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

Alle Berichte

Alle 7.924 Berichte im Archiv von AMANi DUNiA, neueste zuerst, mit Zusammenfassung und Einordnung durch mehrere Modelle.

Zum Inhalt ↓
← Interaktive Liste mit Filtern
  1. Mind the Mitigation Gap: Why AI Companies Must Report Both Pre- and Post-Mitigation Safety Evaluations farai · 2026 · Q001664 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  2. Pacing Outside the Box: RNNs Learn to Plan in Sokoban farai · 2026 · Q001674 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  3. Safe AI Forum Spins Out From FAR.AI farai · 2026 · Q001680 · Hintergrund, keine Belege · ohne Zusammenfassung
  4. A Toolkit for Estimating the Safety-Gap between Safety Trained and Helpful Only LLMs farai · 2026 · Q001694 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  5. AI in 2025: Faster Progress, Harder Problems farai · 2026 · Q001708 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  6. San Diego Alignment Workshop 2025 farai · 2026 · Q001716 · umfangreiche Belege · ohne Zusammenfassung
  7. Security Stress Test: Exposing the Brittleness of DeepSeek-V4-Pro’s Safeguards farai · 2026 · Q001720 · beantwortet direkt und ausführlich · ohne Zusammenfassung
  8. Singapore Alignment Workshop 2025 farai · 2026 · Q001732 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  9. Technical Innovations for AI Policy 2025 farai · 2026 · Q001738 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  10. Uncovering Latent Human Wellbeing in LLM Embeddings farai · 2026 · Q001748 · beantwortet direkt und ausführlich · ohne Zusammenfassung
  11. VLM-RM: Specifying Rewards with Natural Language farai · 2026 · Q001757 · einzelne zitierbare Belege · ohne Zusammenfassung
  12. What We Learned at the FAR.AI Deception Workshop farai · 2026 · Q001762 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  13. How Codex became a collaborator for OpenAI’s creative team openai · 2026 · Q004839 · einzelne zitierbare Belege

    Laut einem OpenAI-internen Einzelbeispiel unterstützt Codex den Kreativen Chad Nelson beim Entwickeln und Prototypisieren von Ideen; die Ergebnisse beruhen auf seiner Einschätzung und menschlicher Auswahl.

  14. Security incident disclosure fragen-funde · 2026 · Q005089 · beantwortet teilweise oder widerspricht

    Hugging Face berichtet von einem KI-gestützten Angriff über Schwachstellen in der Dataset-Verarbeitung; mögliche Auswirkungen auf Partner- oder Kundendaten waren laut Bericht noch ungeklärt.

  15. How Cars24 scales conversations and builds faster with OpenAI openai · 2026 · Q005378 · einzelne zitierbare Belege

    Cars24 berichtet über OpenAI-Agenten im Autohandel und Codex in internen Teams; die veröffentlichten Erfolgszahlen werden im Bericht nicht unabhängig belegt.

  16. Why teens deserve access to safe AI openai · 2026 · Q005562 · beantwortet teilweise oder widerspricht

    OpenAI plädiert für den Zugang Jugendlicher zu KI mit altersgerechten Schutz- und Lernfunktionen, räumt weiteren Handlungsbedarf ein und belegt die Gesamtwirksamkeit der Maßnahmen im Bericht nicht unabhängig.

  17. The 171k-Star .claude Directory That’s Quietly Replacing Prompt Engineering medium.com · 2026 · Q010897 · beantwortet teilweise oder widerspricht

    Der Autor sieht wiederverwendbare Agenten-Skills als nächste Entwicklungsstufe nach Einzelprompts, belegt die These aber vor allem mit Beispielen und der Resonanz auf Pococks Repository.

  18. The Vibe-Coded Slop You Can See Is the Least of Your Problems medium.com · 2026 · Q011041 · beantwortet teilweise oder widerspricht

    Laut Beitrag ist bei KI-generiertem Code nicht die sichtbare Beliebigkeit, sondern das ungeprüfte Übersehen verborgener Fehler das größere Risiko.

  19. I Built My First AI Agent. It Ran All Night and Left Me a $180 Bill. medium.com · 2026 · Q011042 · beantwortet teilweise oder widerspricht

    Im verfügbaren Auszug berichtet der Autor von 180 US-Dollar Kosten durch wiederholte Agentenversuche und empfiehlt, Fehler vor dem Retry einzuordnen sowie klare Abbruchgrenzen zu setzen.

  20. Timestral: Mistral's time-series foundation models mistral · 2026 · Q000796 · beantwortet teilweise oder widerspricht

    Mistral zufolge liefert die neue Timestral-Modellfamilie effiziente, anpassbare Zeitreihenvorhersagen und Spitzenwerte in öffentlichen Benchmarks; die Angaben stammen aus der Produktveröffentlichung und sind im Text nicht durch vollständige Ergebnistabellen belegt.

  21. Evaluating frontier models for stealth and situational awareness deepmind · 2026 · Q001016 · beantwortet teilweise oder widerspricht

    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.

  22. Implementation Plan for the Initiative to Promote the Construction of High-Quality Industrial Datasets (Draft for Feedback) cset · 2026 · Q001113 · einzelne zitierbare Belege

    Der vorliegende Auszug eines chinesischen Entwurfs skizziert sechs Initiativen zum Ausbau hochwertiger Industriedaten für KI und nennt Ziele bis 2028; der übrige Text fehlt.

  23. The US is advancing AI safety through state and federal action openai · 2026 · Q001250 · beantwortet direkt und ausführlich

    Der Beitrag plädiert aus OpenAIs Sicht für abgestimmte Landesgesetze, einen bundesweiten Prüfrahmen für fortgeschrittene KI und darauf aufbauende internationale Standards.

  24. The Future of the AI Summit Series: One Year Later deepmind · 2026 · Q002015 · beantwortet teilweise oder widerspricht

    Laut Abstract soll die AI Summit Series durch gemeinsame Planung, ein dauerhaftes Sekretariat und regelmäßige Folgetreffen mehr Kontinuität und Rechenschaft erhalten; der vollständige Bericht liegt hier nicht vor.

  25. AI detectors rarely flag human writing, but sometimes miss AI text imitating real authors epoch · 2026 · Q005816 · umfangreiche Belege

    Laut Berichtsauszug erkennen drei getestete Detektoren einfache KI-Texte meist, übersehen aber deutlich häufiger stilnachahmende KI-Texte; die Ergebnisse beziehen sich auf die untersuchten Stichproben.

  26. GPT-Red: Unlocking Self-Improvement for Robustness openai · 2026 · Q006453 · beantwortet teilweise oder widerspricht

    OpenAI zufolge hilft das interne Modell GPT‑Red, Prompt-Injection-Schwachstellen zu finden und Produktionsmodelle robuster zu machen; die berichteten Erfolge gelten für die beschriebenen Tests und Szenarien.

  27. Swift/MacOS OnDevice STT. Which Model To Choose? (MLX) medium.com · 2026 · Q009712 · beantwortet teilweise oder widerspricht

    In wenigen persönlichen Tests auf einem M4 Pro wirkt Whisper Small instabil, während der Autor Qwen für Japanisch und Whisper Large-v3-Turbo als brauchbarere lokale STT-Optionen einschätzt.

  28. Graphify Setup in 20 Minutes: What Works, What Breaks, What’s Not Free medium.com · 2026 · Q011043 · gleiches Oberthema, hilft nicht

    Der verfügbare Auszug meldet einen laut Autor unter zwanzigminütigen Graphify-Einstieg, enthält wegen einer Bezahlschranke aber keine näheren Schritte oder Ergebnisse.

  29. Stop Trying to Learn AI. Start Shipping With It. medium.com · 2026 · Q011044 · Hintergrund, keine Belege

    Der Autor plädiert dafür, KI an realen Arbeitsaufgaben zu lernen, und argumentiert, dass Kurse oft eher kurzfristige Sicherheit als belastbare Praxis vermitteln.

  30. LiteRT.js: Run AI Directly in the Browser with GPU Acceleration (No Server Required) medium.com · 2026 · Q011246 · einzelne zitierbare Belege

    Der Bericht beschreibt LiteRT.js als Laufzeit für lokale, hardwarebeschleunigte KI im Browser und gibt dabei Leistungsversprechen wieder, deren tatsächlicher Nutzen laut Artikel von Gerät und Browser abhängt.

  31. Readers, you can now share a note with stories you repost medium.com · 2026 · Q011754 · Hintergrund, keine Belege

    Medium ergänzt Story-Reposts um bearbeitbare Notizen mit bis zu 280 Zeichen und weitere Verwaltungsfunktionen; die behaupteten Vorteile für Reichweite und Kuration beruhen auf Unternehmensangaben.

  32. Post by @HasanASaleem on X x-posts · 2026 · Q001251 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  33. How Canada uses Claude anthropic · 2026 · Q001275 · Hintergrund, keine Belege · ohne Zusammenfassung
  34. State of AI Safety in China (2026) report + interactive companion website released aisafetychina · 2026 · Q001387 · umfangreiche Belege

    Der Beitrag fasst Concordia AIs Bericht 2026 zusammen: Chinas KI-Sicherheitsagenda richte sich zunehmend auf autonome Agenten und gesellschaftliche Risiken, während Unternehmensoffenlegung laut Beitrag lückenhaft bleibe.

  35. AI in Indian Education: Atal Innovation Mission and Google launch ATL Saathi deepmind · 2026 · Q001389 · einzelne zitierbare Belege

    Google DeepMind und die indische Atal Innovation Mission erproben ATL Saathi als KI-Assistent für Lehrkräfte, doch die erhofften Vorteile sind im Bericht noch nicht durch Evaluationsergebnisse belegt.

  36. Anthropic commits $10 million to Canadian AI research anthropic · 2026 · Q003617 · einzelne zitierbare Belege

    Anthropic kündigt 10 Millionen kanadische Dollar für KI-Forschung an und berichtet anhand eigener Nutzungsdaten von besonders hoher Claude-Nutzung in Kanada.

  37. Introducing Claude for Teachers anthropic · 2026 · Q003687 · beantwortet teilweise oder widerspricht

    Anthropic stellt ein bis Juli 2028 kostenloses Claude-Angebot für verifizierte US-Lehrkräfte vor; seine Wirksamkeit soll noch untersucht werden, und für Schülerdaten gelten schulische und staatliche Vorgaben.

  38. 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.

  39. How to manage AI investments in the agentic era openai · 2026 · Q007456 · beantwortet teilweise oder widerspricht

    Der OpenAI-Bericht empfiehlt, KI nach ihrem messbaren Arbeitsnutzen zu steuern und erst geprüfte, geregelte Abläufe gezielt auszuweiten.

  40. Before You Use Claude Code, Learn This First frank-andrade.medium.com · 2026 · Q009647 · beantwortet teilweise oder widerspricht

    Der Autor empfiehlt eine klar strukturierte Claude-Code-Projektumgebung mit festgelegter Rolle, Regeln und Grenzen, legt dafür aber keine empirischen Wirksamkeitsnachweise vor.

  41. Why Claude Fable 5 Keeps Silently Switching You to Opus 4.8 — and What Actually Triggers It medium.com · 2026 · Q010898 · beantwortet teilweise oder widerspricht

    Der Artikel behauptet, dass Sicherheitsfilter Fable-5-Sitzungen teils wegen harmloser Inhalte dauerhaft auf Opus 4.8 umstellen, und empfiehlt getrennte Gespräche sowie gespeicherte Notizen als praktische Gegenmaßnahmen.

  42. Cloudflare Drop: Instantly Deploy Any Static Website Without Creating an Account medium.com · 2026 · Q011247 · Hintergrund, keine Belege

    Cloudflare Drop soll statische Websites laut Bericht ohne Konto per Upload für eine 60-minütige Vorschau veröffentlichen; dauerhafte Nutzung erfordert ein Cloudflare-Konto.

  43. Editor Newsletter: The Editor Partner Program is now open to all qualifying publications medium.com · 2026 · Q011755 · einzelne zitierbare Belege

    Medium berichtet über ein geöffnetes Vergütungsprogramm für Redaktionen und neue Publikationswerkzeuge; Teilnahme und Auszahlung sind an Kriterien gebunden, und der Newsletter nennt keine unabhängigen Wirkungsdaten.

  44. “AI + Education” Action Plan cset · 2026 · Q001317 · einzelne zitierbare Belege

    Der Bericht liegt nur auszugsweise vor und skizziert Chinas geplante KI-Integration in die Bildung samt Zielen für 2030, ohne deren Umsetzung oder Wirkung nachzuweisen.

  45. How Claude's values vary by model and language anthropic · 2026 · Q001540 · beantwortet direkt und ausführlich

    Eine Analyse von 309.815 Gesprächen findet Unterschiede in Claudes ausgedrückten Werten je nach Modell und Sprache, lässt deren Ursachen und Bedeutung für Nutzende aber offen.

  46. Accidental Misalignment: Fine-Tuning Language Models Induces Unexpected Vulnerability farai · 2026 · Q001766 · einzelne zitierbare Belege · ohne Zusammenfassung
  47. Adversarial Circuit Evaluation farai · 2026 · Q001773 · einzelne zitierbare Belege · ohne Zusammenfassung
  48. Adversarial Policies Beat Superhuman Go AIs farai · 2026 · Q001780 · einzelne zitierbare Belege · ohne Zusammenfassung
  49. AI Companies Should Report Pre- and Post-Mitigation Safety Evaluations farai · 2026 · Q001788 · beantwortet direkt und ausführlich · ohne Zusammenfassung
  50. Among us: A sandbox for measuring and detecting agentic deception farai · 2026 · Q001797 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  51. An Invariant Learning Characterization of Controlled Text Generation farai · 2026 · Q001803 · einzelne zitierbare Belege · ohne Zusammenfassung
  52. Archetypal SAE: Adaptive and Stable Dictionary Learning for Concept Extraction in Large Vision Models farai · 2026 · Q001811 · umfangreiche Belege · ohne Zusammenfassung
  53. Auditing Games for Sandbagging farai · 2026 · Q001819 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  54. Can Go AIs be adversarially robust? farai · 2026 · Q001823 · einzelne zitierbare Belege · ohne Zusammenfassung
  55. Catastrophic Goodhart: regularizing RLHF with KL divergence does not mitigate heavy-tailed reward misspecification farai · 2026 · Q001825 · einzelne zitierbare Belege · ohne Zusammenfassung
  56. ClearHarm: A more challenging jailbreak dataset farai · 2026 · Q001831 · einzelne zitierbare Belege · ohne Zusammenfassung
  57. Codebook Features: Sparse and Discrete Interpretability for Neural Networks farai · 2026 · Q001857 · einzelne zitierbare Belege · ohne Zusammenfassung
  58. Compressed Computation is (probably) not Computation in Superposition farai · 2026 · Q001861 · kein Bezug · ohne Zusammenfassung
  59. Concept Influence: Leveraging Interpretability to Improve Performance and Efficiency in Training Data Attribution farai · 2026 · Q001864 · einzelne zitierbare Belege · ohne Zusammenfassung
  60. Eliciting Latent Predictions from Transformers with the Tuned Lens farai · 2026 · Q001869 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  61. Emergent Persuasion: Will LLMs Persuade Without Being Prompted? farai · 2026 · Q001873 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  62. Evaluating the Moral Beliefs Encoded in LLMs farai · 2026 · Q001879 · beantwortet direkt und ausführlich · ohne Zusammenfassung
  63. Exploiting Novel GPT-4 APIs farai · 2026 · Q001886 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  64. Exploring Scaling Trends in LLM Robustness farai · 2026 · Q001890 · einzelne zitierbare Belege · ohne Zusammenfassung
  65. Few-shot Adaptation Works with UnpredicTable Data farai · 2026 · Q001897 · gleiches Oberthema, hilft nicht · ohne Zusammenfassung
  66. Illusory Safety: Redteaming DeepSeek R1 and the Strongest Fine-Tunable Models of OpenAI, Anthropic, and Google farai · 2026 · Q001901 · einzelne zitierbare Belege · ohne Zusammenfassung
  67. imitation: Clean Imitation Learning Implementations farai · 2026 · Q001908 · einzelne zitierbare Belege · ohne Zusammenfassung
  68. Improving Code Generation by Training with Natural Language Feedback farai · 2026 · Q001913 · einzelne zitierbare Belege · ohne Zusammenfassung
  69. InterpBench: Semi-Synthetic Transformers for Evaluating Mechanistic Interpretability Techniques farai · 2026 · Q001918 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  70. Interpreting emergent planning in model-free reinforcement learning farai · 2026 · Q001928 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  71. Inverse Scaling: When Bigger Isn't Better farai · 2026 · Q001938 · einzelne zitierbare Belege · ohne Zusammenfassung
  72. Investigating the Indirect Object Identification circuit in Mamba farai · 2026 · Q001946 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  73. It's the Thought that Counts: Evaluating the Attempts of Frontier LLMs to Persuade on Harmful Topics farai · 2026 · Q001952 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  74. Jailbreak-Tuning: Models Efficiently Learn Jailbreak Susceptibility farai · 2026 · Q001960 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  75. Large language models can effectively convince people to believe conspiracies farai · 2026 · Q001976 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  76. Multi-Agent Risks from Advanced AI farai · 2026 · Q001986 · beantwortet direkt und ausführlich · ohne Zusammenfassung
  77. Open Problems in Mechanistic Interpretability farai · 2026 · Q001997 · Hintergrund, keine Belege · ohne Zusammenfassung
  78. Open Technical Problems in Open-Weight AI Model Risk Management farai · 2026 · Q002006 · Hintergrund, keine Belege · ohne Zusammenfassung
  79. Planning behavior in a recurrent neural network that plays Sokoban farai · 2026 · Q002014 · einzelne zitierbare Belege · ohne Zusammenfassung
  80. Preference Learning with Lie Detectors can Induce Honesty or Evasion farai · 2026 · Q002021 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  81. Pretraining Language Models with Human Preferences farai · 2026 · Q002029 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  82. RL with KL penalties is better viewed as Bayesian inference farai · 2026 · Q002039 · einzelne zitierbare Belege · ohne Zusammenfassung
  83. Data Poisoning in LLMs: Jailbreak-Tuning and Scaling Laws farai · 2026 · Q002045 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  84. Securing Agentic AI: A Discussion Paper farai · 2026 · Q002054 · einzelne zitierbare Belege · ohne Zusammenfassung
  85. STACK: Adversarial Attacks on LLM Safeguard Pipelines farai · 2026 · Q002059 · umfangreiche Belege · ohne Zusammenfassung
  86. STARC: A General Framework For Quantifying Differences Between Reward Functions farai · 2026 · Q002071 · gleiches Oberthema, hilft nicht · ohne Zusammenfassung
  87. The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes farai · 2026 · Q002074 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  88. The Safety Gap Toolkit: Evaluating Hidden Dangers of Open-Source Models farai · 2026 · Q002081 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  89. The Singapore Consensus on Global AI Safety Research Priorities farai · 2026 · Q002087 · Hintergrund, keine Belege · ohne Zusammenfassung
  90. Towards Automated Circuit Discovery for Mechanistic Interpretability farai · 2026 · Q002095 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  91. Towards Guaranteed Safe AI: A Framework for Ensuring Robust and Reliable AI Systems farai · 2026 · Q002102 · einzelne zitierbare Belege · ohne Zusammenfassung
  92. Training Language Models with Language Feedback farai · 2026 · Q002112 · einzelne zitierbare Belege · ohne Zusammenfassung
  93. Training Language Models with Language Feedback at Scale farai · 2026 · Q002117 · einzelne zitierbare Belege · ohne Zusammenfassung
  94. Training Reliable Activation Probes With a Handful of Positive Examples farai · 2026 · Q002125 · einzelne zitierbare Belege · ohne Zusammenfassung
  95. Transformer Circuit Faithfulness Metrics are not Robust farai · 2026 · Q002135 · einzelne zitierbare Belege · ohne Zusammenfassung
  96. Transformers Don’t Need LayerNorm at Inference Time: Scaling LayerNorm Removal to GPT-2 XL and Implications for Mechanistic Interpretability farai · 2026 · Q002147 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  97. Uncovering Latent Human Wellbeing in Language Model Embeddings farai · 2026 · Q002150 · beantwortet teilweise oder widerspricht · ohne Zusammenfassung
  98. Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment farai · 2026 · Q002157 · einzelne zitierbare Belege · ohne Zusammenfassung
  99. Vision-Language Models are Zero-Shot Reward Models for Reinforcement Learning farai · 2026 · Q002161 · gleiches Oberthema, hilft nicht · ohne Zusammenfassung
  100. Why does training on insecure code make models broadly misaligned? farai · 2026 · Q002167 · Hintergrund, keine Belege · ohne Zusammenfassung
Sprache und Prüfstand

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

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →