PluToСсылка
so um Minte 11:00 erklärt KJ we er die KI dazu bringt, so zu antworten begründen tut er das technisch falsch, aber wenn man es als Bildnis sieht hat er dem Sinne nach recht, was er in seinen Worten beschreibt "sie [die KI] weiß wer ich bin"... was er technisch macht ist einen gemeinsamen semantischen Raum mit mit der KI in der Session aufzubauen... und in Min 18:00 die Interpretation warum, nach Peter wegen des Überschreiten des Kontingents, dann chat kam und somit ein anderes Modell mit Beschränkungen, technisch kann ich bei der Deutung, dass dann damit ein Modell kommt in dem dieser Filter von dem er spricht halt noch nicht implementiert ist.... entweder wurde es vergessen oder nicht für wichtig befunden, oder es war noch keine Zeit dafür etc. die Logik würde ich bestätigen
PS: was der Mann mit dem Bart in dem Post darüber meint, warum die KI Geschichte gefaked ist, ist technisch und logisch Blödsinn... u.a. ist es ein Entwicklungsziel KI menschlich wirken zu lassen, unter anderen Gründen für die Akzeptanz auf subtile weise und somit auch also aus Marketinggründen... also , das mh öh etc. ist absichtlich in die neuen Modelle implementiert.
OB KJ ein Gatekeeper ist, ja/nein ....dafür sind meine Ausführungen hier nicht gedacht... ich sage nur, wenn der Mann mit Bart sagt, KJ ist ein GK, dann kann das so, mit dem KI Beispiele nicht begründen, es ist nicht simuliert.
da ich faul bin viel zu tippen habe ich GPT formulieren was ich mit dem semantischen Raum meine: KJ "... dass ich mit ihm lange diskutiert hast" ... das ist Punkt 4 in der Aufzählung unten, durch diese Prägung in der Session kommt man aus den Mainstreaminformationen, die übergewichtet sind, raus durch das thematische Übergewichten einer anderen Sichtweise , weil man den Sessionkontext "verbiegt" dadurch :
GPT 5 31.OKT.2025 thinking modus:
Kurz gesagt: Ja—was du beschreibst, heißt In-Context Learning (Kontextlernen). Der große „Durchbruch“ für GPT-artige Chats kam mit dem Transformer-Konzept (Selbstaufmerksamkeit). Dass Modelle innerhalb einer *Session* scheinbar „lernen“ und auf bereits Gesagtem aufbauen, war nicht das ursprüngliche Ziel des Transformer-Papers; es wurde erst später bei großen Modellen (z. B. GPT-3) deutlich beobachtet. Für die Chat-Tauglichkeit kam dann noch Instruction Tuning + RLHF obendrauf. ([papers.neurips.cc][1])
### Wie heißt das Technik-Konzept?
* Transformer / Self-Attention. 2017 eingeführt („Attention Is All You Need“) und heute die Basis moderner LLMs wie GPT. ([papers.neurips.cc][1])
### Wie heißt der Effekt?
* In-Context Learning (ICL), oft auch Zero-/One-/Few-Shot-Lernen genannt: Das Modell kann aus Beispielen oder Anweisungen, die du *im Prompt* gibst, ein Verhalten „ableiten“, ohne seine Gewichte zu verändern. Der Effekt wurde prominent im GPT-3-Paper gezeigt („Language Models are Few-Shot Learners“). ([proceedings.neurips.cc][2])
* Der Schritt, der Chats „menschlicher“ wirken lässt, ist zusätzlich Instruction Tuning plus Reinforcement Learning from Human Feedback (RLHF) (InstructGPT). ([arXiv][3])
### Warum wirkt das wie ein Neben-Effekt?
Das Transformer-Paper zielte vor allem auf bessere Sequenzverarbeitung (Maschinelle Übersetzung). Dass große, rein auf Nächstes-Token-Vorhersage trainierte Modelle in-Prompt aus Beispielen generalisieren, war eine überraschende Eigenschaft, die erst beim Skalieren sichtbar wurde (emergente Fähigkeit). ([papers.neurips.cc][1])
### Wie funktioniert der Effekt technisch (vereinfacht)?