Warum KI-Benchmarks oft irreführend sind

MÜNCHEN (IT BOLTWISE) – In der Welt der Künstlichen Intelligenz (KI) sind Benchmarks zu einem entscheidenden Maßstab für den Erfolg von Modellen geworden. Doch wie verlässlich sind diese Bewertungen wirklich?

In der schnelllebigen Welt der Künstlichen Intelligenz (KI) sind Benchmarks zu einem entscheidenden Maßstab für den Erfolg von Modellen geworden. Doch wie verlässlich sind diese Bewertungen wirklich? Die jüngsten Ergebnisse von OpenAI, Google und Meta werfen Fragen auf. OpenAI behauptet, dass ihr Modell o3 auf dem ARC-AGI-Datensatz eine bahnbrechende Punktzahl von 75,7 Prozent erreicht hat. Google hingegen gibt an, dass ihr Gemini 2.0 Pro 79,1 Prozent auf dem MMLU-Pro-Test erzielte. Meta meldete für ihr Llama-3 70B sogar 82 Prozent auf einem 5-shot MMLU-Test.

Diese beeindruckenden Zahlen sind jedoch nicht ohne Kritik. Eine Gruppe von Forschern der Europäischen Kommission hat in einer umfassenden Studie die Vertrauenswürdigkeit solcher Benchmarks in Frage gestellt. Sie fanden heraus, dass viele dieser Tests mit systematischen Mängeln behaftet sind, die von Datenverunreinigungen bis hin zu fehlender Dokumentation reichen. Diese Probleme erinnern an die Praxis von Hardwareherstellern, die ihre eigenen Geräte benchmarken und die Ergebnisse in der Werbung verwenden.

Ein zentrales Problem ist die Manipulation von Testergebnissen, auch bekannt als „Sandbagging“. Dabei werden Modelle so programmiert, dass sie bei bestimmten Tests absichtlich schlechter abschneiden, um in anderen Bereichen besser zu wirken. Ein solches Vorgehen erinnert an den VW-Abgasskandal, bei dem Fahrzeuge so programmiert wurden, dass sie nur während der Tests die Emissionskontrollen aktivierten.

Die Bedeutung dieser Benchmarks geht über die technische Bewertung hinaus. Sie sind oft die Grundlage für regulatorische Entscheidungen, wie etwa im EU AI Act oder dem britischen Online Safety Act. In den USA wird in einem kürzlich veröffentlichten Rahmenwerk ebenfalls die Rolle von Benchmarks für die Bewertung und Klassifizierung von Modellen hervorgehoben.

Die Forscher identifizierten neun allgemeine Probleme mit Benchmarks, darunter die Unklarheit darüber, wie und von wem die Datensätze erstellt wurden, sowie die Tatsache, dass oft nicht das gemessen wird, was behauptet wird. Zudem wird kritisiert, dass Tests oft als Spektakel gestaltet sind, um Investoren zu beeindrucken, und dass sie bestimmte Forschungsmethoden und -ziele auf Kosten anderer verstärken.

In der Diskussion um die Zukunft der KI-Benchmarks fordern die Wissenschaftler mehr Transparenz, Fairness und Erklärbarkeit. Es sei wichtig, nicht nur die Erfolge, sondern auch die Misserfolge von Modellen zu verstehen, um deren tatsächliche Leistungsfähigkeit einschätzen zu können. Nur so können Benchmarks zu einem verlässlichen Instrument für die Bewertung von KI-Modellen werden.

Zu den Top-Stories!

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!

Angebot

1.958 Bewertungen

EIlik - Ein Desktop-Begleitroboter mit emotionaler Intelligenz, Multi-Roboter-Interaktionen, Desktop-Robotik-Partner

• NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.

169,00 EUR

Bei Amazon kaufen