KR3: AE-31 A Superlative weichzeichnen, o1 System Card

Elf Manuskriptstellen plus Timeline o1: System Card arXiv:2412.16720, kein Methods-Paper.

manuskript/glossar.md

@@ -178,7 +178,7 @@
 
 **Modelldrift** – Gleiche Regeln, anderes Modell (oder stilles Update), still veränderte Form oder Initiative. Stabilität sitzt in Dateien, Tests, Quellen und Logs – nicht im Modellnamen. Kap. 8.
 
-**Modellkollaps (Model Collapse)** – Degeneration eines Modells, wenn es wiederholt auf von früheren KI-Generationen erzeugten (synthetischen) Daten trainiert wird. Seltene Ereignisse fallen weg, die Varianz sinkt, Fehler verfestigen sich – vergleichbar mit dem wiederholten Kopieren eines Kopierdokuments. Erstmals systematisch beschrieben von Shumailov et al. (2023).
+**Modellkollaps (Model Collapse)** – Degeneration eines Modells, wenn es wiederholt auf von früheren KI-Generationen erzeugten (synthetischen) Daten trainiert wird. Seltene Ereignisse fallen weg, die Varianz sinkt, Fehler verfestigen sich – vergleichbar mit dem wiederholten Kopieren eines Kopierdokuments. systematisch beschrieben von Shumailov et al. (2023).
 
 **Multi-Agent-System** – Ein System, in dem mehrere spezialisierte LLM-Agenten zusammenarbeiten, z. B. einer für Recherche, einer für Logik, einer für Textqualität. Die Agenten tauschen Nachrichten aus, oft über einen Koordinator. Multi-Agent-Systeme sind vielversprechend für komplexe Aufgaben, aber schwer zu debuggen und zu kontrollieren.
 

manuskript/kapitel-05-grenzen.md

@@ -17,7 +17,7 @@ Die Gegenproben nutzen drei Lagen. **Lage 1, Verlustfunktion:** Training belohnt
 
 ### Halluzinationen: Wenn Plausibilität Wahrheit überschreibt
 
-Das auffälligste und öffentlich meistdiskutierte Problem moderner Sprachmodelle ist ihre Neigung, Dinge zu „erfinden“: Quellen, die es nicht gibt; Fakten, die falsch sind; Namen, die nie existierten; Gerichtsurteile, die nie gefällt wurden. Der Begriff **Halluzination** hat sich eingebürgert – wohlwissend, dass er selbst eine unglückliche Metapher ist: Es gibt kein inneres Prüfsystem, das eine Aussage auf Wahrheit testet, bevor sie ausgegeben wird. Das Modell erzeugt schlicht eine plausible Fortsetzung, die nicht mit der Welt übereinstimmen muss.
+Ein öffentlich viel diskutiertes Problem moderner Sprachmodelle ist ihre Neigung, Dinge zu „erfinden“: Quellen, die es nicht gibt; Fakten, die falsch sind; Namen, die nie existierten; Gerichtsurteile, die nie gefällt wurden. Der Begriff **Halluzination** hat sich eingebürgert – wohlwissend, dass er selbst eine unglückliche Metapher ist: Es gibt kein inneres Prüfsystem, das eine Aussage auf Wahrheit testet, bevor sie ausgegeben wird. Das Modell erzeugt schlicht eine plausible Fortsetzung, die nicht mit der Welt übereinstimmen muss.
 
 #### Woher kommen Halluzinationen?
 
@@ -48,7 +48,7 @@ Die Metapher „Lüge“ setzt Vorsatz und Wissen um die Unwahrheit voraus. Beid
 
 #### Wann Retrieval und Tools helfen – und wann nicht
 
-Die naheliegende Gegenmaßnahme: Man gibt dem System Zugriff auf aktuelle Datenquellen – Suchmaschinen, Datenbanken, Dokumente. Der Harness sucht passende Stellen und legt sie in den Kontext; das Modell antwortet auf dieser Basis. Dieses Muster heißt **Retrieval-Augmented Generation** (RAG) und ist eine der wichtigsten praktischen Innovationen der letzten Jahre. Die Lehre sitzt hier; Kapitel 7 zeigt denselben Schritt als Teil der Harness-Schleife.
+Die naheliegende Gegenmaßnahme: Man gibt dem System Zugriff auf aktuelle Datenquellen – Suchmaschinen, Datenbanken, Dokumente. Der Harness sucht passende Stellen und legt sie in den Kontext; das Modell antwortet auf dieser Basis. Dieses Muster heißt **Retrieval-Augmented Generation** (RAG) und ist eine praktische Innovation der letzten Jahre. Die Lehre sitzt hier; Kapitel 7 zeigt denselben Schritt als Teil der Harness-Schleife.
 
 RAG hilft ausgezeichnet bei:
 - Faktenfragen mit klarem Suchbegriff („Wann wurde Marie Curie geboren?“)

manuskript/kapitel-07-agenten-harness.md

@@ -104,7 +104,7 @@ Halluzination als Architekturgrenze (Kapitel 5) – hier auf strukturierte Aufru
 
 **Berechtigungsfehler.** Das Modell versucht zu senden, obwohl der Harness für diesen Schritt **keine Freigabe konfiguriert hat**. Solche Aufrufe werden **vor der Ausführung** abgewiesen; das Modell hat keinen direkten Zugriff auf nicht registrierte Werkzeuge.
 
-Diese Fehlerarten sind keine exotischen Randfälle. Endlosschleifen gehören in der Praxis zu den häufigsten Fehlerklassen – oft der erste Fehler bei neuen Agent-Setups. Ohne Token-Budgets und Timeouts geraten Systeme erfahrungsgemäß schnell in Schleifen, manchmal schon nach wenigen Iterationen. Deshalb fließt ein erheblicher Teil der Ingenieurarbeit in den Harness, nicht ins Modell.
+Diese Fehlerarten sind keine exotischen Randfälle. Endlosschleifen sind in der Praxis eine typische Fehlerklasse – oft der erste Fehler bei neuen Agent-Setups. Ohne Token-Budgets und Timeouts geraten Systeme erfahrungsgemäß schnell in Schleifen, manchmal schon nach wenigen Iterationen. Deshalb fließt ein erheblicher Teil der Ingenieurarbeit in den Harness, nicht ins Modell.
 
 ---
 
@@ -252,7 +252,7 @@ Es gibt keine scharfe Grenze zwischen Assistent und Agent. Vier Autonomiestufen
 Das System antwortet auf Nachrichten. Es handelt nicht. Es hat keine Werkzeuge. Typisches Beispiel: Ein reines Chat-Interface, das Text generiert, aber keine Datenbankabfrage auslösen, keine Buchung vornehmen, keine Datei verändern kann. Der Mensch initiiert jede Interaktion, bewertet jede Antwort und entscheidet allein über das nächste Vorgehen.
 
 **Autonomiestufe 2: Assistent – reaktiv, mit Werkzeugen auf Zuruf.**
-Das System kann Werkzeuge nutzen: „Such mir die Öffnungszeiten raus“, „Fasse diese PDF zusammen“, „Rechne das um“. Manche Produkte lösen die Suche schon aus, ohne dass Sie „such das“ tippen. Aber es bleibt ohne eigene Zielschleife: Es zerlegt keine eigenständigen Ziele. Es plant nicht voraus. Es reagiert. Die meisten heutigen KI-Chat-Assistenten mit Such- oder Analysefunktion bewegen sich auf Autonomiestufe 2 – in Kapitel 6 war das Treppenstufe 3: Produktassistent mit Werkzeug auf Zuruf, noch ohne eigene Schleife.
+Das System kann Werkzeuge nutzen: „Such mir die Öffnungszeiten raus“, „Fasse diese PDF zusammen“, „Rechne das um“. Manche Produkte lösen die Suche schon aus, ohne dass Sie „such das“ tippen. Aber es bleibt ohne eigene Zielschleife: Es zerlegt keine eigenständigen Ziele. Es plant nicht voraus. Es reagiert. Viele heutige KI-Chat-Assistenten mit Such- oder Analysefunktion bewegen sich auf Autonomiestufe 2 – in Kapitel 6 war das Treppenstufe 3: Produktassistent mit Werkzeug auf Zuruf, noch ohne eigene Schleife.
 
 **Autonomiestufe 3: Werkzeug-Agent – zielorientiert, mit autonomen Teilschritten.**
 Das System bekommt ein komplexeres Ziel („Merge den Pull Request, wenn die Tests grün sind“) und darf innerhalb definierter Grenzen selbstständig Teilschritte ausführen: Status holen, Diff lesen, bei Rot stoppen. Es meldet sich, wenn es eine Entscheidung braucht („Drei Tests rot in `src/auth/` – soll ich den Merge zurückhalten?“) oder wenn es auf einen Fehler läuft, den es nicht selbst beheben kann. Der Mensch bleibt in der Schleife – an den Gelenkstellen, nicht bei jedem Mikroschritt.
@@ -297,7 +297,7 @@ MCP und vergleichbare Ansätze sind **Software-Engineering für KI-Ökosysteme**
 
 ### Drei Rollen, drei Fähigkeitstypen
 
-Das **Model Context Protocol (MCP)** ist ein offener Standard für genau diese Anbindung – zuerst von Anthropic publiziert, hier Anschauungsobjekt, nicht Produktempfehlung. MCP war 2025 das am weitesten verbreitete Protokoll dieser Klasse.
+Das **Model Context Protocol (MCP)** ist ein offener Standard für genau diese Anbindung – zuerst von Anthropic publiziert, hier Anschauungsobjekt, nicht Produktempfehlung. MCP war 2025 ein weit verbreitetes Protokoll dieser Klasse.
 
 Drei Rollen: Der **Host** ist die Anwendung, in der das Modell lebt – der Harness, den dieses Kapitel bisher auch Hülle genannt hat; er stellt die Oberfläche und **autorisiert** Aufrufe: Das Modell schlägt vor, der Host führt aus oder blockiert. Der **Client** sitzt im Host und spricht das Protokoll. Der **Server** stellt Fähigkeiten bereit und beschreibt sich selbst. Drei Fähigkeitstypen: **Tools** tun etwas (Termin anlegen, Tests starten). **Resources** stellen etwas bereit (Datei, Tabelle, Log). **Prompts** liefern Vorlagen für wiederkehrende Interaktionen. Zusammen: etwas tun, etwas lesen, etwas formulieren. Der Kalender muss nicht wissen, welche Chat-App ihn nutzt; die App muss nicht die interne Schnittstelle des Kalenders nachbauen.
 

manuskript/kapitel-08-praxis-ampel.md

@@ -224,7 +224,7 @@ Offen gegen geschlossen trifft die Lage nicht. Es gibt vier Betriebsarten. In al
 
 **Offene Gewichte, fremd gehostet.** Das ist der Hybrid. Die Datei ist theoretisch portabel: Die Gewichte könnten woanders weiterlaufen. Der Lauf liegt auf fremder Infrastruktur. Betrieb und Datenweg ziehen nicht von selbst mit.
 
-**Produkt-Oberfläche ohne API.** Sie haben ein Chatfenster, weder die Gewichtdatei noch eine Schnittstelle, über die Sie den Aufruf selbst setzen. Historie, Persona und Memory sitzen im Produkt. Das ist die stärkste **Lock-in**-Form – die Bindung, die beim Wechsel teuer wird. Wer das Fenster verlässt, tippt neu – oder bleibt.
+**Produkt-Oberfläche ohne API.** Sie haben ein Chatfenster, weder die Gewichtdatei noch eine Schnittstelle, über die Sie den Aufruf selbst setzen. Historie, Persona und Memory sitzen im Produkt. Das ist eine starke **Lock-in**-Form – die Bindung, die beim Wechsel teuer wird. Wer das Fenster verlässt, tippt neu – oder bleibt.
 
 Vier Unterscheidungen gehen dabei leicht verloren.
 

manuskript/kapitel-09-lecun-jepa-agi.md

@@ -219,7 +219,7 @@ Diese Position **kann sich als falsch herausstellen**, wenn die empirische Entwi
 
 **Was sie sagt:** Die Next-Token-Architektur ist nicht nur unzureichend für AGI – sie ist ein grundsätzlich falscher Ansatz, der Ressourcen und Aufmerksamkeit von den vielversprechenderen Forschungsrichtungen abzieht. Sie wird nie zu robustem Verstehen führen (Verstehen B, Kapitel 5), weil sie auf statistischer Korrelation statt auf kausaler Weltmodellierung beruht.
 
-Diese Position ist die stärkste und zugleich diejenige mit der schwächsten empirischen Basis. Sie wird von einigen Forscher:innen explizit vertreten; sie verlangt eine alternative Gesamtarchitektur, die es in vergleichbarer Breite derzeit nicht gibt. Sie müsste erklären, warum ein Ansatz, der *funktional* so viel leistet – Zusammenfassen, Programmieren, Übersetzen, logisches Schließen in vielen Kontexten, Planen mit Tools –, kein Baustein von etwas Größerem sein kann.
+Diese Position ist die stärkste und zugleich diejenige mit der schwächsten empirischen Basis. Sie wird von einigen Forscher:innen explizit vertreten; sie verlangt eine alternative Gesamtarchitektur, die in vergleichbarer Produktbreite derzeit nicht vorliegt. Sie müsste erklären, warum ein Ansatz, der *funktional* so viel leistet – Zusammenfassen, Programmieren, Übersetzen, logisches Schließen in vielen Kontexten, Planen mit Tools –, kein Baustein von etwas Größerem sein kann.
 
 **Argumente dafür:**
 - Die theoretische Kritik an fehlender kausaler Grundlage ist ernst zu nehmen.

manuskript/literatur.md

@@ -40,7 +40,7 @@
 
 **Ouyang et al. (2022) – *Training Language Models to Follow Instructions with Human Feedback* (InstructGPT)**  
 → Das Paper, das die RLHF-Pipeline für Assistenten etabliert hat: SFT → Präferenzdaten → RL-Optimierung.  
-**Warum lesen?** Der Produktionsstandard für Chat-Assistenten (ChatGPT basiert direkt darauf). Ohne RLHF kein brauchbarer Assistent – das Buch führt es in Kap. 3 und 6 aus.
+**Warum lesen?** Der Produktionsstandard für Chat-Assistenten (ChatGPT basiert direkt darauf). RLHF machte brauchbare Assistenten praktikabel – Kap. 3 und 6.
 
 **Christiano et al. (2017) – *Deep Reinforcement Learning from Human Preferences***  
 → Vorarbeit, die das Präferenzlernen auf RL überträgt.  
@@ -48,7 +48,7 @@
 
 **Rafailov et al. (2023) – *Direct Preference Optimization: Your Language Model is Secretly a Reward Model* (DPO)**  
 → Einfachere Alternative zu RLHF: kein separates Belohnungsmodell nötig.  
-**Warum lesen?** Der Beweis, dass man Präferenzoptimierung viel schlanker haben kann. DPO ist 2024–2026 zum Standard für Open-Source-Modelle geworden.
+**Warum lesen?** Der Beweis, dass man Präferenzoptimierung viel schlanker haben kann. DPO wurde 2024–2026 bei vielen Open-Source-Modellen üblich.
 
 **Ziegler et al. (2019) – *Fine-Tuning Language Models from Human Preferences***  
 → Frühe Anwendung von RLHF auf Sprachmodelle.  
@@ -96,7 +96,7 @@
 
 **Yao et al. (2022) – *ReAct: Synergizing Reasoning and Acting in Language Models***  
 → Einfach wirkmächtige Idee: LLM denkt laut, führt dann eine Aktion aus, beobachtet das Ergebnis, denkt weiter.  
-**Warum lesen?** Der Ursprung moderner Agent-Schleifen. Jeder heutige Agenten-Harness baut auf diesem Grundmuster auf. Kap. 7 führt ReAct als Kernmuster ein.
+**Warum lesen?** Der Ursprung moderner Agent-Schleifen. Viele heutige Agenten-Harnesses folgen diesem Grundmuster. Kap. 7 führt ReAct als Kernmuster ein.
 
 **Lewis et al. (2020) – *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks***  
 → Das Paper, das den RAG-Begriff prägte: Externes Wissen abrufen statt aus dem Modell zu raten.  

research/quellen.md

@@ -104,4 +104,5 @@ Primärquellen für Kernbehauptungen; Blogs nur als Erklärhilfen mit Datum. Deu
 | OpenAI, *Introducing Operator* | openai.com/index/introducing-operator/ 23 Jan 2025; Update 17 Jul 2025 | 2026-10-30 AP | „Operator is now fully integrated into ChatGPT as ChatGPT agent“; Standalone-Site Sunset | Operator-SKU 2025 integriert | aktueller Marktname | AP-224 Klasse 3 |
 | OpenAI, *Introducing ChatGPT agent* | openai.com/index/introducing-chatgpt-agent 17 Jul 2025 | 2026-10-30 AP | Operator-Preview-Site Sunset in weeks | Nachfolger-Name ChatGPT agent | Glossar-SKU | AP-224 Klasse 3 |
 | Wikipedia:Größenvergleich | de.wikipedia.org/wiki/Wikipedia:Größenvergleich oldid=265776907 | 2026-10-30 KR3 | Tabelle „Ausgewählte Enzyklopädien“; Zeile de.WP „rund 1 Mrd.“ Wörter | Größenordnung einer Milliarde Wörter | Token-Spanne 2–3,5 Mrd. | AE-30 B |
+| OpenAI, *OpenAI o1 System Card* | arXiv:2412.16720 v2 (30 Apr 2026); v1 21 Dec 2024 | 2026-10-30 KR3 | abs-Seite; Titel „OpenAI o1 System Card“; Abstract Safety/System Card | o1 System Card existiert | Methods-Paper | AE-31 AP-309 |
 

research/timeline-faktenblatt.md

@@ -23,7 +23,7 @@
 | 2023 | **LLaMA** – Meta (Touvron et al.) | Open-Source-Modelle (7B–65B), nur auf öffentlichen Daten. Löst Community-Open-Source-Boom aus | arXiv: 27. Feb. 2023 (2302.13971) | 🟢 Hoch |
 | 2023 | **DPO (Direct Preference Optimization)** – Rafailov et al. (Stanford) | RLHF-Alternative ohne separates Reward Model. Vereinfacht Nachtraining | arXiv: 29. Mai 2023 (2305.18290); NeurIPS 2023 | 🟢 Hoch |
 | 2023 | **GPT-4V / Vision** – OpenAI | Multimodale Eingabe öffentlich sichtbar (Bildanalyse, Diagrammlesen) | Sep. 2023. Eingebaut in GPT-4 | 🟡 Mittel |
-| 2024 | **OpenAI o1 (Reasoning)** | Test-Time Compute: längeres „Nachdenken“ in der Inferenz. Verschiebung: mehr Denkzeit statt mehr Parameter | Sep. 2024. Kein detailliertes Paper. Produkt-Logik | 🟠 Vorsichtig |
+| 2024 | **OpenAI o1 (Reasoning)** | Test-Time Compute: längeres „Nachdenken“ in der Inferenz. Verschiebung: mehr Denkzeit statt mehr Parameter | Sep. 2024. System Card arXiv:2412.16720; kein Methods-Paper. Produkt-Logik | 🟠 Vorsichtig |
 | 2024 | **MCP (Model Context Protocol)** – Anthropic | Standardisierungsversuch für Tool-Kontext-Anbindung; Open-Spec | Nov. 2024. Docs: modelcontextprotocol.io | 🟡 Mittel |
 | 2024 | **DeepSeek-V3** – DeepSeek (China) | 671B MoE; trainiert für < 6 Mio. USD GPU-Kosten. Closed-Source-Niveau zu Open-Source-Kosten | Release: 26. Dez. 2024; arXiv: 2412.19437 | 🟢 Hoch |
 | 2025 | **DeepSeek-R1** – DeepSeek | Open-Source-Reasoning-Modell (RL-basiert); konkurriert mit o1. Chatbot #1 im US App Store | Release: 20. Jan. 2025; MIT-Lizenz | 🟢 Hoch |