// Modelle & Forschung 26.03.2025 · 14:31 Uhr 2 Min. Lesezeit

Überprüfung der KI-Modelle: Ergebnisse des ARC-AGI-2 Tests und die Herausforderungen zur Erreichung allgemeiner Künstlicher Intelligenz

Mindverse News

KI-gestützt erstellt 9 Quellen Arbeitsweise

Überprüfung der KI-Modelle: Ergebnisse des ARC-AGI-2 Tests und die Herausforderungen zur Erreichung allgemeiner Künstlicher Intelligenz — Symbolbild

KI-Modelle im AGI-Test: Herausforderungen auf dem Weg zur allgemeinen Künstlichen Intelligenz

Die Entwicklung von Künstlicher Intelligenz (KI) schreitet rasant voran. Doch wie intelligent sind die aktuellen Modelle wirklich? Ein neuer Test der ARC Prize Foundation, ARC-AGI-2, stellt die Fähigkeiten aktueller KI-Systeme auf die Probe und zeigt, dass der Weg zur allgemeinen Künstlichen Intelligenz (AGI) noch weit ist.

Der ARC-AGI-2 Test: Ein neuer Maßstab für künstliche Intelligenz

Der ARC-AGI-2 Test basiert auf Mustererkennungs- und Logikaufgaben, die für Menschen lösbar sind. Geometrischen Figuren müssen Farben zugeordnet oder Figuren nach bestimmten Regeln zusammengesetzt werden. Der Test prüft die Fähigkeit der KI-Modelle, sich an neue, unbekannte Problemstellungen anzupassen und Lösungen zu entwickeln.

Während etwa 60 Prozent einer menschlichen Kontrollgruppe den Test erfolgreich absolvierten, zeigten die KI-Modelle deutliche Schwächen. Leistungsstarke Reasoning-Modelle wie o1 von OpenAI oder R1 von DeepSeek erreichten lediglich Erfolgsquoten im niedrigen einstelligen Prozentbereich. Auch andere bekannte Modelle wie GPT-4.5, Claude 3.7, Sonnet oder Gemini 2.0 Flash konnten den Test nicht bestehen.

ARC-AGI-2: Nachfolger des ARC-AGI-1 und neue Herausforderungen

Der ARC-AGI-2 Test ist der Nachfolger des ARC-AGI-1, für dessen Lösung die ARC Prize Foundation im vergangenen Jahr ein Preisgeld von einer Million US-Dollar auslobte. Der Datensatz des ARC-AGI-1 aus dem Jahr 2019 erwies sich jedoch als unzureichend und wurde durch den neuen Test ersetzt. Ein wichtiger Aspekt des ARC-AGI-2 ist die Effizienz der KI-Modelle. Neben der Fähigkeit, Probleme zu lösen, wird nun auch die Effizienz, mit der dies geschieht, bewertet. Die Kosten pro gelöster Aufgabe spielen eine entscheidende Rolle.

Für den aktuellen Wettbewerb müssen die KI-Modelle nicht nur 85 Prozent der Aufgaben lösen, sondern dies auch mit hoher Effizienz und geringen Kosten pro Aufgabe erreichen. Angestrebt werden Kosten von etwa 42 US-Cent pro Task.

Die Bedeutung von Effizienz im Kontext von AGI

Die Einführung des Effizienz-Kriteriums unterstreicht die Bedeutung von Ressourcenverbrauch und Kosten im Zusammenhang mit der Entwicklung von AGI. Intelligenz wird nicht nur durch die Fähigkeit definiert, Probleme zu lösen, sondern auch durch die Effizienz, mit der dies geschieht. Dieser Aspekt gewinnt zunehmend an Bedeutung, da die Entwicklung und der Betrieb komplexer KI-Modelle erhebliche Ressourcen erfordern.

Ausblick: Der Weg zur allgemeinen Künstlichen Intelligenz

Die Ergebnisse des ARC-AGI-2 Tests zeigen, dass die aktuellen KI-Modelle noch weit von den Fähigkeiten einer allgemeinen Künstlichen Intelligenz entfernt sind. Die Herausforderungen liegen in der Anpassungsfähigkeit an neue Problemstellungen, der Entwicklung kreativer Lösungen und der effizienten Nutzung von Ressourcen. Der Test liefert wichtige Erkenntnisse für die weitere Forschung und Entwicklung im Bereich der KI und unterstreicht die Notwendigkeit, neue Ansätze und Methoden zu erforschen, um das Ziel einer AGI zu erreichen.

Bibliographie:

//Nächster Artikel

Audio & Musik14.10.2026 · 23:27 Uhr

SGLang Omni unterstützt Fish Audio Drama 3 in INT4: Speicherbedarf, Architektur und Enterprise-Serving im Überblick

SGLang Omni unterstützt Fish Audio Drama 3 in INT4: 20,8 GB Gewichtsspeicher, MoE-Architektur, H200-Benchmarks und technische Analyse für Ihr Unternehmen.