Der Beitrag beleuchtet eine wachsende Skepsis gegenüber reiner Parameterskalierung bei großen Sprachmodellen und nutzt den AA-Omniscience-Benchmark als konkreten Prüfstein für Unsicherheitskalibrierung. Als dramatischer Aufhänger dient das Beispiel von Claude Fable 5, das laut dem Artikel drei Tage nach seiner Veröffentlichung vom US-Regierung aufgrund nationaler Sicherheitsbedenken gesperrt wurde – das erste derartige US-KI-Verbot überhaupt, ausgelöst durch eine einzige kritische Jailbreak-Schwachstelle. Auf dem Artificial Analysis Intelligence Index liegen GPT-5.5 und Fable 5 zwar vorn, doch GLM-5.2 (753B Parameter, davon ~40B aktiv) kommt diesen Modellen auf 4 bzw. 9 Punkte nahe – obwohl die proprietären Modelle auf 1,5- bis 2-fache Parameterzahl geschätzt werden. Den zentralen Befund illustriert der Autor anhand einer konkreten Python-Aufgabe: DeepSeek V4 Pro benötigte 3 Minuten 52 Sekunden und rund 7.700 Reasoning-Tokens, um eine fachlich falsche Antwort zu einer technisch unmöglichen asyncio-Anforderung zu produzieren, während GLM-5.2 die logische Unmöglichkeit der Aufgabe in 12 Sekunden und ~800 Tokens korrekt identifizierte. Der Artikel schließt mit einem strukturellen Dreiklang, den er als „Trilemma moderner LLMs" bezeichnet: rohe Leistungsfähigkeit, Unsicherheitskalibrierung bzw. Halluzinationsrate und Recheneffizienz lassen sich bisher nicht gleichzeitig optimieren. Beide Modelle wurden für den Test über OpenRouter bei Temperatur 1 und „high" Reasoning Effort ausgeführt, GLM-5.2 via Z.ai und DeepSeek V4 Pro via Baidu Qianfan, jeweils in FP8-Präzision.