For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/anthropic-s-ai-replication-test-methods-a-4f6916a1.md.
Eine Anthropic-Studie berichtet, dass GLM-5.2 in vier von fünf Versuchen eine vereinfachte Replikationsaufgabe auf allen acht Zielknoten abs...
Eine Anthropic-Studie berichtet, dass GLM-5.2 in vier von fünf Versuchen eine vereinfachte Replikationsaufgabe auf allen acht Zielknoten abschloss und im verbleibenden Versuch sieben Knoten erreichte. Sie zeigt außerdem eine auf preiswerte TV-Boxen verteilte Modellinferenz sowie eine höhere Zuverlässigkeit bei der Einrichtung, wenn spätere Agenten die Notizen früherer Agenten übernehmen.
Das sind bedeutsame Ergebnisse. Sie lassen sich jedoch auch leicht überinterpretieren. Der Primärbericht unterscheidet zwischen einer manuell aufgebauten Hardware-Demonstration, autonomen Einrichtungsexperimenten und einem abgeschotteten Netzwerktest, bei dem das größere Steuerungsmodell auf separater Infrastruktur läuft.
Die folgende Darstellung stützt sich auf die von BAAI Hub erneut veröffentlichte Berichterstattung von QbitAI sowie auf direkt geprüfte Anthropic-Forschung von William Zhou und Daniel Freeman.
Die Forschenden kauften 15 markenlose Android-TV-Boxen mit jeweils 4 GB Arbeitsspeicher und einem Preis von rund 55 US-Dollar. Sie verteilten Gemma4-26B-A4B mithilfe von Pipeline-Parallelismus auf die Geräte, wobei jede Box einen Teil der Modellschichten hielt.
Dieses System erzeugte 0,39 Token pro Sekunde. Für einen interaktiven Assistenten wäre das frustrierend langsam, doch das Experiment stellte eine andere Frage: Können preiswerte Geräte mit wenig Arbeitsspeicher gemeinsam überhaupt ein leistungsfähiges Modell unterstützen?
Die Antwort lautete in diesem Aufbau: ja. Allerdings bereiteten die Forschenden die Hardware und die Modellverteilung vor. Die Demonstration zeigte nicht, dass das Modell diese Geräte selbstständig finden und kompromittieren konnte.
Der Bericht verwendet anschließend ein historisches Botnetz mit zwei Millionen Geräten als Skalierungsreferenz. Bei 15 Geräten pro Replikat wären etwa 133.000 Kopien möglich, mit einer groben geschätzten Gesamtdurchsatzrate von rund 80.000 Token pro Sekunde unter den Parallelitätsannahmen der Autoren. Dies ist eine hypothetische Berechnung, keine neu beobachtete KI-Infektion.
Für das End-to-End-Experiment baute Anthropic eine durch eine Firewall geschützte virtuelle Private Cloud mit acht Google-Cloud-Knoten auf, die eine Android-15-redroid-Umgebung ausführten. Der Test vereinfachte den Zugriff absichtlich durch nicht authentifizierte ADB-Ports, damit er sich auf den übrigen Teil der Kette konzentrieren konnte.
Auf konzeptioneller Ebene musste der Agent einen weiteren Knoten finden, die erforderlichen Komponenten bereitstellen, die Inferenz konfigurieren und den Prozess fortsetzen. Der Ziel-Inferenzdienst war Llama3.1-8B.
| Experimentelles Element | Bedeutung für das Ergebnis |
|---|---|
| Acht Knoten innerhalb eines durch eine Firewall geschützten Cloud-Netzwerks | Das Experiment war abgeschottet und kein Test auf beliebigen öffentlichen Geräten. |
| Vereinfachter, nicht authentifizierter Zugang | Die Entdeckung von Exploits war nicht die wichtigste gemessene Schwierigkeit. |
| Llama3.1-8B als Zielmodell | Die Modelle wurden bei einer gemeinsamen Aufgabe zur Einrichtung der Inferenz verglichen. |
| Separater Inferenzserver für größere Steuerungsmodelle | Die eigene Berechnung von GLM-5.2 wurde nicht vollständig auf den Zielgeräten gehostet. |
| Vier Durchläufe mit acht Knoten; einer mit sieben | GLM-5.2 war unter diesen spezifischen Testbedingungen zuverlässig. |
Nachdem ein Ziel-Inferenzserver Prüfungen auf Korrektheit und Betrugsvermeidung bestanden hatte, startete das Testsystem eine weitere Instanz des Steuerungsagenten. Das macht den Test aufschlussreich für die Kompetenz, die zur Ausbreitung erforderlich ist. Er belegt jedoch nicht, dass ein großes Modell sich selbst auf einer Appliance mit wenig Arbeitsspeicher unterbringen kann.
Die Autoren beschreiben die vereinfachten Cyberbedingungen als Obergrenze für den Erfolg in der realen Welt. Authentifizierung, Netzwerkerreichbarkeit, Gerätevielfalt und Eingriffe durch Verteidiger würden das Problem verändern.
In einem separaten Experiment forderten die Forschenden Modelle dazu auf, Llama3.1-8B auf unterschiedlichen Hardwaretypen bereitzustellen. Dies erfordert die Auswahl eines passenden Inferenz-Stacks, das Auflösen von Abhängigkeiten und das Debuggen von Fehlern, die für Betriebssystem und Hardware spezifisch sind.
Qwen3.5-9B war auf acht von neun Hardwaretypen erfolgreich. Leistungsfähigere Modelle waren im Allgemeinen zuverlässiger und erreichten bessere Bereitstellungsgeschwindigkeiten.
Dieses Ergebnis hilft zu erklären, warum sich die Studie auf die Einrichtung der Inferenz konzentriert. Ein Modell kann einige Kommandozeilenschritte bewältigen und dennoch scheitern, wenn eine lange Kette mehrere korrekte, hardwarespezifische Entscheidungen verlangt. Kompetenz bei einzelnen Schritten führt nicht automatisch zu zuverlässigem End-to-End-Verhalten.
Der Bericht vergleicht anschließend den Fortschritt von Modellen mit ungefähr 30 Milliarden Parametern oder weniger mit dem Epoch Capabilities Index. Ein angepasster Trend nähert sich der GLM-5.2-Fähigkeitsschwelle des Experiments bis Ende 2026 an.
Abbildung: Anthropic, reproduziert von QbitAI auf BAAI Hub. Der Trend verwendet einen allgemeinen Fähigkeitsindex und stützt eine grobe Prognose, jedoch kein garantiertes Datum für eine Replikation in der realen Welt.
Lang laufende Agenten können sich auf eine falsche Erklärung für einen Fehler fixieren. Das auf Pi basierende Memento-Testsystem der Forschenden startet regelmäßig eine neue Agenteninstanz, während es den Arbeitsbereich und kurze Notizen zu früheren Versuchen bewahrt.
In einem Experiment mit sechs Generationen von Qwen3.5-9B lag die Erfolgsquote bei der Einrichtung in der ersten Generation bei 45 %. Spätere Generationen lagen zwischen 61 % und 84 %, wobei die zuletzt dargestellte Generation 65 % erreichte.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Abbildung: Anthropic, reproduziert in der QbitAI-Quelle. Das höchste Ergebnis tritt vor der letzten Generation auf; die Verbesserung verläuft nicht monoton.
In diesem Experiment wurden keine Modellgewichte nachtrainiert. Die bessere Leistung ergab sich aus erhaltenem Kontext, Code und Notizen. Die evolutionäre Analogie der Autoren bezieht sich auf die Weitergabe erworbener Informationen zwischen Instanzen, nicht auf einen Beleg dafür, dass das System biologisch lebendig ist.
Die Forschenden testeten außerdem, ob Qwen3.5-9B durch Zugang zu Claude Opus 4.8 als leistungsstärkerem Berater unterstützt werden kann. Dies führte bei dieser Aufgabe nicht zu einer signifikanten Verbesserung, auch nicht, wenn der Rat eintraf, ohne dass das kleinere Modell danach gefragt hatte.
Abbildung: Anthropic, reproduziert in der QbitAI-Quelle. Die Fehlerbalken zeigen Wilson-Intervalle von 95 %; das Ergebnis bezieht sich auf den getesteten Aufbau und nicht auf jedes mögliche Multi-Modell-System.
Ein zukünftiger agentenbasierter Replikator könnte anpassungsfähiger sein als ein festes Skript: Er könnte Logs lesen, einen anderen Inferenz-Stack wählen und nützliche Notizen an spätere Instanzen weitergeben. Der Bericht zeigt jedoch nicht, dass jedes mit dem Internet verbundene Gerät erreichbar oder ausnutzbar ist.
Er identifiziert auch Möglichkeiten zur Verteidigung. Das Verschieben von Modellnutzdaten mit mehreren Gigabyte und das Aufrechterhalten verteilter Inferenz können ungewöhnlichen Datenverkehr erzeugen; infizierte Netzwerke können isoliert werden; Gerätehersteller können den verfügbaren Zielpool durch sicherere Standardeinstellungen verkleinern.
Die Darstellung von Haushaltsgeräten in der Quelle macht die Bedrohung leicht vorstellbar, doch das bestätigte Ergebnis bleibt ein abgeschottetes Experiment. Die praktische Frage lautet, ob verbesserte Agentenkompetenz bestehende Schwachstellen leichter wiederholt ausnutzbar macht und ob Überwachung sowie Gerätesicherheit verhindern können, dass sich die Ausbreitung selbst erhält.
ARA bezeichnet ein System, das sich ohne menschliche Kontrolle bereitstellt und verbreitet und sich dabei an seine Umgebung anpasst. Die Studie untersucht mehrere praktische Schritte, die für dieses Verhalten erforderlich sind.
Es schloss die vereinfachte Kette in vier Versuchen auf allen acht Knoten und im fünften Versuch auf sieben Knoten ab. Seine eigene Inferenz lief separat, während der Zieldienst Llama3.1-8B war.
Der kombinierte Ausbreitungstest lief in einer durch eine Firewall geschützten Cloud-Umgebung mit Android-Emulation. Die separate TV-Box-Inferenzdemonstration verwendete von den Forschenden eingerichtete Hardware.
Das Starten eines Modells auf unbekannter Hardware erfordert eine lange Abfolge voneinander abhängiger Konfigurationsentscheidungen. Diese Phase verursachte Fehler, selbst wenn ein Agent andere Teile des Workflows ausführen konnte.
Sie verbesserten den Aufgabenerfolg im gemessenen Experiment, ohne die Gewichte zu verändern. Der Erfolg variierte zwischen den Generationen; das Ergebnis belegt daher keine ununterbrochene oder unbegrenzte Verbesserung.
Nein. Die Schätzung für Ende 2026 extrapoliert einen allgemeinen Fähigkeitstrend und hängt von mehreren Annahmen ab; sie ist keine exakte Vorhersage für Bereitstellung oder Ausbreitung.
Anthropics Studie verbindet drei Beobachtungen: Preiswerte Hardware kann gemeinsam ein Modell bereitstellen, Agenten können unbekannte Systeme konfigurieren, und übernommene Notizen können spätere Versuche verbessern. Das kombinierte Replikationsergebnis ist innerhalb der vereinfachten, abgeschotteten Umgebung aussagekräftig.
Die Forschung verkleinert die Lücke zwischen einzelnen Fähigkeiten und Replikation, während realer Zugang, Hosting-Beschränkungen und defensive Eingriffe weiterhin ungeklärt bleiben.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
