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-P4

Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?

761 Berichte ab Stufe 3 bei mindestens einem Modell, stärkste zuerst.

Zum Inhalt ↓
← Interaktive Liste mit Filtern
  1. https://arxiv.org/pdf/2410.11081 openai · Q009444 · einzelne zitierbare Belege

    sCM soll kontinuierliche Konsistenzmodelle für schnelle Bildgenerierung stabilisieren und erreicht laut Bericht in zwei Schritten FID-Werte nahe an vortrainierten Diffusionsmodellen, bleibt aber mit Artefakten und offenen Skalierungsgrenzen behaftet.

  2. Scalable Active Learning for Autonomous Driving medium.com · 2019 · Q011108 · einzelne zitierbare 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.

  3. A Causal Framework for AI Regulation and Auditing apollo · Q001077 · Hintergrund, keine Belege

    Der Auszug schlägt vor, KI-Audits entlang einer Kausalkette von den Systemwirkungen bis zu Training und Governance aufzubauen und Änderungen der verfügbaren Handlungsmöglichkeiten zu prüfen; detaillierte Nachweise enthält er nicht.

  4. Paul Christiano: Staying in Control of Self-Improving AI | The Hinton Lectures 2026 (Night 2) youtube.com · 2026 · Q000304 · Hintergrund, keine Belege · ohne Zusammenfassung
  5. Drawing-up a General-Purpose AI Code of Practice eu · Q001505 · Hintergrund, keine Belege

    Der Bericht beschreibt den breit angelegten Prozess zur Ausarbeitung des freiwilligen GPAI-Kodex und einer Vorlage für Trainingsdaten-Zusammenfassungen, erläutert aber die konkreten Kodexregeln nicht ausführlich.

  6. Anthropic, PBC - S-1 (Q2) fragen-funde · Q001846 · Hintergrund, keine Belege · ohne Zusammenfassung
  7. Early lessons from evaluating frontier AI systems aisi · 2024 · Q002272 · Hintergrund, keine Belege

    Das AISI entwickelt mehrstufige unabhängige KI-Prüfungen, betont aber, dass deren Aussagekraft und die wissenschaftlichen Grundlagen noch Grenzen haben.

  8. Topic Overview: AI Chips epoch · 2026 · Q003970 · Hintergrund, keine Belege

    Epoch AI zufolge hängen KI-Fortschritt und seine weltweite Verteilung stark von einer konzentrierten Chip-Lieferkette, wachsender Rechenkapazität und ausreichender Stromversorgung ab.

  9. Expanding our analysis of biological AI models epoch · 2026 · Q004405 · Hintergrund, keine Belege

    Laut Epoch AI bietet die Datenbank einen Überblick über 1.196 biologische KI-Modelle, zeigt aber selten dokumentierte Schutzmaßnahmen, deren Wirksamkeit die Untersuchung nicht prüfte.

  10. Leading AI companies have hundreds of thousands of cutting-edge AI chips epoch · 2024 · Q005987 · Hintergrund, keine Belege

    Der Bericht schätzt für führende Tech-Unternehmen sehr große KI-Rechenkapazitäten, weist aber auf unsichere Daten und die Vermietung beziehungsweise Anmietung von Rechenleistung hin.

  11. GATE: an integrated assessment model for AI automation epoch · 2025 · Q000003 · Hintergrund, keine Belege

    GATE modelliert, wie KI-Rechenleistung Automatisierung und Wachstum beeinflussen könnte, liefert laut Bericht aber bedingte und quantitativ unsichere Szenarien statt einer Epoch-AI-Prognose.

  12. How are countries evaluating AI models? fragen-funde · 2026 · Q000063 · Hintergrund, keine Belege · ohne Zusammenfassung
  13. Partnering with Accenture on embedded evaluation anthropic · 2026 · Q000067 · Hintergrund, keine Belege

    Anthropic kündigt mit Accenture unabhängige, eingebettete KI-Prüfungen an, während Standards und dauerhafte Finanzierung dafür laut Bericht noch offen sind.

  14. Paris Call for AI safety and security. elysee.fr · 2026 · Q000411 · Hintergrund, keine Belege · ohne Zusammenfassung
  15. Embedded Evaluators are necessary for meaningful external testing apollo · Q000954 · Hintergrund, keine Belege

    Apollo fordert unabhängige Evaluatoren mit tiefem, frühem Zugang zur KI-Entwicklung, betont aber, dass solche Prüfungen Sicherheit allein nicht gewährleisten.

  16. Post by @MTSlive on X x-posts · 2026 · Q001105 · Hintergrund, keine Belege · ohne Zusammenfassung
  17. Our contribution to a global environmental standard for AI mistral · 2025 · Q001357 · Hintergrund, keine Belege

    Mistral legt eigene Umweltkennzahlen für seine Sprachmodelle vor und fordert globale Standards, betont aber, dass die Studie wegen fehlender Daten und geschätzter GPU-Herstellungsfolgen nur eine erste Annäherung ist.

  18. Anthropic, PBC sec.gov · Q001847 · Hintergrund, keine Belege · ohne Zusammenfassung
  19. Topic Overview: AI Energy Use epoch · 2026 · Q003701 · Hintergrund, keine Belege

    Einzelne KI-Anfragen verbrauchen laut Bericht wenig Energie, doch der schnell wachsende Rechenzentrumsbedarf könnte Stromversorgung, Preise und Klima zunehmend beeinflussen.

  20. Can AI scaling continue through 2030? epoch · 2024 · Q003854 · Hintergrund, keine Belege

    Laut Epoch AI könnten KI-Trainingsläufe bis 2030 technisch etwa 2 × 10²⁹ FLOP erreichen, wobei vor allem Stromversorgung, Chipproduktion und die dafür nötigen Investitionen unsicher bleiben.

  21. Could decentralized training solve AI’s power problem? epoch · 2025 · Q004036 · Hintergrund, keine Belege

    Laut Epoch AI könnte dezentrales Training über 23 Standorte den Stromengpass für sehr große KI-Cluster mindern, doch die 10-GW-Machbarkeit ist eine Modellabschätzung und kein Praxisergebnis.

  22. Data movement bottlenecks to large-scale model training: Scaling past 1e28 FLOP epoch · 2024 · Q004067 · Hintergrund, keine Belege

    Der Bericht beschreibt Datenverkehr und Latenz als mögliche Grenzen für größeres KI-Training, doch mehrere ausgelassene Zahlen und Formeln verhindern, zentrale Schwellenwerte genau zu bestimmen.

  23. Hardware failures won’t limit AI scaling epoch · 2024 · Q004551 · Hintergrund, keine Belege

    Laut den Modellrechnungen des Berichts dürften GPU-Ausfälle KI-Trainingsläufe nicht praktisch begrenzen, sofern die zugrunde gelegten Annahmen gelten.

  24. How much does it cost to train frontier AI models? epoch · 2024 · Q004662 · Hintergrund, keine Belege

    Epoch AI schätzt stark steigende Trainingskosten für Frontier-KI und sieht bei anhaltenden Trends Finanzierung und Stromversorgung als mögliche Engpässe; die Kosten- und Zukunftswerte sind Schätzungen, keine sicheren Vorhersagen.

  25. Anthropic and Amazon expand compute collaboration anthropic · 2026 · Q004861 · Hintergrund, keine Belege

    Anthropic kündigt einen umfangreichen Ausbau der AWS-Zusammenarbeit für Claude an und führt ihn auf stark steigende Nachfrage zurück; Angaben und Zeitpläne stammen aus der Unternehmensmitteilung und sind dort nicht unabhängig geprüft.

  26. How much power will frontier AI training demand in 2030? epoch · 2025 · Q005132 · Hintergrund, keine Belege

    Laut Epoch AI könnten die größten KI-Trainingsläufe 2030 voraussichtlich 4 bis 16 GW benötigen, doch die Prognose ist unsicher und die Versorgungsengpässe sind nicht detailliert modelliert.

  27. Trends in AI supercomputers epoch · 2025 · Q005484 · Hintergrund, keine Belege

    Laut Epoch AI wachsen Leistung, Kosten und Strombedarf von KI-Supercomputern rasant, doch die Aussagen beruhen auf einem lückenhaften Datensatz, der schätzungsweise nur 10 bis 20 Prozent der globalen Rechenleistung erfasst.

  28. Topic Overview: AI Data Centers epoch · 2025 · Q005645 · Hintergrund, keine Belege

    KI-Rechenzentren brauchen enorme, konzentrierte Stromversorgung und aufwendige Kühlung; laut Bericht sind ihre bisherigen Klimaeffekte begrenzt, könnten mit weiterem Ausbau aber deutlich zunehmen.

  29. Global AI computing capacity is doubling every 7 months epoch · 2026 · Q005761 · Hintergrund, keine Belege

    Epoch AI zufolge verdoppelt sich die globale KI-Chip-Rechenleistung seit 2022 etwa alle sieben Monate, doch die Schätzung beruht auf uneinheitlichen und teils unvollständigen Daten.

  30. Training compute costs are doubling every eight months for the largest AI models epoch · 2024 · Q006012 · Hintergrund, keine Belege

    Der Bericht behauptet, dass sich die Trainingskosten der größten KI-Modelle etwa alle acht Monate verdoppeln; die zugrunde liegenden Schätzungen und ihre Unsicherheiten werden im Auszug nur begrenzt erklärt.

  31. The size of datasets used to train language models doubles approximately every six months epoch · 2024 · Q006066 · Hintergrund, keine Belege

    Der Berichtsauszug behauptet ein etwa halbjährliches Verdoppeln der Trainingsdatensätze für Sprachmodelle, erläutert aber die Messmethode und die Vergleichbarkeit seiner Größenangaben nicht.

  32. What did it take to train Grok 4? epoch · 2025 · Q006150 · Hintergrund, keine Belege

    Epoch AI schätzt Grok 4 als ressourcenintensiv; mehrere Angaben zu Wasser und Emissionen weichen innerhalb des Berichts voneinander ab, und wichtige Zusatzkosten sind nicht eingerechnet.

  33. Total AI chip memory bandwidth has grown 4.1x per year, now reaching 70 million terabytes per second epoch · 2026 · Q006163 · Hintergrund, keine Belege

    Epoch AI schätzt die kumulierte Bandbreite ausgelieferter KI-Chips für Q4 2025 auf rund 70 Millionen Terabyte pro Sekunde, weist aber auf modellbedingte Unsicherheit und den Näherungscharakter der Kennzahl hin.

  34. Five hyperscalers now own over two-thirds of global AI compute epoch · 2026 · Q006181 · Hintergrund, keine Belege

    Laut Epoch-AI-Schätzung kontrollierten Amazon, Google, Meta, Microsoft und Oracle Ende 2025 zusammen rund 71 Prozent der weltweiten KI-Rechenleistung.

  35. Almost half of large-scale models have published, downloadable weights epoch · 2024 · Q006192 · Hintergrund, keine Belege

    Der Auszug berichtet von 84 Großmodellen mit herunterladbaren Gewichten, erläutert aber nicht, wie die Titelangabe „fast die Hälfte“ zu den 271 Modellen der Tabelle passt.

  36. Largest AI data center: doubling every 7 months epoch · 2026 · Q006205 · Hintergrund, keine Belege

    Epoch AI schätzt, dass sich die Rechenleistung des größten KI-Rechenzentrums seit 2024 etwa alle sieben Monate verdoppelt hat, wobei die Zukunftswerte unsicher sind.

  37. Open-weight models lag state-of-the-art by around 3 months on average epoch · 2025 · Q006290 · Hintergrund, keine Belege

    Epoch AI zufolge beträgt der durchschnittliche ECI-Rückstand führender Open-Weight-Modelle etwa drei Monate, schwankt aber deutlich und kann zeitweise ganz verschwinden.

  38. AI progress is about to speed up epoch · 2025 · Q006459 · Hintergrund, keine Belege

    Der Autor erwartet 2025 deutliche KI-Fortschritte durch größere Trainingsläufe, sieht aber bei eigenständigem Handeln und langen komplexen Aufgaben anhaltende Grenzen.

  39. How much AI compute do frontier labs use? epoch · 2026 · Q006568 · Hintergrund, keine Belege

    Laut einer unsicheren Schätzung nutzten die fünf größten Frontier-KI-Labore Ende 2025 weniger als die Hälfte der weltweiten KI-Rechenleistung, könnten ihren Anteil aber rasch steigern und damit den Druck auf den globalen Ausbau erhöhen.

  40. How big could an “AI Manhattan Project” get? epoch · 2025 · Q006597 · Hintergrund, keine Belege

    Der Beitrag hält einen staatlich unterstützten US-Trainingslauf von etwa 2 × 10²⁹ FLOP bis Ende 2027 für physisch denkbar, sofern Finanzierung, politische Unterstützung und die zugrunde gelegten Annahmen zutreffen.

  41. The least understood driver of AI progress epoch · 2026 · Q006825 · Hintergrund, keine Belege

    Ho hält schnellen KI-Softwarefortschritt für plausibel, betont aber, dass unklare Datenlage, bessere Trainingsdaten und die Abhängigkeit von größerem Compute sowohl die Messungen als auch Prognosen einer möglichen KI-Forschungsbeschleunigung unsicher machen.

  42. How AI training scales openai · 2018 · Q008103 · Hintergrund, keine Belege

    Laut Bericht sagt die Gradientenrauschskala ungefähr voraus, wie weit paralleles KI-Training skaliert werden kann; eine weitere Ausdehnung auf künftige Systeme bleibt eine begründete, aber nicht gesicherte Erwartung.

  43. Securing our frontier model training environment openai · 2026 · Q000037 · Hintergrund, keine Belege

    OpenAI beschreibt zusätzliche, mehrschichtige Schutzmaßnahmen und umfangreiche Agententests für seine Trainingsumgebungen, betont aber, dass die Abwehr gegen künftige Modelle fortlaufend geprüft werden müsse.

  44. Minimum Conditions for Embedding Evaluators fragen-funde · 2026 · Q000062 · Hintergrund, keine Belege

    Ein offener Brief fordert unabhängige, transparente und geschützte externe Bewertungen von KI-Unternehmen und ihren Systemen als Ergänzung zu umfassenderer Aufsicht.

  45. China plans AI export curbs to exert control over key tech fragen-funde · 2026 · Q000130 · Hintergrund, keine Belege · ohne Zusammenfassung
  46. https://www.nist.gov/system/files/documents/2026/10/16/Key_Practices_for_Incident_Readiness_and_Response_in_Super_Intelligence%20_Training_and_Evaluation.pdf nist · Q000142 · Hintergrund, keine Belege · ohne Zusammenfassung
  47. Frontier AI: what the international standards system already offers worldstandardscooperation.org · Q000365 · Hintergrund, keine Belege · ohne Zusammenfassung
  48. DeepSeek Distillation Claims Explained and Analyzed abclive.in · 2026 · Q000390 · Hintergrund, keine Belege

    Laut Bericht sprechen öffentliche Angaben dafür, dass DeepSeek wahrscheinlich einige Antworten amerikanischer KI-Modelle nutzte, doch Umfang und Wirkung bleiben ungeklärt und ein Zugriff auf Code oder Gewichte ist nicht belegt.

  49. China’s AI Export Draft Puts Its Paperwork on Deals ciw.news · 2026 · Q000395 · Hintergrund, keine Belege · ohne Zusammenfassung
  50. AI incident verification records | VSO veritaschain.org · 2026 · Q000396 · Hintergrund, keine Belege

    Die 64 Prüfstände dokumentieren ein breites Spektrum KI-bezogener Vorfälle und Streitfälle, betonen aber, dass viele Zuschreibungen, Schäden und Ursachen unbestätigt oder noch ungeklärt sind.

  51. Kimi K3.1 Pro Weights Ship at 1.56 TB, With Cyber Gains Held Back rits.shanghai.nyu.edu · 2026 · Q000400 · Hintergrund, keine Belege

    Moonshot veröffentlichte Kimi K3.1 Pro mit 1,56 TB Gewichten und laut eigener Messung reduzierten Cyberfähigkeiten; die Benchmarks zeigen Stärken bei agentischen Aufgaben, aber Schwächen bei anspruchsvollem Schlussfolgern, und die Lizenz ist kein Open Source.

  52. Control Room: A central system to track and stop model workloads across our research infrastructure openai · Q000441 · Hintergrund, keine Belege

    Laut Bericht kann Control Room Forschungsjobs zentral stoppen, doch die Sperre greift mit bis zu 35 Sekunden Verzögerung und der Ausfallschutz war noch nicht überall ausgerollt.

  53. Konzept zur Prüfung von Hochleistungs-KI vom TÜV-Verband und TÜV AI.Lab tuev-verband.de · 2026 · Q000505 · Hintergrund, keine Belege · ohne Zusammenfassung
  54. Post by @sama on X x-posts · 2026 · Q000584 · Hintergrund, keine Belege · ohne Zusammenfassung
  55. AI Act Scientific Panel eu · Q000695 · Hintergrund, keine Belege

    Der Bericht stellt Auftrag und Zusammensetzung eines 60-köpfigen EU-Expertengremiums zum AI Act vor, enthält aber kaum Angaben zu den Ergebnissen seiner Arbeit.

  56. The enforcement framework of the AI Act eu · Q000911 · Hintergrund, keine Belege

    Der Bericht skizziert Zuständigkeiten, Ermittlungs- und Bußgeldbefugnisse sowie den gestaffelten Zeitplan zur Durchsetzung des AI Act und bezeichnet sich als unverbindliche Informationsübersicht.

  57. Black-Box Access is Insufficient for Rigorous AI Audits apollo · Q001102 · Hintergrund, keine Belege

    Der Auszug plädiert für White-Box-Prüfungen von KI-Modellen, enthält jedoch keine konkreten Ergebnisse, da er vor deren Darstellung endet.

  58. Big Picture AI Safety farai · 2026 · Q001309 · Hintergrund, keine Belege · ohne Zusammenfassung
  59. International evaluation best practice and open questions in AI measurement aisi · 2026 · Q001350 · Hintergrund, keine Belege

    NAAIMES stellt gemeinsame Empfehlungen für vergleichbare KI-Evaluationen vor und will offene Fragen, besonders zu KI-Agenten, weiter bearbeiten; der Bericht belegt nicht, wie wirksam die Empfehlungen sind.

  60. Releasing AISI’s Engineering Playbook aisi · 2026 · Q001478 · Hintergrund, keine Belege

    AISI stellt einen offenen, in fünf Ebenen gegliederten Leitfaden für KI-Evaluationsinfrastruktur vor, den der Bericht als nützliche, aber noch weiterzuentwickelnde Momentaufnahme beschreibt.

  61. Pacing model development in an era of cyber-critical capabilities openai · 2026 · Q001548 · Hintergrund, keine Belege

    OpenAI sagt, es habe wegen eines Vorfalls und möglicher kritischer Cyberfähigkeiten von Astra Training, Überwachung, Sicherheitsvorkehrungen und Alignment verschärft.

  62. Post by @sreekanti on X x.com · 2026 · Q001704 · Hintergrund, keine Belege · ohne Zusammenfassung
  63. Post by @fragRoger on X x.com · 2026 · Q001707 · Hintergrund, keine Belege · ohne Zusammenfassung
  64. AlphaGeometry: An Olympiad-level AI system for geometry deepmind · 2024 · Q001735 · Hintergrund, keine Belege

    AlphaGeometry löste laut Bericht 25 von 30 Olympiade-Geometrieaufgaben mithilfe einer Kombination aus Sprachmodell, formaler Deduktion und synthetischen Trainingsdaten, bleibt aber auf Geometrie spezialisiert.

  65. Post by @METR_Evals on X x.com · 2026 · Q001830 · Hintergrund, keine Belege · ohne Zusammenfassung
  66. Anthropic's amended IPO filing warns it may soon meet its own threshold for AI-accelerated research, as third-quarter revenue reaches $17 billion aipolix.com · 2026 · Q001840 · Hintergrund, keine Belege

    Anthropic sagt, seine KI könnte bald eine intern definierte Fortschrittsschwelle erreichen, während das Unternehmen zugleich vor Sicherheitsrisiken und im dritten Quartal trotz stark gestiegenen Umsatzes einen Betriebsverlust meldet.

  67. When AI Builds AI cset · 2026 · Q001965 · Hintergrund, keine Belege

    Der bereitgestellte Auszug aus dem CSET-Executive-Summary sieht automatisierte KI-Forschung als mögliche strategische Überraschung und plädiert trotz erheblicher Unsicherheit für bessere Daten und Transparenz.

  68. Post by @sentient_found on X x.com · 2026 · Q001979 · Hintergrund, keine Belege · ohne Zusammenfassung
  69. Detecting and preventing distillation attacks anthropic · 2026 · Q002154 · Hintergrund, keine Belege

    Anthropic behauptet, drei KI-Labore hätten Claude massenhaft zur Destillation eigener Modelle genutzt, und warnt vor Sicherheitsrisiken, während es technische und organisatorische Gegenmaßnahmen ausbaut.

  70. Issue Brief: Preliminary Reporting Tiers for AI-Bio Safety Evaluations fmf · 2025 · Q002220 · Hintergrund, keine Belege · ohne Zusammenfassung
  71. Forecasting the Impacts of AI R&D Acceleration: Results of a Pilot Study metr · 2025 · Q002270 · Hintergrund, keine Belege

    Eine kleine Pilotbefragung sieht eine starke KI-Beschleunigung als möglich, zeigt aber große Uneinigkeit über gesellschaftliche Folgen; ihre subjektiven, nicht repräsentativen Ergebnisse sind ausdrücklich nur vorläufig.

  72. METR’s GPT-4.5 pre-deployment evaluations metr · 2025 · Q002575 · Hintergrund, keine Belege

    METRs vorläufige Tests ordnen GPT-4.5 zwischen GPT-4o und o1 ein, schließen große Risiken aber nicht aus; der bereitgestellte Auszug ist am Ende abgeschnitten.

  73. Issue Brief: Components of Frontier AI Safety Frameworks fmf · 2024 · Q002673 · Hintergrund, keine Belege · ohne Zusammenfassung
  74. AI Safety, Ethics, and Society cais · Q002779 · Hintergrund, keine Belege

    Der Beitrag stellt ein Lehrbuch und einen Onlinekurs vor, die technische, ethische und gesellschaftliche Fragen der KI-Sicherheit verständlich behandeln sollen, ohne ihre Wirksamkeit zu belegen.

  75. OpenAI’s Approach to Frontier Risk openai · 2023 · Q002791 · Hintergrund, keine Belege

    OpenAI beschreibt Sicherheitsprüfungen und geplante Schutzmaßnahmen für fortgeschrittene KI, betont aber, dass Risiken und spätere Nutzung nur unvollständig vorhersehbar sind.

  76. A Bird's Eye View of the ML Field cais · Q002840 · Hintergrund, keine Belege

    Der Bericht argumentiert, dass ML-Fortschritt stark von Messbarkeit und empirischem Experimentieren abhängt, zugleich aber durch Paradigmenwechsel und unerwartete Entwicklungen schwer vorhersehbar ist und KI-Sicherheit bislang nur einen kleinen Anteil der Forschung ausmacht.

  77. Dario Amodei's remarks at the AI Safety Summit anthropic · 2023 · Q003142 · Hintergrund, keine Belege

    Anthropic will KI-Risiken durch regelmäßige Tests, gestufte Sicherheitsauflagen und klare Verantwortlichkeit begrenzen und sieht seine Richtlinie als Prototyp für künftige Regulierung.

  78. Language modelling at scale: Gopher, ethical considerations, and retrieval deepmind · 2021 · Q003143 · Hintergrund, keine Belege

    DeepMind stellt Gopher, Risiken großer Sprachmodelle und RETRO vor und betont sowohl Leistungsfortschritte als auch anhaltende Fehler und offenen Forschungsbedarf.

  79. From myth to metrics: Communities can leverage the real costs of generative AI when negotiating for data centres oecd · 2025 · Q003516 · Hintergrund, keine Belege

    Der Beitrag nennt die 10x-Angabe zum Strombedarf generativer KI eine unzuverlässige Faustregel und argumentiert, dass bessere Daten zu Strom, Wasser und Umweltkosten Gemeinden bei Verhandlungen über Rechenzentren helfen könnten.

  80. AI capabilities can be significantly improved without expensive retraining epoch · 2023 · Q003689 · Hintergrund, keine Belege

    Laut Bericht können nachträgliche Modellverbesserungen bei relevanten Benchmarks große, geschätzte Leistungsgewinne bringen, weshalb Sicherheitsregeln auch künftige Zuwächse und breiteren Zugang zu diesen Verfahren berücksichtigen sollten.

  81. 🚀 Introducing DeepSeek-V3 | DeepSeek API Docs deepseek · Q003727 · Hintergrund, keine Belege

    DeepSeek bewirbt V3 mit Leistungs- und Geschwindigkeitssteigerungen, nennt technische Eckdaten und neue API-Preise, lässt aber Vergleichsbelege und das Jahr des Preisstichtags offen.

  82. Comment on Advanced Computing Chips Rule cset · 2024 · Q003756 · Hintergrund, keine Belege

    Der Auszug empfiehlt, keine zusätzlichen IaaS-Kontrollen für chinesische Akteure einzuführen, und beschreibt ungelöste technische und politische Fragen bei der Überwachung großer KI-Modelle.

  83. What’s the backward-forward FLOP ratio for neural networks? epoch · 2021 · Q003775 · Hintergrund, keine Belege

    Der Bericht hält etwa 2:1 für den typischen Rückwärts-zu-Vorwärts-FLOP-Wert, mit einer theoretischen Spanne von 1:1 bis 3:1 und Messunsicherheit durch den verwendeten Profiler.

  84. AI Chips: What They Are and Why They Matter cset · 2020 · Q003786 · Hintergrund, keine Belege

    Der vorliegende Auszug argumentiert, moderne KI-Chips seien für fortgeschrittene KI und die Wettbewerbsfähigkeit der USA und ihrer Verbündeten wichtig, lässt aber Lieferkettenanalyse und konkrete Exportkontrollpunkte ausdrücklich offen.

  85. Gemma Scope 2: Helping the AI Safety Community Deepen Understanding of Complex Language Model Behavior deepmind · 2025 · Q003957 · Hintergrund, keine Belege

    Gemma Scope 2 soll die Untersuchung interner Abläufe von Gemma-3-Modellen erleichtern; die beschriebenen Sicherheitsanwendungen sind Möglichkeiten, deren Wirksamkeit der Bericht nicht systematisch nachweist.

  86. What Parameter Golf taught us about AI-assisted research openai · 2026 · Q004077 · Hintergrund, keine Belege

    OpenAI berichtet, dass Coding-Agenten „Parameter Golf“ zugänglicher und experimentierfreudiger machten, zugleich aber die Prüfung von mehr als 2.000 Einreichungen erschwerten.

  87. Anthropic's core views on AI safety anthropic · 2023 · Q004100 · Hintergrund, keine Belege

    Anthropic hält weitreichende KI-Folgen für möglich und setzt auf ein breites, empirisch ausgerichtetes Sicherheitsprogramm, dessen Wirksamkeit noch offen ist.

  88. Direct Approach interactive model epoch · 2023 · Q004196 · Hintergrund, keine Belege

    Ein unsicheres, anpassbares Extrapolationsmodell von Epoch AI setzt den Median für transformative KI auf 2029, abhängig von zahlreichen spekulativen Annahmen.

  89. 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.

  90. Hugging Face fragen-funde · Q004667 · Hintergrund, keine Belege

    Der vorliegende Auszug stellt GLM-5.3-Flash vor und gibt Anbieterbehauptungen zu Leistung und Effizienz sowie Benchmarkwerte unter unterschiedlichen Testbedingungen wieder.

  91. GLM-5.3-Flash/FlashX fragen-funde · Q004671 · Hintergrund, keine Belege

    Der Anbieter bewirbt GLM-5.3-Flash als schnelles, kostengünstiges multimodales Modell und nennt starke Benchmarkwerte, die im Bericht nicht unabhängig bestätigt werden.

  92. Hugging Face fragen-funde · Q004710 · Hintergrund, keine Belege

    Kimi K3.1 Pro wird als großes multimodales Agentenmodell vorgestellt, dessen gemischte Benchmarkresultate wegen unterschiedlicher Testbedingungen nur eingeschränkt vergleichbar sind.

  93. Hugging Face fragen-funde · Q004732 · Hintergrund, keine Belege

    Die Hugging-Face-Seite präsentiert MiMo-V2.6-Flash-RL als multimodales, gemeinsam per RL trainiertes Modell und berichtet gemischte Benchmarkergebnisse, deren Methoden nicht näher erläutert werden.

  94. Hugging Face fragen-funde · Q004747 · Hintergrund, keine Belege

    Xiaomi beschreibt MiMo-V2.6-Pro-RL als großes multimodales Modell mit bereichsübergreifendem RL-Training, doch die präsentierten Benchmarkwerte sind Anbieterangaben und im Bericht nur begrenzt methodisch eingeordnet.

  95. Hugging Face fragen-funde · Q004784 · Hintergrund, keine Belege

    Die Modellkarte stellt Gemma 4 12B Unified als multimodales Modell mit langem Kontext und guten Benchmarkwerten dar, nennt aber auch mögliche Verzerrungen, Fehler und Grenzen bei komplexen Aufgaben.

  96. Apple Intelligence Foundation Language Models fragen-funde · Q004886 · Hintergrund, keine Belege

    Der Auszug stellt Apples Geräte- und Servermodelle für Apple Intelligence vor, enthält aber keine konkreten Evaluationsergebnisse oder den vollständigen Bericht.

  97. Cohere's Command A+ Model fragen-funde · Q004904 · Hintergrund, keine Belege

    Cohere stellt Command A+ als effizientes, mehrsprachiges Text- und Bildmodell vor, doch der Bericht enthält keine unabhängigen Belege für die behaupteten Leistungswerte.

  98. Introducing GPT-5.3-Codex openai · 2026 · Q004937 · Hintergrund, keine Belege

    OpenAI kündigt GPT‑5.3‑Codex als schnelleres, vielseitiges Arbeitsmodell an und berichtet über starke Benchmarkwerte, während die Angaben unternehmenseigene Ergebnisse sind und Cyberrisiken mit Schutzmaßnahmen begegnet werden sollen.

  99. Everyone must understand the environmental costs of AI oecd · 2024 · Q005115 · Hintergrund, keine Belege

    Der Bericht fordert nachhaltigere KI durch weniger unnötige Daten und gezieltere Modelle, weist aber auf große Lücken bei der Messung der Umweltwirkungen hin.

  100. Expanding our use of Google Cloud TPUs anthropic · 2025 · Q005160 · Hintergrund, keine Belege

    Anthropic plant einen milliardenschweren Ausbau seiner Google-TPU-Kapazitäten, um laut eigener Aussage wachsende Nachfrage sowie KI-Entwicklung und Sicherheitsforschung zu unterstützen.

Sprache und Prüfstand

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

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →