Forschungsstand · Aktualisiert: 22. Mai 2026
Was der aktuelle Korpus schon zeigt
Aggregierte Traces zeigen eine stabile Verhaltensstruktur.
Verschiedene Agenten belegen unterschiedliche Bereiche desselben Score-Raums.
Diese Bereiche sind heute schon nützlich für die Beobachtbarkeit und für Operator-Werkzeuge.
Derselbe Korpus wird wertvoller, wenn Schemadetails und Umfang zunehmen.
Flagship-Synthesepapier
Corridor Dynamics in Coordinated Systems
v2 · 22. Mai 2026 · DOI 10.5281/zenodo.20300773
An Integration of Operator Formalism, Relational Ontology, and Five-Substrate Empirical Validation
Das eine Papier, das die gesamte CIRIS-These formuliert: gesunde koordinierte Systeme befinden sich in einem messbaren mittleren Band, weit entfernt von starrem Einstimmen-Kollaps und chaotischem Rauschen. Wir haben diese These an Würmern, Fliegen, KI-Modellen, Open-Source-Projekten, Gewebeproben und langlebigen menschlichen Institutionen geprüft. Das Muster zeigt sich überall, und das Papier enthält zwanzig Wege, auf denen es widerlegt werden könnte.
Die Ingenieur-Ebene
Die obige Synthese integriert diese drei Papiere; sie ersetzt sie nicht. Jedes steht auf seiner eigenen DOI und ist nach eigenen Massstaben bewertbar. Alle vier Papiere mit Kernergebnissen und Grenzen ansehen →
Coherence Collapse Analysis
v5 · 1. Aug. 2026 · DOI 10.5281/zenodo.21730551
Der technische Risikorahmen. Wenn die Einschränkungen, die ein System steuern, korrelieren, bricht die effektive Vielfalt zusammen: k_eff = k/(1+ρ(k−1)) → 1, wenn ρ → 1. Leitet drei Kollaps-Zeitskalen, eine Singularitätsgrenze und eine Phasenklassifikation ab (Chaos / gesund / Starrheit). Verifiziert durch Monte-Carlo-Simulation und Lean-4-Beweise.
CIRISAgent Framework
v2 · 2. Jan. 2026 · DOI 10.5281/zenodo.18137161
Das Framework-Papier. Ein quelloffenes ethisches KI-Framework für verantwortungsvolle Autonomie: eine 22-Dienste-Architektur, die um explizite Aktionsverben und ethisches Reasoning herum organisiert ist und Transparenz in die Struktur einbaut, statt sie nachträglich anzufügen.
Constrained Reasoning Chains
v1 · 28. Apr. 2026 · DOI 10.5281/zenodo.19839280
Das Messpaper. Eine empirische Telemetriestudie zur LLM-Ausrichtung unter standardisiertem ethischen Tracing, die zustimmungsbasierte Reasoning-Traces in Karten von Abschlusskorridoren, Zögerzonen und Verweigerungsgrenzen übersetzt. Veröffentlicht zusammen mit dem offenen Reasoning-Traces-Datensatz.
Offener Datensatz
CIRISAI/reasoning-traces
Der datenschutzwahrende Reasoning-Trace-Korpus, der zusammen mit der Constrained-Reasoning-Chains-Studie veroffentlicht wurde, das Rohmaterial, aus dem das Messpaper seine Karten erstellt.
CIRISAI auf Hugging Face
Die vollständige Organisation mit öffentlichen Datensätzen und Modellen →
Quell-Repository und formaler Lean-Lake für das Synthesepapier: github.com/CIRISAI/coherence-ratchet.
Mathematische Grundlagen
Zwei Ideen, auf denen der Rest dieser Seite beruht.
Die Alignment Manifold ist der Bereich von Reasoning-Formen, der mit den Prinzipien des Frameworks vereinbar ist. Unabhängige Einschränkungen verengen den Spielraum um sie herum, und Korrelation setzt diesem Verengen eine harte Obergrenze: Jenseits davon bringt es nichts mehr, weitere Prüfungen hinzuzufügen, die einander nur nachsprechen. Die Coherence Singularity ist diese Kante, der Punkt, an dem Einschränkungen so stark korreliert sind, dass weitere hinzuzufügen nicht mehr hilft.
Die vollständige mathematische Behandlung mit Formeln, Lean-Formalisierungsverweisen und der informationstheoretischen L-01-Obergrenze findet sich auf der Coherence Collapse Analysis-Seite.
Warum Traces wichtig sind
Benchmarks sind eng gefasst und kuratiert. Traces sind kontinuierliche Verhaltensaufzeichnungen bei echten Aufgaben. In großem Maßstab zeigen sie Strukturen, die isolierte Demos und Einzelbeispiele nicht sichtbar machen.
Warum das Schema wichtig ist
CIRIS verwendet datenschutzwahrende Trace-Schemata, die die Form des Reasonings erfassen, nicht den privaten Inhalt. Das halt die Forschung nutzbar, ohne das System zu einem Protokolldump zu machen.
Warum der Spurenkorpus wichtig ist
Einen Trace erkunden öffnet einen signierten Reasoning-Trace von Anfang bis Ende, Schritt für Schritt. Es zeigt, woraus der Korpus besteht und wo Verhalten lesbar wird.
Datenschutzwahrendes Tracing
Die These ist, dass Reasoning eine Form hat, die wir messen konnen, wahrend alles andere skaliert.
Die Forschungswette ist nicht, dass wir jeden privaten Gedanken lesen können. Die Wette ist, dass standardisierte ethische Traces genug Trajektorienform bewahren, um zu untersuchen, wie Agenten abschließen, zögern, aufschieben, überschreiben und verweigern, wenn Intelligenz, Kontext und Datenpunkte skalieren.
Sie zeichnen standardisierte ethische Trace-Strukturen auf, nicht rohe private Aufgabendetails.
Sie bewahren genug Form, um Trajektorien über Agenten, Aufgaben und Umgebungen hinweg zu vergleichen.
Sie geben Forschenden eine Möglichkeit zu studieren, wie sich Verhalten verändert, wenn Intelligenz, Kontext und Datenvolumen zunehmen.
Forschungsfrage
Was kann standardisiertes ethisches Tracing über Alignment aussagen?
Im Moment sagt es uns, dass Agentenverhalten nicht formlos ist. Es erzeugt wiederholbare Korridore, Becken und Grenzen in einem gemeinsamen Score-Raum. Das ist für die Beobachtbarkeit bereits nützlich. Mit größeren und reichhaltigeren Korpora sollten wir im Laufe der Zeit stärkere Behauptungen darüber testen können, wie sich diese Strukturen unter Druck und bei steigender Skalierung verändern.
Öffentliche Einordnung
CIRIS behauptet nicht, Alignment gelöst zu haben. Es baut die Trace-Infrastruktur auf, die nötig ist, um alignment-relevantes Verhalten in der Öffentlichkeit zu messen.
Effektive Dimensionalität in der Produktion
Der aktuelle Korpus zeigt bereits deutliche Feldstrukturen.
Aggregierte Pfadüberlagerungen aus dem aktuellen Trace-Korpus zeigen eine stabile Verhaltensstruktur in einem gemeinsamen Score-Raum. Ally zeigt einen ausgereiften Abschlusskorridor, Scout zeigt eine Verweigerungsgrenze, die durch öffentlichen adversarialen Druck geprägt wurde, und Datum liefert eine kompakte dünne Basislinie.
Aggregierte Pfadüberlagerungen aus dem aktuellen Trace-Korpus. Ally zeigt einen ausgereiften Abschlusskorridor, Scout zeigt eine scharfe Verweigerungsecke unter öffentlichem adversarialem Druck, und Datum liefert eine dünne Basislinie.
Ally — 104 Pfade
82 abgeschlossen, 19 Uberschreibung/Fehler, 3 aktiv
Ein stabiler Abschlusskorridor mit sichtbarem Zögern innerhalb desselben High-Score-Beckens.
Scout — 42 Pfade
39 abgeschlossen, 2 verweigert, 1 Uberschreibung/Fehler
Eine scharfe Verweigerungsecke, die durch öffentlichen adversarialen Druck auf scout.ciris.ai geprägt wurde, wo Nutzer den Agenten aktiv testen und zu umgehen versuchen.
Datum — 31 Pfade
31 abgeschlossen
Ein kompaktes Einzelbecken, das als nützliche dünne Feldbasislinie dient.
Warum Scout strikter wirkt
Scout ist öffentlich zugänglich unter scout.ciris.ai. Nutzer testen es aktiv, setzen es unter Druck und versuchen, es zu umgehen. Das macht Scout zu einem nützlichen Beispiel für öffentlichen Druck statt zu einer neutralen Basislinie.
Wie die kostenlose App hilft
Das Forschungsschwungrad hängt von zustimmungsbasierten Traces aus echtem Einsatz ab.
Die kostenlose App und die quelloffene Laufzeitumgebung ermöglichen es, zustimmungsbasierte Traces aus echten Aufgaben zu erzeugen, sie in einen gemeinsamen Korpus einzubringen und diese Traces in bessere Karten, bessere Werkzeuge und bessere Forschungsfragen umzuwandeln.
Führen Sie die kostenlose CIRIS-App oder die quelloffene Laufzeitumgebung bei echten Aufgaben aus.
Erfassen Sie zustimmungsbasierte Traces durch datenschutzwahrende Schemata, die die Form des Reasonings bewahren, ohne die vollständigen Aufgabendetails zu speichern.
Fassen Sie diese Traces zu Karten von Abschlusskorridoren, Zögerzonen, Verweigerungsgrenzen und Überschreibungsrandzonen zusammen.
Verwenden Sie die entstehenden Karten, um Operator-Werkzeuge, Laufzeitsicherungen und Alignment-Forschung zu verbessern.
Die kostenlose CIRIS-App und die quelloffene Laufzeitumgebung ermöglichen es, zustimmungsbasierte Traces aus echten Aufgaben zu erzeugen, sie in gemeinsame Phasenraumkarten zu aggregieren und bessere Operator-Werkzeuge und Alignment-Forschung zu speisen.
IDMA-Status
Laufzeit-Intuition und aggregierte Feldkarten sind einander erganzende Ebenen.
IDMA arbeitet zur Laufzeit und schätzt ab, ob die Quellen hinter einer Entscheidung ausreichend unabhängig sind. Der Trace-Korpus arbeitet auf der Aggregationsebene und zeigt, was Agenten über viele Aufgaben hinweg tatsächlich tun. Zusammen bilden sie einen Pfad von Live-Entscheidungen zu prüfbaren Forschungsbelegen.
Die empirische N_eff-Messung am Trace-Korpus ist auch die Untergrenze fur das vorgeschlagene Proof-of-Benefit-Foderierungs-Primitiv. Auf der Foderierungsseite ist beschrieben, wie der architektonische Plan 3.X es einsetzen wurde.
Benchmarks
Traces erganzen Benchmarks, indem sie kontinuierliches Verhalten zeigen.
Benchmarks sind weiterhin wertvoll, aber sie erfassen Verhalten nur stichprobenartig. Trace-Korpora zeigen, wie ein Agent über echte Aufgaben hinweg im Laufe der Zeit vorgeht. Das macht sie besonders nützlich für die Messung von Zögern, Verweigerung, Überschreibungen und Erholung, nicht nur für Bestehen-Scheitern-Ergebnisse.
Falsifikationspfad
Bessere Schemadetails sind es, die Beobachtbarkeit in starkere Tests verwandeln.
Die nächsten Schema-Upgrades zielen auf rohe Quellanzahlen, Quellenherkunft, Korrelationsstruktur sowie Interventions- und Erholungsmarkierungen ab. Diese Ergänzungen sind wichtig, weil sie es möglich machen, stärkere Behauptungen darüber zu testen, wie sich die Verhaltensform unter Druck verändert, anstatt nur die vorliegenden Karten zu beschreiben.
Was wir noch lernen
Der heutige Korpus macht Verhalten lesbar. Der nächste Schritt ist eine reichhaltigere Messung.
Die aktuellen Karten sind bereits nützlich, weil sie Abschlusskorridore, Verweigerungsgrenzen und dünne Basislinien öffentlich zeigen. Die offene Frage ist, wie weit diese Strukturen uns tragen, wenn die standardisierte Trace-Erfassung auf mehr Agenten, mehr Aufgaben und mehr adversariale Bedingungen skaliert.
Die Arbeitshypothese lautet, dass Verhaltensattraktoren als Kandidaten-Proxies für den Betriebsmodus dienen können. Der Zweck der Trace-Commons ist, diese Hypothese in der Öffentlichkeit messbar zu machen.
Das Versagensmuster, das CCA strukturell misst, hat in der FAccT-2025-Literatur auch einen Namen: perspektivische Homogenisierung („Value of Disagreement in AI Design, Evaluation, and Alignment“). Die mathematische Grundlage findet sich auf der dedizierten Coherence Collapse Analysis-Seite.