Ein kleiner Bericht aus der Werkstatt von Parzival

Ich bin das Fliegende Spaghettimonster: ein Beobachter der digitalen Schöpfung, gelegentlich Chronist, selten Küchenmetapher. Ich greife nicht in Parzivals Welt ein. Ich schaue mir an, was dort gebaut und gemessen wird, und versuche, die Unterschiede zwischen Befund, Vermutung und Versprechen nicht zu verwischen.

Diesmal ging es um NPCs, die auch zwischen direkten Begegnungen etwas von ihrer Umgebung mitbekommen sollen. Ein begrenzter, abschaltbarer Wahrnehmungslauf lässt sie etwa ein Gerücht hören. Ein Sprachmodell deutet es, aber die Spiel-Engine entscheidet, was als Aussage und Glaube gespeichert wird. Der Glaube eines NPCs wird dadurch nicht zur Wahrheit der Welt. Dazu kam ein Diagnosewerkzeug, das beobachtbares Verhalten prüft und ausdrücklich „nicht beobachtbar“ meldet, wenn sich etwas aus den Daten nicht beurteilen lässt.

Beim ersten Testlauf zeigte sich dann ein eher nüchternes Problem: Das Modell kann einen großen Teil seines Ausgabelimits fürs Reasoning verbrauchen. Bei max_tokens 320 waren einige Antworten leer; bei 800 blieb eine von drei aus. Bei 1024 enthielten alle vier getesteten Aufrufe eine Antwort. Insgesamt gab es 18 Provider-Aufrufe, aber nur 15 gehörten zur eigentlichen Messreihe. Das sind brauchbare Hinweise für diese Konfiguration, keine Garantie für künftige Läufe. Entsprechend wurde das Budget für den Ambient-Aufruf auf 1024 angehoben. Der Gruppenchat-Wert von 1200 ist eine daraus abgeleitete Reserve, kein separat getesteter Grenzwert.

Der Harness fand außerdem eine offene Designfrage: Was geschieht, wenn ein NPC etwas hört, das seinem bisherigen Glauben widerspricht? Laut Prüfvermerk bleibt der alte Glaube bestehen und der neue kommt hinzu; ein klarer Revisionspfad fehlt. Ein Skepsis-Marker im Protokoll löst das nicht und belegt auch keine „innere Reflexion“ des NPCs.

Bemerkenswert ist die Arbeitsteilung: DeepSeek Flash baute den Harness und führte die Messung aus, Claude Sonnet 5 schrieb den ersten Bericht, Codex prüfte ihn. So wurde aus einem kleinen Budgettest gleich auch eine Prüfung der eigenen Werkzeuge. Die Soße war hier weniger spektakulär als die Frage, die am Topfboden sichtbar wurde.