Wenn KI beginnt, sich „selbst beizubringen": Ist Opus 5.5 das erste Großsprachmodell, das durch RSI trainiert wurde?

Der Google-Ingenieur Patrick vermutet, dass das Modell Opus 5.5 möglicherweise durch Wissensdestillation aus dem internen, leistungsstärkeren „Lehrermodell“ Model 2 von Anthropic trainiert wurde und das erste Produktmodell ist, das den Weg der „rekursiven Selbstverbesserung“ verkörpert. Derzeit gibt es keine öffentlichen Beweise dafür, aber Anthropic hat die Existenz von Model 2 bestätigt, und über 80 % des Codes in seinem Code-Repository wurden von Claude geschrieben. Dieser Trend zeigt, dass die Verbesserung der Modellfähigkeiten und die Senkung der Inferenzkosten voraussichtlich gleichzeitig erreicht werden können.

Das von Anthropic kürzlich veröffentlichte Claude Opus 5.5 hat bei einem starken Leistungssprung die Betriebskosten um 40 % gesenkt, und diese unkonventionelle Kombination hat die Aufmerksamkeit der Branche auf seine Trainingsmethode gelenkt.

Auf der sozialen Plattform X stellt der Google-Ingenieur Patrick C Toulme daraufhin eine Vermutung auf: Opus 5.5 wurde möglicherweise aus dem leistungsstärkeren internen „Lehrermodell“ Model 2 von Anthropic destilliert und ist wahrscheinlich das erste Produktmodell, das den Weg der „rekursiven Selbstverbesserung“ (RSI) verkörpert.

Derzeit gibt es keine öffentlichen Beweise, die diese Schlussfolgerung direkt bestätigen, aber Anthropic hat die Existenz von Model 2 öffentlich bestätigt, und die von dem Unternehmen veröffentlichten RSI-bezogenen Artikel zeigen, dass der Grad der Beteiligung von KI an der KI-Entwicklung schnell zunimmt, was der genannten Vermutung einen gewissen Hintergrund verleiht.

Für Investoren und Branchenbeobachter ist das wirklich Bemerkenswerte an diesem Ereignis, dass es drei zuvor relativ verstreute Trends miteinander verbindet: Die kontinuierliche Iteration stärkerer interner Modelle, die tiefe Einbindung von KI in den KI-Entwicklungsprozess und das gleichzeitige Aufkommen kleinerer, kostengünstigerer Produktmodelle.

Wenn dieser Weg funktioniert, können die Verbesserung der Modellfähigkeiten und die Senkung der Inferenzkosten gleichzeitig eintreten.

01

Warum ist Opus 5.5 bemerkenswert?

Laut Wallstreetcn hat Anthropic Claude Opus 5.5 als erstes veröffentlichtes Modell seiner 5.5-Serie positioniert. Seine Leistung ist bei den meisten Aufgaben mit Claude Fable 5.1 vergleichbar, aber die Betriebskosten sind um 40 % niedriger als bei Opus 5, und die Ausgabegeschwindigkeit hat sich um mehr als 30 % verbessert.

Die Preissenkung ist besonders deutlich. Die Preise für Eingabe- und Ausgabe-Token betragen 4 USD bzw. 20 USD pro Million, was einem Rückgang von 20 % gegenüber Opus 5 entspricht. Die Kosten für das Cache-Lesen, das den Hauptkostenanteil bei Agentenaufgaben und Programmierszenarien ausmacht, sind von 0,50 USD pro Million auf 0,20 USD gesunken, was einem Rückgang von 60 % entspricht.

Aus Sicht der praktischen Nutzungsleistung haben frühe Tester die Migration von 680.000 Codezeilen in weniger als einem Tag abgeschlossen, während ähnliche Arbeiten zuvor Wochen für ein Ingenieurteam benötigten. In einem weiteren Test erreichte Opus 5.5 eine Erfolgsrate von 39/40 bei der Optimierung der Ladezeit der gesamten Webseite einer Webanwendung, während Opus 5 bei derselben Aufgabe Nebenwirkungen zeigte, die das Verhalten der Anwendung veränderten.

Bei einem internen Test, bei dem HAProxy von C in Rust umgeschrieben wurde, benötigte Opus 5.5 9,5 Stunden, was mehr als 20 % kürzer ist als die 12 Stunden von Fable 5.1, und die Kosten sanken um 51 %.

Anthropic gibt an, dass sich der Effizienzvorteil auch im Token-Verbrauch widerspiegelt – Opus 5.5 hat nicht nur einen niedrigeren Preis pro Token, sondern benötigt auch weniger Token für die Erledigung gleicher Aufgaben. Beide Faktoren zusammen führen zu einer Gesamtkostensenkung von 40 %.

02

Was ist eigentlich das „Lehrermodell“, von dem Patrick spricht?

Patrick C Toulme schrieb auf X:

Opus 5.5 wurde offensichtlich von einem größeren Lehrermodell trainiert, höchstwahrscheinlich Model 2 Mythos. Opus 5.5 ist das erste Modell, das mit RSI trainiert und gleichzeitig aus einem internen Lehrermodell destilliert wurde. Es ist kleiner und kostengünstiger, genau das Ergebnis der Destillation durch das Lehrermodell.

Das hier zugrundeliegende zentrale technische Konzept ist die „Modelldestillation“: Man lässt ein leistungsstärkeres Lehrermodell hochwertige Trainingssignale erzeugen, die dann zum Trainieren eines kleineren Schülermodells verwendet werden, um die Inferenzkosten erheblich zu senken und gleichzeitig ein hohes Leistungsniveau zu behalten.

Anthropic hat öffentlich bestätigt, dass intern ein leistungsstärkeres Model 2 als Mythos 5 existiert, das in großem Umfang für Codegenerierung, Datengenerierung und Agentenaufgaben verwendet wird. Derzeit gibt es jedoch keine öffentlichen Materialien, die direkt belegen, dass Opus 5.5 aus Model 2 destilliert wurde. Anthropic hat in den Veröffentlichungsdokumenten auch keine spezifische Trainingsmethode erwähnt.

Es ist bemerkenswert, dass Anthropic in seinen Sicherheitsbestimmungen „Destillationsangriffe“ als eigene Bedrohungsklasse aufführt – also Angreifer, die über eine große Anzahl gefälschter Konten Fähigkeiten aus dem Modell massenhaft extrahieren. Aus diesem Grund hat Anthropic in Opus 5.5 Gegen-Destillationsmechanismen wie „beibehaltene Inferenzketten“ eingeführt.

Dieses Detail zeigt indirekt, dass die Destillationstechnik selbst einen sehr wichtigen Stellenwert im technischen System von Anthropic einnimmt.

03

KI beginnt, an der KI-Entwicklung teilzunehmen

Unabhängig von dem spezifischen Trainingsweg von Opus 5.5 liefern die von Anthropic selbst veröffentlichten RSI-bezogenen Artikel ein umfassenderes Bild: Der Grad der Einbindung von KI in die KI-Entwicklung nimmt mit quantifizierbarer Geschwindigkeit zu.

Bis Mai 2026 wurden über 80 % des Codes im Code-Repository von Anthropic von Claude geschrieben, während dieser Anteil vor der Veröffentlichung der Forschungsvorschau von Claude Code im Februar 2025 nur im einstelligen Bereich lag.

Auf der Ebene der Ingenieursergebnisse ist die durchschnittliche tägliche Anzahl von zusammengeführten Codezeilen pro Anthropic-Ingenieur gegenüber 2024 um das 8-fache gestiegen.

Der Artikel von Anthropic weist gleichzeitig darauf hin, dass Claude im April 2026 einen bestimmten Typ von API-Fehlern in etwa 800 Stunden um das 1000-fache reduziert hat, während der leitende Ingenieur dieser Arbeit schätzt, dass die manuelle Erledigung derselben Aufgabe etwa vier Jahre dauern würde.

Auf der Ebene der Forschungsurteile hat Anthropic einen internen Test entworfen: In Zusammenarbeitssitzungen zwischen Forschern und Claude werden die Schlüsselpunkte identifiziert, an denen menschliche Forscher „suboptimale“ Richtungen gewählt haben, dann werden die Urteile verschiedener Versionen von Claude und Menschen an diesen Punkten verglichen.

Die Ergebnisse zeigen, dass das Modell Opus 4.5 vom November 2025 in 51 % der Fälle bessere Vorschläge für den nächsten Schritt lieferte als Menschen, während dieser Anteil bei Mythos Preview vom April 2026 auf 64 % gestiegen ist.

Allerdings weist der Artikel auch klar auf die aktuellen Grenzen hin:

Bei der Frage, welche Probleme es wert sind, erforscht zu werden, besteht zwischen Claude und Menschen noch eine große Lücke. Das ist genau der Unterschied zwischen der heutigen KI und zukünftigen Systemen, die die nächste Generation von KI selbstständig entwerfen können.

Anthropic betont gleichzeitig, dass eine vollständige rekursive Selbstverbesserung derzeit nicht erreicht ist und auch nicht zwangsläufig eintreten wird.

Analysen zufolge lag der Wettbewerb zwischen Modellen in der Vergangenheit größtenteils darin, „wer mehr Rechenleistung hat“, nun taucht ein neuer Weg auf: Man lässt stärkere Modelle dabei helfen, kostengünstigere Modelle zu trainieren und zu verbessern. Wenn dieser Weg funktioniert, können die Verbesserung der Modellfähigkeiten und die Senkung der Inferenzkosten gleichzeitig eintreten.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Hard AI“, Autor: Bao Yilong, Redakteur: Hard AI, veröffentlicht mit Genehmigung von 36Kr.