Dieses Preprint berichtet über 180 kontrollierte Bewertungen bei sechs fortschrittlichen KI-Modellen (Claude Sonnet 4.5, ChatGPT GPT-5.2, Grok 4/4.1, DeepSeek V2.5, Gemini 3, Perplexity), drei unabhängige Bewertungsläufe und zehn domänenübergreifende Denkprobleme aus acht wissenschaftlichen Disziplinen (angewandte Physik, Limnologie, klinische Biostatistik, kardiovaskuläre Physiologie, Evolutionsbiologie, atmosphärische Chemie, Bayessche Statistik, evolutionäre Anthropologie, Fluiddynamik und Spieltheorie/Ökologie). Das zentrale Ergebnis ist ein 14-Prozentpunkte-Rückgang der Zuverlässigkeit im Vergleich zu Studie 1 mit formalen Domänen (79,2 % vs. 93,0 %), wodurch die semi-bestimmte Leistung in Regime 2 (gemischte stochastisch-systematische Fehlerstruktur) eingeordnet wird. Die Leistung stratifiziert sich in einen zuverlässigen Kern (Q3, Q6, Q7, Q8: 100 % über alle 18 Bewertungen) und eine variable Peripherie, die durch die notwendige Tiefe des mechanistischen Abrufs bestimmt wird. Kritisch ist, dass die Selbstüberprüfungskalibrierung (Spearman ρₛ) als unabhängige architektonische Designvariable hervorgeht: Nur Claude (ρₛ = 0,903) und Gemini (ρₛ = 0,703) erfüllen die vorgeschlagene Auditor-Qualitätsschwelle. Der Kruskal-Wallis-Test bestätigt eine signifikante Modellunterscheidung (H = 12,779, p = 0,026). Dies ist Empirische Studie 2 eines geplanten Programms mit drei Studien. Studie 1 behandelte formale bestimmte Domänen (mathematisches Denken). Studie 3 wird auf vollständig unbestimmte Domänen ausgeweitet. Enthaltene Dateien: - Hauptmanuskript (PDF) - Ergänzende Daten S2: Vollständiger 180-Bewertungen-Datensatz, alle Modellantworten über 3 Durchläufe, Selbstüberprüfungswerte, Logikspur-Analyse, Interrater-Reliabilitätsdaten und Bewertungskriterien (PDF)
Pandit et al. (Sun,) untersuchten diese Fragestellung.