Lernen Sie Pangram 3.3 kennen!

Heute veröffentlichen wir Pangram 3.3. Wie die vorherigen Modelle der Pangram-3-Reihe basiert auch Pangram 3.3 auf der EditLens-Architektur, die wir in unserem ICLR-2026-Beitrag vorgestellt haben.

Die Modellkarte von Pangram 3.3 hier ansehen

Was Sie erwartet

Vielleicht ist Ihnen in den letzten Wochen aufgefallen, dass einige Texte aus den neuesten Veröffentlichungen von OpenAI und Anthropic fälschlicherweise als von Menschen verfasst eingestuft wurden. Bei diesem Update haben wir uns darauf konzentriert, die Falsch-Negativ-Rate – also die Häufigkeit, mit der ein Modell KI-generierten Text fälschlicherweise als von Menschen verfasst einstuft – bei Inhalten zu senken, die von diesen neu veröffentlichten Modellen erstellt wurden.

Wie immer legen wir großen Wert darauf, unsere branchenführende Falsch-Positiv-Rate beizubehalten. Wir werden niemals ein Modell veröffentlichen, das unsere Gesamt-Falsch-Negativ-Rate auf Kosten einer höheren Fehlklassifizierung von von Menschen verfassten Texten als KI-generiert senkt. Bei Pangram 3.3 sollten Sie keinen Anstieg der Falsch-Positiv-Rate feststellen.

Neben der Verbesserung der Falsch-Negativ-Rate bei Modellen wie Claude 4.7 und GPT 5.4+ zeigt Pangram 3.3 auch eine bessere Leistung bei naturalisiertem Text, Langform-Dokumenten und ESL-Schreib-Benchmarks.

Was wurde verbessert?

Erkennung der neuesten LLMs

Pangram 3.3 ist bei der Erkennung von reinen Ausgaben der neuesten Generation von LLMs, darunter Claude 4.7 und GPT 5.4+, deutlich besser als sein Vorgänger. In unseren internen Bewertungen stellen wir im Vergleich zu Pangram 3.2 eine dreifache Verbesserung bei der Erkennung von durch GPT-5.5 Pro generiertem Text und eine mehr als vierfache Verbesserung bei Claude Opus 4.7 fest.

Weitere Verbesserungen bei der Erkennung von Humanizern

Pangram 3.3 zeigt bei Humanizer-Bewertungen deutliche Verbesserungen und erkennt doppelt so viele kommerziell humanisierte Texte wie sein Vorgänger. Pangram 3.3 ist zudem besser darin, durch adversarische Eingaben erzeugte LLM-Ausgaben zu erkennen, bei denen Nutzer das LLM anweisen, der Erkennung zu entgehen: Auf unserem internen adversarischen Datensatz konnten wir gegenüber dem vorherigen Pangram-Modell eine dreifache Verbesserung feststellen.

Abruf langer Dokumente

Unser bisheriges Modell stufte längere, von KI generierte Dokumente (über 2000 Wörter) manchmal fälschlicherweise als „gemischt“ ein, wobei insbesondere Textabschnitte gegen Ende des Textes fälschlicherweise als vollständig von Menschen verfasst eingestuft wurden. Pangram 3.3 reduziert diesen Klassifizierungsfehler bei langen, synthetischen Texten erheblich.

Wie geht es weiter?

Erkennung von KI-Übersetzungen

Während unsere Gesamtquote an falsch-positiven Ergebnissen dank Verbesserungen in anspruchsvollen Bereichen wie der Lyrik gesunken ist, haben wir einen leichten Anstieg der Falsch-Positiv-Quote bei von Menschen verfassten Texten festgestellt, die durch Google Translate geleitet wurden. Wir wissen, dass Übersetzungen ein beliebter Anwendungsfall für LLMs sind, und wir experimentieren derzeit mit Möglichkeiten, wie wir in zukünftigen Modellen Ergebnisse für KI-übersetzte Texte sowohl modellieren als auch darstellen können.

Verbesserte Erkennung von KI-Unterstützung

Die Nutzung von KI-Agenten hat in den letzten sechs Monaten explosionsartig zugenommen. Wir beobachten, wie sich Schreibprozesse, an denen Menschen und KI beteiligt sind, zu einem kollaborativen Modell entwickeln, bei dem in mehreren Iterationsrunden von Menschen verfasste und KI-generierte Texte innerhalb eines Dokuments miteinander verwoben werden. Ein wichtiger Schwerpunkt unserer Arbeit ist die Verbesserung unserer Modellierung dieser Art von gemeinsam verfassten Dokumenten. Wir freuen uns darauf, auf EditLens aufzubauen, um Ihnen die genauesten Ergebnisse für Texte mit mehreren Autoren zu liefern und es den Nutzern zu ermöglichen, zu verstehen, was es bedeutet, wenn ein Text „leicht“ oder „mäßig“ KI-unterstützt ist.

Modelkarte

Wie bei unseren beiden vorherigen Modellen können Sie die Leistung des aktuellen Modells auf verschiedenen Domänen und Datensätzen jederzeit in unserer Modellkarte einsehen.