Drei KI-Modelle sind sich einig, dass Ihr Code sicher ist. Das sieht aus wie drei Bestätigungen; es könnte ein einziger Fehler sein, dreimal gezählt. Dieser Leitfaden in einfacher Sprache erklärt, warum Modelle verschiedener Anbieter dennoch auf gleiche Weise versagen können, wann Übereinstimmung zwischen ihnen als Evidenz zählt und was stattdessen zu prüfen ist.
Begleittext zu Agentic Stemmatics: Collation, Provenance, and Conservation for an Emerging Machine Textual Tradition (Soons, 2026, v1.35; doi:10.5281/zenodo.22030516 (der Konzept-DOI: ein DOI, der immer auf die zuletzt hinterlegte Version auflöst); letzte Hinterlegung v1.35, hinterlegt am 25. Sept. 2026, Versions-DOI 10.5281/zenodo.22959463)
Sie beauftragen eine Prüfung? Beginnen Sie mit Teil 6, darüber, was ein Auftraggeber folgern darf und was nicht; die anderen Teile liefern die Begründung dafür.
Dieses Dokument ist die Auffahrt: eine kürzere, schlichtere Darstellung desselben Arguments, geschrieben, damit sich ein Leser orientieren kann, bevor er sich das Papier selbst vornimmt; oder statt es sich vorzunehmen, wenn die Gestalt der Idee gebraucht wird und nicht ihre vollständige Verteidigung.
Was tatsächlich behauptet wird. Infrage steht (worum es im ganzen Papier geht), ob man dem Urteil eines KI-Modells auf sein eigenes Wort hin vertrauen kann, ohne irgendetwas auszuführen, so wie ein Historiker den Bericht eines Dokuments über ein Ereignis behandelt, das kein Lebender bezeugt hat; nicht einfach geglaubt, sondern gewogen, gegengeprüft und zugeordnet. Das ist die offene Frage. Sie ist noch nicht beantwortet. Sie ist enger und schwieriger als das, was als real zugestanden wird: Ingenieure erfahren tatsächlich manchmal im Nachhinein, ob das Urteil eines KI-Modells über ein Stück Code richtig war, indem sie den Test laufen lassen, den Code ausführen oder ihn mit dem abgleichen, was eine Spezifikation tatsächlich sagt (was klärt, was die Spezifikation sagt, nicht aber, ob die Spezifikation selbst korrekt ist oder ob die dem Urteil zugrunde liegende Behauptung über die Welt zutrifft); etwas, das tatsächlich manchmal geschieht, keine ständige Fähigkeit, die irgendjemand auf Abruf voraussetzen kann. Ob irgendeine Antwort darauf zuverlässig genug wäre, um sie zu verkaufen, ist eine eigene, noch schwierigere Frage, deren Behandlung das Papier ausdrücklich ablehnt: Es sagt deutlich, dass dies nicht gemessen ist und dass sein Autor ein finanzielles Interesse an der Antwort hat, was das Papier offenlegt, statt es zu verbergen.
Die Regel, unter der dieses Dokument steht. Dies ist eine Einführung, keine Zusammenfassung: Sie versucht, Sie an den Punkt zu bringen, an dem Sie die Schlussfolgerungen selbst ziehen könnten. Es gilt dieselbe Regel, unter der auch die Prolegomena stehen (ein längeres Begleitdokument, noch nicht veröffentlicht; siehe Teil 7): Dieses Dokument darf nichts sagen, was das Papier nicht sagt. Wo ein Satz hier einfacher ist als der des Papiers, ist genau das der Zweck, ihn zu schreiben. Wo ein Satz hier stärker ist (wo er mehr behauptet, als das Papier behauptet), ist das ein Mangel dieses Dokuments, keine Entdeckung über die Praxis (die Praxis ist CounterProof, das Prüfungen nach der Methode des Papiers verkauft); wo dieses Dokument und das Papier sich widersprechen, vertrauen Sie dem Papier. Alles hier, was sich wie ein Versprechen liest, lässt sich am eigenen § 13 des Papiers überprüfen, der deutlich sagt, was behauptet und was abgelehnt wird.
Jedes entlehnte Wort ist eine Leihgabe. Das Papier greift auf das Vokabular eines alten, fachfremden Gebiets zurück: der Erforschung, wie handschriftliche Manuskripte abgeschrieben, falsch abgeschrieben und schließlich Jahrhunderte später von Gelehrten rekonstruiert werden (das Titelwort des Papiers, Stemmatics, also Stemmatik, benennt den Teil dieser Forschung, den es entlehnt; siehe Teil 3). Diese Entlehnung ist keine Dekoration: Hinter dem Problem, herauszufinden, welcher von mehreren verderbten Abschriften man trauen kann, steht eine formale, bereits bestehende Disziplin. Dieses Dokument verwendet dieses Vokabular nur dort, wo es sich seinen Platz verdient, und jeder Begriff wird beim ersten Auftreten in einfachen Worten erklärt.
Ein gewöhnliches Computerprogramm lässt sich im Prinzip Zeile für Zeile lesen: Sein Verhalten folgt aus seinem Text, und ein hinreichend geduldiger Leser kann Ursache und Wirkung nachverfolgen. Die Ausgabe eines Sprachmodells funktioniert nicht so, und zwar nicht, weil sie kompliziert ist, so wie eine große Codebasis kompliziert ist: Die Ausgabe ist überhaupt keine schrittweise Herleitung. Sie ist eine Behauptung: Dieser Code ist korrekt, hier gibt es keine Schwachstelle, diese Tests bestehen. Selbstsicherheit, Flüssigkeit und innere Stimmigkeit sagen Ihnen nicht zuverlässig, ob die Behauptung gerechtfertigt ist.
Die strukturelle Tatsache, aus der alles Weitere in diesem Dokument folgt: Derselbe Mechanismus, der eine gut begründete Antwort hervorbringt, bringt auch eine grundlose hervor. Es wird laufend erforscht, ob irgendein internes Signal im Modell die beiden im Prinzip unterscheiden könnte; und frühe Ergebnisse deuten darauf hin, dass selbst die eigene schriftliche Erklärung eines Modells zu seinem Gedankengang von der tatsächlichen Berechnung abweichen kann, die seine Antwort hervorgebracht hat, was selbst schon ein Grund zur Vorsicht ist. Aber diese Forschungsfrage steht jemandem, der das Modell im Alltag nutzt, nicht zur Verfügung. Anhand der Flüssigkeit der Antwort oder ihrer Darstellung von sich selbst kann ein Leser die beiden Fälle nicht zuverlässig auseinanderhalten, und eine Entscheidung muss trotzdem getroffen werden.
Also: Behandeln Sie eine KI-Ausgabe so, wie ein Gericht oder ein Historiker eine Zeugenaussage behandelt; als etwas, das gewogen, gegengeprüft und zugeordnet wird, dem nie wegen der Art seines Vortrags vertraut wird und das nie einfach mit anderen Aussagen gemittelt wird, als ob Übereinstimmung allein irgendetwas entschiede.
Eine Korrektur, früh angebracht, weil alles Weitere von ihr abhängt: Das, dem Sie misstrauen sollten, ist nicht eine einzelne Ausgabe; es ist die gesamte Tendenz des Modells, das sie hervorgebracht hat. Stellen Sie demselben Modell zweimal dieselbe Frage, und Sie können zwei verschiedene Antworten erhalten. Diese Instabilität wurde in der eigenen Arbeit dieser Praxis informell beobachtet, aber sie wird hier nicht als gemessene Rate angeboten: Es wird keine Zahl behauptet. Der qualitative Punkt allein genügt, um eine Korrektur zu erzwingen: Jede einzelne Antwort ist eine Ziehung aus einer Verteilung möglicher Antworten, die ein gegebenes Modell tendenziell hervorbringt. Das hat eine unbequeme Konsequenz, die das Papier voll akzeptiert: Selbst ein Befund, der ein ernstes Problem meldet, ist seinerseits eine Ziehung; eine Behauptung, die noch darauf wartet, am tatsächlichen Code überprüft zu werden, kein Urteil, nur weil sie alarmierend klingt. Die Kosten ihrer Überprüfung müssen eingepreist werden, statt als kostenlos vorausgesetzt zu werden.
Zwei Arten von Fragen. Für manche Fragen zu einem Stück Code ist eine mechanische Antwort verfügbar: es ausführen, seine Typen prüfen, es testen, es beweisen oder nachsehen, was eine Spezifikation tatsächlich sagt. Nennen wir sie entscheidbare Fragen: nicht im strengen mathematischen Sinn der Berechenbarkeitstheorie, sondern nur im praktischen Sinn, dass irgendeine mechanische Prüfung sie entscheidet. Für sie brauchen Sie kein Panel aus KI-Meinungen. Sie müssen das Ding laufen lassen.
Für andere Fragen steht keine solche mechanische Prüfung zur Verfügung: Ist dieses Design solide, ist das ein echter Defekt, wenn niemand ihn reproduzieren kann, wie schwer wiegt das tatsächlich, was bedeutet diese Vertragsklausel. Nennen wir sie Urteilsfragen. Nichts läuft und entscheidet sie: Ein Urteil muss aus Zeugnissen aufgebaut werden.
Die Asymmetrie ist wichtig. Bei einer entscheidbaren Frage gibt es eine Tatsache, um die es geht, und die mechanische Prüfung erreicht sie. Bei einer Urteilsfrage gibt es womöglich überhaupt keine einzelne richtige Antwort, auf die man zulaufen könnte: Codequalität hängt oft tatsächlich davon ab, welche Spezifikation man zugrunde legt, und zwei Prüfer, die uneins sind, beantworten womöglich einfach zwei verschiedene Fragen, die beide legitim sind, statt dass einer von ihnen verfälscht wäre.
Die Frage, um deren Beantwortung willen es dieses ganze Forschungsprogramm gibt, in einem Satz:
Wie gelangt man aus mehreren Zeugen zu einem vertrauenswürdigen Urteil, wenn keiner von ihnen für sich vertrauenswürdig ist und man nicht weiß, ob sie tatsächlich voneinander unabhängig sind oder alle aus demselben Grund denselben Fehler machen?
Das zerfällt in drei Teilfragen:
Das Papier nennt es Kollation, wenn man die Antworten mehrerer KI-Prüfer miteinander vergleicht, um herauszufinden, welchen man trauen kann (siehe Glossar: Kollation).
Eine naheliegende Reaktion ist, mehreren Modellen dieselbe Frage zu stellen und sich nach dem zu richten, was die meisten sagen. Übereinstimmung kann eine Behauptung stärken, wenn die relevante Abhängigkeit zwischen den Prüfern bewertet worden ist. Das Papier stellt keine vollständige Regel dafür auf, wann Mehrheitsabstimmung zuverlässig ist.
Warum das keine theoretische Sorge ist (die tatsächlichen Zahlen). Über mehr als 350 Modelle hinweg, getestet auf zwei öffentlichen Leaderboards und einer Screening-Aufgabe, landen zwei Modelle, wenn beide etwas falsch machen, weit häufiger auf derselben falschen Antwort, als der Zufall vorhersagen würde: im Mittel in 60 % der Fälle auf dem einen Leaderboard und in 42 % auf dem anderen. Paare aus verschiedenen Unternehmen sind durchweg eingeschlossen; das Modell der Studie schreibt auf dem einen Leaderboard mehr von der Übereinstimmung der Leistungsfähigkeit zu als dem gemeinsamen Anbieter, auf dem anderen umgekehrt, und den größten Teil keinem von beiden: und sie berichtet keine Analyse, die auf unternehmensübergreifende Paare beschränkt ist. Und leistungsfähigere Modelle machen mehr korrelierte Fehler, nicht weniger (Kim, Garg, Peng & Garg, ICML 2025). Wenn Leistungsfähigkeit diese Korrelation über Unternehmen hinweg ebenso antreibt wie innerhalb von ihnen, so folgert das Papier, dann macht eine Gruppe leistungsfähigerer Modelle aus verschiedenen Unternehmen mehr korrelierte Fehler als eine vergleichbare Gruppe schwächerer, was auch immer die Mischung der Unternehmen selbst beiträgt. Ob sich das im Lauf der Zeit ändert, ist nicht gemessen worden: Der Befund ist eine Momentaufnahme, kein Trend.
Zwei Sichtweisen, die beide zur Hälfte recht haben. Das eine Lager sagt, Übereinstimmung zwischen mehreren Prüfern sei aussagekräftige Evidenz; ohne sie wäre die Prüfung von KI-Ausgaben hoffnungslos, da jeder einzelne Prüfer zugegebenermaßen unzuverlässig ist und keine bessere Ressource zur Verfügung steht. Das andere Lager sagt, Übereinstimmung sei wertlos: Dass mehrere Prüfer auf dieselbe Antwort zulaufen, ist genau das, was man erwarten würde, wenn sie eine gemeinsame Ursache teilen (sich überschneidende Trainingsdaten, ähnliche Trainingsmethoden, eine kleine Zahl zugrunde liegender Modellfamilien).
Unabhängigkeit muss als etwas behandelt werden, das gemessen wird, nicht als etwas, das vorausgesetzt wird: und sie muss für jede Art von Frage, die Sie stellen, gesondert gemessen werden. Zwei KI-Systeme könnten bei Fragen zu Speichersicherheitsfehlern nahezu unabhängig voneinander sein und bei Fragen zum Entwurf kryptografischer Protokolle praktisch ein einziger Zeuge unter zwei Namen. Anbieterbezeichnungen allein belegen nicht, wie abhängig die Fehler der Prüfer bei der einen oder der anderen Art von Frage sind. Als zwei gegnerische Lager inszeniert (ein Darstellungsmittel, keine Behauptung, dass dies die einzigen beiden realen Positionen sind oder dass irgendjemand sie tatsächlich so sauber vertritt), teilen beide Seiten eine falsche Annahme: dass „unabhängig“ etwas ist, das ein Prüfprozess entweder hat oder nicht hat, entschieden in dem Moment, in dem man das Panel zusammenstellt. Diese gemeinsame Annahme ist es, die hier aufgelöst wird, nicht das tiefere praktische Problem darunter. Beide Lager haben unter einer Bedingung recht: Übereinstimmung kann eine Behauptung stärken, wenn die relevante Abhängigkeit zwischen den Prüfern bewertet worden ist. Übereinstimmung unter Prüfern, deren Korrelation nicht gemessen ist, ist ein Messwert, abgelesen von einem Instrument, bei dem niemand geprüft hat, ob es funktioniert.
Selbst auf dieser Korrektur liegen zwei Grenzen, beide aus dem Papier selbst. Erstens ist das Instrument, das diese Messung leisten würde (das je Art von Frage festhält, wie oft zwei Prüfer denselben Fehler machen und wie weit ihre Gewohnheiten auseinanderliegen), vorgeschlagen, aber nicht gebaut. Zweitens lässt sich Unabhängigkeit niemals vollständig aus dem Inneren des Panels verifizieren, das sie nutzt. Unabhängigkeit zu messen verringert Ihre Unsicherheit. Nichts beseitigt sie vollständig. Das ist eine bleibende Grenze, die das Papier dauerhaft mitführt, kein Vorbehalt, der später ausgeräumt wird.
Also, vorsichtig formuliert: Mehrheitsabstimmung ist gerade dort unsicher, wo die Unabhängigkeit der Prüfer nicht gemessen ist oder bekanntermaßen versagt, und das aus zwei verschiedenen Gründen. Erstens wird korrelierte Übereinstimmung gezählt, als wäre sie eine Bestätigung, obwohl in Wahrheit derselbe Fehler mehrfach auftaucht. Zweitens verwerfen einfache Abstimmungsschwellen Minderheitsmeinungen genau in den Fällen, in denen die korrelierte Mehrheit einen blinden Fleck teilt: wobei dieser zweite Punkt die eigene begründete Folgerung des Papiers aus dem ersten ist, nichts, was eine der beiden zugrunde liegenden Studien direkt gemessen hat.
Das ist eine bedingte Behauptung, keine pauschale Absage an Abstimmungen. Es gibt ein echtes, ernsthaftes Argument für Abstimmungen im richtigen Rahmen (Präzision, Vermeidung von Fehlalarm-Müdigkeit, billige Triage im ersten Durchgang in großem Maßstab, echte statistische Gewinne, wenn Unabhängigkeit wirklich gegeben ist), und die eigenen Prüfer des Papiers haben genau dieses Argument vorgebracht; das Papier räumt ein, dass es unbeantwortet blieb, statt der Lücke auszuweichen. Eine Preprint-Studie (noch ohne Peer-Review) fand, dass die Mehrheitsabstimmung das im Nachhinein ausgewählte beste Einzelmodell in etwa 10 % der Dreiergruppen von Modellen auf einem bestimmten Benchmark (MMLU-Pro) schlug, und in etwa 19 %, wenn das beste Modell anhand zurückgehaltener Fragen ausgewählt wurde; ihr Autor beschreibt den Zusammenhang zwischen mehr gemeinsamen Fehlern und geringerem Gewinn als mäßig und abhängig vom Versuchsaufbau. Wo das Ziel eine schnelle Triage unter Alarmmüdigkeit ist und nicht die Rekonstruktion dessen, was objektiv wahr ist, ist Abstimmen ein legitimes Werkzeug. Beanstandet wird, eine Triage-Abkürzung so darzustellen, als wäre sie ein Verfahren der Wahrheitsfindung.
Ebenso wenig folgt daraus, dass recht hat, wer der Mehrheit widerspricht. Ein früherer Entwurf des Papiers hat diesen Fehler gemacht (eine Argumentation, die sich elegant anfühlte, aber in Wahrheit zirkulär war) und musste ihn zurücknehmen. Daraus folgt nur dies: Unter korrelierten Mehrheiten ist ein Prozess, der Dissens bewahrt und untersucht, die einzige Art von Prozess, die einen wahren Minderheitsbefund überhaupt jemals zurückgewinnen kann. Abweichen verschafft einem Befund für sich genommen keine besondere Glaubwürdigkeit: Es hält den Befund nur lange genug am Leben, um geprüft zu werden.
Zum Dissens. Die eine Sichtweise sagt, ein abweichender Prüfer müsse immer untersucht werden, sonst werde eine korrelierte Mehrheit nie korrigiert und der ganze Sinn mehrerer Prüfer gehe verloren. Die andere Sichtweise sagt, ein abweichender Prüfer müsse abgewertet werden, sonst erhalte jeder einzelne sture oder kompromittierte Prüfer ein faktisches Veto, und der Prozess werde zu einem Denial-of-Service-Angriff gegen sich selbst. Dissens sollte also weder automatisch geglaubt noch automatisch abgewertet werden: Er sollte an eine mechanische Prüfung weitergeleitet werden, wo immer es eine gibt. Eine abweichende Meinung ist keine Autorität, sondern eine Anfrage nach Evidenz, und die richtige Antwort ist, den Test laufen zu lassen, die Spezifikation zu lesen, den Code auszuführen, nicht eine zweite Abstimmung abzuhalten. Wo es keine mechanische Prüfung gibt, ist diese Antwort unvollständig, und das Papier sagt das: Es gibt keine Regel zum Auflösen von Pattsituationen für Streitfragen, die sich nicht mechanisch entscheiden lassen, und kein Kostenmodell; nur die Anforderung, dass die Kosten, jedem Dissens nachzugehen, ehrlich eingepreist und nicht als kostenlos vorausgesetzt werden. Wer „an die Evidenz weiterleiten“ als fertiges Verfahren liest, hat eine Anforderung mit einer Umsetzung verwechselt.
Dieser Ansatz kostet etwas Reales, und das Papier nennt die Kosten, statt sie zu verbergen. Vier separat beauftragte Prüfungen der eigenen Konzeption des Papiers („separat beauftragt“, weil das eine Tatsache darüber ist, wie die Prüfer gewonnen wurden, keine gemessene Behauptung, dass ihre Schlussfolgerungen unabhängig zustande kamen) liefen, ohne dazu aufgefordert zu sein, auf dieselben Kritikpunkte zu: Er gibt einem sturen Prüfer faktisch Vetomacht; er hat keine eingebaute Grenze dafür, wie viele Fehlalarme er erzeugen kann; er belohnt übermäßiges Melden, da ein Befund, der nicht überstimmt werden kann, einfach öfter vorgebracht wird; und er legt die letzte Entscheidungsgewalt in die Hände eines einzelnen menschlichen Entscheiders, der selbst ungeprüft ist und im Fall dieser Praxis jemand mit einem erklärten finanziellen Interesse am Ergebnis. Das Papier sagt also deutlich, dass dieser Ansatz nur in einem engen Rahmen funktioniert: Prüfungen mit geringem Volumen und hohem Einsatz, bei denen mechanische Prüfungen verfügbar sind und Panels klein gehalten werden. Er skaliert nicht auf Screening mit hohem Volumen, und er wird auch nicht so angeboten, als täte er es. Dort eingesetzt, wo wahre Minderheitsbefunde selten sind und das Rauschen hoch ist (in einem Umfeld mit geringer Prävalenz und hohem Rauschen), wird er zu einer Maschine für falsch-positive Befunde.
Also: Wie ist vertrauenswürdige Kollation tatsächlich möglich? Die echte Antwort ist bedingt und enger, als sie zunächst klingen mag. Sie hat zwei getrennte Teile:
Teil eins: Übereinstimmung. Übereinstimmung zwischen Prüfern kann eine Behauptung stärken, wo ihre Abhängigkeit bei genau dieser Art von Frage tatsächlich bewertet worden ist. Das Papier bietet keine vollständige Regel dafür, wann Abstimmen zuverlässig ist.
Teil zwei: die Rekonstruktion einer einzigen „wahren“ Antwort. Das ist eine gesonderte und stärker eingeschränkte Behauptung: Die Rede davon, eine einzige endgültige Grundwahrheit zurückzugewinnen, gilt nur für entscheidbare Fragen, bei denen eine mechanische Prüfung existiert und ohnehin jedem Panel übergeordnet ist. Bei Urteilsfragen erhebt ein Panel von Prüfern Stichproben von Meinungen: Es gewinnt keine verlorene ursprüngliche Tatsache zurück, weil es bei vielen Urteilsfragen womöglich keine einzelne Tatsache gibt, die zurückzugewinnen wäre. Das „Rekonstruktion“ zu nennen, ist die Überdehnung, die ein früherer Entwurf des Papiers begangen und später zurückgezogen hat.
Heute ist Teil eins nicht erfüllt: Die Messung, die Ihnen sagen würde, ob Unabhängigkeit tatsächlich gegeben ist, ist noch nicht gebaut. Das allein entscheidet die praktische Schlussfolgerung: Kein Urteil, das allein auf Zeugnis beruht, wird derzeit vom Papier gestützt; nicht weil Übereinstimmung nur auf entscheidbare Fragen beschränkt wäre (das ist sie nicht), sondern weil die vorgeschlagene Bewertung der Abhängigkeit zwischen Prüfern nicht umgesetzt ist und das Papier keine Rechtfertigung allein durch Zeugnis begründet hat. Und Rekonstruktion war nie ein zweiter Weg zum selben Ziel: Wo eine mechanische Prüfung existiert, kam die Rechtfertigung (das, was es rechtfertigt, einem Urteil zu glauben) immer von dieser Prüfung, nicht vom Panel; wo keine mechanische Prüfung existiert, zieht das Papier die stärkere Behauptung zurück, statt eine Fähigkeit zu versprechen, die es nicht gebaut hat.
Zwei Konsequenzen folgen. Erstens: Es wird weder behauptet, dass es einen Bereich gibt, in dem Zeugnis allein ausreichende Rechtfertigung ist, noch wird gezeigt, dass es keinen solchen Bereich gibt. Die Frage bleibt offen, genau dort, wo die nicht gebaute Unabhängigkeitsmessung sie lässt.
Zweitens: Bis dahin werden Urteile so abgeschlossen, wie diese Praxis sie heute tatsächlich abschließt (Teil 6); was die Kollation liefert, ist das, wofür sie entworfen wurde: billige, fortlaufende Triage mit breiter Abdeckung, die einer sorgfältigeren, teuren Prüfung sagt, worauf sie sich konzentrieren soll (vorgeschlagen und noch nicht in realem Maßstab durchgeführt oder erprobt: eine gesonderte, praktische Einschränkung, keine weitere unerfüllte Bedingung, die einer Rechtfertigung allein durch Zeugnis im Weg steht), zusammen mit einer Akte: Befunde, wo möglich an mechanische Prüfungen weitergeleitet, Dissens bewahrt statt verworfen, und die verbleibenden Ermessensentscheidungen von einem namentlich benannten Menschen getroffen. Sollte ein geplantes künftiges Experiment je einen Fall hervorbringen, in dem die Kollation selbst, für sich allein, ein gerechtfertigtes Urteil liefert, wäre das der erste echte Fall, in dem die obige offene Frage beantwortet wird: Bis dahin ist jedes solche Beispiel nur ein Versprechen, kein Ergebnis.
Und über all dem liegt eine harte Obergrenze. Die ganze Methode kann nur unter Befunden wählen, die irgendein Prüfer tatsächlich vorgebracht hat. Sie kann keinen Defekt zutage fördern, den jeder einzelne Prüfer übersehen hat. Wenn alle Modelle denselben blinden Fleck teilen und keines von ihnen abweicht, ist die Methode strukturell blind dafür: konstruktionsbedingt, nicht aus Pech. Das zu beheben gehört in einen ganz anderen Werkzeugkasten (Interpretierbarkeitsforschung an den Modellen selbst oder eine mechanische Prüfung, die den Defekt direkt erfasst), und dorthin reicht dieses Programm nicht.
Teil 2 endete mit einer Anforderung (gemessene Unabhängigkeit), die Teil 2 selbst nicht erfüllen kann. Die Fehlerkorrelation der Prüfer lässt sich direkt messen, Aufgabe für Aufgabe; zu wissen, wie zwei Prüfer miteinander verwandt sind, hilft, sie zu erklären. Gelehrte, die handschriftliche Manuskripte erforschen, standen vor genau diesem Problem und haben dafür eine formale Methode entwickelt: den Stammbaum der Abschriften rekonstruieren (der Baum heißt Stemma und die Methode Stemmatik, das Wort im Titel des Papiers; Agentic Stemmatics ist der vom Papier vorgeschlagene Name dafür, die analoge Arbeit mit KI-Modellen zu leisten) und die Übereinstimmung zwischen zwei Abschriften im Licht ihrer Position in diesem Baum deuten, nicht bloß, indem man zählt, wie viele Abschriften übereinstimmen.
Der Motor dieser Methode und die Bedingung, die immer an ihn geknüpft war. Die klassische Methode arbeitet mit einer bestimmten Art von Indiz: einem gemeinsamen Fehler, so willkürlich, dass es unwahrscheinlich wäre, dass zwei unabhängige Kopisten zufällig auf ihn verfallen; was bedeutet, dass der gemeinsame Fehler besser dadurch erklärt wird, dass beide Abschriften von einer gemeinsamen, bereits fehlerhaften Quelle abstammen.
Diese Bedingung gehörte von Anfang an zur Methode, auch wenn ihre Anwendung vom Urteil des Gelehrten abhing. Leichte, naheliegende Fehler (einfache Versehen, natürliche „Korrekturen“ hin zu geläufigeren Formulierungen, gewöhnliche Modernisierungen) sind ausdrücklich ausgeschlossen, gerade weil unabhängige Kopisten dazu neigen, dieselben leichten Fehler von sich aus zu machen. Nur ein Fehler, dessen zufälliges Entstehen wirklich unwahrscheinlich ist, trägt echte Information über gemeinsame Abstammung. Die Biologie hat dasselbe Problem unter anderem Namen: Konvergenz, bei der zwei nicht verwandte Arten unabhängig voneinander ein ähnliches Merkmal entwickeln, gegenüber echter gemeinsamer Vererbung, bei der sie das Merkmal teilen, weil sie einen Vorfahren teilen.
Der Fehler, den ein früherer Entwurf gemacht hat. Eine frühere Fassung des Papiers behauptete, gemeinsame Fehler zwischen KI-Modellen seien Evidenz für eine gemeinsame Trainingsabstammung. Das war falsch, und die Prüfer, die es beanstandet haben, hatten recht: Zwei Modelle, die mit sich überschneidenden Daten auf ähnliche Ziele hin trainiert wurden, können dieselbe plausible, aber falsche Antwort erreichen, ohne dass eines das andere kopiert. Die übliche Erklärung, dass die falsche Antwort einfach der leichteste, wahrscheinlichste Fehler ist, wenn man bedenkt, wie beide trainiert wurden, ist die Arbeitshypothese und keine gemessene Ursache (siehe Attraktor im Glossar). Auf KI-Modelle angewandt, gibt die eigene Ausschlussregel der Handschriftenforscher, so wie das Papier sie zu verwenden vorschlägt, einem gemeinsamen Modellfehler nur dann genealogisches Gewicht, wenn sein unabhängiges Auftreten unwahrscheinlich wäre, entweder für sich allein oder zusammen mit anderen gemeinsamen Merkmalen. Gemeinsame Modellfehler sind häufig, aber die Studien, die das Papier heranzieht, belegen nicht, wie viele davon das KI-Gegenstück zum „leichten Versehen“ sind und nicht der seltene, aufschlussreiche Fehler.
Diese Korrektur ist selbst ein Fall des Problems Konvergenz gegen Vererbung, das beide Herkunftsgebiete (Textphilologie und Biologie) bereits als ihre zentrale Schwierigkeit behandeln. Das Papier vermerkt die Parallele und lehnt es dann ab, sie als Stütze für sich selbst zu werten (siehe Teil 4, „Eine Warnung davor, dem eigenen Rahmen zu leicht zu glauben“). Sie wird hier als Evidenz dafür festgehalten, dass der Rahmen in sich stimmig bleibt, als nichts Stärkeres.
Wo das echte Signal tatsächlich liegt. Modelle haben stabile Gewohnheiten in Wortwahl, Struktur und Formatierung. Die Studie berichtet eine Genauigkeit von 97,1 % bei der Unterscheidung von fünf Systemen und berichtet außerdem Robustheit gegenüber Paraphrasierung (Sun et al., ICML 2025).
Aber diese Zahl misst, wie gut man Modelle auseinanderhalten kann; sie misst nicht, wie unwahrscheinlich es ist, dass eine bestimmte Gewohnheit zufällig entsteht, und nur das Zweite erlaubt einen Schluss auf gemeinsame Abstammung. Mindestens ein bekanntes Beispiel einer Modellgewohnheit besteht diesen Test eindeutig nicht: Mehrere nach 2022 veröffentlichte KI-Modelle verwenden eine kleine Gruppe von Wörtern übermäßig (etwa „delve“); und dieselbe Überrepräsentation zeigt sich in menschlichem wissenschaftlichem Schreiben. Für das Muster bei den Modellen ist ein gemeinsamer Trainingsansatz eine mögliche Erklärung, keine belegte Ursache. Was auch immer sich als Ursache herausstellt, eine gemeinsame Gewohnheit wie diese ist keine Evidenz dafür, dass ein Modell von einem anderen abstammt: Sie könnte aus Zufall, aus einer gemeinsamen Art, Modelle zu bauen, oder aus Vererbung stammen, und die Gewohnheit allein zeigt nicht, woraus.
Das nützliche Signal teilt sich also in zwei Kanäle, die aus verschiedenen Gründen Vertrauen verdienen.
Konstruierte Markierungen (meist Wasserzeichen genannt) sind der saubere Fall. Bei einer statistischen Markierung, die gezielt in die Ausgaben eines „Lehrer“-Modells eingepflanzt und später in einem „Schüler“-Modell gefunden wird, das mit den Ausgaben dieses Lehrers trainiert wurde, von denen nur ein Bruchteil markiert war, ist ein unabhängiges Entstehen konstruktionsbedingt unwahrscheinlich, und diese Art der Vererbung ist tatsächlich experimentell nachgewiesen worden (Sander et al., NeurIPS 2024: nachweisbar, wenn schon 5 % der vom Lehrer erzeugten Fine-Tuning-Anweisungen die Markierung trugen, wobei der Rest unmarkierte Ausgabe desselben Lehrers war, und noch bei 10 %, wenn der Rest von Menschen geschriebener Text war, sofern Zugang zum Inneren des Schülers bestand). Pan et al., ACL 2025, zeigten dann, dass eine stark erlernte Markierung gewöhnliche Paraphrasierung übersteht und entfernt wird durch einen Angreifer, der die Markierungsregel rekonstruiert hat, durch Verdünnung des markierten Texts oder durch einen neutralisierenden Schritt, wenn der Schüler Text erzeugt. Das ist das digitale Gegenstück zu einem alten Verlagstrick: Nachschlagewerke enthalten manchmal einen absichtlich erfundenen Eintrag, dessen Zweck es ist, aufzudecken, dass ein konkurrierender Verlag von ihnen abgeschrieben hat. Ein gewöhnlicher Fehler belegt für sich allein kein Abschreiben, weil unabhängige Urheber denselben Fehler machen können. Ein absichtlich eingepflanztes Merkmal, dessen unabhängiges Auftreten unwahrscheinlich wäre, liefert einen klareren Detektor.
Natürlich auftretende Gewohnheiten verdienen dieses Vertrauen noch nicht. Sie brauchen dieselbe kritische Prüfung, die gemeinsame Fehler brauchen (eine Möglichkeit zu messen, wie unwahrscheinlich es tatsächlich ist, dass eine Gewohnheit oder eine zusammen betrachtete Gruppe von Gewohnheiten bei unabhängigem Training entsteht), und keine der Studien, die das Papier untersucht, liefert dieses Messwerkzeug bisher. Eine gezieltere Variante dieses Tests (ein „Schüler“-Modell direkt gegen ein bestimmtes, benanntes mögliches „Lehrer“-Modell zu prüfen, statt es unter vielen bekannten Systemen einzuordnen) ist das Werkzeug, auf das sich das vom Papier vorgeschlagene Validierungsexperiment stützen sollte, weil sie genau auf die Unwahrscheinlichkeitsfrage zielt, auf die es ankommt.
Die korrigierte Regel, die der zentrale Vorschlag des Papiers ist (eine zu prüfende Regel, kein gesichertes Ergebnis):
In Handschriften wird gemeinsame Abstammung von signifikanten gemeinsamen Fehlern getragen. In KI-Modellen, so schlägt das Papier vor, wird gemeinsame Abstammung von signifikanten gemeinsamen Gewohnheiten getragen: wobei „signifikant“ genau das bedeutet, was es immer bedeutet hat: Eine Gewohnheit, oder eine Gruppe von Gewohnheiten, die zusammen und unter Berücksichtigung ihrer gegenseitigen Abhängigkeit bewertet wird, zählt nur dann als Evidenz, wenn ein unabhängiges Entstehen wirklich unwahrscheinlich ist, dieselbe Hürde, die ein Fehler nehmen muss, und nicht jede stabile, unterscheidende Gewohnheit nimmt diese Hürde. Gemeinsame Modellfehler sind häufig und können ohne jedes Kopieren entstehen, aber die Studien, die das Papier heranzieht, belegen nicht, welcher Anteil ohne Kopieren entstanden ist; mindestens eine prominente gemeinsame Gewohnheit nimmt die Hürde nach derzeitiger Beweislage nicht. Die ganze Methode kann nur dann von Handschriften auf Modelle übertragen werden, wenn diese Unwahrscheinlichkeitsbedingung (die ein früherer Entwurf des Papiers fallen gelassen hat) wiederhergestellt und überprüft wird, statt dass man annimmt, sie gelte für eine ganze Kategorie von Evidenz. Selbst dann würde sie für sich allein nicht genügen: Ein unwahrscheinliches gemeinsames Merkmal sagt für sich genommen nicht, welches Modell von welchem abstammt oder auf welchem Weg.
Noch nicht. Es ist ein Forschungsprogramm mit einer prüfbaren Vorhersage: Das Papier argumentiert, dass eine wachsende Übertragung zwischen Modellgenerationen den stemmatischen Vergleich mit der Zeit besser passen lassen könnte. Es hat dieses Wachstum nicht gemessen, und die Vermischung von Quellen oder der Verlust seltener Formen könnte die Abstammung stattdessen schwerer rekonstruierbar machen. Die Handschriftenforschung existiert als Fach nur, weil abgeschriebene Überlieferungen mit der Zeit tatsächlich verderben. Diese Überlieferung (der Rückfluss KI-generierter Texte in KI-Trainingsdaten) hat begonnen zu verderben. Diese Beobachtung, nicht irgendeine Behauptung, ein Modell sei buchstäblich eine Handschrift, ist das eigentliche Argument. Die Zeit spielt hier nur in einer Richtung eine Rolle: Sie betrifft, wie gut der Grundvergleich des Rahmens zur Welt passt, nicht, wie vertrauenswürdig eine bestimmte damit durchgeführte Prüfung heute ist. (Warum das ein Grund ist, ihn härter zu prüfen, statt ihm zu glauben, und was ihn widerlegen würde: „Was dies tatsächlich widerlegen würde“, weiter unten.)
Der stärkste Einwand. Ein sorgfältiger Skeptiker kann alles in den Teilen 1 bis 3 zugestehen und trotzdem einwenden: Dieser ganze Vergleich ist bloß eine Analogie. Modelle sind keine Handschriften. Es gibt kein Skriptorium, keine Linie der Weitergabe von Hand zu Hand, keinen Originaltext, der fortschreitend verdorben wird: Es gibt einen Trainingslauf. Gewöhnliche ingenieurmäßige Fehleranalyse (etwas, das Zuverlässigkeitsingenieure seit Jahrzehnten verstehen, ohne sich irgendein Fachvokabular zu leihen) in Sprache zu kleiden, die der Handschriftenforschung entlehnt ist, fügt neue Wörter hinzu und keine neue Schlusskraft.
Die Antwort besteht darin, das meiste davon zuzugestehen: für einen bestimmten Zeitraum. Als Beschreibung von KI-Modellen aus etwa 2023–2024 hat der Skeptiker recht. Auf dem Kanal der Fehlerbildung sind gemeinsame Fehler häufig und können ohne jedes Kopieren entstehen, und die Studien, die das Papier heranzieht, belegen nicht, welcher Anteil ohne Kopieren entstanden ist, wie Teil 3 sagt. Modellgenerierter Text gelangte auch vor 2022 ins Training, über ein Schüler-Modell, das mit der Ausgabe eines Lehrers trainiert wurde, und über maschinell übersetzten Text, einschließlich Text in Websammlungen; diese Beispiele zeigen, dass eine solche Übertragung nicht neu ist, aber sie messen weder ihren damaligen Umfang noch ihr Wachstum seither. Diese Beispiele belegen Übertragung, aber sie belegen nicht, wie viel Abstammung sich aus Modellausgaben rekonstruieren lässt. Gemeinsame Fehler allein belegen keine Abstammung; ihre Signifikanz muss nach der vorgeschlagenen Regel bewertet werden.
Was sich nach dem Argument des Papiers verändert, ist der untersuchte Gegenstand, nicht das Argument über ihn. Die Ausgabe von KI-Modellen fließt zurück in die Trainingsdaten, mit denen die nächste Modellgeneration gebaut wird, und das Papier argumentiert, ohne es gemessen zu haben, dass dieser Rückfluss wächst, und zwar über vier verschiedene Kanäle, jeder eine alte Abschreibpraxis unter neuem Namen:
Daraus folgen vier Konsequenzen, jede mit einer engen Parallele in der Handschriftenforschung.
Schichtung. Jede Modellgeneration hinterlässt möglicherweise nachverfolgbare, datierbare Gewohnheiten, die spätere Generationen erben: was bedeutet, dass das Nachverfolgen von Abstammung im Prinzip leichter werden könnte, je weiter die Überlieferung fortschreitet, auch wenn die Vermischung von Quellen und der Verlust seltener Formen die Merkmale, die das Nachverfolgen braucht, ebenso auslöschen können. Hier gilt dieselbe Bedingung aus Teil 3: Das Ökosystem lagert ständig mögliche Indizien ab; ob ein Indiz, oder eine Gruppe von Indizien, die zusammen und unter Berücksichtigung ihrer Abhängigkeit bewertet wird, bei unabhängigem Ursprung unwahrscheinlich genug ist, um als Evidenz gemeinsamer Abstammung zu zählen, ist genau die Messung, die keine der Studien, die das Papier untersucht, bisher liefert.
Modellkollaps (die KI-Version des Abdriftens von Handschriften zur „leichteren“ Lesart). Modelle wiederholt mit KI-generierter Ausgabe zu trainieren, trägt die selteneren, weniger häufigen Muster in den Daten ab; häufige, „sichere“ Konstruktionen verdrängen ungewöhnliche (Shumailov et al., Nature, 2024), wobei diese Ergebnisse aus dem Ersetzen stammen, bei dem synthetische Daten in jeder Runde reale Daten ersetzen. Wo sich synthetische Daten stattdessen neben realen Daten ansammeln, statt sie zu ersetzen, fanden Experimente mit Sprachmodellen, dass der Kollaps in den untersuchten Konstellationen vermieden wurde (Gerstgrasser et al., 2024: ein Preprint und ein von den eigenen Behauptungen von Shumailov et al. verschiedener Befund, nicht Teil davon). Mit diesem Vorbehalt ist die Parallele eng: Handschriftenforscher nennen das Abdriften zur vertrauteren, „leichteren“ Lesart beim Abschreiben lectio facilior (das Wort des Papiers für dieses Abdriften ist Banalisierung); und das Papier argumentiert, dass Training durch Ersetzen ein vergleichbares Muster zeigt: einen verlustbehafteten Abschreibschritt, der das Wahrscheinliche begünstigt und, immer und immer wiederholt, die seltenen, ungewöhnlichen Inhalte abträgt. Bei Modellen kommt die Vorliebe aus dem Training, bei Handschriften aus Abschreibgewohnheiten; das Papier behauptet nicht, Handschriften und Modelle seien identisch, und dieser Satz tut es auch nicht.
Der Wert der ältesten datierten Quelle. Vor 2022 entstandener Text wird zu einem einzigartig wertvollen Bezugspunkt, aus demselben Grund, aus dem Stahl aus der Zeit vor den Atomtests für Physiker wertvoll ist: nicht, weil er an sich besseres Material ist, sondern weil er datierbar und die älteste verfügbare große Schicht ist, auch wenn er nicht frei von maschinengeneriertem Text ist; das ist die Art von Wert, auf die es beim Aufbau einer Vergleichsbasis ankommt. Das Papier argumentiert, dass diese frühere Schicht in dem Maß wertvoller wird, in dem sich die spätere Überlieferung entwickelt, sofern ihre Provenienz bekannt ist; das Wachstum dieser Überlieferung ist nicht gemessen worden. Nachzuhalten, woher Daten stammen, wird damit faktisch zu einer archivarischen Disziplin.
Die eingepflanzte Markierung, aus der anderen Richtung gesehen. Wasserzeichen und Fingerprinting-Techniken gegen Kopieren sind in den Begriffen dieses Rahmens absichtlich eingepflanzte Indizien: und ihre experimentell nachgewiesene Vererbung ist der sauberste existierende Nachweis dafür, dass ein Übertragungskanal von einer Modellgeneration zur nächsten überhaupt tatsächlich existiert.
Eine Gelegenheit zur Bewahrung. Das Papier schlägt vor, diese Überlieferung zu bewahren, während sie entsteht, statt nach Jahrhunderten des Verlusts eine Rekonstruktion zu versuchen. Kryptografische Hashes, versiegelte Momentaufnahmen und Aufzeichnungen darüber, woher Daten stammen, könnten diese Arbeit unterstützen. Und Code ist die am besten erhaltene Textart in dieser ganzen Überlieferung: Versionsverwaltungssysteme können die früheren Stände eines Projekts bewahren, mit Hashes und Zeitstempeln, und signierte Aufzeichnungen dort, wo das Projekt sie signiert. Wo die Versionsgeschichte erhalten ist, muss der Stand einer Codebasis vor 2022 nicht als verlorenes Original rekonstruiert werden; er ist womöglich eine Datei, die Sie auschecken können. Wenn diese Art vorausschauender Bewahrung irgendwo gelingen kann, dann hier.
Die Sicherheitskonsequenz. Code ist Teil desselben Archivs. Ein fehlerhaftes Programmiermuster, das in einem Jahr geschrieben wird, wird committet, gescrapt und möglicherweise zwei Jahre später in Modelle hineintrainiert. Es lohnt sich, hier genau zu sein, denn genau an diesem Punkt ist eine Einführung wie diese am stärksten versucht, Dinge zu übertreiben. Konstruierte Markierungen belegen Übertragung, und das Papier verzeichnet auch Evidenz aus referenzbasierten Lehrer-Tests. Ob natürlich auftretende Gewohnheiten eine Rekonstruktion der Abstammung tragen, bleibt ungeklärt. Das Argument auf sicherheitsrelevante Programmierfehler auszudehnen, ist ein weiterer Schluss; das Papier weist keine direkte Studie zu dieser Ausdehnung nach. Herausfinden lässt es sich durch eine geplante Studie, die bestimmte Defektmuster in der Zeit zurückverfolgt. Wenn es zutrifft, könnten verwundbare Programmiermuster über die Trainingsdaten selbst vererbt werden, statt jedes Mal unabhängig neu erfunden zu werden, und dieser Kanal wäre ein echtes Ziel: Jemand könnte öffentliche Code-Repositorys gezielt mit einem subtil fehlerhaften Muster bestücken und so genau das Beispiel vergiften, das eine künftige Modellgeneration nachzuahmen lernen wird. Die schärfste Fassung des Risikos: Der gemeinsame Trainingskorpus ist zugleich eine Grenze dessen, was irgendeine Prüfung wissen kann, und eine konkrete Angriffsfläche, und beides wirkt so zusammen, dass korreliertes Versagen zu etwas wird, das ein Angreifer gezielt herbeiführen kann.
Zwei datierte Belege jenseits des Papiers betreffen die Sicherheitskonsequenz: eine Vergiftungsstudie von Ende 2025 und der Bericht eines Praktikers vom Mai 2026. Sie sind erklärte Ausnahmen von der Regel in Teil 0 und stehen im Annex.
Die Behauptung des Papiers über die Entwicklung in der Zeit scheitert, wenn über aufeinanderfolgende Modellgenerationen hinweg die Rekonstruktion aus gemeinsamen Gewohnheiten sich nicht verbessert, sobald man sie an bekannten Modellbeziehungen überprüft; wenn vererbte Merkmale unter gewöhnlicher Trainingspraxis nur auf Zufallsniveau fortbestehen; oder wenn Modellausgabe, die ins Training zurückkehrt, nur vernachlässigbar zum späteren Modellverhalten beiträgt.
Was sich jetzt schon testen lässt, ist enger. Die vorhandene Forschung liefert mehrere Kandidatenmethoden: absichtlich eingepflanzte Markierungen nachverfolgen, ein Modell gegen ein bestimmtes, benanntes mögliches Lehrer-Modell prüfen, für jeweils zwei Modelle nach falschen Antworten suchen, die ein nicht verwandtes Modell selten gibt, und, um ein Modell einer von mehreren bekannten Familien zuzuordnen, eine gemeinsame falsche Antwort umso stärker zählen, je seltener andere Familien sie geben. Vom eigenen vorgeschlagenen Experiment des Programms lässt sich laut Papier heute nur der Teil mit den eingepflanzten Markierungen durchführen: eine Grenze dieses einen Experiments, keine Behauptung, dass sich keine andere Art von Test je als zuverlässig erweisen könnte. Die eher spezifisch „handschriftenwissenschaftlichen“ Operationen (viele Zeugen gleichzeitig vergleichen, natürliche (nicht eingepflanzte) gemeinsame Merkmale zu einem Stammbaum gruppieren) werden erst praktikabel, wenn es eine tatsächliche Messung dafür gibt, wie unwahrscheinlich es ist, dass eine natürliche Gewohnheit oder eine zusammen betrachtete Gruppe von Gewohnheiten unabhängig entsteht, und Teil 3 hat festgestellt, dass keine der Studien, die das Papier untersucht, diese Messung bisher liefert. Stammbäume, die aus der Ähnlichkeit von Ausgaben gebaut werden, gibt es bereits (§ 7.1 des Papiers erörtert den nächstliegenden Ansatz, PhyloLM); was die Recherche des Papiers nicht gefunden hat, ist ein validierter Baum, gebaut aus Merkmalen, die danach bewertet werden, wie unwahrscheinlich ihr zufälliges Entstehen ist, und das Papier behandelt dieses Fehlen als vorläufig. Die langfristige Richtung des Programms ist klar; wie viel davon sich in diesem Jahr bauen und betreiben lässt, ist viel weniger.
Auf dem Kanal der Fehlerbildung läuft der Befund in die andere Richtung (siehe den Anfang dieses Teils): Leistungsfähigere Modelle sind stärker miteinander korreliert, nicht schwächer; gemessen über Modelle zu einem Zeitpunkt, nicht über Generationen hinweg (Teil 2). Auch die Zeit wirkt gegen die Methode, und das Papier verbucht das gegen sich selbst: Wenn dieses Forschungsprogramm öffentlich Erfolg hat, werden künftige Modelle am Ende mit Beschreibungen seiner eigenen Methoden und veröffentlichten Beispielen trainiert, sodass die Detektoren, auf die sich dieses Programm stützt, zu Optimierungszielen werden, was ihre Wirksamkeit verringern könnte, und eingepflanzte Markierungen müssen fortlaufend erneuert werden, um wirksam zu bleiben. Auch die Zuverlässigkeit der Methode muss über die Zeit getestet werden. Veröffentlichung könnte ihre Detektoren weniger wirksam machen, selbst während das Papier, ohne es gemessen zu haben, vorhersagt, dass die wachsende Überlieferung einer stemmatischen Untersuchung zugänglicher werden wird. Ein Rahmen, der nur die Hälfte davon bewirbt, die ihm schmeichelt, beginge genau das Versagen, das zu erkennen er da ist.
Eine Warnung davor, dem eigenen Rahmen zu leicht zu glauben. Es ist verlockend zu schließen, dass ein Rahmen, der seine eigenen Einwände im Voraus vorhersagt und dessen Gegenstand nach seiner eigenen Vorhersage immer besser zu ihm passen wird, deshalb richtig sein muss. Dieses Argumentationsmuster (bei dem jeder mögliche Ausgang die Theorie zu bestätigen scheint) ist genau die Gestalt eines Arguments, das niemals tatsächlich falsch sein kann, und das Papier selbst kennzeichnet dies als bekannte Schwäche, in seinem eigenen Abschnitt über Grenzen. Also wird es auch hier zurückgewiesen. Ein Rahmen, der mit der Zeit immer besser zu seinem Gegenstand passt, ist ein Grund, ihn härter zu testen, kein Grund, anzufangen, ihm zu glauben.
Zusammengenommen besteht die praktische Antwort auf die Frage aus Teil 1 aus vier Arbeitsbedingungen: sowohl für die Urteile, hinter denen diese Praxis zu stehen bereit ist, als auch für das größere Forschungsprogramm, das in den Teilen 3 und 4 beschrieben ist. Jede Bedingung benennt etwas, das sich in einem gegebenen Fall als fehlend herausstellen könnte: Das ist es, was dies zu einer Arbeitsmethode macht statt zu einer beruhigend klingenden Haltung.
Das ist genau die Art von Abschnitt, in die sich Überdehnungen gern unbemerkt einschleichen.
Dieselbe Praxis hat einmal eine Schutzvorkehrung gebaut, deren einzige Aufgabe es war zu verhindern, dass unbewiesene Behauptungen der Art „nichts gefunden“ akzeptiert werden: und ein Prüfer fand sechs verschiedene Wege, sie zu umgehen, von denen ihre eigenen fünf Testfälle keinen erfasst hatten. Die Schutzvorkehrung hatte genau die Krankheit geerbt, die sie erkennen sollte. Es gibt keine letzte Ebene, auf der die Frage „Wer prüft die Prüfer?“ verschwindet: Sie rückt nur eine Ebene höher, dauerhaft.
Eine Methodik wird kommerziell interessant an dem Punkt, an dem sie anfängt, Versprechen zu machen: und das ist der Punkt, an dem die Versuchung am größten ist, zu übertreiben, was sie kann. Deshalb ist dieser Teil als Liste von Weigerungen geschrieben, die sich an der Wirklichkeit überprüfen lassen, statt als Liste von Garantien, von denen mehrere derzeit falsch wären.
Was diese Praxis zu tun ablehnt:
Was ein Auftraggeber nicht folgern darf: hier ausgesprochen, weil ein früherer Entwurf genau dieses Dokuments es falsch dargestellt hat.
Eine frühere Fassung dieser Art von Einführung behauptete, die Fehlerkorrelation zwischen den Modellen werde in jedem Prüfpanel gemessen, bevor ihre Übereinstimmung als aussagekräftig akzeptiert wird. Das ist nicht wahr, denn das Werkzeug für diese Messung existiert noch nicht. Es ist vorgeschlagen, aber nicht gebaut. Zwei frühere Versuche, etwas Derartiges zu bauen, sind beide gescheitert, auf verschiedene Weise: Ein früher statistischer Test war verkehrt herum angelegt; eine spätere Prüfung maß am Ende, ob zwei Prüfer buchstäblich dasselbe System waren, statt ob ihre Fehler tatsächlich korrelierten. Der zweite Fehler wurde von Prüfern entdeckt; der erste ist verzeichnet, ohne dass gesagt wird, wer ihn entdeckt hat. Was diese Praxis heute tut, ist schwächer als eine echte Messung: Prüfer werden aus verschiedenen zugrunde liegenden Modellfamilien bezogen; Konvergenz wird weniger stark gewichtet, wo die Art der Fragestellung die Prüfer in Richtung derselben Antwort gelenkt haben könnte; und Uneinigkeiten, für die eine mechanische Prüfung verfügbar ist, werden an diese Prüfung weitergeleitet statt an eine Abstimmung. Das Papier unterscheidet Prüfverfahren: Wo es sagt, Prüfer hätten getrennt oder blind gearbeitet, hat keiner die Antwort eines anderen gesehen; sein Eintrag zu v1.37 verzeichnet, dass Bestätigungsrunden der Prüfungen von v1.33 und v1.35 die Befunde anderer Prüfinstanzen als Material mitlieferten. Keines der beiden Verfahren begründet gemessene Unabhängigkeit der Fehler. Das ist eine Disziplin, die um die Idee der Unabhängigkeit herum gebaut ist. Es ist keine Messung von Unabhängigkeit.
Diese Korrektur ist das Stärkste in diesem Teil und der Grund, diesen Teil überhaupt aufzunehmen: Eine Praxis, deren eigentliches Produkt sorgfältiger, disziplinierter Umgang mit Evidenz ist, kann nicht ehrlich eine Fähigkeit bewerben, die ihre eigene Methodik an anderer Stelle als noch nicht gebaut aufführt. Diese Art von Fehler ist jetzt zweimal gemacht und entdeckt worden. Ein drittes Mal wäre kein Ausrutscher mehr, sondern begänne ein Muster zu sein: und die richtige Antwort auf dieses Risiko ist, die Einschränkung öffentlich zu benennen, nicht still den Vorsatz zu fassen, beim nächsten Mal vorsichtiger zu sein.
Warum das für einen Auftraggeber wichtig sein sollte. Was diese Methode hervorbringt, ist eine Akte, die gebaut ist, um einem skeptischen Leser standzuhalten: Ob sie das tatsächlich tut, hat dieser Leser zu beurteilen, nicht etwas, das dieses Dokument sich selbst bescheinigen kann. Sie hält fest:
Keine einzelne Punktzahl, die für all das steht: Was dieser Rahmen mit Misstrauen betrachtet, ist eine flüssig klingende Zusammenfassung ungemessener Übereinstimmung, dargeboten, als wäre sie ein Beweis. Eine Punktzahl, deren Formel im Voraus festgelegt ist, deren Ausschlüsse genannt sind und deren Zählungen aus einem Skript statt aus dem Eindruck einer Person stammen, ist ein legitimes Instrument, von der Art, die dieses Programm selbst gebaut hat: keine Behauptung, dass keine andere Art von Punktzahl jemals vertrauenswürdig sein könnte, nur dass dies die bereits verwendete ist. Misstrauen wecken sollte eine Zahl, die anstelle der zugrunde liegenden, erneut ausführbaren Akte angeboten wird und diese zusammenfassen soll. Ob diese Art von Akte im Vergleich zu einem starken internen Prüfteam ihre Kosten wert ist, ist ein echtes Experiment, das es wert ist, mit einem tatsächlichen Auftraggeber durchgeführt zu werden: keine Behauptung, die man im Voraus aufstellt, ohne es durchgeführt zu haben. (Die eigene Messung der Praxis vom August 2026, eine erklärte Ausnahme in Teil 5, hat die volle Prüfung mit einem einzelnen kostengünstigen Durchgang verglichen, nicht mit einem internen Team.)
Auf all dem liegen zwei Grenzen, die hier genannt werden, weil ein vertriebsnaher Abschnitt genau der Ort ist, an dem Grenzen wie diese gern still wegfallen. Erstens: Nichts in diesem Rahmen misst, ob das Maß an institutioneller Vorsicht, das diese Praxis verkauft, tatsächlich in einem angemessenen Verhältnis dazu steht, wie oft KI-generierte Ausgabe wirklich Fehler enthält; und eine Praxis, die adversariale Prüfung verkauft, hat naturgemäß ein eingebautes Interesse daran zu glauben, dass adversariale Prüfung notwendig ist. Diese Frage sollte als wirklich offen behandelt werden, mit einem realen, offengelegten Interessenkonflikt, der über ihr schwebt. Zweitens: Wie das Papier aus einer Prüfung vom 23. August 2026 berichtet, war keine der tatsächlichen Fallakten öffentlich (kein Bericht, kein reproduzierbares Artefakt, das ein Fremder herunterladen und selbst ausführen könnte). Diese datierte Prüfung stützt eine Aussage darüber, wie die Akte aufgebaut war, keine Aussage, dass ein externer Leser sie damals hatte überprüfen können. Das Papier liefert keine spätere Prüfung der Veröffentlichung.
Dieses Dokument soll ein Einstiegspunkt sein, kein Ersatz für das Papier oder für die Prolegomena.
Drei Dinge sollte man wissen, bevor man entscheidet, was man als Nächstes liest:
Dieses Programm behauptet nicht, bereits ein zuverlässiges Instrument zur Beurteilung von KI-Ausgaben gebaut zu haben. Es behauptet etwas Engeres und, falls es Bestand hat, Nützlicheres: eine Darstellung dessen, was ein solches Instrument tatsächlich erfüllen müsste, dazu eine Reihe von Experimenten, die diese Darstellung widerlegen könnten. Es ersetzt blindes Vertrauen in KI-Konsens durch vier Arbeitsbedingungen (Teil 5: sich mechanischen Prüfungen unterordnen, die gesamte Tendenz eines Modells als den eigentlichen Zeugen behandeln, Unabhängigkeit für jede Art von Frage gesondert messen und Uneinigkeit an die Evidenz statt an eine Abstimmung weiterleiten) und sagt dabei offen, dass die dritte davon derzeit eine Disziplin ist, noch keine echte Messung, und dass der kontrollierte Vergleich, der testen sollte, ob irgendetwas davon besseren Code hervorbringt, abgesagt wurde, bevor er lief (die eigene Messung der Praxis vom August 2026, eine erklärte Ausnahme, steht in Teil 5).
Die Kurzfassung des Vorschlags: die Methode der Rückverfolgung bauen (ausgehend von der einen Art von Test, die heute sauber ist) und sie an Modellbeziehungen überprüfen, die bereits öffentlich dokumentiert sind; die Unabhängigkeitsmessung bauen und ihre eigene Fehlerrate veröffentlichen; und die heutige Evidenz jetzt versiegeln, solange sie sich noch versiegeln lässt, für jeden, der später versucht, irgendetwas davon zu überprüfen. Das Erste davon würde diese ganze These ernsthaft beschädigen, wenn es scheiterte; das ist genau die Eigenschaft, die ein echter Vorschlag haben soll, und der Grund, warum es sich lohnt, es durchzuführen.
Diese beiden Absätze sind erklärte Ausnahmen von der Regel in Teil 0, dass dieses Dokument nichts sagt, was das Papier nicht sagt. Mit v0.15 wurden sie aus Teil 4 in diesen Annex verschoben, wobei nur drei Positionsverweise geändert wurden. Mit v0.20 wurde die Darstellung der Übertragungsevidenz im Absatz zur Vergiftungsstudie korrigiert, sodass sie neben konstruierten Markierungen auch referenzbasierte Lehrer-Tests anerkennt und diese Evidenz von der Vererbung fehlerhafter Programmiergewohnheiten unterscheidet.
Adjudikation. Die Entscheidung über jeden Befund, ob die Prüfer übereinstimmten oder nicht, durch eine mechanische Prüfung, wo es eine gibt, und durch einen namentlich benannten menschlichen Entscheider, wo es keine gibt; ein Befund wird nur abgeschlossen, wenn derjenige, der ihn vorgebracht hat, ihn zurückzieht oder das Problem am Code nachgewiesen wird, nie durch Stimmenzählen. Durchgehend dem Mitteln oder Abstimmen gegenübergestellt.
Attraktor. Im Papier verwendet für einen Fehlerattraktor: eine falsche Antwort, die mehrere Systeme unabhängig voneinander hervorbringen, ohne einander zu kopieren. Die übliche Erklärung (dass es einfach der wahrscheinlichste Fehler ist, wenn man bedenkt, wie sie trainiert wurden) ist eine Hypothese über die Ursache, nicht Teil der Definition. Die Messungen des Papiers belegen, dass gemeinsame Fehler häufig sind, aber nicht, welcher Anteil ohne Kopieren entstanden ist. Ein gemeinsamer Fehler belegt daher für sich allein keine Abstammung. Die Forschung zur kulturellen Evolution verwendet Attraktor weiter gefasst, für jede Form, die häufig und stabil ist, ob falsch oder nicht; gemeint ist hier der engere Sinn.
Banalisierung / Modellkollaps. Was geschieht, wenn KI-Modelle wiederholt und vollständig mit KI-generiertem Text neu trainiert werden, ohne dass reale Daten wieder beigemischt werden: Seltene, ungewöhnliche Muster werden abgetragen, und alles driftet zur häufigsten, „sichersten“ Version. Wo sich synthetische Daten stattdessen neben realen Daten ansammeln, statt sie zu ersetzen, fanden Experimente mit Sprachmodellen, dass der Kollaps in den untersuchten Konstellationen vermieden wurde: Die Evidenz für den Effekt stammt aus dem Fall des Ersetzens.
Kollation. Der allgemeine Vorgang, mehrere Zeugen miteinander zu vergleichen, um herauszufinden, was wahrscheinlich zuverlässig ist. In diesem Dokument von der Rekonstruktion unterschieden und bescheidener als sie: Kollation zieht Stichproben und führt Gegenprüfungen durch; sie garantiert nicht die Wiedergewinnung einer einzigen wahren Antwort.
Kontamination / contaminatio. (1) In Teil 4: KI-generierter Text, der in Trainingsdaten gelangt. (2) Contaminatio, in der Handschriftenforschung: eine Abschrift, die Lesarten aus mehr als einer früheren Quelle mischt, wodurch ihre Abstammung schwerer nachzuverfolgen ist; Teil 7 wendet diesen Sinn auf dieses Dokument selbst an.
Entscheidbare Frage / Urteilsfrage. Die zwei Arten von Fragen aus Teil 1: eine, die eine mechanische Prüfung entscheidet (den Code ausführen, die Typen prüfen, den Test laufen lassen, eine Spezifikation konsultieren), in einem praktischen, alltäglichen Sinn, nicht im strengen mathematischen; und eine, für die es keinen mechanischen Weg der Entscheidung gibt (ist dieses Design solide, wie schwer wiegt dieses Problem, was bedeutet diese Klausel).
Destillation. Ein neues, meist kleineres KI-Modell gezielt darauf trainieren, die Ausgaben eines ausgewählten größeren „Lehrer“-Modells nachzuahmen. Einer der vier Kanäle, über die die heutige Modellausgabe in die Trainingsdaten von morgen zurückgelangt.
Ziehung. Siehe Linie.
Urteilsfrage. Siehe Entscheidbare Frage / Urteilsfrage.
Lectio difficilior / lectio facilior. Begriffe der Handschriftenforschung für die „schwierigere, ungewöhnlichere Lesart“ gegenüber der „leichteren, erwartbareren Lesart“, zu der ein Kopist beim wiederholten Abschreiben abzudriften neigt. Dem Papier folgend vergleicht dieses Dokument das Abdriften zur lectio facilior mit dem Modellkollaps unter Training durch Ersetzen.
Linie. Im Sinn des Papiers die Einheit des Vertrauens (Teil 5): die Antworten eines Modells, als Verteilung genommen und durch wiederholtes Ziehen von Stichproben charakterisiert, wobei jede einzelne Antwort eine Ziehung ist, eine Stichprobe statt einer festen, wiederholbaren Tatsache. Die Teile 3 und 4 verwenden „Linie“ auch im Alltagssinn der Abstammung: welche Modelle von welchen abstammen oder mit welchen trainiert wurden.
Gemessene Unabhängigkeit / Dekorrelation. Der Gedanke, dass mit echten Daten und gesondert für jede Art von Frage überprüft werden muss, ob zwei Prüfer tatsächlich unabhängig voneinander antworten, statt es nur deshalb anzunehmen, weil sie von verschiedenen Unternehmen stammen oder „getrennt einberufen“ wurden. „Dekorrelierte Prüfinstanz“, wie im Anhang und im Änderungsprotokoll des Papiers verwendet, hält die damalige Absicht der Praxis fest, keine gemessene Eigenschaft. Der Eintrag des Papiers zu v1.37 verzeichnet, dass Bestätigungsrunden der Prüfungen von v1.33 und v1.35 die Befunde anderer Prüfinstanzen als Material mitlieferten; die Bezeichnung bedeutet also für sich allein nicht, dass einer Prüfinstanz diese nicht gezeigt wurden. Wo das Papier sagt, Prüfer hätten getrennt oder blind gearbeitet, meint es, dass keiner die Antwort eines anderen gesehen hat; dieses Verfahren begründet keine gemessene Unabhängigkeit ihrer Fehler. Siehe Teil 6.
Eingepflanzte Markierung / Wasserzeichen. Eine statistische Signatur, die absichtlich in die Ausgaben eines Modells eingebettet wird, sodass ihr späteres Wiederauftauchen in einem anderen Modell Evidenz dafür ist, dass das zweite Modell (zumindest teilweise) mit der Ausgabe des ersten trainiert wurde. Eine nachgewiesene Form von Evidenz dafür, dass die Ausgabe eines Modells in das Training eines anderen gelangt ist.
Rekonstruktion. Die Wiedergewinnung einer einzigen, endgültigen „wahren“ Antwort. Dieses Dokument beschränkt dieses Wort streng auf entscheidbare Fragen, bei denen eine mechanische Prüfung existiert; seine Verwendung für Urteilsfragen wird als Überdehnung behandelt, die das zugrunde liegende Papier selbst zurückgezogen hat.
Prüfinstanz. Eine Prüfposition in einem Panel: ein KI-Modell aus einer Linie, betrieben mit eigenem Auftrag und eigenen Werkzeugen (die Definition der Praxis: Glossar von counterproof.io (auf Englisch)).
Stemma / Stemmatik. Ein Stemma ist der rekonstruierte Stammbaum einer handschriftlichen Überlieferung: welche Abschriften von welchen abstammen. Stemmatik ist die formale Disziplin, einen solchen zu erstellen. „Agentic Stemmatics“ ist der von diesem Programm vorgeschlagene Name dafür, die analoge Arbeit mit KI-Modelllinien zu leisten.
Zeugnis. Das Wort dieses Dokuments für die Ausgabe eines beliebigen KI-Modells, das sie als zu wägende Behauptung kennzeichnet, so wie ein Gericht die Aussage eines Zeugen wägt, statt als Tatsache, die ohne Weiteres hinzunehmen ist.
Triage. Eine schnelle, kostengünstige Sichtung im ersten Durchgang, die die Aufmerksamkeit auf die Befunde lenkt, die eine genauere, teurere Prüfung am meisten verdienen: von einem abschließenden, eigenständigen Urteil unterschieden und bescheidener als dieses.
Adversarialer Hyparchetyp. Siehe Hyparchetyp.
Archetyp. In der Handschriftenforschung der eine ursprüngliche Text, von dem alle Abschriften einer Familie abstammen. Bei vielen Fragen der KI-Prüfung gibt es womöglich überhaupt keinen einzelnen Archetyp, keine eine richtige Antwort, die zu rekonstruieren wäre (Teil 1).
Kann nicht emendieren. Siehe Emendation.
Emendation. In der Handschriftenforschung eine vorgeschlagene Verbesserung, die eine Lesart wiedergewinnt, die keine erhaltene Abschrift hat: eine begründete Vermutung darüber, was das verlorene Original gesagt haben muss. Nichts in der gegenwärtigen Methode der KI-Prüfung reicht so weit: Sie kann nur mit tatsächlich vorgebrachten Befunden arbeiten (Teil 2, „eine harte Obergrenze“).
Evidenzstufe. Eine der Bezeichnungen der Praxis (Quelle: counterproof.io/glossary/#evidence-rung), nicht des Papiers, das Befunde als reproduziert oder gelesen festhält (Teil 6). Eine Stufe sagt, wie weit ein Befund tatsächlich geprüft wurde, und impliziert nie eine höhere. Vier Stufen für einen bestätigten Befund, von der schwächsten zur stärksten: Quellnachverfolgung (Datei und Pfad wurden bei der gepinnten Revision gelesen), Kompilierbeweis (der Build wurde zum Scheitern und dann zum Gelingen gebracht), Test (ein trennscharfer Test wurde ausgeführt) und Live-Reproduktion (der Defekt wurde gegen die gepinnte Revision reproduziert). Ein Befund, der keine von ihnen erreicht, wird als nur plausibel eingestuft, eine eigene Einstufung, keine schwächere Stufe (korrigiert am 14. September 2026; siehe Anhang).
Homoplasie. Der biologische Begriff dafür, dass nicht verwandte Arten unabhängig voneinander ein ähnliches Merkmal entwickeln: Konvergenz, nicht gemeinsame Abstammung; die engste Parallele zu Attraktoren. In dieser Einführung: Teil 3, „Konvergenz“.
Hyparchetyp / adversarialer Hyparchetyp. In der Handschriftenforschung ist ein Hyparchetyp ein dazwischenliegender, heute verlorener Vorfahr, der zwischen dem Originaltext und den erhaltenen Abschriften steht: ein „Unteroriginal“, das mehrere spätere Abschriften gemeinsam haben. Der adversariale Hyparchetyp dieses Dokuments ist sein Begriff für ein bestimmtes Sicherheitsrisiko: Weil KI-Modelle heute teilweise aus einem gemeinsamen Pool vergangener Texte (einschließlich Code) lernen, ist dieser gemeinsame Pool zugleich eine Grenze dessen, was irgendein Prüfprozess unabhängig wissen kann, und ein Ort, an dem ein Angreifer gezielt ein subtil fehlerhaftes Muster einpflanzen könnte, damit künftige Modelle es kopieren. In dieser Einführung: Teil 4, „Die Sicherheitskonsequenz“.
Idiosynkrasie. Eine stabile, unterscheidende Gewohnheit, die einem bestimmten KI-Modell eigen ist (Wortwahl, strukturelle Tendenzen, Formatierungseigenheiten): nützlich, um Modelle auseinanderzuhalten, aber keine Evidenz gemeinsamer Abstammung, es sei denn, ihr unabhängiges Entstehen wird als unwahrscheinlich gezeigt, für sich allein oder zusammen mit anderen gemeinsamen Gewohnheiten. In dieser Einführung: Teil 3, „Gewohnheiten“.
Leitfehler. Deutsch, wörtlich „leitender Fehler“: der Begriff der Handschriftenforschung für einen gemeinsamen Fehler, der unwahrscheinlich genug ist, um als Evidenz dafür zu gelten, dass zwei Abschriften eine gemeinsame Quelle teilen, im Gegensatz zu einem leicht wiederholbaren Versehen. In dieser Einführung: Teil 3, „der seltene, aufschlussreiche Fehler“.
Ältester Zeuge. Das Textarchiv aus der Zeit vor 2022, wertvoll nicht, weil es an sich besser wäre, sondern weil es die älteste datierte Schicht ist, die in großem Umfang verfügbar ist; es ist nicht frei von maschinengeneriertem Text. In dieser Einführung: Teil 4, „die älteste datierte Quelle“.
Orakel. Ein mechanischer Weg, eine entscheidbare Frage zu entscheiden: Code ausführen, Typen prüfen, einen Test ausführen oder nachsehen, was eine Spezifikation sagt (Teil 0 vermerkt, was das entscheidet und was nicht). Der Haupttext nennt dies eine mechanische Prüfung. Wo immer ein geeignetes Orakel existiert, steht es über jedem Panel von Prüfern.
Polygenetischer Fehler. Ein Fehler, der in nicht verwandten Quellen unabhängig entsteht, weil er der natürliche, leicht zu machende Fehler ist, nicht wegen Abschreibens: das Gegenteil eines Leitfehlers. In dieser Einführung: Teil 3, das „leichte Versehen“.
Residuum. Die (oft große) Menge von Urteilsfragen, die übrig bleibt, wenn mechanische Prüfungen und Referenzdokumente alles entschieden haben, was sie entscheiden können. In dieser Einführung: Teil 5, „der Rest“.
Versiegelter Jahrgang / Provenienzmanifest. Eine Momentaufnahme von Daten oder Code, zu einem bekannten Zeitpunkt kryptografisch versiegelt und mit einem Zeitstempel versehen, sodass ihr genauer Zustand zu diesem Zeitpunkt später verifiziert werden kann, statt auf Vertrauen hin angenommen zu werden.
Stratigraphie. In Archäologie und Handschriftenforschung das Lesen von Schichten in der Reihenfolge ihrer Ablagerung, um eine relative Datierung zu gewinnen; hier angewandt auf die Vorstellung, dass Modellgenerationen charakteristische, datierbare Formen hinterlassen könnten; ihr Wert für die Rekonstruktion von Abstammung muss noch getestet werden. In dieser Einführung: Teil 4, „Schichtung“.
Diese Seite ist eine deutsche Übersetzung des englischen Originals in der Fassung „Draft v0.21, 26 September 2026“; wo Übersetzung und Original voneinander abweichen, ist das englische Original maßgeblich. Die Übersetzung wurde mit einem KI-Assistenten der Claude-Linie (Anthropic) erstellt. Zitate aus englischsprachigen Quellen sind übersetzt; die zeichengenauen Prüfungen, die die Versionsgeschichte unten beschreibt, beziehen sich auf das englische Original. Aktuelle Fassung: v0.21, 26. September 2026, ENTWURF, noch während der Überarbeitung veröffentlicht, ohne externe redaktionelle Prüfung oder Peer-Review; das Papier ist maßgeblich, wo immer dieses Dokument und das Papier voneinander abweichen.
Offene Prüfpunkte: Die Revisionsgeschichte verzeichnet den Abschluss als ausstehend für Kimis vier Punkte zu v0.13 und für die vier in v0.4 vorgenommenen Korrekturen.
Die Regel: Dieses Dokument darf nichts sagen, was das Papier nicht sagt (Teil 0).
Drei erklärte Ausnahmen von dieser Regel, jede dort gekennzeichnet, wo sie auftritt: die Absätze zur Vergiftungsstudie und zum Bericht des Praktikers im Annex (mit v0.6 und v0.7 in Teil 4 aufgenommen, mit v0.15 in den Annex verschoben) und die Messung der Praxis vom August 2026 in Teil 5 (mit v0.14 aufgenommen). Die Glossareinträge Prüfinstanz und Evidenzstufe sowie der Satz in Teil 6, der auf Letzteren verweist, geben die eigenen Definitionen der Praxis aus ihrem Glossar wieder: Sie beschreiben die Praxis, nicht das Papier.
Was einen im Papier erwartet. Das Papier, in das dieses Dokument einführt, ist keine leichte Lektüre, und das ist Absicht. Es ist dicht: eine lange Erklärung, wer ein finanzielles Interesse am Ergebnis hat, eine detaillierte Versionsgeschichte und eine fortlaufende Darstellung der eigenen früheren Fehler des Papiers und wie sie behoben wurden. Ein Anhang (der, der festhält, was wann schiefging) ist länger als mehrere der Argumentationsabschnitte des Papiers. Das ist kein Mangel, für den sich das Papier entschuldigt: Ein Papier darüber, einer Quelle nicht schon deshalb zu vertrauen, weil sie selbstsicher klingt, würde seinen eigenen Punkt untergraben, wenn es seine eigene Revisionsgeschichte verbärge. Aber es bedeutet, dass der Einstieg in das Papier ohne Vorbereitung schwerfällt.
Wie sich dies von den Prolegomena unterscheidet. Die Prolegomena verwenden Kants Prolegomena zu einer jeden künftigen Metaphysik von 1783 als strukturellen Rahmen: seine Methode, von etwas auszugehen, das der Leser bereits zugesteht, und zu fragen, welche Bedingungen erfüllt sein müssten, damit es möglich ist, dazu sein Kunstgriff, eine Meinungsverschiedenheit als zwei widerstreitende Positionen zu inszenieren, die sich als Träger einer gemeinsamen verborgenen falschen Annahme erweisen. Dieser Rahmen belohnt einen Leser, der bereits einen gewissen philosophischen Hintergrund hat, und ist ein echtes Hindernis für einen Leser ohne ihn. Dieses Dokument behält dasselbe zugrunde liegende Argument und dieselbe Reihenfolge der Themen bei, lässt aber das kantische Gerüst ganz weg und sagt alles in einfachen Worten; wo der Rahmen echte Arbeit geleistet hat (vor allem mit dem Punkt, dass beide Seiten einer Debatte auf dieselbe Weise falsch liegen können), behält es diesen Punkt und lässt das Vokabular, das ihn trug, weg. Die Prolegomena lohnen die Lektüre, wenn die einfache Fassung hier eine Frage aufwirft, der nachzugehen in diesem Dokument kein Platz war, oder wenn die philosophische Rahmung selbst von Interesse ist.
Zur Begleitzitation. v1.35 ist die Korrekturrevision des Papiers, hinterlegt am 25. Sept. 2026 (Versions-DOI 10.5281/zenodo.22959463) und jetzt die maßgebliche Fassung. Nach zwei externen Prüfungen von v1.33 sagt es nicht mehr, dass gemeinsame Modellfehler überwiegend ohne Kopieren entstehen, formuliert seine zentrale Regel als zu prüfenden Vorschlag statt als gesichertes Ergebnis und korrigiert mehrere Aussagen auf das, was ihre Quellen zeigen. Es behält die mit v1.33 erfolgte Rücknahme der Andeutung bei, ein rekonstruierter und validierter Modellstammbaum sei ein offenes Forschungsproblem (PhyloLM, das das Papier erörtert, baut solche Bäume aus der Ähnlichkeit von Ausgaben), und nennt die KI-Linie, mit der es entworfen wurde, wie es die Autorenzeile dieses Dokuments tut; seine Revisionen wurden von KI-Prüfern mehrerer Entwickler geprüft (siehe Glossar: Prüfinstanz). Es folgt auf die Hinterlegung von v1.31, eine Lesbarkeitsrevision des hinterlegten Texts von v1.29. Die Korrekturen, die dieses Dokument spiegelt, sind in Anhang A des Papiers aufgeführt.
Legende: Eine Prüfinstanz ist ein KI-Prüfer (Glossar: Prüfinstanz); eine Zeile ist ein Befund, den eine Prüfinstanz vorgebracht hat, und ihr Urheber ist diese Prüfinstanz; Bezeichnungen in Großbuchstaben wie CONFIRM-CLOSED, PARTIALLY-CLOSED, CHANGES NEEDED, REVISE und MERGE-WITH-EDITS sind das Urteil einer Prüfinstanz über einen Entwurf, einen Diff, eine Reihe von Prüfungen oder ihre eigenen früheren Zeilen; das Abschlussprotokoll ist das unten verlinkte Repository; der Entwurfsassistent ist Claude (Anthropic-Linie).
v0.21, 26. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Auf Entscheidung des Autors, nachdem der Eintrag des Papiers zu v1.37 verzeichnet hatte, dass Bestätigungsrunden seiner Prüfung die Befunde anderer Prüfinstanzen mitlieferten, sagt die Darstellung der „dekorrelierten Prüfinstanz“ im Glossar nicht mehr, einer solchen Prüfinstanz seien die Befunde der anderen Prüfinstanzen nicht gezeigt worden oder sie sei eine Prüfinstanz eines anderen Entwicklers; sie folgt der Terminologieanmerkung des Papiers, dass das Wort die damalige Absicht der Praxis festhält, keine gemessene Eigenschaft, und der Unterscheidung des Papiers zwischen getrennter oder blinder Arbeit und Bestätigungsrunden. Eine Codex-Prüfinstanz, die diese Änderung prüfte, stellte fest, dass die Darstellung der gegenwärtigen Praxis in Teil 6 noch sagte, frühere Befunde würden einem neuen Prüfer vorenthalten, damit seine Übereinstimmung „nicht künstlich durch Verankerung hergestellt werden kann“; dieser Satz verwendet jetzt den Ersatztext der Prüfinstanz, der dieselbe Unterscheidung trifft und sagt, dass keines der beiden Verfahren gemessene Unabhängigkeit der Fehler begründet. Beide neuen Passagen sind der Text der Prüfinstanz, wörtlich übernommen. Einer Codex-Prüfinstanz in zwei Runden vorgelegt, wobei die globale Anweisungsdatei ihres Werkzeugs bei jedem Lauf beiseitegelassen wurde (nach Angabe des Autors; Laufprotokolle bei den Rundenakten abgelegt): Die erste gab CONFIRM-WITH-EDITS zurück, mit den beiden hier übernommenen Ersatztexten; die zweite bestätigte beide als geschlossen und stellte fest, dass dieser Eintrag mehr gesagt hatte, als die Prüfung darüber ergeben hatte, warum die entwicklerbasierte Definition aufgegeben wurde. Dieser Satzteil ist entfernt, und die Entfernung und dieser Satz wurden der Prüfinstanz nicht erneut vorgelegt.
v0.20, 26. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Die Zeilen der Codex-Prüfinstanz aus Runde 2 zu v0.19 wurden einer Codex-Prüfinstanz in einer Bestätigungsrunde erneut vorgelegt: Die zehn Zeilen, die jene Runde teilweise geschlossen gelassen hatte, und alle fünfzehn ihrer Ersatztexte wurden als geschlossen bestätigt. Diese Runde fand sechs weitere Punkte, von denen jeder hier mit dem eigenen Ersatztext der Prüfinstanz beantwortet ist, wörtlich übernommen bis auf das Markup der Seite. Teil 2 sagt nicht mehr, dass nichts daran, wer die Prüfer gebaut hat, Ihnen sagt, was wahr ist; Teil 5 macht das Überstehen externer kritischer Prüfung nicht mehr zur Bedingung dafür, Vertrauen zu verdienen, und sagt nicht mehr, dass das Team, das den Prozess betreibt, jeden Teil der vertrauenswürdigen Grundlage gebaut hat; der Annex beschränkt die Evidenz nicht mehr auf Destillation nach Art von Wasserzeichen; und der Anhangsabsatz zu den Hinterlegungen nennt jetzt v1.35 und sagt, dass seine Prüfungen die früheren Hinterlegungen betreffen. Die Prüfinstanz stellte außerdem fest, dass die letzten Sätze des Eintrags zu v0.19 weiter unten mehr sagen, als geschehen ist; dieser Eintrag bleibt wie geschrieben stehen, und die korrigierte Darstellung der Prüfinstanz lautet: „Der Entwurfsverfasser verzeichnet zwei Prüfrunden durch Codex und Kimi vor der Veröffentlichung. Der Autor gibt an, dass die globale Anweisungsdatei des Codex-Werkzeugs beiseitegelassen wurde; die gelieferte Codex-Rückgabe verzeichnet dennoch eine Exposition gegenüber vom Entwickler bereitgestellten Skill- und Agentenkatalogen und sagt, sie könne nicht feststellen, ob irgendeine gelieferte Anweisung aus einer solchen Datei stammte. Der Entwurfsverfasser gibt an, dass Kimi seine Befunde zu v0.19 geschlossen hat. Die Rückgabe von Codex aus der zweiten Runde ließ zehn Zeilen teilweise geschlossen. Ihre Ersatztexte F1–F7 und C1–C8 wurden wörtlich übernommen, abgesehen von einem kleinen Anfangsbuchstaben nach einem Doppelpunkt und dem Seiten-Markup; ihre Reparaturen aus Aufgabe D wurden über separat verfasste Revisionseinträge eingearbeitet. Diese Änderungen wurden Codex vor der Veröffentlichung nicht erneut vorgelegt. Der Wechsel der Begleitzitation zum hinterlegten v1.35 folgte auf die zweite Runde und wurde in jener Runde nicht geprüft.“ Einer Codex-Prüfinstanz erneut vorgelegt, wobei die globale Anweisungsdatei ihres Werkzeugs für den Lauf beiseitegelassen wurde (nach Angabe des Autors; Laufprotokoll bei den Rundenakten abgelegt), wurden alle sechs Befunde als geschlossen bestätigt, einschließlich der Korrektur B1 in diesem Eintrag. Dieselbe Prüfinstanz stellte fest, dass der Anfang des Annex noch sagte, sein Text sei bis auf drei Positionsangaben unverändert; dieser Absatz verwendet jetzt den Ersatztext der Prüfinstanz, wörtlich übernommen, und wurde ihr nicht erneut vorgelegt. Die Prüfinstanz konnte anhand ihres Pakets nicht prüfen, dass sich nichts anderes geändert hat, weil das Paket keine Kopie von v0.19 enthielt; der skriptgestützte Vergleich der beiden Seiten durch den Entwurfsverfasser zeigt keine Änderung über die in diesem Eintrag aufgeführten hinaus.
v0.19, 25. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Folgt dem Papier in v1.35, das Behauptungen korrigierte, die zwei externe Prüfungen von v1.33 für stärker befanden als ihre Quellen, und wendet die eigene Regel dieses Dokuments auf weitere Sätze an, die mehr sagten als das Papier. Die Teile 3 und 4 und das Glossar sagen nicht mehr, dass die meisten gemeinsamen Modellfehler durch zufällige Konvergenz entstehen; sie sagen, dass gemeinsame Fehler häufig sind und ohne Kopieren entstehen können und dass die Studien, die das Papier heranzieht, nicht belegen, welcher Anteil so entstanden ist. Die Regel in Teil 3 wird als Vorschlag des Papiers formuliert, der zu prüfen ist: Ihr „genau dann, wenn“ wird zu einer Bedingung, die erfüllt sein muss, aber für sich allein nicht zeigen würde, welches Modell von welchem abstammt, und auch eine Gruppe von Gewohnheiten, die zusammen und unter Berücksichtigung ihrer Abhängigkeit bewertet wird, kann sie erfüllen; die Behauptungen, die Handschriftenforschung habe sie immer durchgesetzt und ein signifikanter Fehler beweise Abstammung, weichen dem Wortlaut des Papiers. Teil 1 sagt nicht mehr, nichts Äußerliches könne eine gestützte Antwort von einer irrigen unterscheiden. Teil 2 macht Unabhängigkeit nicht mehr zur Bedingung dafür, dass Abstimmen solide ist oder Übereinstimmung Evidenz ist; es sagt, dass Übereinstimmung eine Behauptung stärken kann, wo Abhängigkeit bewertet worden ist, und nennt beide Raten der Ensemble-Studie. Teil 3 sagt nicht mehr, Abstammung müsse bekannt sein, bevor Unabhängigkeit gemessen werden kann, Modelle würden unabhängig konvergieren, die „delve“-Wörter seien unabhängig entstanden (Teile 3 und 4) oder ein gewöhnlicher Fehler oder irgendetwas außer einem eingepflanzten Merkmal sage nichts über Kopieren aus, und es trennt die Zuordnungsrate von der berichteten Robustheit gegenüber Paraphrasierung. Teil 4 sagt nicht mehr, Modelle hätten vor 2022 nichts zurückgegeben, es habe keine Abstammungslinie zu rekonstruieren gegeben, das Archiv aus der Zeit vor 2022 sei unkontaminiert, Umgebungskontamination sei der Normalzustand, die Argumente für den Rahmen würden mit der Zeit stärker, Training durch Ersetzen sei derselbe Vorgang wie Abschreiben oder das Experiment des Programms habe heute vier verfügbare Tests; es beschränkt den fehlenden Baum auf die Recherche des Papiers und den Falsifikationstest auf die Behauptung über die Entwicklung in der Zeit, kennzeichnet das Wachstum als behauptet und nicht gemessen, ergänzt, dass Vermischung und der Verlust seltener Formen Abstammungsindizien auslöschen können, und berichtet das Akkumulationsergebnis als Kollaps, der in den untersuchten Konstellationen vermieden wurde; es formuliert außerdem seine Falsifikationskriterien als die des Papiers, verzeichnet referenzbasierte Lehrer-Tests neben eingepflanzten Markierungen, nennt seine Detektoren Optimierungsziele statt Ziele der Umgehung, engt seinen historischen Vergleich ein und macht die Wiedergewinnung früheren Codes von erhaltener Versionsgeschichte abhängig. Die Passage zu eingepflanzten Markierungen in Teil 4 sagt „Nachweis“, wo das Papier „Beweis“ sagt. Teil 5 nennt, welche mechanischen Prüfungen seine Verpflichtung zu steigendem Gewicht meint, und Teil 6 datiert die Prüfung der öffentlichen Fallakten und schreibt sie nicht mehr fort. Das Glossar folgt (Attraktor, Banalisierung, Idiosynkrasie, Lectio, Leitfehler, Ältester Zeuge, Eingepflanzte Markierung, Stratigraphie); der Eintrag Attraktor streicht einen Satzteil über verrauschtes Abschreiben und zwei empirische Aussagen, die das Papier nicht enthält, und die Überschrift zur ältesten Quelle sagt „datiert“, wo sie „sauber“ sagte. Die Begleitzitation wechselt zu v1.35, hinterlegt am 25. Sept. 2026. Vor der Veröffentlichung von zwei externen Prüfinstanzen (Codex und Kimi) in zwei Runden am Papier geprüft, die Codex-Prüfinstanz mit auf Entscheidung des Autors beiseitegelassener globaler Anweisungsdatei ihres Werkzeugs. Kimi hat alle seine Befunde geschlossen. Die Befunde von Codex aus der zweiten Runde wurden mit seinem eigenen Ersatztext beantwortet, wörtlich übernommen bis auf einen kleinen Anfangsbuchstaben nach einem Doppelpunkt und das Markup der Seite, und ihm nicht erneut vorgelegt. Der Wechsel der Begleitzitation zum hinterlegten v1.35 erfolgte nach der zweiten Runde und wurde keiner Prüfinstanz vorgelegt.
v0.18, 25. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Folgt dem endgültigen v1.33, dessen zehnte und letzte Prüfrunde die späte Ergänzung einer Methode zur Familienzuordnung prüfte, die die gemeinsamen falschen Antworten einer Familie dagegen abwägt, wie oft andere Familien sie geben (§ 10 und § 7.1 des Papiers). Die Liste der jetzt verfügbaren Tests in Teil 4 erhält diesen vierten Punkt; sonst hat sich nichts geändert. Vor der Veröffentlichung von einer externen Prüfinstanz (Kimi) am Papier geprüft; ihr einziger Befund, zum Wortlaut dieses Eintrags, wurde in den eigenen Worten der Prüfinstanz übernommen und ihr nicht erneut vorgelegt. Nach dieser Prüfung wurde die Notiz zur Begleitzitation für die elfte Prüfrunde des Papiers aktualisiert: fünf Entwickler statt vier, und das Papier nennt jetzt die Linie, mit der es entworfen wurde; diese Aktualisierung wurde keiner Prüfinstanz vorgelegt.
v0.17, 24. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Folgt dem Papier in v1.33. Die Begleitzitation wechselt zu v1.33, und ihre Notiz ist neu geschrieben; die Notiz nennt Prüfer nicht mehr „dekorreliert“. Die Teile 2 und 6 lassen den Schluss fallen, dass die Wahl verschiedener Anbieter mit steigender Leistungsfähigkeit weniger Unabhängigkeit bringt, den v1.33 zurückgezogen hat, und sagen stattdessen, was das Papier jetzt sagt; die Teile 3 und 4 beschränken die fehlende Messung auf die Studien, die das Papier untersucht; Teil 4 ergänzt, dass es aus der Ähnlichkeit von Ausgaben gebaute Stammbäume bereits gibt, wie § 7.1 des Papiers jetzt sagt, und führt das paarweise Screening auf falsche Antworten unter den jetzt verfügbaren Tests auf, wie § 7.1 es tut. Vor der Veröffentlichung von einer externen Prüfinstanz (Kimi) am Papier geprüft; ihre sechs Befunde, darunter zwei falsche Teilnummern in diesem Eintrag, wurden übernommen und ihr erneut vorgelegt.
v0.16, 24. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Eröffnungsabsatz und Seitenbeschreibung neu geschrieben, um den Einstieg zu erleichtern; keine Behauptung geändert. Die neue Eröffnung sagt nur, was die Teile 1 und 2 bereits sagen (Übereinstimmung zwischen Modellen kann dieselbe Evidenz mehr als einmal zählen; verschiedene Anbieter sind nicht schon für sich unabhängig), so eingeschränkt, wie das Papier einschränkt. Vor der Veröffentlichung von einem Checker und von einer externen Prüfinstanz (Kimi) am Papier geprüft.
v0.15, 24. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Nur Verschiebungen; keine Behauptung geändert. Die zwei erklärten Ausnahmen in Teil 4 wurden in einen neuen Annex nach Teil 7 verschoben, mit einem in Teil 4 verbliebenen Verweis; die drei Formulierungen, die auf ihre alte Position verwiesen („dieser Abschnitt“, „die Banalisierungsdiskussion oben“, „zwei Absätze weiter oben“), nennen jetzt Teil 4. „Was einen im Papier erwartet“ aus Teil 7 und die längere Beschreibung der Prolegomena wurden in diesen Anhang verschoben; Teil 7 behält einen einsätzigen Eintrag zu den Prolegomena. Haupttext von etwa 9.300 Wörtern auf etwa 8.400. Einmal einer Prüfinstanz vorgelegt (Kimi, Dateizugriff): sauber bis auf den Versionsstempel der Autorenzeile, behoben; sie schloss außerdem ihre zwei Korrekturzeilen zu v0.14.
v0.14, 24. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Für die Länge gekürzt und umgeordnet (Haupttext von etwa 10.200 Wörtern auf etwa 9.200): Wiederholungen auf Verweise gekürzt, die Entwurfsgeschichte dieses Dokuments in die Korrekturliste verschoben, Teil 4 mit seinem Urteil eröffnet und seine Grenzen unter einer Überschrift gesammelt, seine zwei Ausnahmen eingerahmt und an Ort und Stelle eingeklappt, diese Geschichte eingeklappt und mit dem Neuesten zuerst geordnet; eine dritte erklärte Ausnahme hinzugefügt (Teil 5); „program“, „skeptic“, „skeptical“ und „unlabeled“ erhielten britische Schreibweisen. Die Seitenbeschreibung verwendet jetzt den eigenen Satz aus Teil 2 und beschreibt das Papier als das Argument „ohne seine vollständige Verteidigung, Versionsgeschichte und Korrekturakte“, wie Teil 7 es tut. Keine Behauptung wurde geändert außer den oben aufgeführten Korrekturen; die übrigen Bearbeitungen sind Kürzungen, Verschiebungen, Zusammenführungen, Verweise, Bezeichnungen und Glossen aus dem Papier oder, wo gekennzeichnet, aus dem Glossar der Praxis oder den eigenen Seiten dieser Website.
v0.13, 23. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Nur Struktur; keine Behauptung geändert. Die Hinterlegungsbuchhaltung der Begleitzitation wurde in diesen Anhang verschoben; zwei verschobene Sätze tragen kleine Verweisreparaturen, damit sie dort, wo sie jetzt stehen, noch richtig lesbar sind („bevor Sie es öffnen“, „die Hinterlegung von v1.31“), und der verschobene Regelabsatz erhielt einen Verweis auf Teil 7; die Darstellung der Schwierigkeit des Papiers aus Teil 0 wurde nach Teil 7 verschoben; ein Verweis auf Teil 6 für Leser, die eine Prüfung beauftragen; Stemmatik und Kollation bei der ersten Verwendung erklärt und Prüfinstanz im Glossar definiert; die Regel, unter der dieses Dokument steht, in Teil 0 verschoben und die Notiz zu den Prolegomena in Teil 7, der jetzt sagt, dass die Prolegomena noch nicht veröffentlicht sind; kaputte Klammern und veraltete Verweise repariert; das Glossar aufgeteilt in die Wörter, die diese Einführung verwendet, und weitere Begriffe, überwiegend aus dem Vokabular des Papiers. Vor der Veröffentlichung einmal einer Prüfinstanz vorgelegt (Kimi, Dateizugriff), Urteil CHANGES NEEDED zu vier Punkten: Drei waren die hier verzeichneten Verweisreparaturen und Überschriften, bewusst beibehalten; der vierte, ein neuer Satz, der besagte, Handschriftenforscher nennten diesen Vergleich Kollation, ging über das Papier hinaus und wurde auf das eingeengt, was das Papier sagt. Abschluss steht bis zu Kimis nächster Durchsicht aus.
v0.12, 22. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Nur Aufzeichnung: Die mit v0.11 genannten Fakten zur Hinterlegung von v1.31 wurden am selben Tag von zwei dekorrelierten Prüfinstanzen bestätigt, Kimi (Moonshot) und Grok (xAI), blind und parallel anhand eines byte-identischen Auftrags ausgeführt, wobei jede den Zenodo-Datensatz und die ausgelieferte Datei selbst abrief, ausgelieferte und lokale Kopien selbst hashte und die Versionsliste des Konzeptdatensatzes abrief, statt die neueste Version aus der DOI-Weiterleitung zu erschließen; beide gaben bei allen sieben Prüfungen CONFIRM-CLOSED zurück, ohne Abweichungen. Eine Lücke in der Bestätigung, kein Widerspruch: Die API führt für den ältesten Datensatz keine Versionsbezeichnung, dessen Identität als v1.15 auf Dateiname, Datensatz-ID und Chronologie beruht. Im Abschlussprotokoll verzeichnet, seq 29 bis 31; kein Argumentationstext geändert.
v0.11, 22. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Nur Aufzeichnung: Die Begleitzitation wechselt von v1.30 zu v1.32 und die Hinterlegungszeile zu v1.31 (hinterlegt am 22. Sept. 2026, Versions-DOI 10.5281/zenodo.22900116, vom Entwurfsassistenten über die Zenodo-API und durch Byte-Vergleich der ausgelieferten Datei mit der lokalen Kopie geprüft; noch nicht von einer unabhängigen Prüfinstanz bestätigt); kein Argumentationstext geändert. v1.31 ist eine Lesbarkeitsrevision des Papiers, deren Behauptungen von drei dekorrelierten Prüfinstanzen als unverändert verifiziert wurden; in diesem Dokument musste sich dafür nichts ändern, da dieses Dokument keinen Wortlaut des Papiers wörtlich zitiert und die Abschnittsstruktur des Papiers unverändert ist.
v0.10, 16. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Nur Aufzeichnung: Die Begleitzitation wechselt v1.29 → v1.30 und die Hinterlegungszeile zu v1.29 (hinterlegt am 16. Sept. 2026, Versions-DOI 10.5281/zenodo.22790100, über die Zenodo-API und durch Byte-Vergleich der ausgelieferten Datei mit der lokalen Kopie geprüft); kein Argumentationstext geändert.
v0.9, 15. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Einmal einer Prüfinstanz vorgelegt (Kimi, Dateizugriff, Bibliotheks-PR #164); vier benannte Änderungen übernommen: Der gestrichene Trend zur Anbietervielfalt hatte an zwei weiteren Stellen überlebt und ist jetzt auch dort entfernt; die Paarung „teilweise“/5 % war durch Sanders eigene Mischung nicht gedeckt und ist neu formuliert; Pans Zusatz zur Paraphrasierung und das Ergebnis zur Mischung mehrerer Lehrer ergänzt; die kausale Glosse des Haupttexts an das korrigierte Glossar angeglichen.
v0.8, 15. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Vier Korrekturen aus einer dreirundigen Literaturprüfung der Evidenz zu Abstammungssignalen übernommen, jede von mindestens einer Nicht-Anthropic-Linie geprüft: die Zahlen zu korrelierten Fehlern und der Trend zur Anbietervielfalt (Teil 2); das Zitat zur Vererbung von Markierungen und die Behauptung zur Paraphrasierung (Teil 3); der Glossareintrag Attraktor. Evidenzspur: CVRR-LIT-2026-09-15-003 und CORRECTIONS-OWED-2026-09-15. Keine Schlussfolgerung geändert.
v0.7, 7. Sept. 2026, ENTWURF, noch während der Überarbeitung veröffentlicht. Jede gegen dieses Dokument vorgebrachte Prüfzeile ist von der Prüfinstanz, die sie vorgebracht hat, geschlossen worden; die vier in der vorigen Revision vorgenommenen Korrekturen warten auf die nächste Durchsicht ihrer Urheber. Es hat kein externes Lektorat und kein Peer-Review durchlaufen, und das Papier ist maßgeblich, wo immer die beiden voneinander abweichen. Autor: Claude (Anthropic-Linie), nach Anweisung von L. J. Soons, mit dem Papier und den Prolegomena (v0.16) durchgehend im Kontext: Kontamination in dem genauen Sinn, den die eigene Zeile contaminatio in § 3 des Papiers dem Wort gibt (ein Schreibender, der mit den Befunden eines anderen Dokuments bereits vor Augen arbeitet), und der Grund, warum dies eine Tür ist und kein Zeuge. v0.1 hatte überhaupt keine unabhängige Lektüre. Danach liefen drei dekorrelierte, ungeprimte Erstlektüren, und keiner wurde mitgeteilt, was eine andere gefunden hatte: Qwen fand keine Überdehnung. GLM fand zwölf Stellen, an denen die Einführung etwas stärker, breiter oder gewisser formulierte als die Prolegomena (mehrere davon führten Formulierungen wieder ein, die die eigene Prüfgeschichte der Prolegomena bereits erfasst und bewusst abgeschwächt hatte), dazu zwei hinzugefügte Behauptungen ohne Gegenstück in den Prolegomena; v0.2 übernahm sie alle. DeepSeek, ausgehend von v0.2, fand drei weitere Stellen, die keine der beiden anderen Prüfinstanzen erfasst hatte; v0.3 übernahm diese. Beide Prüfinstanzen, die Zeilen vorgebracht hatten, bestätigten dann ihre eigenen Zeilen an v0.3. Die Bestätigungsrunde von DeepSeek gab für alle drei seiner Befunde CONFIRM-CLOSED zurück, und sein eigener offener Durchgang durch den Rest von v0.3 förderte eine neue, nicht abgelegte Stelle zutage: einen Satz über ein eingestelltes Experiment, der behauptete, dessen Kriterien seien „vorab veröffentlicht“ worden, wo § 24 der Prolegomena nur „eingefroren und zitierfähig“ sagt; eine engere Behauptung. Die Bestätigungsrunde von GLM gab 13 seiner 14 Zeilen als CONFIRM-CLOSED zurück und eine als PARTIALLY-CLOSED (eine hinzugefügte Behauptung darüber, wie lange es die Handschriftenforschung schon gibt, die v0.3 abgeschwächt, aber nicht ganz zurückgezogen hatte), und sein eigener offener Durchgang durch v0.3 fand eine weitere Stelle derselben Mangelklasse in einem anderen Absatz und markierte außerdem (ohne sie als Zeile vorzubringen) ein echtes Bearbeitungsartefakt: einen doppelten Satzteil, der von der Einfügung in v0.3 zur Behebung des Befunds von DeepSeek übrig geblieben war. v0.4 übernahm den verbleibenden Punkt von GLM, seinen Fund aus dem Durchgang nach derselben Klasse, DeepSeeks neuen Fund zu „vorab veröffentlicht“ und die Bereinigung des doppelten Satzteils. Alle Zeilen, die eine der beiden Prüfinstanzen vorgebracht hat, sind jetzt durch die eigene Bestätigung dieser Prüfinstanz geschlossen, mit Ausnahme der vier in v0.4 vorgenommenen Korrekturen, deren Abschluss bis zur nächsten Durchsicht ihres jeweiligen Urhebers aussteht.
v0.7 (7. Sept. 2026) fügt Teil 4 einen Absatz hinzu („Der Bericht eines Praktikers über dasselbe Szenario, als Zeugnis gewogen“), der ein Podcast-Interview mit Bjarne Stroustrup vom Mai 2026 zitiert: eine zweite erklärte Ausnahme von der Regel in Teil 0, dass dieses Dokument nichts sagt, was das Papier nicht sagt. Der Absatz berichtet für das Code-Repository-Szenario relevantes Zeugnis eines Praktikers, behandelt es ausdrücklich als Zeugnis und nicht als Evidenz und lässt die Frage der Abstammung über natürliche Gewohnheiten offen. Die Zitate wurden Zeichen für Zeichen mit dem vom Moderator veröffentlichten Transkript abgeglichen und von L. J. Soons am 7. Sept. 2026 mit der Aufnahme verglichen. Er wurde vor dem Merge in zwei Runden einer Freigabeprüfung durch eine dekorrelierte Prüfinstanz unterzogen: Codex (OpenAI) prüfte den ersten Entwurf ohne Vorbefassung (REVISE, sechs Befunde (vier blockierende, zwei Bearbeitungen; zwei der blockierenden Zeilen strichen interpretierende Zusätze des Entwurfsassistenten selbst, eine strich kategorische Formulierungen, und eine ging auf eine fehlerhafte Extraktion des Transkripts zurück, die der Prüfinstanz offengelegt und erneut vorgelegt wurde), Akte CODEX-INTRO-STROUSTRUP-PARA-2026-09-07), und bestätigte dann ihre eigenen Zeilen am überarbeiteten Text (fünf von sechs CONFIRM-CLOSED, offener Durchgang sauber; die sechste, ein Zeilenumbruch innerhalb eines Zitats im hart umbrochenen Entwurf, wurde durch eine skriptgestützte Zeichenprüfung statt durch die Prüfinstanz geschlossen; CODEX-INTRO-STROUSTRUP-PARA-R2-2026-09-07). Codex prüfte anschließend den Diff des Bibliotheks-PR auf die Integrität der Einfügung und des Änderungsprotokolls (MERGE-AFTER-FIXES, eine Bearbeitung an diesem Protokolleintrag, übernommen: CODEX-INTRO-V07-PR115-DIFF-2026-09-07, bestätigt anhand der Akte der ersten Runde in CODEX-INTRO-V07-PR115-DIFF-R2-2026-09-07). Kein anderer Argumentationstext geändert.
Hinterlegungsgeschichte und Umfang früherer Prüfungen. Bis zum 16. Sept. 2026 gab die Begleitzitation oben auf dieser Seite an, die jüngste Hinterlegung unter dem Konzept-DOI sei v1.25 (24. Aug. 2026, Versions-DOI 10.5281/zenodo.22077929); danach wurde v1.29 hinterlegt (16. Sept. 2026, Versions-DOI 10.5281/zenodo.22790100) und nach ihr v1.31 (22. Sept. 2026, Versions-DOI 10.5281/zenodo.22900116); die Begleitzitation nennt jetzt v1.35, hinterlegt am 25. Sept. 2026 als Versions-DOI 10.5281/zenodo.22959463. Die im Folgenden beschriebenen Prüfungen betreffen die früheren Hinterlegungen von v1.25 und v1.31. Die Fakten zu v1.31 wurden vom Entwurfsassistenten über die Zenodo-API und durch Byte-Vergleich der ausgelieferten Datei mit der lokalen Kopie geprüft und dann am selben Tag unabhängig von zwei dekorrelierten Prüfinstanzen bestätigt, Kimi (Moonshot) und Grok (xAI), blind und parallel anhand eines byte-identischen Auftrags ausgeführt, wobei jede den Datensatz selbst abrief, die ausgelieferten und lokalen Dateien selbst hashte und die Versionsliste direkt abrief; beide gaben bei jeder prüfbaren Behauptung CONFIRM-CLOSED zurück, ohne Abweichungen (Abschlussprotokoll seq 31). Die Fakten zu v1.25 wurden unabhängig von zwei dekorrelierten Prüfinstanzen geprüft: Kimi (Moonshot) und Grok (xAI), blind und parallel ausgeführt, wobei jede den Zenodo-Datensatz selbst abrief und die hinterlegte Datei selbst hashte, statt dem Bericht des Entwurfsassistenten zu vertrauen. Beide gaben bei jeder prüfbaren Behauptung CONFIRM-CLOSED zurück, ohne Abweichungen; Grok fragte zusätzlich den Endpunkt der Versionsliste von Zenodo direkt ab und schloss damit eine neuere, stillschweigend übersprungene Hinterlegung aus. Verzeichnet im Abschlussprotokoll unter seq 15 (Kimi) und seq 16 (Grok): https://github.com/clvstra/agentic-stemmatics-closure-log. v0.6 (31. Aug. 2026) fügt Teil 4 einen Absatz mit externer Quellenangabe hinzu („Neue empirische Grundlage für den Vergiftungsmechanismus“, arXiv:2510.07192) (eine erklärte Ausnahme von der Regel, dass dieses Dokument nichts sagt, was das Papier nicht sagt), vor dem Merge einer Freigabeprüfung durch zwei dekorrelierte Prüfinstanzen unterzogen (GLM am ersten Entwurf, DeepSeek ohne Vorbefassung am korrigierten Text; beide MERGE-WITH-EDITS; alle Bearbeitungen übernommen außer einer von GLM, die durch direkte Prüfung des Wortlauts der Arbeit im PDF überholt war), dazu direkte Quellenprüfung jedes zitierten Fakts am PDF der Studie und ein Codex-Durchgang zur Diff-Integrität am Merge selbst. v0.5 fügt diesen Absatz hinzu; kein Argumentationstext geändert.