KI-Systeme glänzen bei Mathe-Wettbewerben, scheitern aber bei einfacher Addition
Ein neues arXiv‑Veröffentlichung (2602.10416v1) beleuchtet ein überraschendes Phänomen: Während moderne KI‑Modelle bereits Medaillen bei internationalen Mathematikwettbewerben gewinnen, bei Forschungsabläufen unterstütz…
- Ein neues arXiv‑Veröffentlichung (2602.10416v1) beleuchtet ein überraschendes Phänomen: Während moderne KI‑Modelle bereits Medaillen bei internationalen Mathematikwettbe…
- Die Autoren führten eine systematische Untersuchung durch und fanden heraus, dass sämtliche Spitzenmodelle – darunter Claude Opus 4.1, GPT‑5 und Gemini 2.5 Pro – ihre Ge…
- Die Fehler lassen sich in zwei Hauptkategorien einteilen: Operand‑Misalignment und fehlender Carry‑Over.
Ein neues arXiv‑Veröffentlichung (2602.10416v1) beleuchtet ein überraschendes Phänomen: Während moderne KI‑Modelle bereits Medaillen bei internationalen Mathematikwettbewerben gewinnen, bei Forschungsabläufen unterstützen und sogar neue technische Lemmas beweisen, bleiben sie bei der grundlegendsten Aufgabe der Addition zweier Zahlen stark hinter den Erwartungen zurück.
Die Autoren führten eine systematische Untersuchung durch und fanden heraus, dass sämtliche Spitzenmodelle – darunter Claude Opus 4.1, GPT‑5 und Gemini 2.5 Pro – ihre Genauigkeit bei der Addition von Ganzzahlen deutlich verlieren, je mehr Stellen die Zahlen haben. Die Fehler lassen sich in zwei Hauptkategorien einteilen: Operand‑Misalignment und fehlender Carry‑Over.
Diese beiden Fehlerarten erklären beeindruckende Prozentsätze der Gesamtfehler: 87,9 % bei Claude Opus 4.1, 62,9 % bei GPT‑5 und 92,4 % bei Gemini 2.5 Pro. Misalignment‑Fehler sind häufig auf Tokenisierung zurückzuführen, während Carry‑Fehler weitgehend als unabhängige, zufällige Ausfälle auftreten.
Die Ergebnisse zeigen, dass selbst die fortschrittlichsten KI‑Systeme noch erhebliche Schwächen in der Basisarithmetik aufweisen. Für Entwickler und Forscher bedeutet dies, dass gezielte Verbesserungen in Tokenisierung und Carry‑Mechanismen notwendig sind, um die Zuverlässigkeit dieser Modelle in alltäglichen Rechenaufgaben zu erhöhen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.