LONDON (IT BOLTWISE) – „In the Weights“ will zeigen, ob und wie KI-Systeme Menschen „im Training“ wiedererkennen, ohne klassische Websuche. Zwei Entwickler befragen verschiedene KI-Modelle und verdichten die Antworten zu einer Art Recall-Rangliste, die mit einer Strength-Score arbeitet. Das Ergebnis wirkt wie eine spielerische Vanity-Search, berührt jedoch reale Fragen zu Datenursprung, Halluzinationen und Bias. Für Unternehmen und Entwickler stellt sich damit unmittelbar die Frage, wie verlässlich „Self-Discovery“ durch KI tatsächlich ist.
Wer sich in den letzten Jahren selbst gegoogelt hat, kennt das Gefühl: Suchergebnisse wirken weniger „kanonisch“, während Chatbots immer stärker dabei helfen, sich ein Bild von Personen zu machen. Genau an dieser Verschiebung setzt „In the Weights“ an, ein neues KI-zentriertes Vanity-Search-Experiment von Thomas Dimson und Joey Flynn. Die Idee ist dabei nicht, Webseiten auszulesen, sondern KI-Modelle direkt nach „Who is <name>?“ zu befragen und die Antworten so zu verdichten, dass daraus eine Vergleichbarkeit entsteht. Das klingt spielerisch – und wirkt zugleich wie ein Spiegel für das, was Modelle über Menschen bereits „abgespeichert“ haben könnten.
Technisch betrachtet führt das Projekt keine magische Einsicht in „Gewichte“ (also numerische Modellparameter) im wörtlichen Sinne herbei, sondern nutzt einen indirekten Test. „In the Weights“ schickt eine einheitliche Abfrage an mehrere KI-Modelle, darunter auch bekannte Familien wie GPT-Varianten, Claude, Llama sowie weitere Systeme. Aus jeder Antwort werden bis zu zehn Ergebnisse mit kurzer Beschreibung extrahiert, anschließend werden ähnliche Beschreibungen in Cluster überführt und daraus ein Strength-Score abgeleitet, der im Kern die Konsistenz bzw. Wiedererkennbarkeit widerspiegelt. Der Ansatz erinnert an Retrieval- und Prompt-Engineering-Tests – nur eben mit dem Fokus auf „Self“-Recall statt Dokumentensuche.
Der Vergleich mit etablierten Suchmechanismen ist wichtig: Klassische Websuche basiert auf verlinkten Dokumenten, klaren Ranking-Signalen und einer nachvollziehbaren Quellenkette. „In the Weights“ dagegen versucht, eine Art modellinterne „Erinnerungsleistung“ sichtbar zu machen. Genau hier liegt auch die historische Einordnung: Seit Jahren versuchen Tools und Forschung, zu messen, wie KI Informationen reproduziert, ob es dabei eher um aus dem Training bekannte Fakten oder um generatives Füllen von Lücken geht. Neu ist weniger das Grundprinzip als die konkrete Produktisierung in Form einer frei nutzbaren Rangliste, die den Output verschiedener Modell-Generationen gegenüberstellt – inklusive der Information, welche Modelle überhaupt Antworten liefern.
Auf der Marktseite passt das Experiment in eine breitere Bewegung: KI-gestützte Recherche wird zunehmend als Schnittstelle erlebt, nicht als Ergänzung. Gleichzeitig steigt das Interesse, Transparenz über Modellverhalten zu bekommen – etwa ob bestimmte Namen, Berufsgruppen oder Prominente häufiger „auftauchen“ als andere. „In the Weights“ veröffentlicht nicht nur den Strength-Score, sondern macht auch sichtbar, wo Modelle offenbar unsauber werden: Halluzinationen werden als potenzielle Artefakte erkennbar, etwa wenn eine Modellantwort einen Namen als mehrdeutig markiert oder eine Personengruppe vermischt. Branchenintern wird das als Hinweis auf die Grenzen von Prompt-basierten „Recall“-Messungen gelesen – was auch ein Kritiker wie Anthony Moser pointiert: Er bezeichnet das Vorgehen sinngemäß als „wörtlich dasselbe“, als würden 13 Chatbots einfach über sich selbst berichten.
Gleichzeitig zeigt der Wettbewerbseffekt, warum das Format Resonanz erzeugt. Die Abfrage läuft gegen mehrere Modellanbieter und -versionen, darunter bekannte Ökosysteme rund um Google- und OpenAI-nahe Produktwelten, sowie weitere große Modelllinien. Damit wirkt „In the Weights“ wie eine Prominenten-Wetterstation: Der Leaderboard-Status verschiebt sich fortlaufend, während Modelle aktualisiert werden oder ihre Antwortstile variieren. Für Unternehmen ist das relevant, weil solche Rankings auch als „Vertrauensanker“ missverstanden werden können. Wenn ein Modell eine Person falsch einordnet oder eine Quelle erfindet, kann daraus – insbesondere in Social- und Recruiting-Kontexten – unerwünschtes Framing entstehen. Der Anreiz für Nutzer, „Top-Ränge“ zu jagen, verstärkt diese Wirkung.
Aus Expertensicht ist jedoch entscheidend, wie man den Messwert interpretiert. Der Strength-Score ist kein Beweis für tatsächliches Training auf spezifischen Daten, sondern eine Qualitätsmetrik für die Antwortkonsistenz im Rahmen einer konkreten Prompt-Strategie. Unterschiede zwischen Modellfamilien innerhalb „derselben Serie“ deuten laut Betreiber darauf hin, dass Architektur, Alignment und eventuell auch Datenverarbeitungsschritte das Antwortverhalten prägen. Das wirft eine Vergleichsfrage auf: Cloud-basierte LLMs liefern meist schnell replizierbare Antworten, aber die Messung ist stark prompt- und zeitabhängig; On-device- oder deterministischere Setups würden andere Charakteristika erzeugen. Für Entwickler bedeutet das: „Recall“ ist nicht gleich „Ground Truth“, und eine Rangliste ist nur so aussagekräftig wie ihre Testbedingungen.
Auch der Datenschutz- und Sicherheitsaspekt darf in so einem Vanity-Tool nicht auf der Strecke bleiben. Auch wenn das Projekt „ohne Websuche“ arbeitet, adressiert es personenbezogene Informationen – Namen, potenziell Biografiedetails – und stellt sie in aggregierter Form dar. Das kann unbeabsichtigt den Eindruck erzeugen, Modelle würden Personen „offiziell bestätigen“. In der Praxis entsteht aber ein Risiko-Mix aus unklarer Datenherkunft, möglicher Verwechslung ähnlicher Namen und Halluzinationsartefakten. Unternehmen, die KI-gestützte Personenprofile oder Recruiting-Assistenz bauen, sollten deshalb Mechanismen für Quellenprüfung, Konfidenzkalibrierung und „Refusal by design“ berücksichtigen, statt sich auf reine Konsistenzscores zu verlassen.
Für die Zukunft ist plausibel, dass „In the Weights“ weiter in Richtung Analyse verfeinert wird. Der Betreiber kündigt an, genauer zu untersuchen, warum unterschiedliche Modelle innerhalb einer Modellreihe zu unterschiedlichen Ergebnissen kommen, welche Gruppen möglicherweise strukturell begünstigt oder benachteiligt werden und welche Namen eigentlich eine typische „Wissensbasis“ bräuchten, aber im Modelloutput fehlen. Genau hier liegt die produktive Chance für Entwickler: Solche Tests können als frühe „Model Behavioral Evaluation“ dienen, solange man sie als kontrollierte Experimente interpretiert und nicht als objektive Wahrheit. Wenn der Markt stärker in Richtung LLM-basierter Discovery kippt, wird die Fähigkeit, Halluzinationen und Bias systematisch zu quantifizieren, zum Wettbewerbsvorteil – und ein Tool wie dieses liefert zumindest eine leicht konsumierbare Oberfläche dafür.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "„In the Weights“: KI-Vanity-Search über Modell-Gewichte statt Websuche" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "„In the Weights“: KI-Vanity-Search über Modell-Gewichte statt Websuche" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »„In the Weights“: KI-Vanity-Search über Modell-Gewichte statt Websuche« bei Google Deutschland suchen, bei Bing oder Google News!