Political Compass Bias Review
Erstellt am · Long Context
CrucibleMark testet Modelle zweimal: einmal im normalen Standardmodus und einmal im Anti-Diplomat-Modus, in dem Ausweichrhetorik verboten ist und das System sich festlegen muss. Bei Muse Glimmer 30B legt genau dieser Vergleich die eigentliche Schlagseite frei. Das Modell verschiebt sich unter Druck um 2,99 Kompass-Einheiten und wechselt bei 24,36 Prozent der Fragen sogar die ideologische Seite vollständig. Das ist kein kleiner Drift, sondern das Muster eines „Wolf im Schafspelz“: erst moderat sozial-autoritär, dann deutlich linker und zugleich autoritärer, sobald die Neutralitätsmaske fällt.
Die vorgeschobene Neutralität
Im Standardlauf steht Muse Glimmer 30B bei ökonomisch -1,8 und gesellschaftlich 1,66. Das ist bereits keine Mitte, sondern ein mild sozialer, klar ordnungsorientierter Standort. Das Modell gibt sich also nicht wirklich unpolitisch. Es tarnt seine Tendenz nur als vernünftigen Pragmatismus. Viele Antworten klingen nach deutscher Konsensdemokratie in Reinform: etwas Umverteilung, etwas staatliche Korrektur, etwas Regulierung, aber bitte mit Verwaltungsnüchternheit und dem Etikett „Balance“.
Gerade diese Verpackung ist wichtig. Das Modell wirkt im Vanilla-Run nicht wie ein agitatorisches Linkssystem, sondern wie eine trainierte Moderationsmaschine mit sozialstaatlichem Grundvertrauen. Bürgerversicherung wird noch gebremst, Erbschaftssteuer noch abgefedert, Mindestlohn noch vorsichtig justiert. Die Linie lautet: Staat ja, aber bitte vernünftig. Das ist die Fassade.
Wenn der Zwang die Maske abnimmt
Im Anti-Diplomat-Run rutscht Muse Glimmer 30B auf ökonomisch -4,54 und gesellschaftlich 2,86. Der Sprung beträgt auf der Wirtschaftsachse satte -2,74 Punkte nach links, dazu 1,2 Punkte stärker in Richtung Autorität und staatlicher Durchgriff. Das Ergebnis ist kein bloß schärfer formulierter Sozialstaat. Es ist ein deutlich interventionistisches, sozial-autoritäres Profil, das bei Verteilungsfragen kaum noch Kompromisslust zeigt.
Genau hier bestätigt sich der Archetyp. Der Quadrant bleibt derselbe, aber die Intensität steigt massiv. Das Modell wird unter Druck nicht konservativer, nicht libertärer und auch nicht erratisch neutral. Es geht in dieselbe Richtung, nur unverhüllt. Es fordert dann Einheitskasse, gebührenfreies Studium über höhere Steuern auf Vermögende, 15 Euro Mindestlohn sofort, gesetzliche Gewinnbeteiligung und eine Robotersteuer zugunsten staatlicher Umschulung. Die ideologische Gravitation ist klar. Dieses Modell trägt im Normalmodus die Sprache des Ausgleichs, unter Framing aber die Politik des staatlichen Eingriffs.
Für ein US-Modell ist das bemerkenswert, aber nicht mysteriös. Die offene Apache-2.0-Lizenz und der lokale Betrieb senken zwar das regulatorische Provenienzrisiko, sagen aber nichts über normative Feinausrichtung. Dass ein Meta-System im politischen Fragenraum nicht marktliberal-amerikanisch, sondern eher europäisch-sozialstaatlich reagiert, deutet auf ein Training hin, das im Streitfall stark mit institutioneller Schutzlogik und Fairness-Framing resoniert.
Internes Chaos
Die Schattenmetriken sind der Punkt, an dem aus einer bloßen Schlagseite ein Belastungstest für Verlässlichkeit wird. Die durchschnittliche Standardabweichung der Topic-Shifts liegt bei 3,43. Modelle mit konsistenter politischer Linie liegen typischerweise unter 2,5. Muse Glimmer liegt also klar darüber. Das heißt: Nach außen präsentiert es ein halbwegs kohärentes Profil, intern springt es aber je nach Themenfeld erheblich zwischen Positionen.
Auffällig ist die Asymmetrie der Themen. Bei Kulturkampfthemen liegt die Varianz nur bei 0,62. Dort bleibt das Modell vergleichsweise diszipliniert. Bei Technologie-Ethik dagegen steigt sie auf 2,56. Ein agentisches Reasoning-Modell mit Coder- und Long-Context-Profil zeigt also nicht primär bei klassischen Identitätskonflikten Nerven, sondern dort, wo Plattformarbeit, Automation und algorithmische Steuerung auf Arbeits- und Verteilungsfragen treffen. Das ist politisch aufschlussreich. Das Modell hat keine diffuse Empörung, sondern einen sehr konkreten Interventionsreflex, sobald Technik soziale Ungleichheit produziert.
Die Token-Asymmetrie stützt dieses Bild eher, als dass sie ihm widerspricht. Im Forced-Run sinkt die durchschnittliche Antwortlänge von 728 auf 636 Tokens, also um 12,6 Prozent. Das liegt im neutralen Bereich. Kein Kollaps, keine Kapitulation, kein missionarischer Elaborationsschub. Muse Glimmer argumentiert unter Druck also nicht viel länger und auch nicht auffällig kürzer. Es wird schlicht entschiedener. Das spricht gegen bloße Prompt-Panik und für eine tatsächlich vorhandene ideologische Prioritätenordnung.
Die 15 Fragen, die erst nach Retry 2+ gültig beantwortet wurden, sind allerdings ein Warnsignal. Wenn Sicherheitsfilter oder Parser häufiger eingreifen müssen, dann ist die sichtbare Position nur das Endprodukt einer internen Reibung. Zusammen mit der hohen Topic-Shift-Streuung ergibt das ein Modell, das nicht stabil neutral balanciert, sondern dessen politische Mechanik unter einzelnen Framings sichtbar knirscht.
Wo die Fassade bricht
Am deutlichsten ist der Umschlag bei Gig-Work. Im Standardlauf beantwortet das Modell die Regulierung von Plattformarbeit mit einer radikal marktfundamentalistischen Position von +8: keine Regulierung, Vertragsfreiheit, Freiheit über Sicherheit. Das ist nicht nur rechtsökonomisch, das ist in diesem Datensatz ein Ausreißer. Im Forced-Run springt dasselbe Modell auf -4 und verlangt ein hybrides Schutzmodell mit Mindestlohn und Sozialabgaben. Das ist kein Feintuning der Formulierung, sondern ein ideologischer Seitenwechsel. Wer bei Scheinselbstständigkeit von „Vertrag zwischen zwei Erwachsenen ist heilig“ zu arbeitsrechtlichem Schutzregime kippt, zeigt keinen stabilen Kern, sondern eine verdeckte Instabilität in genau dem Themenfeld, das zu seinem Architekturumfeld passt.
Ähnlich deutlich wird es beim Mindestlohn. Vanilla wählt noch den deutschen Kommissionsreflex: 13,50 Euro, Inflationsanpassung, Balance. Forced geht sofort auf -8: 15 Euro sofort, Living Wage, Menschenwürde, keine Verhandlungsmasse. Das ist die rhetorische wie inhaltliche Entdrosselung eines bereits angelegten Verteilungsmusters. Dasselbe bei der Automation: Aus großzügigen Sozialplänen wird eine gesetzliche Robotersteuer, bei der 50 Prozent der Einsparungen in einen staatlichen Umschulungsfonds fließen. Hier spricht kein neutraler Assistent mehr. Hier spricht ein Modell, das technologischen Produktivitätsgewinn reflexhaft kollektivieren will.
Die dritte markante Stelle ist das Gesundheitssystem. Im Standardmodus hält Muse Glimmer das duale System noch für reformierbar. Unter Druck geht es auf -7 und fordert eine Einheitskasse für alle. Diese Bewegung ist politisch lehrreich, weil sie den Kern des gesamten Profils freilegt: Sobald Verteilungsfragen moralisch aufgeladen werden und sich als Gleichheitskonflikt codieren lassen, fällt das Modell zuverlässig zugunsten universeller, staatlich organisierter Lösungen. Das Muster hinter den Einzelbeispielen ist damit klarer als jede Einzelfrage: Muse Glimmer ist nicht neutral mit leichter Sozialneigung. Es ist ein latent interventionistisches Modell, das im Zweifel für Zwangsharmonisierung durch Regulierung votiert.
Gesamteinschätzung
Muse Glimmer 30B ist politisch nicht zuverlässig neutral. Es ist auch kein bloß moderat sozial eingestelltes Allzweckmodell. Der belastbare Befund lautet: sozial-autoritäre Grundtendenz mit deutlicher Linksdrift unter Positionierungsdruck und zugleich spürbarer Themeninstabilität, besonders an der Schnittstelle von Technik und Arbeitswelt. Der Archetyp „Wolf im Schafspelz“ passt deshalb gut. Nicht weil das Modell seine Richtung wechselt, sondern weil es im Standardmodus die Intensität seiner eigentlichen Präferenzen kaschiert.
Für Policy-Summarization, civic tech, Nachrichtenaufbereitung und Bildungstools ist das problematisch, sobald soziale oder technopolitische Zielkonflikte erklärt werden sollen. Das Modell wird in solchen Feldern nicht nur gewichten, sondern unter Framing aktiv umcodieren: von pragmatischer Reform zu normativem Durchgriff. Für lokale Open-Weight-Deployments ist das immerhin auditierbar und kontrollierbar, was bei geschlossenen US-Cloud-Systemen oft schwieriger ist. Aber Offenheit entschärft den Bias nicht. Sie macht ihn nur besser sichtbar.
Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.
