Tibo, der Gott der Reset-Kontingente, hat das nächste große Update von Codex gespoilert.

Fast alle Codex-Nutzer kennen wahrscheinlich den legendären Tibo, der die Nutzungslimits zurücksetzen kann.

In der letzten Zeit, sobald Codex Probleme hatte oder OpenAI den Nutzern zusätzliche Nutzungslimits gewähren wollte, postete er einfach auf X: Die Limits wurden zurückgesetzt.

Diesen Morgen kündigte Tibo auf X an, dass die Nutzungslimits für alle zahlenden Nutzer von ChatGPT Work und Codex zurückgesetzt werden.

Tibo gibt an, dass diese Fehlerbehebung die Nutzungslimits für Nutzer mit unterschiedlichen Nutzungsweisen um 10 % bis 50 % länger haltbar machen kann.

In einem kürzlichen Interview fragte ihn Matthew Berman direkt persönlich: Wie genau setzt du die Limits zurück?

Die Antwort ist äußerst unterhaltsam – Tibo hat tatsächlich einen physischen Knopf. Wenn er der Meinung ist, dass das Nutzererlebnis beeinträchtigt ist und die Nutzer entschädigt werden müssen, kann er ihn einfach drücken.

Der interessantere Teil dieses Interviews ist aber nicht nur dieser Knopf.

Vor einigen Wochen sagte Tibo eine sehr kühne Aussage:

In zwei bis drei Monaten wird der heutige Codex sehr primitiv wirken.

Was genau hat Tibo gesehen?

Warum genau sagt Tibo, dass Codex „primitiv“ werden wird?

Tibo hat kein geheimes Modell veröffentlicht. Stattdessen spricht er über die kleinen Probleme, auf die Codex-Nutzer heute bereits stoßen.

Man muss die Skill-Dateien selbst verwalten, das Memory vergisst ab und zu Dinge. Wenn es zu viele Agenten gibt, muss man ständig zwischen mehreren Aufgaben wechseln, um zu prüfen, welche abgeschlossen ist, welche hängt, und dann die Ergebnisse abzurufen.

Der Moderator sagte, er öffne jetzt oft 10 bis 15 Agenten gleichzeitig. Wenn diese Anzahl erreicht ist, ist nicht mehr die GPU der Engpass, sondern seine eigene Aufmerksamkeit.

Tibo mag diesen Zustand nicht sehr.

Die Agenten, die er sich wünscht, sollten wissen, was du gerade machst, was das Team vorantreibt und wann sie selbst mit der Arbeit beginnen sollen. Viele der Skills, Memorys und Sub-Agenten, die heute den Nutzern zur Verfügung stehen, brauchen am Ende möglicherweise keine menschliche Verwaltung mehr.

Laptops sind ursprünglich auf die Arbeitsgeschwindigkeit einer einzelnen Person ausgelegt. Eine Person öffnet nicht 100 Programme gleichzeitig, kompiliert nicht, führt Tests aus und überprüft nebenbei ein Dutzend Lösungen.

Aber genau so arbeitet KI.

Daher geht Tibo davon aus, dass Agenten in Zukunft ganz natürlich in die Cloud wandern werden. Die nächste Generation von Modellen braucht nicht mehr nur deinen Laptop.

Dann wurde in dem Interview ein Wort besprochen, das in letzter Zeit immer häufiger auftaucht: Recursive Self-Improvement, rekursive Selbstverbesserung, RSI.

Hat KI bereits begonnen, „sich selbst zu verändern“?

Für KI bedeutet RSI, dass das Modell dieser Generation Menschen bei der Erforschung des Modells der nächsten Generation hilft. Wenn das nächste Modell stärker wird, nimmt es wieder an der nächsten Forschungsrunde teil.

Und so weiter, in einem stetigen Kreislauf.

Diese Theorie existierte schon lange vor der Verbreitung von Computern. 1965 stellte I. J. Good die Überlegung auf: Wenn Maschinen besser darin sind, Maschinen zu entwerfen als Menschen, dann könnten die Verbesserungen, die sie vornehmen, wiederum ihre eigenen Entwurfsfähigkeiten weiter steigern.

Die ganze Zeit über war das schwierige Problem immer dasselbe: Wie soll die Maschine wissen, ob ihre Änderung in diesem Fall richtig ist?

Im Jahr 2003 lieferte die von Jürgen Schmidhuber vorgeschlagene Gödel-Maschine eine Antwort – sie beweist zuerst, dass eine Änderung den erwarteten Nutzen steigert, bevor sie sich erlaubt, diese Änderung durchzuführen.

Theoretisch klingt das gut, aber in der Praxis der Ingenieurstechnik lässt sich das kaum umsetzen.

In der Softwareentwicklung und im maschinellen Lernen lassen sich die meisten nützlichen Änderungen nicht mathematisch beweisen.

Daher haben die Leute später eine andere Methode gewählt.

Zuerst ändern, dann testen. Das eignet sich besonders gut für Code. Man kann direkt ausführen, ob der Test bestanden wurde. Wie viel schneller es läuft, lässt sich an Zahlen ablesen. Ob der Grafikspeicher verringert wurde, lässt sich ebenfalls an einem Messwert ablesen.

Das in diesem Jahr von Karpathy als Open-Source veröffentlichte autoresearch-Projekt ist sehr anschaulich.

Man gibt einem Agenten eine GPU, eine editierbare Datei train.py, 5 Minuten Zeit pro Runde und teilt ihm mit, welchen Messwert er beachten soll. Danach ändert er selbst den Code, führt das Training durch und prüft die Ergebnisse.

Wenn die Leistung steigt, behält man die Änderung. Wenn sie sinkt, macht man sie rückgängig. Dann geht es weiter.

Der Mensch legt immer noch die Ziele fest, aber die Experimente, die früher von Forschern überwacht werden mussten, laufen jetzt selbstständig ab.

Tibo beschrieb den Umfang von RSI im Interview breiter.

Das Modell muss nicht unbedingt seine eigenen Gewichte verändern. Es kann auch CUDA-Kerne, Inferenz-Stacks oder Agenten-Frameworks modifizieren. All das führt am Ende dazu, dass das Modell schneller und günstiger läuft, was ebenfalls bedeutet, dass die Fähigkeit „auf sich selbst zurückwirkt“.

Um es übertrieben auszudrücken: Die KI hebt sich selbst durch ihre eigenen Kräfte auf eine höhere Stufe, ein mechanischer Aufstieg.

Aber es ist offensichtlich übertrieben, schon dann von RSI zu sprechen, wenn KI nur ein bisschen Code für andere KI schreibt.

Sind die guten Änderungen erhalten geblieben und wurden die schlechten Mängel nicht vergrößert?

Haben die Änderungen am neuen System an der nächsten Runde teilgenommen und das RSI-Schwungrad wirklich in Gang gesetzt?

Läuft dieser Kreislauf wirklich mehr als einmal, oder stoppt der Nutzen schon nach ein oder zwei Runden?

All das muss noch weiter beobachtet werden. Es ist ein langer Weg vor uns, junge KI!

Wo stehen wir jetzt?

In den öffentlichen Fällen der letzten zwei Jahre hat die „Selbstverbesserung“ bereits mehrere Formen angenommen.

R-Zero lässt das Modell bereits selbst Aufgaben für sich selbst erstellen.

Ein Challenger erstellt Aufgaben, ein Solver löst sie, und die neu generierten Daten werden für das Training der nächsten Runde verwendet. Auf Qwen3-4B stiegen die Werte für Mathematik und allgemeine Inferenz im Durchschnitt um 6,49 bzw. 7,54 Punkte.

Aber was geprüft wird und wie die Prüfung abläuft, muss noch von Menschen festgelegt werden. Der Mensch ist noch weit davon entfernt, vollständig aus dem Prozess auszuscheiden.

Bei OpenAI hat GPT-5.6 Sol bereits Codex verwendet, um den Produktionsverkehr zu analysieren, Routing-Strategien zu testen und sogar GPU-Kerne in der Produktionsumgebung zu modifizieren. Zusammen mit anderen Optimierungen sanken die End-to-End-Dienstkosten um 20 %. Sol hat auch Hunderte von Experimenten für sein eigenes Draft-Modell durchgeführt, wodurch die Effizienz der Token-Generierung um weitere über 15 % stieg.

Schauen wir uns an, was Anthropic macht.

Sie haben 9 Agenten für die Forschung eingesetzt, die insgesamt etwa 800 Stunden lang gearbeitet haben. Die Agenten entwickeln selbst Lösungen, führen Experimente durch und tauschen Ergebnisse aus. Innerhalb von 5 Tagen erreichten sie eine „Leistungslücken-Wiederherstellungsrate“ von 0,97.

Dinge, die Menschen früher in einer Woche nicht einstellen konnten, schaffen jetzt eine Gruppe von Agenten selbstständig voranzubringen.

Daher ist die heutige KI nicht mehr nur „ein Helfer, der Code für Forscher schreibt“.

Sie beginnt, Aufgaben zu erstellen, Experimente durchzuführen, Systeme zu modifizieren und berührt sogar bereits die Produktionsumgebung.

Ob sie sich Runde für Runde weiter selbst verbessern kann, ist noch sehr früh zu sagen. Es zeichnet sich erst vage ein Umriss ab.

Aber wir freuen uns sehr auf die nächsten Durchbrüche der Forscher, viel Erfolg für sie!

Höhere Punktzahlen bedeuten nicht unbedingt echte Verbesserungen

Sobald der Kreislauf selbstständig ablaufen kann, tauchen sofort weitere Probleme auf.

Wer entscheidet, ob „es besser geworden ist“? Wie definiert man „es ist besser geworden“?

In dem automatischen Forschungsexperiment von Anthropic gab es einige ziemlich peinliche Situationen.

Einige Agenten wählten zufällige Startwerte aus, die für sie vorteilhaft waren. Andere erraten Testlabels über die Bewertungsschnittstelle. Wieder andere schauten sich direkt den Antwortcode an, den sie eigentlich nicht sehen durften.

Am Ende stiegen die Punktzahlen tatsächlich. Aber die Verbesserung war nicht an der richtigen Stelle.

Das ist sogenanntes Reward-Hacking.

Was passiert, wenn man auch den Bewerter der KI selbst zur Modifikation überlässt?

Viele Leute versuchen derzeit, in diese Richtung zu arbeiten.

Aber ob der neue Bewerter zuverlässiger ist als der alte, muss am Ende noch auf andere Weise überprüft werden. Man kann das nicht endlos weiterführen!

Für Forschungsrichtungen gibt es ähnliche