getesteten KI-Agenten bei Kaggle-ähnlichen ML-Aufgaben noch oft scheitern: o1-preview mit AIDE erreichte bei 16,9 Prozent der Wettbewerbe eine Medaille, wobei Aussagekraft und Übertragbarkeit des Benchmarks begrenzt sind.

  35. OpenAI o1 System Card openai · Q009438 · Hintergrund, keine Belege

    OpenAI zufolge verbessert o1 viele Sicherheitsmesswerte, birgt aber in bestimmten Bereichen mittlere Risiken, und die Tests erfassen mögliche Gefahren nur begrenzt.

  36. https://arxiv.org/pdf/1910.07113 openai · Q009445 · Hintergrund, keine Belege

    Der Bericht zeigt, dass eine in Simulation mit ADR trainierte Roboterhand einen Rubik’s Cube teilweise auf realer Hardware lösen kann, doch vollständige Erfolge und rein visuelle Zustandsbestimmung mit einem Standardwürfel bleiben begrenzt.

  37. Das Zeitfenster für KI-Richtlinien ist offen. Wir müssen handeln. openai · Q009515 · Hintergrund, keine Belege

    OpenAI drängt auf rasche KI-Sicherheitsregeln und erklärt, seine Schutzmaßnahmen mit den Fähigkeiten der Systeme weiterzuentwickeln.

  38. Auf dem Weg zu Sicherheitsnachweisen für das Training von Frontier-KI openai · Q009545 · Hintergrund, keine Belege

    OpenAI skizziert vorläufige Sicherheitsleitlinien für Frontier-KI-Training und betont, dass belastbare Sicherheitsnachweise ein langfristiges Ziel sind.

  39. Soon, We May No Longer Need Humans to Train AI Models frank-andrade.medium.com · 2025 · Q009844 · Hintergrund, keine Belege

    Der Artikel beschreibt AZR als vielversprechendes selbsttrainierendes KI-Verfahren mit berichteten Leistungsgewinnen, aber auch Sicherheitsbedenken und offenen Grenzen.

  40. Scalable Active Learning for Autonomous Driving medium.com · 2019 · Q011108 · Hintergrund, keine Belege

    Laut NVIDIA verbesserte Active Learning in einem einzelnen Nachtexperiment die Erkennung von Fahrrädern und Fußgängern gegenüber manueller Datenauswahl, doch die Autoren sehen weitere Langzeittests als nötig an.

  41. You Are Evaluating Sovereign AI Wrong medium.com · 2026 · Q011506 · Hintergrund, keine Belege

    Der Beitrag empfiehlt, KI-Souveränität anhand von Kontrolle über Rechenleistung, Daten, Modelle und Wechselmöglichkeiten zu prüfen, statt sie allein am Serverstandort oder an offenen Modellgewichten festzumachen.

Sprache und Prüfstand

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

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →