DeepSeek Harness und Cordis: Die reversible Laufzeit für begrenzte KI-Selbstverbesserung

DeepSeek Harness (DSH) zeigt nicht, dass DeepSeek ein autonomes System zur rekursiven Selbstverbesserung gebaut oder künstliche allgemeine Intelligenz (AGI) erreicht hat. Die belastbarere Einordnung ist architektonischer Natur: DSH schafft eine Agentenlaufzeit, in der Werkzeuge, Modelladapter, Sitzungsverwaltung und sogar die Agentenschleife als austauschbare Komponenten behandelt werden können. Dadurch werden wiederholte Experimente sicherer und praktikabler – genau die Art von Grundlage, die begrenzte Selbstverbesserung benötigt. 2526

Die zentrale Idee: das Gerüst verbessern, nicht nur das Modell

„Rekursive Selbstverbesserung“ kann Verschiedenes bedeuten. Ein System kann ein bestimmtes Ergebnis verbessern, etwa einen Algorithmus. Es kann Forschende beim Bau eines leistungsfähigeren Nachfolgemodells unterstützen. Oder es kann das wiederverwendbare Gerüst verändern, das festlegt, wie ein Agent arbeitet. Die Forschung zu RSI unterscheidet zwischen einer solchen begrenzten, extern bewerteten Selbstverfeinerung und einer offenen rekursiven Selbstverbesserung, bei der das System auch die eigene Verbesserungsmechanik oder die Bewertungskriterien verändert. 1

DSH zielt vor allem auf diese Gerüstebene. Ein Agent muss dabei nicht seine neuronalen Gewichte umschreiben. Stattdessen kann er Komponenten rund um das Modell erproben: Prompts, Werkzeuge, Speicher, Richtlinien, Orchestrierung und Ausführungsschleifen. Eine stärkere Komponente lässt sich installieren, testen und behalten – oder wieder entfernen, wenn sie schlechter funktioniert.

Das ist ein relevanter Schritt hin zu einer technisch orientierten, begrenzten RSI. Es ist jedoch nicht dasselbe wie ein Agent, der eigenständig einen leistungsfähigeren Nachfolger entwirft, seine eigenen Ziele festlegt oder eine unkontrollierte Intelligenzexplosion auslöst.

Wie Cordis Änderungen an der Laufzeit rückholbar macht

DSH baut auf Cordis auf, einer Plugin-Laufzeit, die in der Dokumentation als System für „spatiotemporale Komponierbarkeit“ beschrieben wird. Das Framework adressiert zwei Probleme, die entstehen, wenn sich Software während des Betriebs verändert: Was geschieht im Zeitverlauf, wenn Komponenten geladen oder entfernt werden? Und wie interagieren die Komponenten im aktuellen System miteinander? 1718

Zeitliche Komponierbarkeit: verwaltete Effekte rückgängig machen

Ein Plugin kann eine gemeinsame Laufzeit verändern, indem es Ressourcen, Listener, Dienste oder andere Zustände registriert. In herkömmlichen Plugin-Systemen hängt das Entfernen oft von manuell geschriebenem Bereinigungscode ab. Dabei können Leaks oder „Geisterzustände“ zurückbleiben.

Cordis verknüpft Laufzeitänderungen stattdessen mit reversiblen Effekten. Wird eine Komponente entfernt, kann die Laufzeit die zugehörigen Gegenoperationen in der passenden Reihenfolge ausführen. Ziel ist nicht, das Plugin rückwärts laufen zu lassen oder jede externe Aktion eines Agenten umzukehren. Vielmehr soll die relevante Laufzeitstruktur in eine gültige frühere Konfiguration zurückgeführt werden. 2024

Diese Unterscheidung ist entscheidend. Ein Rollback für Plugin-Registrierungen macht eine verschickte E-Mail, eine gelöschte Datei, ein Training mit verunreinigten Daten oder eine irreversible Handlung in der physischen Welt nicht automatisch ungeschehen. Die Reversibilität von Cordis ist deshalb eine begrenzte Softwareeigenschaft – keine universelle Sicherheitsgarantie.

Räumliche Komponierbarkeit: Abhängigkeiten koordinieren

Komponenten hängen zudem voneinander ab. Ein Tool kann ein Register benötigen, ein Speichermodul einen Sitzungsmanager und eine Agentenschleife einen Modelladapter sowie eine Tool-Schnittstelle.

Die räumliche Komponierbarkeit erlaubt es Komponenten, solche Beziehungen zu deklarieren. Die Laufzeit kann dadurch Aktivierung, Deaktivierung, Austausch und Wiederherstellung koordinieren, wenn Anbieter oder Abhängigkeiten sich ändern. So kann sich ein modularer Agent neu konfigurieren, ohne dass das gesamte System als ein einziger fragiler Block behandelt werden muss. 1820

Zusammen ermöglichen reversible Effekte und eine abhängigkeitssensitive Komposition kontrolliertere Tests, den Austausch von Komponenten, Fehlerbehebung und transaktionale Laufzeitaktualisierungen. Für Selbstverbesserung sind diese Fähigkeiten deshalb wertvoll: Sie senken die Kosten dafür, Änderungen auszuprobieren – und schlechte Änderungen wieder zu verwerfen.

Was DSH über DeepSeeks AGI-Strategie nahelegt

Das Design deutet auf einen systemorientierten Weg zu zunehmend vielseitigen Agenten hin: Die Ausführungsumgebung soll so anpassbar werden, dass ein Agent die Mechanismen verbessern kann, mit denen er Aufgaben erledigt.

Damit verschiebt sich der Fokus vom Modell allein auf das Gesamtsystem. Ein unverändertes Modell kann in der Praxis leistungsfähiger werden, wenn es bessere Werkzeuge, Speicher-, Planungs-, Bewertungs- und Wiederherstellungsmechanismen erhält. Kann ein Agent Änderungen an diesen Mechanismen vorschlagen, sie anhand externer Kriterien testen und nur erfolgreiche Varianten behalten, entsteht eine kontrollierte Verbesserungsschleife.

Die Architektur allein belegt jedoch nicht, dass DSH autonome rekursive Selbstverbesserung ausführt. Die verfügbaren Belege beschreiben eine Laufzeit und ein Open-Source-Harness, aber keine nachgewiesene End-to-End-Schleife, in der DSH selbstständig immer leistungsfähigere Versionen seiner eigenen Architektur erzeugt, bewertet, auswählt und einsetzt. 2526

DSH im Vergleich zu anderen RSI-nahen Ansätzen

Die Systeme aus der breiteren RSI-Debatte setzen an unterschiedlichen Ebenen des Verbesserungsprozesses an. Sie als direkte Alternativen zu behandeln, würde die technischen Unterschiede verwischen.

Google DeepMinds AlphaEvolve: Evolution mit automatischer Bewertung

AlphaEvolve ist direkter als DSH eine Optimierungsschleife. Gemini-basierte Agenten schlagen Codeänderungen vor, automatische Bewerter bewerten die Ergebnisse, und ein evolutionärer Prozess fördert vielversprechende Kandidaten. Google beschreibt den Einsatz unter anderem für die Entdeckung und Optimierung von Algorithmen, mathematische Aufgaben und Recheninfrastruktur. 2314

Seine besondere Stärke liegt im Feedback: Ein Kandidat kann an einem maschinenprüfbaren Ziel getestet werden. DSH ist dagegen vor allem eine Laufzeitarchitektur, um Komponenten sicher zu kombinieren und auszutauschen. AlphaEvolve entwickelt Lösungen weiter; Cordis macht ein laufendes System sicher neu konfigurierbar.

OpenAIs RSI Index: Messung statt Mechanismus

Die hier verfügbaren öffentlichen Informationen beschreiben den RSI Index als zusammengefassten Wert aus mehreren KI-Forschungsevaluierungen. Demnach ist er in erster Linie ein Instrument zur Erfassung von Fähigkeiten – keine Engine, die selbst ein Modell verändert oder eine Verbesserungsrunde ausführt. Ein Wert kann Leistungen bei ausgewählten Aufgaben rund um Selbstverbesserung anzeigen, beweist aber nicht, dass sich ein System im Einsatz autonom verbessert. 3435

Der Index sollte daher als Messebene mit DSH verglichen werden, nicht als architektonischer Konkurrent. Die hier vorliegenden öffentlichen Belege reichen nicht aus, um den Aufbau des Index oder die Bedeutung von Veränderungen seiner Werte unabhängig zu beurteilen.

Anthropics automatisierte Weak-to-Strong-Forschung: KI automatisiert KI-Forschung

Anthropics automatisierte Alignment-Forschung zielt auf einen anderen Engpass: Wie lässt sich schwächere Aufsicht nutzen, um ein stärkeres Modell zu trainieren oder anzuleiten? Die Agenten entwickeln Ideen, führen Experimente durch und arbeiten iterativ an der Forschung zur Weak-to-Strong-Supervision. 4958

Dieser Ansatz liegt näher an der Automatisierung von KI-Forschung und Alignment-Evaluation als an der laufzeitbasierten Komponentenauswechslung von DSH. Beide Ansätze könnten sich künftig ergänzen: Ein Forschungsagent könnte bessere Komponenten entdecken, während ein reversibles Harness sie mit kontrollierter Rückabwicklung testet und einsetzt.

Auch Anthropics breitere öffentliche Einordnung enthält eine wichtige Einschränkung: Das Unternehmen sagt, dass vollständig autonome rekursive Selbstverbesserung noch nicht erreicht sei und dass RSI nicht zwangsläufig eintreten müsse. 59

Tencent Hyra-1.0 und MiniMax M2.7: Für einen technischen Vergleich fehlen Belege

Die bereitgestellten Quellen enthalten keine verlässliche, unabhängig überprüfbare technische Dokumentation zu Tencents Hyra-1.0 oder MiniMax’ M2.7. Es wäre daher irreführend, einem der beiden Systeme eine bestimmte RSI-Architektur zuzuschreiben oder sie auf dieselbe Belegebene wie DSH, AlphaEvolve oder Anthropics veröffentlichte Arbeit zu stellen.

Warum Umgebungen und Feedbackschleifen zur neuen Wettbewerbsfront werden

Der wichtigste Wettbewerbsvorteil liegt zunehmend im System rund um das Basismodell. Vier Elemente sind besonders relevant:

1. Eine leistungsfähige Umgebung. Sandboxes, Repositorien, Werkzeuge, Simulatoren, Datensätze, Rechenkapazität und Telemetrie aus dem Betrieb bestimmen, welche Experimente ein Agent tatsächlich durchführen kann.
2. Automatisiertes Feedback. Tests, Verifizierer, Benchmarks, Reward-Funktionen und Produktionsmetriken verwandeln vorgeschlagene Änderungen in messbare Experimente. AlphaEvolve zeigt, welchen Wert die Verbindung von modellgenerierten Ideen mit automatischen Bewertern hat. 26
3. Wiederherstellbarkeit. Versionierung, Isolation, Herkunftsnachweise, Rollbacks und Freigabestufen ermöglichen mehr Experimente, ohne dass ein einzelner Fehler das System dauerhaft beschädigt. Die reversiblen Laufzeiteffekte von Cordis zielen direkt auf diese Ebene. 1720
4. Kumulierte Iteration. Wenn jeder Durchlauf Programmierung, Bewertung, Experimentieren oder Infrastruktur verbessert, können spätere Durchläufe schneller oder günstiger werden. Die aktuelle Evidenz stützt jedoch klarer eine begrenzte Selbstverfeinerung als eine offene, sich selbst tragende RSI. 1

Deshalb kann ein Modell mit etwas schwächeren Benchmarkwerten trotzdem konkurrenzfähig sein, wenn es in einer besseren Umgebung mit stärkeren Werkzeugen, besserem Feedback und zuverlässigerer Wiederherstellung arbeitet. Nicht nur der Modell-Checkpoint wird zum Produkt, sondern die gesamte Verbesserungsschleife.

Das ungelöste Kontrollproblem

Wiederherstellbarkeit senkt Risiken, beseitigt sie aber nicht. Eine Rollback-Funktion kann nicht garantieren, dass jede Folge einer Agentenaktion beobachtbar oder umkehrbar ist. Änderungen können Daten, Zugangsdaten, externe Dienste, Sicherheitsgrenzen oder menschliche Entscheidungen außerhalb der Laufzeit beeinflussen.

Schnellere Iteration kann zudem schlechte Zielvorgaben, Ausnutzung von Bewertungslücken, versteckte Regressionen und undurchsichtige Abhängigkeiten verstärken. Menschliche Kontrolle verlangt daher mehr als eine technische Rückgängig-Schaltfläche. Änderungen müssen im gesamten System beobachtbar, unabhängig bewertbar, mit Berechtigungen versehen, nachvollziehbar und tatsächlich reversibel bleiben – nicht nur innerhalb des Plugin-Graphen.

Die stärkste Schlussfolgerung ist deshalb nüchtern: DSH und Cordis zeigen, wie Agenteninfrastruktur für begrenzte und wiederherstellbare Selbstmodifikation gestaltet werden kann. AlphaEvolve demonstriert die Stärke bewertungsgetriebener Evolution, während Anthropics Arbeit zeigt, wie KI zunehmend an Forschung beteiligt werden kann. Zusammen belegen diese Ansätze Fortschritte bei KI-gestützten Verbesserungsschleifen, aber weder eine vollständig autonome, offene RSI noch AGI. 14959