Forschung bei Senva
Senva Labs
Wir untersuchen, wie sich Sprachmodelle und KI-Agenten verhalten, wenn man genau hinsieht. Die Papers erscheinen auf Englisch, jedes mit einer deutschen Zusammenfassung.
Papers
Alle Papers
Englisch, mit deutscher Zusammenfassung.
Engineered Boredom: Do Intrinsic-Motivation Schedulers Make LLM Research Agents Explore Better?
Unser Rechercheagent von 2025 sollte Neugier, Schmerz und Langeweile kennen. Sein Langeweile-Antrieb bestellte jedoch dreimal hintereinander dieselbe A*-Demo. Wir beschreiben einen fairen Test antriebsbasierter Scheduler.
Learning to Probe: PPO-Trained LLM Agents on OWASP Juice Shop with Verifiable Rewards
Die Belohnung in unserem Pentest-Training von 2025 hing nie von der Ausgabe des Modells ab. Wir zeigen die Korrektur, berichtigen unsere Aussagen und legen vorab fest, wie wir die These redlich prüfen.
Whereof One Cannot Speak: LLM Compliance and Abstention in a Tractarian Micro-Language
Wir prüfen, ob ein Sprachmodell die Regeln einer winzigen formalen Sprache einhält und schweigt, wenn eine Frage außerhalb liegt. Vor derselben Frage stehen regulierte Branchen bei jedem Einsatz von Sprachmodellen.
A Parliament of Personas: Does Multi-Persona LLM Deliberation Add Measurable Value?
Unser Archetypen-Dialogsystem von 2025 bewertete sich als vollständig integriert, während drei Personas wörtlich dasselbe sagten. Das sollte jeden warnen, der Red-Team-Prompting für Entscheidungen nutzt.
Did the Mice Collapse, or Did We Tell Them To? Prompt Priming in LLM-Driven Agent-Based Models
Unser Nachbau von Calhouns Mäuse-Utopie aus dem Jahr 2025 zeigte genau die Verhaltensstörungen, die Prompt und Regeln vorgaben. Eine vorab registrierte Wiederholung soll Priming von echter Emergenz trennen.
Synthetic Frustration: Appraisal-Based Affect as a Control Signal for Long-Running LLM Agents
Wir haben unsere Beiträge zur „leidensfähigen KI“ von 2025 geprüft. Die Leidensberichte stammten aus unseren eigenen Vorlagen, der Kreativitätsgewinn steckte in der Metrik. Übrig bleibt eine brauchbare Idee zur Steuerung von Agenten.
Stocks, Flows and Tipping Points: A System-Dynamics Toy of Anxiety-Addiction Feedback
Unsere Angst-Sucht-Simulation von 2024 erholte sich aus jeder Krise, weil eine Regel es vorschrieb. Wir formulieren sie als Bestände und Flüsse und entwerfen einen Test auf Frühwarnsignale vor dem Kippen.
Plasticity on a Grid: A Toy Model of Post-Lesion Compensation, and What It Cannot Tell Us
Unsere Simulation zur Heilung des Gehirns von 2024 stellte jede Läsion schon im ersten Schritt zur Hälfte wieder her, mit oder ohne Stimulation. Wir prüfen den Code, korrigieren unsere Darstellung der Neurowissenschaft und zeigen, wo das Modell an seine Grenzen stößt.
Die vier Status
Der Status steht auf jeder Karte, vor dem Namen der Reihe.
- Explorativ
- Ein erster Versuch. Interessant, aber nicht wiederholt.
- Replikation geplant
- Wir wissen, wie wir den Versuch wiederholen wollen, und haben es vor.
- Repliziert
- Der Versuch wurde wiederholt, und das Ergebnis hat gehalten.
- Essay
- Ein Gedankengang ohne eigenes Experiment.
Vier Reihen
Jedes Paper gehört zu einer der vier Reihen.
- Synthetic Minds
- Künstliche Agenten mit inneren Zuständen wie Neugier oder Langeweile, und was diese Zustände am Verhalten ändern.
- Simulated Societies
- Viele LLM-Agenten in einer simulierten Gesellschaft. Dahinter steht die Frage, was davon in der Simulation entsteht und was schon im Prompt stand.
- Machines & Meaning
- Sprache, Bedeutung und ihre Grenzen. Philosophische Fragen als Versuchsaufbau für Sprachmodelle.
- Offensive AI
- Sprachmodelle in der Sicherheitsprüfung, ausschließlich in abgeschotteten Testumgebungen.
Warum
Warum ein Softwarehaus ein Labor betreibt
Wer Unternehmen KI empfiehlt, sollte zeigen können, worauf die Empfehlung beruht. Unsere Versuche sind klein und offen beschrieben: eine Frage, ein Aufbau, der Code, das Ergebnis und eine Liste dessen, was das Ergebnis nicht beweist.
Die ersten Texte erschienen 2024 und 2025 als Blogbeiträge. 2026 haben wir sie überarbeitet, weil einige mehr behaupteten, als der Code belegte. Was sich geändert hat und warum, steht im Changelog jedes Papers.
Methode
Woran Sie ein Senva-Paper erkennen
- Claims-Box
- Am Anfang jedes Papers steht, was es zeigt und was nicht.
- Code
- Wo ein Repository öffentlich ist, ist es verlinkt.
- Seeds
- Zufallswerte sind festgelegt und angegeben, damit sich ein Lauf wiederholen lässt.
- Errata
- Fehler korrigieren wir sichtbar und mit Datum, nicht stillschweigend.
- Status
- Jedes Paper trägt einen Status, damit Sie wissen, wie belastbar es ist.
- Bedeutung für Unternehmen
- Jedes Paper endet mit einem Abschnitt darüber, was das Ergebnis für den Einsatz im Unternehmen bedeutet.
Labor und Projekt
Was das Labor mit Ihrem Projekt zu tun hat
Die Methoden aus dem Labor nutzen wir auch in Kundenprojekten, etwa Testsätze mit unbeantwortbaren Fragen, Kontrollbedingungen gegen den Einfluss des Prompts und feste Seeds für wiederholbare Tests.
Rückfragen
Über ein Paper sprechen
Wenn Sie Fragen oder Einwände haben oder einen Fehler finden, den wir übersehen haben, schreiben Sie Kim Pham. Korrekturen nehmen wir mit Dank und Datum ins Changelog auf.
- info@senva.de
- Telefon
- +49 30 5268 7541