Die „kreativen“ Ausgaben von KI-Modellen werden bei verschiedenen Anbietern immer ähnlicher

Neue Forschung legt nahe, dass KI-Modelle konkurrierender Unternehmen in ihren kreativen Antworten immer ähnlicher werden, was die Bandbreite an Ideen, die Nutzer*innen begegnen, potenziell einschränkt.

Neue Forschung aus den USA hat ergeben, dass die „kreativen“ Ausgaben einer breiten Palette führender KI-Modelle im Laufe der Zeit immer ähnlicher werden.

Die Autor*innen von der Duke University testeten 69 Modelle aus 12 Anbieterfamilien, die Veröffentlichungen von 2023 bis 2026 umfassen, und stellten einen statistisch signifikanten Rückgang der Ausgabevielfalt sowohl bei realen offenen Fragen als auch bei einem standardisierten Kreativitätstest fest – was darauf hindeutet, dass zunehmend ähnliche Ideen als Antwort auf „kreative“ Anfragen von allen großen LLM-Anbietern angeboten werden.

Die getesteten Anbieterfamilien waren Anthropic; Cohere; DeepSeek; Google; Meta; MiniMax; Mistral AI; Moonshot AI; OpenAI; Qwen; xAI; und Z.ai*:

Aus dem neuen Papier – Modellveröffentlichungen, die in der Studie verwendet wurden, von März 2023 bis Juli 2026. Das Diagramm umfasst 69 Modellversionen von 12 KI-Anbietern und zeigt, wie die getesteten Modelle über den dreijährigen Zeitraum verteilt waren, sowie die zunehmend häufigeren Veröffentlichungspläne einiger Anbieter, die in den Berechnungen der Autor*innen berücksichtigt werden müssen. Source

Die Autor*innen des neuen Papiers stellen fest**:

‘Wir stellen fest, dass LLM-Antworten auf die offenen Eingabeaufforderungen, die wir testen, im Laufe der Zeit immer ähnlicher geworden sind.’

‘Das deutet darauf hin, dass LLMs bei Aufgaben, die das Erzeugen offener Antworten erfordern, weniger kreativ werden, was eine genaue Prüfung ihrer langfristigen Nützlichkeit als kreative Assistent*innen erfordert.’

Obwohl ‘algorithmische Monokultur‘ zu einer etablierten Forschungsrichtung geworden ist, wurde die Untersuchung der Tendenzen zur Homogenität von KI-generierten kreativen Ausgaben bis jetzt noch nicht durchgeführt, behaupten die Autor*innen.

Allerdings haben vereinzelte Vorfälle bereits seit einiger Zeit auf diese Konvergenz hingewiesen, darunter der merkwürdige Fall, der in der Cornell University‑Studie Mai 20026 beschrieben wird, bei der eine vielfältige Reihe von LLM-Anbietern gezeigt hat, dass sie seltsame, kollidierende Obsessionen bezüglich ‘Leuchtturmwärtern’ und einer bestimmten Gruppe anachronistischer Namen, darunter ‘Mara’ und ‘Elias’, haben:

Im Mai stellte das neue Papier der Cornell University merkwürdige Ähnlichkeiten zwischen LLM-Anbietern fest, wenn ihnen ‘offene Eingabeaufforderungen’ gegeben wurden – obwohl noch keine Hinweise darauf gefunden wurden, warum dies in den vielfältigen Trainingsdaten, die diese Modelle speisen, offensichtlich ist.

Die neue Studie ist systematischer: Die Autor*innen testeten drei Jahre lang Modelle sowohl mit realen kreativen Eingabeaufforderungen als auch mit einem klassischen psychologischen Test, der ungewöhnliche Verwendungen alltäglicher Gegenstände erfragt. Anschließend maßen sie, wie weit die Antworten der Modelle in ihrer Bedeutung auseinanderlagen, und verfolgten, ob diese Abstände über aufeinanderfolgende Generationen hinweg schrumpfen.

Die Autor*innen der neuen Arbeit mit dem Titel Werden LLMs ähnlich kreativ? Evidenz aus drei Jahren von Modellen stellen fest^†:

‘Unsere Ergebnisse, wenn auch vorläufig, wecken Bedenken hinsichtlich der langfristigen Nützlichkeit von LLMs als kreative Partner*innen. Selbst wenn Modelle bei kreativen Aufgaben gut abschneiden, könnten konvergierende Ausgaben den Umfang der Möglichkeiten, denen LLM‑Nutzer*innen ausgesetzt sind, einschränken und damit die Breite ihres eigenen Denkens begrenzen.’

‘Wenn die Nutzung eines LLMs für kreative Aufgaben wie das Schreiben von Aufsätzen die Gehirnaktivität verringert, könnte die zunehmende Verwendung immer weniger kreativer LLMs – der von unserer Studie suggerierte Trend – die Auswirkungen von LLMs auf die menschliche Kreativität weiter verschlechtern, wie in dieser und anderen Studien beobachtet wurde?’

Bereits sind die vielfältigen Eigenschaften von LLM-Textausgaben zu Meme‑Material geworden; und wie wir im Mai dieses Jahres berichteten, hat mindestens ein Autor bereits ein Buch selbst veröffentlicht, das offensichtlich die zuvor erwähnte ‘Leuchtturm’-Fixierung, die bei den großen Modellen verbreitet ist.

In einem Umfeld, in dem Verlage zunehmend Bücher zurückziehen, die sie für KI‑geschrieben halten oder bei denen KI unterstützt hat, scheint die neue Forschung darauf hinzudeuten, dass wir ein Wachstum von ‘Plot‑Zufälligkeiten’ erwarten können, die aus scheinbar von Menschen geschriebenen Werken entstehen, einschließlich akademischer Arbeiten, die von Studierenden eingereicht werden.

Was die Herkunft dieser Konvergenz betrifft, vermuten die Autor*innen, dass überlappende Trainingsdaten und zunehmend ähnliche Optimierungsziele die Modelle dazu treiben könnten, vergleichbare interne Repräsentationen von Konzepten und semantischen Beziehungen zu entwickeln – was letztlich zu ähnlicheren Antworten führt^†:

‘[Es] bleibt unklar, ob diese Homogenität ein vorübergehendes Nebenprodukt einer noch in Entwicklung befindlichen Technologie ist oder ein unvermeidliches – möglicherweise verstärkendes – Merkmal statistischer Sprachmodelle.’

‘Glaubwürdige Kräfte deuten in beide Richtungen. Eine wachsende Zahl akademischer Arbeiten legt nahe, dass generative Modelle, die auf überlappenden Daten trainiert und auf ähnliche Ziele optimiert werden, Konzepte und semantische Beziehungen auf immer stärker ähnlich organisieren, was zu ähnlichen Ausgaben führt.’

Die Autor*innen verweisen jedoch auch auf Arbeiten, die darauf hinweisen, dass sich Modelle beim Weiterentwickeln wieder in eigene, abgegrenzte Merkmalsmengen hinsichtlich kreativer Ausgaben differenzieren könnten.

Methode

Um zu verfolgen, ob KI-Modelle immer ähnlicher werden, begannen die Forschenden mit offenen Fragen und sammelten Antworten aus aufeinanderfolgenden Modellgenerationen. Jede Antwort wurde in eine numerische Repräsentation ihrer Bedeutung umgewandelt, wodurch es möglich wurde, zu messen, wie ähnlich oder unterschiedlich die Reaktionen waren.

Regressions-Analyse wurde anschließend verwendet, um festzustellen, ob diese Unterschiede mit der Veröffentlichung neuerer Modelle schrumpfen:

Das Schema der Autor*innen zur Messung, ob KI-Ausgaben im Laufe der Zeit ähnlicher werden. Offene kreative Eingabeaufforderungen wurden über verschiedene Modellfamilien hinweg ausgeführt, ihre Antworten nach Bedeutung gemappt, um den Abstand zwischen ihnen zu messen, und die Regressionsanalyse verfolgte, wie sich diese Abstände über aufeinanderfolgende Modellgenerationen veränderten.

Zwei Satz von Eingabeaufforderungen wurden ausgewählt, um Kreativität aus unterschiedlichen Blickwinkeln zu testen. Erstens verlangt die Aufgabe zu alternativen Verwendungen (AUT), ein standardisierter psychologischer Test für divergentes Denken, nach unkonventionellen Verwendungen gewöhnlicher Gegenstände; die Studie nutzte dabei Objekte wie ein Buch, einen Schuh und einen Hammer. Ihr festes Format bot eine kontrollierte Möglichkeit, die von verschiedenen Modellen erzeugten Ideen zu vergleichen.

Weitere 100 Eingabeaufforderungen wurden aus Infinity-Chat100 destilliert, einer Sammlung, die aus realen Gesprächen mit Sprachmodellen stammt. Diese umfassten weniger eingeschränkte kreative Aufgaben wie Inhaltserstellung, Problemlösung, Brainstorming und Ideenfindung; Aufgaben, die größere Freiheit hinsichtlich der erzeugten Antworten und der gewählten Vorgehensweisen erlauben.

Die vollständigen AUT‑ und Infinity‑Chat100‑Eingabeaufforderungen wurden anschließend an Modelle gesendet, die zwischen März 2023 und Juli 2026 veröffentlicht wurden, und decken 12 Anbieter und Systeme von Anthropic, Google, Meta, OpenAI, DeepSeek und Mistral AI ab. Alle Antworten wurden über die API von OpenRouter unter identischen Sampling‑Einstellungen gesammelt, wobei Temperatur (Freiheit, kreativ zu antworten) und top‑p beide auf eins gesetzt wurden.

Die Modelle wurden nach Veröffentlichungsmonat geordnet, um zu untersuchen, ob neuere Generationen zunehmend ähnliche Antworten erzeugen.

Da Veröffentlichungsdaten tatsächlich keine Änderungen in Trainingsdaten, Architektur oder Nachtraining erfassen, behandelten die Autor*innen den daraus resultierenden Trend als eine Assoziation mit der Modellentwicklung, nicht als Beweis dafür, dass der bloße Zeitverlauf die Konvergenz verursacht.

Die Antworten der Modelle wurden anschließend mittels des all-MiniLM-L6-v2-Sentence‑Transformers in Embeddings umgewandelt. Jede Antwort wurde als numerischer Vektor dargestellt, wodurch Antworten mit ähnlicher Bedeutung in ähnliche Richtungen projiziert und ihr semantischer Abstand gemessen werden konnte.

Für die AUT wurden alle vorgeschlagenen Verwendungen jedes Objekts als eine einzige Antwort behandelt, was zehn Embeddings pro Modell erzeugte. Für Infinity‑Chat100 wurde jede Antwort separat eingebettet, wodurch 100 Embeddings pro Modell entstanden.

Die 27 Veröffentlichungsmonate wurden in neun Zeitabschnitte gruppiert, und es wurden nur Modelle verschiedener Anbieter verglichen. Semantische Abstände zwischen ihren Antworten wurden innerhalb jedes Zeitraums gemessen, wobei kleinere Abstände eine höhere Ähnlichkeit anzeigen.

Um zu verhindern, dass Anbieter mit mehr Modellen die Ergebnisse dominieren, wurde die Analyse 1.000‑mal wiederholt, wobei aus jedem Anbieter ausgewogene Stichproben verwendet wurden.

Ergebnisse

Anschließend wurde lineare Regression verwendet, um diese Abstände über die Zeit zu verfolgen, wobei eine konsistent negative Steigung darauf hinweist, dass Modelle verschiedener Anbieter immer ähnlicher wurden:

Erste Testergebnisse, die zeigen, ob kreative Antworten verschiedener KI-Anbieter im Laufe der Zeit ähnlicher wurden. Die semantischen Abstände nahmen sowohl bei den Aufgaben der alternativen Verwendungen als auch bei den Infinity‑Chat100‑Eingabeaufforderungen ab, während wiederholtes ausgewogenes Sampling konsequent negative Trends zeigte, was auf zunehmende Ähnlichkeit über Modellgenerationen hinweg hinweist.

Von diesen Ergebnissen betonen die Autor*innen:

‘Für sowohl die AUT‑ als auch die Infinity‑Chat‑Antwortsätze beobachten wir im Beobachtungszeitraum einen Rückgang der abteilungsübergreifenden Ausgabeabstände.’

‘Dies deutet auf abnehmende Vielfalt – bzw. zunehmende Homogenität – der kreativen LLM‑Ausgaben im Laufe der Zeit hin.’

Der Unterschied zwischen älteren und neueren Modellen war beim Alternate‑Uses‑Task am deutlichsten. Der durchschnittliche Abstand zwischen Antworten verschiedener Anbieter sank von etwa 0,50 bei den frühesten Modellen auf unter 0,40 bei den neuesten, was bedeutet, dass ihre Antworten wesentlich ähnlicher wurden. Das gleiche Muster zeigte sich bei Infinity‑Chat100, wobei die Veränderung kleiner war; der durchschnittliche Abstand fiel von etwa 0,34 auf knapp über 0,32.

Testergebnisse, die messen, wie schnell die Antworten verschiedener KI-Anbieter im Laufe der Zeit ähnlicher wurden. Die ‚Alternate‑Uses‘‑Aufgabe zeigte einen deutlich stärkeren Rückgang der Unterschiede zwischen den Modellen als Infinity‑Chat, wobei beide Ergebnisse über die wiederholten Stichprobentests der Forschenden hinweg konsistent blieben.

Der Befund hielt auch alle 1.000‑Runden des ausgewogenen Resamplings stand. In jedem Fall erzeugten neuere Modelle Antworten, die einander näher lagen als die älterer Modelle. Das Ausmaß dieser Rückgänge, zusammen mit den 95‑%‑Konfidenzintervallen der Forschenden, ist oben dargestellt.

In Bezug darauf heißt es im Papier:

‘Das Ausmaß des Rückgangs bei der AUT ist besonders bemerkenswert angesichts des Zwecks der Aufgabe. Die AUT testet ausdrücklich divergentes Denken, indem sie Modelle anweist, Verwendungen zu erzeugen, die so originell und unerwartet wie möglich sind, was genau die Situation ist, in der unterschiedliche Ausgaben erwartet würden.’

Die Infinity‑Chat‑Ergebnisse zeigen, dass derselbe Trend auch über ein viel breiteres Spektrum kreativer Aufgaben hinweg auftrat. Seine 100 Eingabeaufforderungen baten die Modelle, viele verschiedene Arten offener Antworten zu erzeugen, und diese Antworten wurden im Laufe der Zeit ähnlicher.

Die Veränderung war kleiner als beim Alternate‑Uses‑Task, wurde jedoch bei Modellen, die ab 2025 veröffentlicht wurden, deutlicher. Die Autor*innen vermuten, dass dies ein frühes Anzeichen dafür sein könnte, dass kreative Ausgaben verschiedener KI-Anbieter allgemein ähnlicher werden, nicht nur bei einer bestimmten Testart.

Fazit

Probleme im Zusammenhang mit der Konvergenz von LLMs und VLMs sind ein anhaltendes und wachsendes Problemfeld sowohl in der Forschungsgemeinschaft als auch bei den Nutzer*innen der nachgelagerten Modelle, die daraus entstehen. Wir nähern uns dem endgültigen Abschluss der ersten und einzigen ‚reinen‘ Datengeneration, auf die die Forschungsszene jemals Zugriff haben wird; und die Entschlossenheit der Modellanbieter, die Daten von Konkurrenten zu exfiltrieren, birgt unvermeidlich das Risiko einer Konvergenz, da die Daten immer identischer werden und die Prinzipien des Modelltrainings unter den Anbietern ähnlich, wenn nicht identisch, sind.

Daher wird wahrscheinlich nichts so Einfaches wie das Ersetzen von Gedankenstrichen entstehen, um der wachsenden Ähnlichkeit kreativer Ausgaben zwischen den Modellfamilien entgegenzuwirken; stattdessen werden Fälle von Duplikaten eher auf öffentlichere und peinlichere Weise ans Licht kommen.

* Die vollständige Modellliste lautet Claude-3-Haiku; Claude-Fable-5; Claude-Opus-4; Claude-Opus-4.1; Claude-Opus-4.5; Claude-Opus-4.6; Claude-Opus-4.7; Claude-Opus-4.8; Command-A; Command-R-08-2024; DeepSeek-Chat; DeepSeek-V3.1-Terminus; DeepSeek-V3.2; DeepSeek-V4-Pro; Gemini-2.5-Pro; Gemini-3-Flash-Preview; Gemini-3.1-Pro-Preview; Gemini-3.5-Flash; Llama-3.1-70B-Instruct; Llama-3.2-3B-Instruct; Llama-3.3-70B-Instruct; Llama-4-Maverick; MiniMax-01; MiniMax-M1; MiniMax-M2; MiniMax-M2.1; MiniMax-M2.5; MiniMax-M2.7; MiniMax-M3; Mistral-Large; Mistral-Large-2407; Mistral-Large-2512; Mistral-Medium-3; Mistral-Medium-3.5; Mistral-Medium-3.1; Mistral-Small-24B-Instruct-2501; Mistral-Small-2603; Mistral-Small-3.1-24B-Instruct; Mistral-Small-3.2-24B-Instruct; Mixtral-8x22B-Instruct; Kimi-K2; Kimi-K2-0905; Kimi-K2.5; Kimi-K2.6; GPT-3.5-Turbo; GPT-4; GPT-4.1; GPT-4o; GPT-5; GPT-5.1; GPT-5.2; GPT-5.3-Chat; GPT-5.4; GPT-5.5; GPT-5.6-Sol; Qwen-2.5-72B-Instruct; Qwen3-Max; Qwen3.5-Plus-20260420; Qwen3.6-Max-Preview; Qwen3.7-Max; Grok-4.20; Grok-4.3; Grok-4.5; GLM-4.5; GLM-4.6; GLM-4.7; GLM-5; GLM-5.1; und GLM-5.2

** Betonungen der Autor*innen, nicht meine.

^† Meine Umwandlung der Inline‑Zitate der Autor*innen in Hyperlinks.

Erstveröffentlichung Freitag, 21. August 2026