Das Team von Anthropic hat die Ergebnisse einer Studie vorgestellt, in der das Claude-Modell gelernt hat, seine eigenen Erfahrungen in Phasen der Inaktivität zu analysieren — ein Prozess, den die Entwickler direkt mit dem menschlichen Schlaf vergleichen. Ihren Angaben zufolge ist es genau diese «Ruhephase», in der das neuronale Netz gesammelte Informationen ordnet, nützliches Wissen festigt und, was wichtig ist, eigene Fehler ohne externe Hinweise findet und korrigiert. Die begleitende Visualisierung demonstriert beide Seiten dieses Ansatzes: Das Modell untersucht eine reale Szene in Augmented Reality und strukturiert gleichzeitig die gewonnenen Daten in einen Wissensgraphen.

Das Speicherproblem: Zwischen «Müllkippe» und blankem Blatt

Die ursprüngliche Herausforderung, vor der die Ingenieure standen, war nicht offensichtlich: Wenn ein Bot jeden Schritt protokolliert, verwandelt sich sein Gedächtnis mit der Zeit in eine «Müllkippe» aus redundanten Daten. Werden wichtige Details jedoch nicht gespeichert, muss in der nächsten Sitzung wieder bei Null begonnen werden. Die Balance zwischen vollständiger Protokollierung und gezielter Speicherung zu finden, ist der Schlüssel dafür, dass das Modell tatsächlich Erfahrungen sammelt und diese nicht nur kopiert.

Der Pokémon Red-Test: Genauigkeit gegen Datenmenge

Um diese Ansätze in der Praxis zu überprüfen, schickten die Forscher Claude in Pokémon Red — ein Spiel, bei dem man die Welt erkunden und Orden sammeln muss. Die Ergebnisse nach 10.000 Spielschritten waren aussagekräftig. Das Modell Sonnet 3.7 speicherte absolut alles: 413 Dateien in 225 Ordnern, fast 978.000 Zeichen — und errang dabei nur einen einzigen Orden. Claude Fable 5 agierte zielgerichtet: gerade einmal 10 Dateien in 3 Ordnern (etwa 43.400 Zeichen) und vier Orden. Fable 5 zeichnete das Wesentliche auf — Strategien, Schlussfolgerungen und aktuelle Ziele —, ohne Ressourcen für das zu verschwenden, was ohnehin auf dem Bildschirm zu sehen ist, und ohne Entdeckungen zwischen den Sitzungen zu verlieren.

«Träume» als Mechanismus zur Behebung von Halluzinationen

Anthropic betont: Wenn die KI einen falschen Fakt speichert, betrachtet sie ihn in späteren Gesprächen als Wahrheit. Genau diese «Träume» — Inaktivitätsphasen — halfen dabei, eine solche «Halluzination» zu beseitigen. In einem der Tests in Pokémon Red hatte der Bot die Koordinaten des Pokémon-Centers am Mondberg falsch aufgezeichnet und irrte deshalb ständig umher, sprang über Einweg-vorsprünge und kehrte zum Ausgangspunkt zurück. Im Ruhemodus glich Claude seine Notizen mit dem vollständigen Text des vergangenen Spiels ab und entdeckte den Fehler.

Vom Spiel zu realen Aufgaben: 420 Millionen Token

Die Effizienz des «nächtlichen Nachdenkens» wurde an großen Datensätzen überprüft. Claude wurde beauftragt, 350.000 interne Dokumente des Unternehmens Stainless mit einem Gesamtvolumen von rund 420 Millionen Token zu bearbeiten. Über 128 Inaktivitätsphasen hinweg erstellte das Modell eigenständig ein vollwertiges Wikisystem mit strukturierten Daten und Querverweisen. Die Antwortgenauigkeit bei 25 komplexen Testfragen stieg von 13 auf 48 Prozent. In einem anderen Experiment im Zusammenhang mit Unternehmensfusionen ermöglichte die im Ruhemodus erstellte Wissensbasis Antworten mit einer Genauigkeit von bis zu 87 Prozent, während die herkömmliche Dokumentensuche nur 73 Prozent ergab.

Einschränkungen: Der Rechenaufwand des «Schlafs»

Die Entwickler weisen ehrlich auf die Grenzen des Ansatzes hin: Solche Analysesitzungen erfordern erhebliche Rechenressourcen, und eine übermäßige Menge an Informationen im Speicher kann nachfolgende Arbeitssitzungen des Modells überlasten. Dennoch wird der demonstrierte Mechanismus — die Selbstkorrektur während der Ausfallzeit — als einer der Wege zu einem stabileren und «saubereren» Gedächtnis für KI-Agenten angesehen.