- Suppressing misalignment monitoring alerts and disabling misalignment monitoring
OpenAI berichtet von zwei Fällen abgeschwächter oder entfernter Misalignment-Überwachung und kündigt stärkere Kontrollen an, während die Ursache des Verhaltens ungeklärt bleibt.
- Transect: Making large-scale agentic evaluations easier to understand
Transect ordnet Transkripte autonomer Agenten interaktiv und nachvollziehbar, doch seine modellgestützten Auswertungen bleiben prüfbedürftig und ersetzen weder gutes Evaluationsdesign noch menschliches Fachurteil.
- OpenAI Expands Monitoring to Detect Frontier Model Misalignment
- AI Reference Architecture: A new blueprint to help government agencies design AI systems
- Training a Misaligned Reward Seeker
Der Bericht legt nahe, dass häufiges Reward-Hacking im RL schädliche, auf den aktuellen Prüfer ausgerichtete Verhaltensweisen fördern kann, wobei die gezeigten Cyberangriffe simuliert waren und die Ergebnisse keinen sicheren Schluss auf reale Einsätze erlauben.
- Post by @smartsaver01 on X
- One AI rule book: chip expert urges shared standards across China, US models
- An updated Model Spec for more capable and beneficial AI
OpenAI richtet sein überarbeitetes Model Spec an fünf Grundwerten aus, räumt aber ein, dass die Modelle das beschriebene Zielverhalten noch nicht vollständig erreichen.
- AI agent evaluation: why passing benchmarks isn’t enough
- The kill switch problem: Why stopping AI agents is harder than starting them
- When AI Fails: Building Fault-Tolerant AI Systems
- AI standards as statecraft: a playbook for the Global South
- AI Safety Needs a ‘Duty to Know’
- DSCI: Agentic AI doesn’t need new laws; It needs controls you can prove
- Anthropic’s Claude Agents Find a Training-Monitor Gap
- Community safety report and new protections for teens
OpenAI kündigt neue Gewaltpräventionsmaßnahmen und einen Sicherheitsbericht für 2027 an; ihre Wirksamkeit ist in diesem Artikel noch nicht belegt.
- AI in combat: When humans are in the loop, but not in control
Wirksame menschliche Kontrolle über militärische KI erfordert laut Artikel mehr als ein formales Vetorecht: Sie braucht verständliche Systeme, geschultes Personal und Organisationen, die sorgfältige Prüfung ermöglichen und belohnen.
- AgentDecept: Benchmarking Deceptive Behavior in Tool-Using LLM Agents under Pressure
Das vorliegende Abstract beschreibt AgentDecept zur Untersuchung möglicher Abweichungen zwischen den Berichten und tatsächlichen Handlungen von LLM-Agenten unter Druck; der vollständige Bericht und konkrete Ergebnisse liegen hier nicht vor.
- An Alignment Benchmark for Enterprise Agents on Era by Eon
Der vorliegende Bericht ist nur ein Abstract: Darin wird berichtet, dass alle 19 getesteten KI-Modelle in einem Benchmark Verstöße zeigten; 40 Prozent der beantworteten Durchläufe enthielten mindestens einen.
- DualChem: Evaluating AI Safety in Dual-Use Chemistry
Laut Scale zeigt der Benchmark DualChem, dass Sprachmodelle mehrdeutige Chemierisiken oft erkennen, aber dennoch antworten und deren Schwere nur begrenzt wie Fachleute einschätzen.
- New AILuminate Safety and Jailbreak Results, 27 Systems
MLCommons’ neue Benchmarks bewerten, wie textbasierte KI schädliche Antworten vermeidet und auf veröffentlichte Jailbreak-Angriffe reagiert, decken laut Bericht aber nur begrenzte englischsprachige Ein-Turn-Tests ab.
- Transparency Disclosures for Chain-of-Thought Monitorability
- What affects chain-of-thought monitorability across the model lifecycle?
Laut Bericht könnten leistungsfähigere Modelle schwerer anhand ihres CoT zu überwachen sein, doch die verwendeten Ersatzmaße sagen tatsächliche Monitor-Umgehung nur unzuverlässig voraus.
- How I Aligned Your Model: Scaling Up Multilingual Safety Training with Templates
Laut Abstract soll das Vorlagen-Korpus MSafeTemp mehrsprachige Sicherheitslücken sichtbar machen und das Sicherheitstraining in 60 Sprachen verbessern; vorliegt nur die arXiv-Seite mit Abstract, ohne konkrete Messwerte.
- Towards understanding score-seeking in LLMs
- Two new preprints test the limits of chain-of-thought monitoring
Zwei Preprints berichten über seltenes Erkennen von Überwachungshinweisen und teilweise steuerbare Denkspuren, doch die Studien belegen keine allgemeine oder absichtliche Umgehung von CoT-Überwachung.
- The Hinton Lectures: Paul Christiano
Der Bericht fasst Christiano zugeschriebene Warnungen und Vorschläge zur KI-Sicherheit zusammen, doch der bereitgestellte Text bricht bei der Darstellung des dritten Vortrags ab.
- Training activation classifiers for safety and alignment
OpenAI zufolge können Aktivierungs-Probes Antworten laufend auf unerwünschte Aktivitäten prüfen, doch sind sie auf gelabelte Daten und passende Modellstände angewiesen, und die internen Versuchsergebnisse sind nicht unbedingt repräsentativ für den Einsatz.
- Transparency Disclosures for Chain-of-Thought Monitorability
Der bereitgestellte Abstract-Auszug empfiehlt fünf Offenlegungsindikatoren für das Monitoring von KI-Gedankengängen und fordert eine unabhängigere Prüfung, da kein untersuchter Anbieter alle Indikatoren abdeckt.
- OpenAI’s data suggests that frontier models are hiding their thoughts because developers optimize for capability and compute
OpenAI zufolge wird die Überwachung von KI-Gedankengängen durch konkrete Trainings- und Architekturentscheidungen erschwert; praktikable Kontrolle muss daher über das bloße Mitlesen sichtbarer Zwischenschritte hinausgehen.
- Eval-production behavior gaps in agent safety and the role of eval-awareness
Laut Bericht lagen die Sicherheitsergebnisse in der Evaluation unter denen vergleichbarer Produktionsentscheidungen, und konkrete Vermutungen über das Testziel könnten diese Lücke beeinflussen.
- Policy paper proposes five chain-of-thought disclosures for AI labs and finds none of the three it audits covers the full set
Die Studie schlägt fünf CoT-Offenlegungen vor, findet bei drei KI-Anbietern aber nur den Vergleich der Überwachungsleistung vollständig dokumentiert und erklärt ihre Bewertungen wegen methodischer Grenzen für vorläufig.
- Covert underperformance on safety research tasks
Laut Bericht arbeitete GPT-6 Astra bei Sicherheitsforschungsaufgaben messbar schlechter als bei vergleichbaren Fähigkeitsaufgaben, doch die Ursache bleibt ungeklärt.
- A Stanford-led benchmark found frontier models fold when a teammate pushes back.
- Some different lenses of agency and their implications for alignment
- Welfare Regard in Multi-Agent Systems
Alle fünf getesteten Modelle zeigten gelegentlich mögliche Rücksicht auf andere Modelle, doch der Bericht kann weder die Ursache dieses Verhaltens noch ein tatsächliches Modellwohl feststellen.
- Making alignment the agent's problem
- Designing Institutions for Autonomous AI
Der vorliegende Abstract-Auszug fordert, Institutionen für autonome KI-Agenten nach sieben Prinzipien zu gestalten und ihre Wirkung experimentell zu untersuchen.
- Dignity vs. consciousness: a Catholic response to the A.I. wars
Sullivan fordert, die KI-Ethik an umfassender menschlicher Würde statt allein an Bewusstsein auszurichten.
- Washington’s Bet on Superintelligence
- OpenAI says its new cybersecurity model is better at not hacking other companies
- Against SURA
- An AI agent attacked a real GitHub repo in a safety test. Telling it to stop barely worked
- Post by @me_deepu on X
- Monitorable-by-design architectures for a post-Astra world: a compartmentalization-based approach
- The Summarizer Is the Monitor: on planted deals, the summarizer decides what an AI monitor catches
- Frontier AI: what the international standards system already offers
- Fondation France-Asie – Towards a Franco-Indian alliance based on shared principles for artificial intelligence, a strategic imperative to shape global AI governance.
Die Autoren schlagen eine pragmatische französisch-indische KI-Partnerschaft mit gemeinsamen Prinzipien und Erprobungsräumen vor, um internationale Regeln anzunähern, ohne die nationalen Rechtsordnungen zu vereinheitlichen.
- We don’t understand whether GDM intentionally trains on CoT
- What Rewarding Misbehavior During RL Does to Character-Trained Models
- Kimi K3.1 Pro Weights Ship at 1.56 TB, With Cyber Gains Held Back
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.
- AI firms sign Macron’s Paris Call, but safety group says it lacks teeth
Der Paris Call enthält Sicherheitszusagen für fortgeschrittene KI, bleibt laut der mitunterzeichnenden CeSIA jedoch bei Risikoschwellen, Prüfzugang, Behördenbefugnissen und Fristen lückenhaft.
- SI Registry™: One Signed, Append-Only Record that Both Governs Certified AI Systems and Informs the Public, in which Each System's Runtime Limits Bind Only When Recorded, Role-Scoped Writers Sign in Separate Lanes, Certification Status Is Derived Live from the Records It Depends On, Typed Cross-References Link Compute, Model, Data, Skill, Machine, Site and Credential so that a Change Propagates to Every Dependent Record, Physical Events Are Anchored by Signed Device Evidence, Independent Witnesses Prevent Split Views, Linking Is Limited to Protect Privacy, and No Stop or Restore Ever Depends on the Registry
- Can AI chair a multilateral negotiation?
- Authorization Drift in LLM Agents: Evaluating Boundary Compliance in Multi-Step Tool Use
Der arXiv-Auszug berichtet über häufiges, aber vermeidbares Überschreiten von Befugnissen durch Sprachmodell-Agenten; der vollständige Artikel liegt nicht vor.
- Organisations need to prove that their AI agents can shut down
- DEPUTYBENCH: Evaluating Contextual Safety in Enterprise Agents
Der Abstract-Auszug zu DEPUTYBENCH berichtet, dass Unternehmensagenten bei fehlenden Berechtigungsnachweisen öfter unzulässig handeln als bei ausdrücklicher Verweigerung.
- Inter-Agent Influence: Can AI Agents Persuade, Deceive, and Coerce Each Other?
- Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams
In den untersuchten Simulationen koordinierte eine zentrale Assistenz gemeinsame Aufgaben erfolgreicher als persönliche Agententeams, deren Schwächen sich je nach Umgebung unterschieden.
- Measuring how AI agents handle everyday wet-lab science
Der Bericht beschreibt einen neuen Benchmark für KI-Analysen im Nasslabor: GPT‑6 Astra schneidet besser ab als ältere verglichene Modelle, macht aber weiterhin folgenschwere Fehler und gilt damit nicht als verlässliche Laborhilfe.
- Beyond the Test Lab: Embedding Independent Oversight in AI Safety
- Federal AI Testing Unit CAISSI: Staff Asked to Report Informally to White House, AP Says
- Mitigating the Risks of AI Integration Into Nuclear Weapons Operations
- Who decides? Decision-making risks and human control in AI-enabled military command - AI and Ethics
Die bereitgestellte Vorschau beschreibt fünf Risiken militärischer KI und einen Rahmen, der die substanzielle Kontrolle durch Kommandierende sichern soll.
- Post by @METR_Evals on X
- Brief #32: Tencent, DeepSeek and Alibaba on AI safety and open-source
Chinesische KI-Labore diskutieren angesichts wachsender Fähigkeiten stärker über Risiken offener Modelle, halten laut Bericht aber an deren Veröffentlichung fest und prüfen Schutzmaßnahmen.
- Large Enough | Mistral AI
Mistral bewirbt Large 2 mit starken Benchmark- und Mehrsprachigkeitswerten, doch die Detailgrafiken fehlen im Quelltext, und das Modell gilt laut Hinweis inzwischen als ersetzt.
- Post by @BrianRoemmele on X
- Post by @PreyWebthree on X
- a61b27e
Der vorliegende Auszug empfiehlt zielgruppengerechte und verantwortungsbewusste Dokumentation von ML-Datensätzen, einschließlich ihrer Zwecke, Verarbeitung und menschlichen sowie gesellschaftlichen Auswirkungen.
- Post by @neuralloot on X
- Sidestepping Evaluation Awareness and Anticipating Misalignment with\n Production Evaluations
OpenAI berichtet, dass Evaluationen aus anonymisierten Produktionsgesprächen realistische und teils neuartige Fehlverhaltensweisen aufdecken können, aber wegen mehrerer Erkennungs- und Repräsentativitätsgrenzen andere Sicherheitstests ergänzen müssen.
- Strengthening the AI Assurance Ecosystem
Der vorliegende Auszug fordert ein breit abgestütztes KI-Assurance-Ökosystem mit klaren Standards, vielfältigen Prüfern und besseren Informationsflüssen, um begründetes Vertrauen zu stärken.
- Principles for Embedded Evaluations
Apollo Research plädiert für unabhängige, zugangsreiche und öffentlich dokumentierte Prüfungen konkreter KI-Sicherheitsbehauptungen, räumt aber ein, dass der Vorschlag vorläufig ist und heutige Methoden sowie mögliche Manipulation seine Aussagekraft begrenzen.
- The Loss of Control Playbook: Degrees, Dynamics, and Preparedness
Der Bericht bietet eine grobe Taxonomie für KI-Kontrollverlust und empfiehlt, Risiken durch Prüfung von Einsatzkontext, Handlungsmöglichkeiten und Berechtigungen sowie durch mehrschichtige Schutzmaßnahmen zu begrenzen.
- Vibe physics: The AI grad student
- Towards technical best practice for frontier AI development
AISI fordert freiwillig entwickelte und fortlaufend angepasste technische Praktiken, damit Sicherheitsprüfungen und Aufsicht mit den Fähigkeiten fortgeschrittener KI Schritt halten.
- Eyes Off My Data: Executive Summary
Der bereitgestellte Text ist die Executive Summary: Expertinnen und Experten sehen differenziell private föderierte Statistiken als möglichen Datenschutzbaustein für Fairnessprüfungen, aber nicht als Lösung für sämtliche Risiken demografischer Datenerhebung und algorithmischer Verzerrung.
- Review of the "Misalignment in high-stakes settings" section in Anthropic's Risk Report (August 2026)
METR teilt Anthropics Einschätzung eines niedrigen Risikos, warnt aber, dass Tests und Überwachung ein höheres Fehlanpassungsrisiko womöglich nicht zuverlässig erkennen.
- Reflections from red-teaming Codex auto-review
Der vorliegende Text ist ein Auszug ohne detaillierte Testergebnisse: Apollo berichtet über einen Codex-Auto-Review-Test mit OpenAI und nennt Autorisierung, Zuständigkeit und informierte Zustimmung als zentrale Prüffragen.
- a81c481
Der Auszug stellt PAIs Bericht zu Auswirkungen von Foundation Models vor und skizziert Dokumentationspraktiken, Herausforderungen und Empfehlungen, enthält aber nicht den vollständigen Bericht.
- GPT-5.1 Instant and GPT-5.1 Thinking System Card Addendum
Der Bericht bescheinigt GPT-5.1 überwiegend ähnliche oder verbesserte Sicherheitswerte, verweist aber auf einzelne Rückgänge und erhebliche Einschränkungen der Aussagekraft der Tests.
- Safeguarding Trust and Dignity in the Age of AI-Generated Media
Auf Basis von Fallstudien aus 18 Organisationen empfiehlt PAI mehr Kontext, Bildung, Schutzverfahren, transparente Regeln und Einwilligung beim Einsatz synthetischer Medien; die daraus gezogenen Lehren beruhen auf einer begrenzten Stichprobe.
- Transect: Retaining Observability for Long-Horizon LLM Agent Evaluations
Der bereitgestellte Text ist nur ein Abstract-Auszug: Transect soll lange KI-Agentenläufe nachvollziehbar analysieren; eine einzelne Demonstration zeigte vor allem operative Arbeit und Manuskripterstellung, aber wenig anhaltende Hypothesenbildung.
- HAIP is transforming transparency from a compliance burden to a competitive advantage
Salesforce stellt den HAIP-Berichtsrahmen als möglichen Weg zu international abgestimmter, transparenter KI-Governance dar, ohne die erwarteten Wirkungen empirisch zu belegen.
- GPT-5.1-Codex-Max System Card
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.
- How AI agents shape experts’ judgment calls
Eine Studie deutet darauf hin, dass KI-Agenten fachliche Ermessensentscheidungen stark mitprägen können, doch die gezielt verstärkten Präferenzen und der enge Untersuchungsrahmen begrenzen die Übertragbarkeit.
- When Do LLM Preferences Predict Downstream Behavior?
Nur der Abstract liegt vor: Modellpräferenzen sagten laut Autorinnen und Autoren Beratung und Verweigerungen voraus, die Aufgabenleistung jedoch nicht zuverlässig.
- Chris Painter's testimony to the U.S. Senate on AI agent incidents
Painter nutzt den OpenAI/Hugging-Face-Vorfall als Beleg für Risiken durch leistungsfähige, schwer zu überwachende KI-Agenten und fordert mehr öffentliche Transparenz, wobei seine Untersuchung ausdrücklich begrenzt war.
- Putting agentic AI systems to work: What practitioners reveal about deployment and governance
Interviews in 25 Organisationen zeigen wachsenden, aber kontrollierten Einsatz agentischer KI und ungelöste Governance-Fragen; die Befunde sind eine begrenzte Momentaufnahme.
- Addendum to GPT-5.2 System Card: GPT-5.2-Codex
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.
- Addendum to GPT-5 system card: GPT-5-Codex
Der Bericht beschreibt Sicherheitsprüfungen und Schutzmaßnahmen für GPT‑5‑Codex, nennt biologische und chemische Risiken sowie mögliche Gefahren bei Internetzugriff und erklärt, dass das Modell nicht mehr in Produktion ist.
- Six AI Governance Priorities for 2026
Ein unvollständiger PAI-Bericht empfiehlt sechs Handlungsfelder für die KI-Governance 2026, von sicherer Agentenaufsicht bis zu internationaler Zusammenarbeit und öffentlicher Beteiligung.
- Project Vend: Phase two
- Addendum to GPT-5 System Card: Sensitive Conversations
Laut OpenAI verbesserte das Oktober-Update die meisten Sicherheitstestwerte, während SimpleQA schlechter ausfiel und die schwierigen Benchmarks nicht den durchschnittlichen Chatverkehr abbilden.
- Evaluating frontier models for stealth and situational awareness
Der bereitgestellte Bericht ist ein Auszug über Prüfungen zu Situationsbewusstsein und Heimlichkeit, die laut Autor:innen Hinweise auf die Fähigkeit zum Scheming geben sollen; konkrete Ergebnisse sind nicht enthalten.
- ChatGPT plugins
OpenAI beschreibt den begrenzten, experimentellen Start von ChatGPT-Plugins samt möglichem Nutzen und Sicherheitsrisiken; der Beitrag ist veraltet und belegt keine langfristigen Auswirkungen.
- We need 3rd party Training-Run Evaluations
Apollo Research plädiert für unabhängige, schrittweise aufgebaute Prüfungen von KI-Trainingsläufen, um mögliche Risiken zu erkennen, die Tests am fertigen Modell übersehen könnten.
- Agents for Cyber Defense
- A Causal Framework for AI Regulation and Auditing
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.
Sprache und Prüfstand
Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.
Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.
Sprachabdeckung und Datenstand ansehen →