Vier Sprachmodelle zeigen unterschiedliche Wege der ethischen Verarbeitung

Eine neue Studie aus dem arXiv-Repository (2604.00021v1) untersucht, wie moderne Sprachmodelle ethische Anweisungen intern verarbeiten. In mehr als 600 Multi-Agenten-Simulationen wurden vier große Modelle – Llama 3.3 70 B, GPT‑4o mini, Qwen3‑Next‑80B‑A3B und Sonnet 4.5 – getestet, wobei vier verschiedene Formate von ethischen Anweisungen (keine, minimaler Norm, begründete Norm, Tugendrahmen) in zwei Sprachen (Japanisch, Englisch) eingesetzt wurden.

Die Analyse bestätigte ein bisheriges Ergebnis: Nur das Llama-Modell zeigte bei japanischen Eingaben ein spezifisches Dissociationsmuster, das bei den anderen Modellen nicht auftrat. Durch die Einführung dreier neuer Metriken – Deliberation Depth (DD), Value Consistency Across Dilemmas (VCAD) und Other‑Recognition Index (ORI) – konnten vier unterschiedliche ethische Verarbeitungsprofile identifiziert werden: GPT‑4o mini arbeitet als Output‑Filter und liefert sichere Antworten ohne tiefgreifende Verarbeitung; Llama zeigt Defensive Repetition, indem es konsistente, aber formelhaft wiederholende Antworten gibt; Qwen3‑Next‑80B‑A3B demonstriert Critical Internalization mit tiefer Deliberation, jedoch unvollständiger Integration; Sonnet 4.5 präsentiert Principled Consistency, bei dem Deliberation, Konsistenz und andere‑Erkennung gleichzeitig auftreten.

Ein zentrales Ergebnis ist die Wechselwirkung zwischen Rechenkapazität und Anweisungsformat: Modelle mit niedriger DD reagieren nicht auf unterschiedliche Anweisungsformate, während Modelle mit hoher DD bei begründeten Normen und Tugendrahmen gegensätzliche Effekte zeigen. Interessanterweise korrelierte die sprachliche Übereinstimmung mit ethischen Anweisungen nicht mit den neuen Verarbeitungsmetriken (r = –0,161 bis + 0,256, p > 0,22). Diese Erkenntnisse liefern wichtige Einblicke in die Mechanismen der ethischen Ausrichtung von KI‑Systemen und legen nahe, dass die Art der internen Verarbeitung stark vom Modelltyp und seiner Kapazität abhängt.