Neue Modelle rücken bei Biologie und autonomer Arbeit vor, Nvidia überlässt China Huawei — und ein Sprachmodell schätzt Sterberisiken je nach Frageform

Die Sterblichkeitswahrscheinlichkeit eines Sprachmodells ändert sich mit der Frageform — ein eigens trainiertes Vorhersagemodell bleibt verlässlicher

Ein Team um Jinn-Rung Kuo (veröffentlicht im Journal of Medical Internet Research, 8. Juli) prüfte, ob sich die Wahrscheinlichkeitsangaben eines Allzweck-Sprachmodells als verlässliche quantitative Risikoschätzung eignen. Dazu verglichen die Autor:innen an identischen, strukturierten Patientendaten zwei Wege zur Vorhersage der Krankenhaussterblichkeit bei Intensivpatient:innen mit spontaner intrazerebraler Blutung: ein eigens auf diese Zielgröße trainiertes maschinelles Lernmodell (Extreme Gradient Boosting, ein Verfahren, das aus Trainingsdaten mit bekanntem Ausgang lernt) und ein nicht näher benanntes Allzweck-Sprachmodell, das dieselbe Aufgabe über vier verschiedene Anweisungsformen löste — von der bloßen Frage bis zur Aufforderung, den Rechenweg auszuformulieren. Die unabhängige Testgruppe umfasste 435 Personen, von denen 86 (19,7 %) im Krankenhaus verstarben.

Das trainierte Modell trennte Überlebende und Verstorbene durchweg besser als jede Variante des Sprachmodells. Vor allem aber verhielt sich das Sprachmodell je nach Anweisungsform unterschiedlich: Der optimale Schwellenwert, ab dem seine Ausgabe als „hohes Risiko“ zu werten war, schwankte zwischen 0,74 und 0,88, während er beim trainierten Modell bei 0,1555 lag. Die vom Sprachmodell ausgegebenen „Wahrscheinlichkeiten“ liegen also nicht auf einer kalibrierten Skala und sind nicht direkt als Risiko lesbar. Auch die Begründungen des Sprachmodells stimmten nur mäßig mit den Merkmalen überein, die im trainierten Modell tatsächlich den Ausschlag gaben.

Warum das zählt: Wer ein Sprachmodell nach einer Sterblichkeitswahrscheinlichkeit fragt, bekommt eine Zahl, die kompetent aussieht — aber sie ist hier keine kalibrierte Wahrscheinlichkeit, sondern hängt davon ab, wie die Frage gestellt wurde. Für die Vorhersage einer festen Zielgröße aus strukturierten Daten bleibt ein darauf trainiertes Modell die belastbarere Wahl; das Sprachmodell kann beim Formulieren und Begründen helfen, ersetzt die kalibrierte Schätzung aber nicht. Genau diese Arbeitsteilung schlagen die Autor:innen als nächsten Schritt vor — und für die Praxis heißt das: Eine KI-Zahl ohne Angabe, wie sie erzeugt wurde, sollte man nicht wie einen Laborwert behandeln.

Quelle: Journal of Medical Internet Research

GPT-5.6 und Grok 4.5 rücken bei autonomer Arbeit, Programmierung und Biologie vor — die Fortschritte liegen im Handeln über viele Schritte, nicht im Plaudern

OpenAI gab am 9. Juli seine Modellreihe GPT-5.6 (Sol, Terra, Luna) für die Öffentlichkeit frei; einen Tag zuvor stellte xAI Grok 4.5 vor. Beide Ankündigungen betonen dasselbe: nicht flüssigeres Antworten, sondern besseres Arbeiten über viele Schritte hinweg — das selbständige Abarbeiten mehrstufiger Aufgaben, das man von einem KI-Agenten erwartet. OpenAI beschreibt GPT-5.6 als darauf trainiert, „aus jedem Token mehr nützliche Arbeit“ zu holen; auf einem Test für lange berufliche Arbeitsabläufe (Agents’ Last Exam, 55 Fachgebiete) erreicht das Spitzenmodell Sol 53,6 Punkte und liegt damit vor Anthropics Fable 5, die günstigeren Varianten Terra und Luna schlagen Fable 5 nach Herstellerangaben zu einem Sechzehntel der Kosten. Ausdrücklich nennt OpenAI Fortschritte in Programmierung, Cybersicherheit und — hier lohnt das Hinsehen — in Biologie und Genomik. Grok 4.5, xAIs erstes eigens auf Programmieren und agentisches Arbeiten ausgelegtes Modell, wurde an echten Entwickler-Sitzungen trainiert, ist laut Elon Musk „Opus-Klasse, aber schneller und billiger“ und deutlich sparsamer im Verbrauch (rund 14.000 statt gut 67.000 Ausgabe-Token je Testaufgabe) — aber in der EU vorerst nicht verfügbar (angekündigt für Mitte Juli). GPT-5.6 wiederum durchlief vor der Freigabe eine formal freiwillige, 30-tägige US-Sicherheitsprüfung; das Weiße Haus spielte am 8. Juli Berichte herunter, es habe die Freigabe „genehmigt“, und erklärte, der Zeitpunkt sei Sache des Unternehmens. Der Entwickler Simon Willison, der GPT-5.6 unabhängig prüfte, bremst die Erwartung: Bei komplexen Programmieraufgaben sei es ihm „nicht besser als Fable“ erschienen, und OpenAIs eigener Hinweis, rund 30 % eines vielzitierten Programmier-Benchmarks seien fehlerhaft, sei bezeichnenderweise erst erschienen, nachdem Fable dort vor Sol gelegen habe.

Warum das zählt: Interessant ist nicht der nächste Punktestand, sondern wo die Fortschritte liegen. Erstens im langen, selbständigen Arbeiten — genau die Fähigkeit, auf der klinische Agenten aufsetzen, die nicht nur zusammenfassen, sondern Schritte ausführen (dokumentieren, eintragen, nachfassen); je verlässlicher das wird, desto näher rückt die Frage der Aufsicht. Zweitens in der Biologie: Wenn ein Hersteller Biologie und Genomik ausdrücklich als Stärke bewirbt, ist die Doppelnutzung — nützlich in der Forschung, missbrauchbar in der Biosicherheit — keine ferne Sorge mehr, sondern eine beworbene Eigenschaft, über deren Freigabe andere entscheiden als die, die das Modell später klinisch nutzen. Und drittens der Zugang: Grok 4.5 ist in der EU noch nicht verfügbar, GPT-5.6 lief erst durch eine Prüfung in Washington. Europäische Kliniken und Forschung treffen diese Modelle später als die Schlagzeilen suggerieren — und Willisons Vorbehalt bleibt der nüchterne Kern: Ein Benchmark beschreibt einen Test, nicht Ihre Station.

Quelle: OpenAI / Simon Willison

Was der geleakte Fable-5-Systemprompt wirklich zeigt: kein Sicherheitsbruch, sondern wie viel Modellverhalten eine editierbare Anweisungsschicht steuert

Kurz zur Einordnung vorab: Der Leak selbst stammt von Anfang Juni — der vollständige Systemprompt von Anthropics Fable 5 tauchte binnen eines Tages nach dem Start (9. Juni) auf GitHub auf, gepostet von einem als „Pliny“ bekannten Forscher; diese Woche wurde er erneut breit auseinandergenommen. Rund 120.000 Zeichen, 1.585 Zeilen. Das ist Anlass, nüchtern zu sortieren, was so ein Leak eigentlich ist.

Ein Systemprompt ist die stehende Anweisung, die der Hersteller dem Modell zur Laufzeit voranstellt — nicht die Modellgewichte, nicht die Trainingsdaten, nicht Nutzerdaten. Ein Leak davon ist deshalb kein Sicherheitsbruch des Modells, sondern ein Blick auf dessen Betriebsanleitung: Werkzeug-Schnittstellen, Suchregeln, Umgang mit Gedächtnis und Zitaten, Verweigerungsgrenzen, Formatvorgaben. Analyst:innen lesen ihn weniger als Geheimnis denn als „Werkbank-Inventar“ — eine Anleitung, wie das Modell lange, mehrschrittige Aufgaben abarbeiten soll. Zwei Details fielen auf: eine harte Regel, die das wörtliche Zitieren von mehr als 15 aufeinanderfolgenden Wörtern aus einer Quelle als „schweren Verstoß“ untersagt, und die Identitätszeile („Der Assistent ist Claude, von Anthropic“), die erst in Zeile 1.351 von 1.585 steht.

Klinische Brücke: Vieles von dem, was ein Modell „tut“ — wie vorsichtig es ist, wann es verweigert, ob es zitiert, wie es formatiert —, steht nicht fest in der Intelligenz darunter, sondern in einer editierbaren Anweisungsschicht, die der Hersteller schreibt und zwischen Versionen ohne Ankündigung ändern kann. Genau diese Schicht steuert die Eigenschaften, auf die sich Behandelnde verlassen. Wir dürfen gespannt bleiben, ob auf Ebene der Systemprompts künftig auch Modelle für Gesundheitsanwendungen kalibriert werden.

Quelle: asgeirtj/system_prompts_leaks (GitHub) / Analysen

Nvidia überlässt China faktisch Huawei — die Rechenbasis der stärksten Modelle spaltet sich geopolitisch, während Europa Kapazität auf US-Hardware baut

Unter den seit Ende Mai verschärften US-Exportkontrollen — sie belegen Nvidias fortschrittlichste Chips (Blackwell) mit Lizenzpflicht für China und schließen den Umweg über Auslandstöchter — hat sich der chinesische Markt für Nvidia praktisch geschlossen: Der Konzern meldete zuletzt keinen Rechenzentrumsumsatz mehr aus China, und Firmenchef Jensen Huang sagte, er habe den Markt „weitgehend an Huawei abgetreten“. Analysten von Bernstein erwarten, dass Nvidias Anteil am chinesischen KI-Chip-Markt 2026 auf etwa 8 % fällt, während Huawei auf rund 50 % steigt. China reagiert dabei so sehr in Software wie in Hardware: Das KI-Unternehmen DeepSeek richtete sein Modell V4 gezielt auf Huaweis Ascend-Chips statt auf Nvidia aus. Das Bild ist aber nicht eindeutig — der Auftragsfertiger SMIC steckt wegen Anlagen-Exportkontrollen bei der 7-Nanometer-Fertigung fest, und Analysen streiten, ob der reine Hardware-Abstand kleiner wird oder wächst. Zugleich baut Nvidia sein europäisches Geschäft aus: Es kündigte 35 KI-Supercomputer in 23 europäischen Ländern an, mehr als 3.000 Exaflops Blackwell-Rechenleistung für „souveräne KI“, darunter ein Großsystem mit dem französischen Anbieter Mistral.

Warum das zählt: Unter jedem klinischen Modell liegt Rechenleistung, und diese Schicht zerfällt gerade entlang geopolitischer Linien. Für die Medizin folgt daraus zweierlei. Erstens hängt zunehmend von der Herkunft der Chips ab, welche Modelle ein Krankenhaus überhaupt betreiben kann und zu welchen Bedingungen; eine US-China-Spaltung bedeutet zwei auseinanderlaufende KI-Stapel, und klinische Software sitzt fast immer auf einem davon. Zweitens ist Europas Antwort — eigene Rechenzentren — real, aber auf US-Hardware und US-Anbietern gebaut: Souveränität im Anspruch, Abhängigkeit in der Lieferkette. Für Behandelnde ist das nicht abstrakt: Es bestimmt mit, welche Programme wann in der eigenen Klinik ankommen und wie robust dieser Zugang gegen die nächste Exportregel ist.

Quelle: The Wire China

Zum Schluss: die laute Woche und der eine leise Handgriff

Es war eine Woche voller großer Ankündigungen: zwei neue Modelle, ein Bruch im Chip-Markt, ein wieder ausgegrabener Leak. Das meiste davon verändert die Medizin mittelbar — über Jahre, über Lieferketten, über die Frage, wer welche Modelle betreiben darf. Der eine Befund, der sich schon am Montag in einen Handgriff übersetzt, war der leiseste: dass die Sterblichkeitszahl, die ein Sprachmodell ausspuckt, mit der Frageform wandert. Daraus folgt keine große Lehre über die KI, nur eine kleine, brauchbare Gewohnheit — die Wahrscheinlichkeit eines Chatbots wie eine Behauptung behandeln, die man prüft, nicht wie einen Messwert, den man überträgt. Die laute Nachrichtenlage kommt von allein wieder. Diese eine Sache können Sie nutzen.