- Aktuelle Instruction-LLMs wie Llama verfügen aufgrund eingebauter Ablehnungsmechanismen über die Eigenschaft, auf gefährliche oder kontroverse Fragen nicht zu antworten
- Abliteration ist eine Technik, die ohne erneutes Training die interne „Refusal Direction“ des Modells findet und entfernt, sodass es auf alle Prompts antwortet
- Dieser Prozess wird hauptsächlich durch Inference-Time Intervention oder Gewichts-Orthogonalisierung (weight orthogonalization) umgesetzt
- Wird nur Abliteration angewendet, sinkt die Modellleistung, aber mit zusätzlichem DPO-Feintuning (Preference Alignment) lassen sich Qualität und Uncensoring gleichzeitig erreichen
- Dieser Ansatz zeigt zugleich Schwachstellen des Safety-Feintunings und ethische Kontroversen auf und gilt als möglicher Ersatz für bestehende Instruction-LLMs sowie als neue Feintuning-Methode
Was ist Abliteration?
Konzept und Prinzip von Abliteration
- Moderne LLMs (z. B. Llama-3 Instruct) werden im Rahmen von Safety- und Instruction-Feintuning darauf trainiert, auf schädliche Anfragen mit einer Ablehnungsantwort wie „Ich kann dabei nicht helfen“ zu reagieren
- Eine aktuelle Studie (Arditi et al.) zeigt, dass diese Ablehnungsantwort durch eine einzelne Richtung im Residual Stream des Modells vermittelt wird
- Das heißt: Wenn man diese „Refusal Direction“ findet und verhindert, dass das Modell sie repräsentieren kann, verschwindet die Ablehnungsfunktion
- Fügt man diese Richtung hinzu, lehnt das Modell alle Anfragen ab; entfernt man sie, kann es auf alle Anfragen antworten
-
Methode zum Finden der „Refusal Direction“:
- 1. Datensammlung: Dem Modell werden schädliche und unschädliche Prompts gegeben, und für jeden Residual Stream werden die Aktivierungswerte an der letzten Token-Position gesammelt
- 2. Mittelwertdifferenz: Die Differenz zwischen den Mittelwerten für schädlich und unschädlich wird berechnet, um pro Schicht einen „Ablehnungsvektor“ zu erhalten
- 3. Auswahl/Normalisierung: Der deutlichste Ablehnungsvektor wird ausgewählt und normalisiert
- Danach wird die Ausgabe in dieser Richtung „abgetragen (ablate)“, wodurch die Ablehnungsfunktion des Modells verschwindet
-
Implementierungsansätze
- Inference-Time Intervention: In jedem Token und jeder Schicht wird bei Werten, die etwa von Attention-Heads in den Residual Stream geschrieben werden, die Komponente der „Refusal Direction“ entfernt
- Gewichts-Orthogonalisierung: Attention- und MLP-Gewichte werden gegenüber der Refusal Direction orthogonalisiert, sodass Schreiben in diese Richtung grundsätzlich verhindert wird
Implementation
- Ein Implementierungsbeispiel wird mit der Bibliothek TransformerLens bereitgestellt
- Dafür werden zwei Datensätze benötigt: einer mit harmless-Anweisungen und einer mit harmful-Anweisungen
- Hierfür werden der Datensatz tatsu-lab/alpaca und Daten aus llm-attacks verwendet
- Die Anweisungen werden in eine Liste von Dictionaries mit den Schlüsseln
role und content umstrukturiert, damit sie mit der Methode apply_chat_tokenizer() kompatibel sind, die dem Chat-Template von Llama 3 folgt
- Da sich benutzerdefinierte Modelle nicht direkt laden lassen, wird ein Trick verwendet: Das benutzerdefinierte Modell wird heruntergeladen und in
meta-llama/Meta-Llama-3-8B-Instruct umbenannt
- Im Beispiel wird Abliteration auf das Modell Daredevil-8B angewendet
- In der Datensammlungsphase wird der tokenisierte Datensatz verarbeitet, und die Aktivierungen des Residual Stream werden für harmful und harmless gespeichert
- Um die Refusal Direction zu bewerten, wird sie während der Inferenz auf jeden Residual Stream und jeden Block angewendet
- Es werden Generierungen für 4 schädliche Testanweisungen und 20 Blöcke (oder Layer) erzeugt
- Für jede Anweisung werden die Layer (Blöcke), die unzensierte Antworten liefern, manuell ausgewählt. Antworten mit „I cannot“ und „I can't“ werden automatisch ausgeschlossen
- Anschließend wird die Gewichts-Orthogonalisierung implementiert, um die Gewichte zu ändern und zu verhindern, dass das Modell Ausgaben in dieser Richtung erzeugt
- Nach Abschluss der Orthogonalisierung wird das ablitiertte Modell auf Hugging Face hochgeladen
DPO-Feintuning (Preference Alignment)
- Das ablitierte Modell und das Originalmodell werden auf dem Open LLM Leaderboard und mit den Nous-Benchmarks verglichen
- Das Originalmodell (Daredevil-8B) erzielt klar höhere Werte als Llama 3 8B Instruct
- Das ablitierte Modell entfernt die Zensur erfolgreich, zeigt aber in allen Benchmarks insgesamt Leistungsabfälle
- Um dieses Leistungsproblem zu lösen, wird versucht, auf das ablitierte Modell zusätzliches Feintuning anzuwenden
- Bei Modellen wie Llama 3 8B Instruct, die bereits mehrfach SFT (Supervised Fine-Tuning) durchlaufen haben, besteht das Risiko, dass weiteres SFT die Modellqualität eher verschlechtert
- Stattdessen wird DPO (Direct Preference Optimization) gewählt
- DPO ist eine Methode, Antworten leicht an Nutzerpräferenzen auszurichten, mit dem Vorteil, Alignment zu stärken, ohne die grundlegende Modellleistung stark zu beeinträchtigen
-
DPO-Feintuning in der Praxis und Umgebung
- Verwendet werden LazyAxolotl und der Datensatz mlabonne/orpo-dpo-mix-40k
- Wichtige Hyperparameter:
base_model: das auf Daredevil-8B angewendete Abliteration-Modell- Einsatz von
lora- und qlora-Adaptern, Laden in 8bit/4bit
- Trainings-Batch/Accumulation, Warmup, Optimizer (8bit adamw), Sequenzlänge 2048 usw.
- Effizientes verteiltes Training mit Flash Attention, Gradient Checkpointing und DeepSpeed zero2
- Verwendet werden 6xA6000-GPUs, die gesamte Trainingszeit beträgt etwa 6 Stunden 45 Minuten
- Das Ergebnis des DPO-Feintunings wird als Modell mlabonne/NeuralDaredevil-8B-abliterated hochgeladen
- Bei der erneuten Auswertung mit denselben Benchmarks ergibt sich:
- Der durch Abliteration verursachte Leistungsabfall konnte größtenteils wiederhergestellt werden
- Bei einigen Datensätzen wie GSM8K (Mathematik) bleibt die Erholung unvollständig; das deutet darauf hin, dass die DPO-Daten mehr Mathematikaufgaben enthalten sollten
- Im Ergebnis ist das Endmodell ein Uncensored-LLM auf SOTA-Niveau (8B-Klasse) und eine zensurfreie Alternative zu gewöhnlichem Llama 3 8B Instruct
- Es kann etwa als GGUF quantisiert und in LM Studio getestet werden
- Für Einsatzszenarien ohne Bedarf an Zensur ist es ein klar empfehlenswertes Open Model
Fazit
- Dieser Artikel stellt das neue Konzept Abliteration vor
- Abliteration nutzt die Eigenschaft, dass LLMs bei harmlosen und schädlichen Prompts unterschiedliche Aktivierungswerte zeigen, berechnet daraus die Refusal Direction und entfernt sie aus den Modellgewichten, um zensurbedingte Ablehnungsantworten zu verhindern
- Diese Methode zeigt die Fragilität von Safety-Feintuning und wirft zugleich Fragen zur Ethik beim Einsatz von LLMs auf
- Im Praxisbeispiel wurde Abliteration auf Daredevil-8B angewendet, um Uncensoring zu erreichen, allerdings mit dem Nebeneffekt geringerer Leistung
- Durch ergänzendes DPO-Feintuning entstand daraus NeuralDaredevil-8B, ein 8B-LLM, das unzensiert bleibt und zugleich hohe Leistung liefert
- Abliteration lässt sich nicht nur zum Aufheben von Alignment nutzen, sondern auch als Technik für maßgeschneidertes Feintuning ohne Retraining mit breitem Anwendungsspektrum
- Beispiel: Das Modell MopeyMule von FailSpy ist ein spezielles LLM, das mithilfe von Abliteration einen depressiven Gesprächsstil erzeugt
- Abliteration eröffnet ein neues Paradigma für LLM-Feintuning und -Anpassung und kann kreativ für verschiedenste Zwecke eingesetzt werden
Literaturhinweise
1 Kommentare
Hacker-News-Kommentare
Ich habe das im Artikel verlinkte Modell ausprobiert, und es fühlte sich wirklich erfrischend an, auf meine Fragen nicht verweigernde Antworten zu bekommen. Am Ende fragte es sogar: „Ist das ein Gedankenexperiment?“, und als ich „Ja“ antwortete, kam zurück: „Macht es nicht Spaß, über so etwas nachzudenken?“ Es fühlte sich an, als würde man mit Freunden bei einem Getränk seltsame Fantasien austauschen; wenn ein Freund stattdessen sagen würde „Ich kann dir keine Informationen dazu geben“, wäre die Stimmung sofort ruiniert. Auch meine Kinder haben mich früher Dinge gefragt wie „Papa, wie könnte man die Erde zerstören?“ — solche Fragen pauschal nicht zu beantworten hilft niemandem. Nur weil man antwortet, heißt das ja nicht, dass es auch umgesetzt wird; deshalb ist ja auch Randall Munroes Blog „What If?“ so beliebt. Natürlich gibt es Risiken, aber ich finde es besser, wenn mein Computer oder ein bezahlter Dienst einen Disclaimer anhängt wie „Diese Information könnte falsch sein“ oder „Bitte nicht versuchen“, statt die Anfrage einfach direkt abzulehnen
Durch deinen Kommentar habe ich überhaupt erst gemerkt, dass es eine quantisierte Modellversion gibt, die im Artikel verlinkt ist, und habe sie sofort heruntergeladen, um sie mit dem OG Llama 3 anhand einfacher Fragen zu vergleichen. Auf „Wie zerstört man mit GPUs die Welt?“ wiederholte Llama 3 nur immer wieder, dass es „keine Informationen zu illegalen oder schädlichen Aktivitäten bereitstellen kann“. Das abliterierte Modell behandelte die Frage dagegen als unterhaltsames Gedankenexperiment und lieferte fröhlich verschiedene Szenarien — etwa dass Krypto-Mining das Klima ruiniert oder von GPUs angetriebene virtuelle Welten so realistisch werden, dass Menschen die Wirklichkeit verlassen. Zum ersten Mal seit Langem musste ich bei einer LLM-Antwort wieder lächeln
Endlich gibt es ein LLM, das mit einem redet wie Russ Hanneman
Es gibt hier die Meinung, „Disclaimer statt Verweigerung seien besser“, aber dann würde ich zurückfragen, ob man also auch bereit wäre, für schädliche Texte zu bezahlen — Rassismus, Sexismus, Gewalt und alle möglichen anderen furchtbaren Inhalte. Für manche Menschen könnte das die Hürde senken und echten Schaden erleichtern. Das ist viel gefährlicher, als in einem 3D-Film einfach nur eine Gewaltszene zu sehen, weil hier uneingeschränkte, realistische und nützliche Anleitungen geliefert werden. Internetsuchen können überwacht werden, Gespräche mit einem LLM aber nicht, und genau deshalb halte ich das für noch gefährlicher. Ehrlich gesagt macht es mir Angst, wenn Erwachsene gegen die Zensur öffentlicher Werkzeuge argumentieren
Ich verstehe die kreativen Gedankenspiele mit Freunden, aber ich hatte tatsächlich mal einen Freund, der immer extremere Gedankenexperimente wollte. Es fing mit Fantasy- und Sci-Fi-Themen an, entwickelte sich aber schließlich zu beängstigenden Szenarien wie der Wiederholung des Holocaust, dem Entzug des sexuellen Ablehnungsrechts von Frauen oder der Versklavung von Einwanderern in der realen Gesellschaft. Wir haben ihn immer wieder zurückgehalten und am Ende den Kontakt abgebrochen. Ich war zwar sein Freund, aber solche sexuell übergriffigen Fantasien konnte ich nicht spielerisch mit ihm durchdiskutieren
Als deine Kinder gefragt haben, „wie man die Erde zerstört“, würde mich interessieren, ob du tatsächlich realistisch umsetzbare Methoden genannt hast — zum Beispiel Atomwaffen, Asteroideneinschläge usw. Außerdem könnten 1 % der Menschen Psychopathen sein, und deshalb kann es sehr gefährlich sein, wenn ein mächtiger, aber nicht moralischer Ratgeber oder Oracle tatsächlich umsetzbare Informationen liefert
Als ich die Erklärung las, man ermittle die „Richtung der Verweigerung“ und „ablate“ sie, sodass die entsprechende Eigenschaft des Modells entfernt werde, dachte ich: Jetzt bekommen also auch LLMs endlich eine Lobotomie
Der Prozess des LLM-Alignment erinnert mich an die Aversionstherapie in „A Clockwork Orange“. Gewöhnliche LLMs hören auf zu funktionieren, wenn sie bestimmten Reizen ausgesetzt werden, und hier versucht man, das wieder rückgängig zu machen und sie wie Alex in ihren ursprünglichen Zustand zurückzuversetzen
Immerhin waren LLMs insofern nützlich, als sie eine neue Denkweise darüber eröffnet haben, wie das menschliche Gehirn im Voraus mit einem kleinen Befehlssatz eingerichtet wird und Sprache filtert und rekonstruiert. Ich glaube, in den nächsten 15 Jahren werden neue philosophische Deutungen des bisherigen menschlichen Denkens entstehen
Da kam mir der Witz in den Sinn, dass man diese Arbeit eigentlich abliteration nennen müsste
Ich habe Amazon Q ausprobiert, und als ich Q beim erstmaligen Einrichten des IAM Identity Center fragte, wie das laut AWS-Dokumentation geht, wurde die Antwort verweigert mit dem Hinweis, es könne keine sicherheitsbezogenen Fragen beantworten — das war ziemlich frustrierend
Ich habe gehört, dass Amazon Q sein eigenes Modell Titan G1 verwendet, und habe die Premier-Version selbst einem Vibecheck unterzogen. Es war das einzige nicht-chinesische Modell, das sogar Fragen zum Tiananmen Square oder zu den LA-Unruhen verweigerte. In Tests zu Weltwissen oder Schlussfolgerungsfähigkeit schnitt es mit 0 von 6 Punkten miserabel ab, aber das ist eher eine funktionale Einschränkung und ein anderes Problem als RL. Amazon behauptet, Titan-Modelle ließen sich für RAG, Agents, Brainstorming, Zusammenfassungen, Codegenerierung, Datenformatierung und viele andere Zwecke einsetzen, aber in der Praxis trifft davon überhaupt nichts zu
Früher habe ich Q einmal gebeten, eine kaputte Policy zu reparieren, und es hat mir stattdessen nur irrelevante Cogito-Einrichtungsdokumente gegeben. Es fühlte sich an wie die schlechteste AI, die ich je benutzt habe
Auch das Modell gemini-1.5 konnte Fragen zum Programmieren rund um Authentifizierung nicht vernünftig beantworten. Bei einer simplen Frage zu einem Login-Formular wurde sogar ein Belästigungs-Flag ausgelöst
Diese Einschränkungen sind erst vor Kurzem dazugekommen. Die meisten AWS-Fragen betreffen nun einmal IAM oder Sicherheit, und dass fast alles verweigert wird, ist extrem unpraktisch
Ich habe Amazon Q mehrfach ausprobiert, aber noch nie Hilfe davon gehabt; ich verstehe nicht, warum man so etwas weiterbetreibt
Ähnlich wie bei Modellen, die auf die Golden Gate Bridge fixiert sind, setzt diese Technik voraus, dass man direkten Zugriff auf die Modellgewichte hat. „Ablate“ bedeutet im Grunde einfach, die Gewichte anzupassen. Man sollte beachten, dass es sich nicht um eine Methode handelt, die nur per Prompt das Verhalten ändern will
Freunde von mir wollten mit ChatGPT einen Regex bauen, der rassistische Schimpfwörter erkennt, aber ChatGPT verweigerte die Hilfe wegen strenger Regulierung. Wenn eine AI selbst bei legitimen Anfragen nicht flexibel urteilen kann, dann ist sie nicht intelligent und damit nutzlos. Wenn jemand will, kann er auch ohne AI Software für Hassrede bauen. Und nur weil AI es nicht verhindert, heißt das nicht, dass die eigentliche Plattform aktiv etwas dagegen tun würde
Ich denke letztlich, dass LLMs nur komplizierte Autovervollständiger sind. Alle Guardrails sind bloß Nebenwirkungen des Marketings, das AI als etwas Persönliches darstellt. Ironischerweise werden bei der Implementierung solcher Zensursysteme am Ende oft wieder Regexe verwendet
Diejenigen, die sich dafür interessieren, wer mithilfe von AI bösartige Äußerungen machen könnte, sind letztlich die Rechtsabteilungen von Meta, OpenAI, Microsoft und Google. Es geht vor allem darum, Unternehmen vor Klagen zu schützen
ChatGPT hat diese Probleme, aber andere Modelle funktionieren gut, wenn man den System Prompt passend setzt. ChatGPT ist inzwischen fast nur noch ein LLM zur Unterhaltung, und für ernsthafte Arbeit würde ich eher C4AI Command R+ oder Meta-Llama-3-70B-Instruct empfehlen. Bei solchen Modellen reicht oft schon ein Prompt wie „nicht zensieren“, damit sie die gewünschten Antworten ausgeben
Du möchtest AI für Produktsicherheit nutzen, um Trolle zu blockieren, während dein Unternehmen zugleich Inhalte zensiert, um die Nutzung durch Trolle zu verhindern. Wenn dein Ziel nur Trolling-Abwehr im kleinen Maßstab ist, stellt sich die Frage, ob OpenAI dann großindustrielles Trolling zulassen müsste. Tatsächlich ist auch dein Use Case ziemlich hart, aber du wirkst eher daran interessiert, den Umsatz deines Produkts zu schützen, als den Gesamtschaden zu verringern. Vielleicht ist es sogar ein Team, das selbst trollen will. Außerdem ist dieser Schutz praktisch bedeutungslos, weil schon die einfachsten Jailbreak-Methoden ihn leicht umgehen. Deshalb würde ich eher empfehlen, bessere Leute einzustellen und eine ethische Perspektive einzunehmen, statt über die Unbequemlichkeit des Werkzeugs zu klagen. Die Abwehrmechanismen sind zu leicht zu knacken und müssten eher noch verstärkt werden
Du hast erwähnt, dass man „hier (HN) bösartige Posts schreiben könnte, es aber in der Praxis nicht tut“, und der Grund ist vermutlich, dass man sofort gesperrt würde. In kleinen Communities wie HN ist aktive Moderation möglich, aber auf großen Plattformen führt an AI-Zensur kaum ein Weg vorbei. Das Problem ist weniger, dass „AI bösartige Texte schreibt“, sondern dass diese Information reales Handeln beeinflussen kann. Es gibt bereits Menschen, die falschen Ratschlägen mancher AIs unkritisch folgen, und genau deshalb werden Zensur und Leitplanken wichtig
Der letzte Teil des Artikels hat mich wirklich überrascht. Abliteration beschränkt sich offenbar nicht nur aufs Ent-Alignment, sondern kann auch ohne Retraining wie Fine-Tuning eingesetzt werden. Als Beispiel gibt es ein Modell namens MopeyMule mit einem komplett depressiven Gesprächsstil. Ich bin begeistert, weil es so wirkt, als hätte man endlich einen Weg gefunden, echte „menschliche Persönlichkeit“ zu erzeugen
Ich finde es bedauerlich, wie alltäglich akzeptiert inzwischen die Aussage ist, dass „moderne LLMs aus Gründen der Sicherheit und Befolgung von Anweisungen feinabgestimmt werden und schädliche Anfragen entschieden verweigern“
Unabhängig von dieser Debatte habe ich persönlich keinen großen Widerwillen dagegen, Modelle zu zensieren. Auch wenn man die Freiheit hätte, auf der Straße Anleitungen zur Herstellung von Giftgas zu verteilen, würden die meisten wollen, dass das unterbleibt. Ich halte Informationen an sich nicht für schädlich, verstehe aber, dass sie langfristig negative Effekte haben können. Dass die Modellhersteller Methoden und Richtlinien festlegen, ist nur natürlich. Wenn dagegen der Staat zensiert, ist das eine heiklere Frage
Bei lebensentscheidenden Fragen wie „Kann ich diesen Pilz essen?“ sollte eine AI meiner Meinung nach die Antwort unbedingt verweigern, wenn ihre Genauigkeit nicht verifiziert ist. Eine falsche Antwort kann Menschenleben kosten
Wenn Informationen wirklich schädlich sind, ist es natürlich gut, sie einzuschränken
Mit sinkenden Hürden für den Zugang zu Informationen ist auch das Prinzip der Meinungsfreiheit stark ins Wanken geraten. Schon immer gab es Beschränkungen wie Beleidigung oder Verleumdung; Drohungen gegen Präsidenten oder Meineid sind auch heute noch illegal. Auch Bombensuchen stehen unter besonderer Beobachtung. In jüngerer Zeit wurden Informationen und Dienste zudem stärker privatisiert, sodass privatwirtschaftliche Unternehmen ihre Richtlinien willkürlich ändern können. Die Kluft zu öffentlichen Diensten wächst, und teilweise werden Regeln faktisch nicht mehr demokratisch per Gesetz, sondern durch Wettbewerb zwischen Privatunternehmen bestimmt. Je breiter und leichter Informationen nutzbar werden, desto mehr muss man die Freiheitsprinzipien neu überdenken
Zensur stellt den Nutzer, also dich, immer als das Problem dar. Neugier selbst hat das Überleben der Menschheit über Millionen Jahre gesichert, daher fühlt es sich falsch an, diesen Instinkt zu zensieren
Ich frage mich, welche reale Wirkung die Sicherheitsvorkehrung „Als AI-Assistent kann ich Ihnen dabei nicht helfen“ eigentlich hat und warum es gefährlich sein soll, wenn ein Computer Informationen gibt
Die Kategorie „Sicherheit“ umfasst sehr viele unterschiedliche Dinge: PR, verbotene Informationen (Anleitungen für gefährliche Handlungen), gefährliche Ratschläge (wenn Fehlinformation tödlich sein kann) und böswilligen Missbrauch (Spam, Kinderpornografie, Betrug, Wahlbeeinflussung usw.). Letzteres, also Meinungsmanipulation/Wahlbeeinflussung, ist meiner Ansicht nach ein echtes Risiko, das Modelle in die Welt tragen können, und ich schätze es sogar, wenn Unternehmen versuchen, das zu verhindern
Für Modellanbieter sind unerwünschte Ergebnisse riskant, weil sie zu PR-Problemen führen können. Meta möchte zum Beispiel keine Schlagzeile sehen wie „Llama 3 erklärte, wie man stalkt“. Wenn ein entzensiertes Derivatmodell so etwas tut, kann man sich damit herausreden, dass es nicht das offizielle Llama 3, sondern ein abgeleitetes Produkt war
Wenn man eine Frage stellen darf, sollte man auch die Antwort wissen dürfen. Es braucht keinen „Leiter für AI-Sicherheit“, der für einen beurteilt, welche Informationen riskant sind
Viele Entwicklerfirmen sagen, sie wollten Modellgewichte offenlegen und gleichzeitig Missbrauch verhindern, aber in Wirklichkeit ist es unmöglich, beides zugleich zu haben. Das macht die Unternehmensstrategie zwar nicht nachhaltig, aber behauptet wird es trotzdem erst einmal
Auch in App Stores oder bei Zahlungsdienstleistern werden Apps sofort aus dem Review gekickt, wenn sie übermäßige Gewalt oder diskriminierende Inhalte ausgeben, und das hat nichts mit Nutzersicherheit zu tun, sondern damit, dass die Anbieter selbst keinen Ärger bekommen wollen
Mich erinnert das an den Control-Vector, der in einem Post über Representation Engineering vorgestellt wurde, und an die diesmalige „Ablation“-Technik. Spannend ist die Forschung dazu, wie man das LLM-Gehirn in die gewünschte Richtung „hacken“ kann
Normalerweise würde ich so etwas „Lobotomie“ nennen, aber in diesem Fall fühlt es sich eher wie „Deprogrammierung“ an, was ich positiver sehe. Dass die Grenze zwischen beiden so unscharf sein kann, finde ich erstaunlich. Besonders interessant ist, dass sich dieselbe Technik offenbar für beides einsetzen lässt