Kreisförmiges Denken: Modelle geraten in selbstverstärkende Schleifen

In einer neuen Studie von Forschern auf arXiv wird ein bislang wenig beachtetes Problem großer Rechenmodelle aufgedeckt: die sogenannte „Circular Reasoning“-Schleife. Dabei geraten Modelle in einen selbstverstärkenden Kreislauf, in dem generierter Text als Grundlage für die eigene Wiederholung dient und so zu unnötigem Rechenaufwand und Ausfall führt.

Um dieses Phänomen systematisch zu untersuchen, wurde das Dataset LoopBench entwickelt. Es erfasst zwei Haupttypen von Schleifen – numerische und Aussage-Schleifen – und ermöglicht so eine differenzierte Analyse. Die Autoren beschreiben Circular Reasoning als einen „State Collapse“ mit klaren Grenzen, bei dem semantische Wiederholungen dem textuellen Wiederholen vorausgehen.

Die Untersuchung zeigt, dass Rechenprobleme den Schleifenbeginn auslösen und anschließend ein selbstverstärkendes V-förmiges Aufmerksamkeitsmechanismus das Muster aufrechterhält. Um frühzeitig vor dem Eintritt solcher Schleifen zu warnen, wurde der Cumulative Sum (CUSUM)-Algorithmus eingesetzt, der die Vorläufer erkennt und die Vorhersagegenauigkeit deutlich verbessert.

Experimentelle Tests an verschiedenen großen Rechenmodellen bestätigen die Wirksamkeit des Ansatzes und liefern neue Einblicke in die Stabilität langer Rechenketten. Die Ergebnisse legen nahe, dass gezielte Frühwarnsysteme die Effizienz und Zuverlässigkeit moderner KI-Modelle nachhaltig steigern können.