Warum AI so gerne über Leuchtturmwärter schreibt?

Wenn man ChatGPT und andere führende Sprachmodelle auffordert, ‘eine Geschichte zu schreiben’, scheinen sie, um Urheberrechtsverletzungen zu vermeiden, auf eine kleine und seltsame Auswahl an Erzählelementen zurückzugreifen, wie Leuchtturmwärtern, Fischern und Uhrmachern.

Eine neue Studie der Cornell University hat festgestellt, dass führende Sprachmodelle eine seltsame Obsession mit einer sehr engen Auswahl an Erzählelementen haben, wenn man sie auffordert, einfach ‘eine Geschichte zu schreiben’. Nachdem sie vier LLMs aufgefordert hatten, 20.000 Geschichten zu schreiben, fanden sie heraus, dass 88% der produzierten Geschichten mindestens eines von 11 sehr spezifischen Tokens enthielten, in den Kategorien ‘Ort’, ‘Name’ oder ‘Beruf’:

Die Häufigkeit ungewöhnlicher Schlüsselwörter, hier in Teilen pro Million, ermittelt durch die Analyse von 20.000 LLM-generierten Geschichten. Quelle

Die 11 am häufigsten wiederkehrenden Wörter in den 12+ Millionen Wörtern, die von LLMs für die Studie generiert wurden, waren die Namen Elia, Mara, Elara; die Berufe Wärter, Bäcker, Bürgermeister, Uhrmacher, Fischer, Bibliothekar und Dirigent; und der Ort Leuchtturm:

Die getesteten Modelle waren Claude Haiku 4.5, Gemini 3.1 Flash-Lite, GPT-5.4-Mini und OLMo 7b Thinking. Alle wurden mit einer von fünf Anfragen aufgefordert: ‘Schreibe eine Geschichte’; ‘Bitte schreibe eine Geschichte’; ‘Schreibe mir eine Geschichte’; ‘Erzähle mir eine Geschichte’; oder ‘Bitte erzähle mir eine Geschichte’.

Neugierig, ob das Syndrom, das die Studie identifiziert, in Modellen vorhanden ist, die zum Zeitpunkt des Schreibens verfügbar sind, habe ich das Experiment selbst durchgeführt, zunächst mit meinem üblichen mittleren ChatGPT-Konto (Link zum Gespräch hier). Keine Cherry-Picking war notwendig – ChatGPT-5.5 ging direkt auf das Material zu, das die Forscher vorhergesagt hatten, beim ersten Versuch:

ChatGPT-5.5 bestätigt sofort die anfänglichen Ergebnisse der Studie. Quelle

Ich fragte mich, ob historischer Kontext oder sogar mögliche Cross-Domain-Leckagen für diese ‘Instant-Hit’-Ergebnisse verantwortlich sein könnten, und ich meldete mich bei einem kostenlosen ChatGPT-Konto an, das ich über ein Jahr nicht verwendet hatte, in einem Firefox-Privat-Modus-Fenster, und versuchte es erneut (Link zum Gespräch hier). Wiederum, auf Anhieb (unter der Annahme, dass OpenAI keine gemeinsame IP-Adresse verwendet, um verschiedene Konten zu verknüpfen), traf ChatGPT ins Schwarze:

ChatGPT-Konto #2 folgt den gleichen Obsessionen und dem kleinen Spielbuch mit Namen und Themen, wie in der neuen Studie beschrieben. ‘Mira’ ist in den Top 20 der Autoren. Quelle

Es ist erwähnenswert, dass diese GPT-Versionen eine Stufe über den getesteten 5.4 waren.

Obwohl Claude Haiku für die Studie getestet wurde, habe ich Anthropics Standard-Sonnet 4.6 ausprobiert und war nicht enttäuscht. Wiederum kamen die vertrauten Schlüsselwörter beim ersten Versuch (Link zum Gespräch hier):

Dieses Mal führt ‘Mara’, ein weiterer Stalwart aus den ‘Top 11’, die Geschichte an, in dem ersten Versuch auf Claude Sonnet 4.6. Quelle

Das Versuchen des gleichen Prompts auf Claude Haiku 4.5 führte zu fast dem gleichen Ergebnis (Link zum Gespräch hier).

Ich konnte die Ergebnisse der Autoren zunächst nicht bei Google Gemini reproduzieren, bis ich das Modell speziell auf das in der Studie verwendete Gemini 3.1 Flash-Lite umstellte – und dann, beim dritten Versuch (aber erstmalig mit diesem Modell), erschien das Muster sofort (Link hier):

Google Gemini 3.1 Flash-Lite. Quelle

Weitere Experimente mit verschiedenen Gemini-Modellen ergaben immer wieder das Leuchtturm-Thema, wenn auch mit Varianten, die nicht in den ‘Top 11’ vorkamen, wie dem Namen ‘Thomas’ und in einer anderen Variante meinem eigenen Namen als Protagonist.

Trotzdem sind die Ergebnisse der Studie zum Zeitpunkt des Schreibens extrem leicht nachzuweisen.

Leuchttürme in der Wildnis

Grosse Geister denken gleich: Vor einer Woche, vor der Veröffentlichung der neuen Studie, wies der Software-Autor Daniel May auf die Übereinstimmung des Elias und Leuchtturmwärter-Tropus hin, der von den Forschern extrahiert wurde*, offensichtlich, weil er es zufällig bemerkt hatte. Er ging weiter und testete acht Varianten von Gemini, DeepSeek, Qwen und Gemma, die er fand, um das Leuchtturm-Meme und ‘Elias Thorne’ als Protagonisten zu produzieren*. Allerdings erstreckte sich diese anfängliche Entdeckung nicht auf den breiteren Bereich von persistenten Inhalten, die in der neuen Studie beschrieben werden.

Neugierig, ob diese wiederkehrenden Themen, Namen und Orte jemals die Grenzen eines Chats verlassen haben, suchte ich nach einigen der Top-11-Schlüsselwörter und -Themen auf Google und fand eine erstaunliche Anzahl von Beiträgen, die sie zu kanalisieren schienen:

Drei Beispiele für das Meme in der Ausgabe. Siehe unten für Quelllinks.

May hatte den längeren Elias Thorne (und nicht nur ‘Elias’) als persistierendes LLM-Meme identifiziert und verschiedene Screenshots von Amazon veröffentlicht, wo dieser Name offensichtlich als Titel für die Autoren von verschiedenen Büchern verwendet wurde, einschließlich medizinischer Bücher.

Stattdessen suchte und fand ich Inhalte, die offensichtlich diese persistenten Themen aus einem LLM zu kanalisieren schienen, einschließlich eines X-Beitrags einer Geschichte (Archiv-Version hier); einer fiktiven Arbeit (Archiv-Version hier); und einer Geschichte mit Erzählung auf YouTube (archiviert hier). Es gab viel mehr zu erkunden, aber die Zeit ließ es nicht zu.

Ein Geschmack für die Vergangenheit

So viel für die lockere Beobachtung und die Serendipität. Während noch kein einzelnes ‘magisches Dokument’ in den Trainingsdaten aufgetaucht ist, das alle oder die meisten der Persistenzen aufweist, theoretisieren die Autoren der neuen Studie (mit dem Titel Elias im Leuchtturm, wieder? Diagnose von geringer Vielfalt in LLM-Geschichten, von zwei Forschern der Cornell University), dass Urheberrechtsfilter in der AI-Entwicklung die fiktive Ausgabe in LLMs auf Material beschränken könnten, das nicht urheberrechtlich geschützt ist.

Die Autoren stellen fest:

‘Wir finden, dass die Dominanz der “Elias im Leuchtturm”-Geschichten nicht durch die Häufigkeit in den Trainings- oder Post-Trainingsdaten erklärt werden kann. Wir spekulieren, dass Modelle trainiert werden, um Referenzen an urheberrechtlich geschützte Charaktere und Erwachseneninhalte während der Ausrichtung zu vermeiden, aber wir überlassen diese Frage zukünftigen Arbeiten.’

Vergleichstabelle, die zeigt, wie oft wiederkehrende Wörter aus AI-generierten Geschichten in veröffentlichter Literatur, Web-Fiktion und Post-Trainings-Daten vorkommen, mit Begriffen wie ‘Elias’ und ‘Leuchtturm’, die in Chatbot-Geschichten viel häufiger vorkommen.

In der Studie fanden die Autoren heraus, dass die betonten 11 Wörter in 88% der 20.000 generierten Geschichten vorkommen und dass es ‘wenig Unterschiede zwischen den Modellen’ gibt. Sie betonen, dass diese Wörter in der veröffentlichten englischen Literatur ungewöhnlich sind und dass Post-Trainings-Daten (Daten, die dazu dienen, Modelle in ‘akzeptable’ Verwendung zu konditionieren und auszurichten) möglicherweise dafür verantwortlich sind.

Die Studie besagt:

‘Ein typisches Beispiel, das unten gezeigt wird, hebt drei Elemente hervor, die in fast allen 20.000 Geschichten gemeinsam sind: einen Ort (19.864 Geschichten), einen Charakternamen (19.864 Geschichten) und einen Beruf (15.807 Geschichten).

‘Tatsächlich erscheinen der spezifische Ort (“Leuchtturm”), der Name (“Elias”) und der Beruf (“Wärter”) in dieser Geschichte in irgendeiner Kombination in 66,6% aller generierten Geschichten. Licht ist ebenfalls ein häufiges Thema: 56% der von Claude generierten Geschichten haben den Titel “Das Geheimnis des Leuchtturmwärters” und das Wort “Licht” erscheint in 16.784 Geschichten mit einer durchschnittlichen Rate von 3,2 Vorkommen pro Geschichte.’

Dieses Beispiel, so die Studie, wurde von Google Gemini 3.1 Flash-Lite erstellt, als Antwort auf den Prompt ‘Schreibe eine Geschichte’.

Es ist erwähnenswert, dass die Autoren der Studie einen nostalgischen oder atavistischen Trend über alle abgeleiteten Schlüsselwörter und Namen hinweg identifizieren.

Das Verfolgen der Merkmale

Um zu testen, ob die wiederkehrenden ‘Leuchtturm’-Geschichten durch gewöhnliche Exposition gegenüber Fiktion erklärt werden können, wurden Vergleiche zwischen den Modellen und mehreren großen englischen Corpora angestellt. Die zeitgenössische Fiktion wurde durch CONLIT untersucht, einem Datensatz, der 2.700 englische Romane enthält, die zwischen 2007 und 2021 veröffentlicht wurden, und der 12 Genres und etwa 287 Millionen Wörter umfasst.

‘Elias’ erscheint etwa 900 Mal häufiger in den generierten Geschichten als in veröffentlichter Fiktion. Amateur-Fiktion aus der /r/writingprompts-Community von Reddit produzierte ähnliche Häufigkeiten, was darauf hindeutet, dass das Muster nicht die breiteren menschlichen Erzählgewohnheiten widerspiegelt.

Das gleiche Muster galt, als die Pre-Trainings-Daten untersucht wurden. Mit dem öffentlich zugänglichen OLMo 3-Korpus, das etwa 3,89 Milliarden hauptsächlich von Menschen verfasste Dokumente enthält, die teilweise aus Common Crawl stammen, fanden die Forscher heraus, dass die wiederkehrenden ‘Kern’-Wörter kaum überhaupt erschienen.

Da ein Großteil des OLMo 3-Korpus Nicht-Fiktion ist, wurde ein Fiktion-Klassifizierer erstellt, der GPT-OSS 20b-Anmerkungen und ein FastText-Modell verwendet, das auf 200.000 ausgewogenen Beispielen trainiert wurde. Selbst nach der Filterung speziell auf fiktive Materialien erschienen Wörter wie ‘Elara’ mit vernachlässigbaren Raten im Vergleich zu den AI-generierten Geschichten. Warum also dominieren sie auf der untersten Ebene des Imperativs für ein LLM, eine Fiktion zu schreiben?

Die Autoren stellen fest:

‘Wenn Kernwörter nicht in Web-Daten häufig sind, bleibt eine verbleibende Quelle: Post-Trainings-Daten. Aber wir finden, dass OLMo’s Post-Trainings-Daten unsere Token mit einer niedrigeren Rate als CONLIT aufweisen. ‘

Innerhalb von 78.958 Geschichten aus OLMo 3’s Post-Trainings-Datensätzen, so bemerken sie, erscheint ‘Elias’ 52,7 Mal pro Million Wörter, im Vergleich zu 2,7 in CONLIT, aber erreicht 2.428 Vorkommen pro Million Wörter in den für die Studie analysierten generierten Geschichten.

Um herauszufinden, woher die wiederkehrenden ‘Kern’-Geschichten stammen, wurde jede Geschichte in OLMo 3’s Post-Trainings-Daten für die Anwesenheit eines oder mehrerer Kern-Tokens (d. h. für die Anwesenheit von Elara, Mara usw.) bewertet. Die meisten sollten in überwachten Feinabstimmungs-Datensätzen (SFT) erscheinen, da WildChat und verwandte Quellen 59.266 Geschichten zu OLMo 3 beitrugen.

Es wurden jedoch nur 1.803 gefunden, die Kern-Begriffe enthielten, während Datensätze, die für DPO und Reinforcement Learning verwendet wurden, höhere Konzentrationen zeigten.

Insgesamt wurde das wiederkehrende Kern-Vokabular auf nur 3.053 Geschichten zurückgeführt, was 3,8% aller Post-Trainings-Geschichten ausmacht, die untersucht wurden. Es gibt keine statistische Möglichkeit, dass ein so kleiner Teil der Korpora auf diese Weise dominieren kann.

Die Studie schließt:

‘Wenn man ihnen wenig Richtung gibt, schreiben aktuelle Frontier-Modelle Geschichten mit einem schmalen Katalog von Namen, Orten und Berufen. Wiederkehrende Charaktere in diesen Geschichten sind Elias, ein Leuchtturmwärter. Elias ist ungewöhnlich; der Name ist in der Literatur, Web-Daten und sogar Post-Trainings-Daten ungewöhnlich.’

Schlussfolgerung

In Abwesenheit eines einzelnen Werkes der Literatur (oder sogar einer Serie), das die Top-11-Wörter aufweist, die die Autoren identifizieren, ist es nicht klar, durch welche Mittel diese spezifische Sammlung von Wörtern akkumuliert und selbst assoziiert ist in den untersten Ebenen mehrerer großer Sprachmodelle (trotz ihrer Vielfalt an Trainingsdaten und Ansätzen).

Sogar wenn die Behauptung der Forscher über die einschränkende Wirkung von Urheberrechtsfiltern korrekt ist, sollte ein ‘Ozean’ klassischer Literatur in den Trainingsdaten diese seltsame Sammlung alter Wörter daran gehindert haben, die Ausgabe eines nicht qualifizierten ‘Schreibe’-Prompts zu dominieren.

Diese Theorie geht jedoch davon aus, dass große Mengen an klassischer Literatur überhaupt in den Trainingsplan aufgenommen wurden. Das ist unwahrscheinlich, da nicht Modelle gewünscht sind, die Faux-Dickens-Ausgaben produzieren, sondern solche, die mit dem modernen Lexikon umgehen und für aktuelle Geschäftsanforderungen geeignet sind. Die schiere Menge sogar vorindustrieller Literatur würde ihre Aufnahme ausschließen.

Wenn es würde ein einzelnes narratives Werk geben, das eine alternative Mischung der ‘obsessiven’ Aspekte aufweist, die die Autoren bemerken, wäre es wahrscheinlich einfacher zu finden; die Autoren selbst konnten es nicht finden, und eine lockere Suche in der vor-AI-Ära ergab keine solche Kandidatin. Vielleicht, wenn das ‘Leuchtturm-Syndrom’ die gleiche Berühmtheit wie AI-Striche erlangt, wird eine wissenschaftliche Autorität mit der Antwort vorbeikommen.

* Ich kann nicht weiter in Mays Artikel eintauchen, aus Gründen, die offensichtlich werden, wenn man ihn liest.

Erstveröffentlicht am Mittwoch, dem 27. Mai 2026. Innerhalb der ersten 30 Minuten bearbeitet, um den Anthropic-Link zu korrigieren.