Tom Buchholz

Picture yourself uploading a 50-page annual report, with two columns of text and a stack of financial tables, to a chatbot and asking one question: what was last year's revenue? In the bad case, the model makes up a number or insists the document never says. The

Raters preferred a 1.3-billion-parameter model over one with 175 billion. Alignment, RLHF, and why no answer comes out neutral.

Push a model past a perfect fit on its training data and test error starts falling again. Double descent, and what it did to learning theory.

GPT-4 hat mehr Parameter als die Menschheit Bücher geschrieben hat. Laut klassischer Statistik müsste ein solches Modell bei neuen Daten katastrophal versagen. Stattdessen funktioniert es außergewöhnlich gut. Dieser Artikel erklärt, warum. Das zerbrochene Gesetz: Wenn das Lehrbuch schweigt Stell dir vor, du baust ein Haus mit hundertmal mehr Säulen,

Künstliche Intelligenz wirkt auf den ersten Blick wie ein neutrales Werkzeug. Eine Nutzerin stellt eine Frage, das System verarbeitet die Eingabe und gibt eine Antwort aus. Doch diese Antwort entsteht nicht in einem wertfreien Raum. Moderne KI-Systeme werden nicht nur darauf trainiert, sprachlich plausible Texte zu erzeugen. Sie werden