Test: Eine kleine mathematische Textaufgabe für die KI „Gemini 3“

Die folgende Textaufgabe sollten Schüler der Jahrgangsstufe 8 lösen können. Schafft das auch eine Gemini 3? Und wie löst sie diese Aufgabe?

Doch zunächst die Textaufgabe:

In einem Haus gibt es 8 Wohnungen. In einer Wohnung wohnt niemand, in einer Wohnung wohnen 2 Personen, in einer Wohnung wohnten bis einschließlich Mai 2025 2 Personen, danach bis zum Ende des Jahres nur noch eine Person. In den restlichen 5 Wohnungen wohnt jeweils 1 Person. Wie viele Personen wohnten 2025 im Durchschnitt im Haus?

Gemini 3 errechnete in kürzester Zeit das richtige Ergebnis: Im Durchschnitt wohnten im Jahr 2025 ca. 8,42 Personen im Haus.

Gemini 3 gibt aber nicht nur das Endergebnis aus, sondern erläutert auch seine „Gedanken“- und Rechenschritte:

Um den Durchschnitt der Personen pro Monat für das Jahr 2025 zu berechnen, müssen wir die Gesamtzahl der Personenmonate ermitteln und diese durch die 12 Monate des Jahres teilen.

Hier ist die detaillierte Berechnung:

1. Aufschlüsselung der Wohnungen

Das Haus hat 8 Wohnungen. Wir betrachten jede Wohnung über den Zeitraum von 12 Monaten (Januar bis Dezember 2025):

Wohnung 1 (Leerstand): 0 Personen × 12 Monate = 0 Personenmonate

Wohnung 2 (2 Personen): 2 Personen × 12 Monate = 24 Personenmonate

Wohnung 3 (Wechsel):

Januar bis Mai (5 Monate): 2 Personen = 10 Personenmonate
Juni bis Dezember (7 Monate): 1 Person = 7 Personenmonate
Summe: 10 + 7 = 17 Personenmonate

Wohnungen 4 bis 8 (5 Wohnungen mit je 1 Person):

5 Wohnungen × 1 Person × 12 Monate = 60 Personenmonate

2. Gesamtsumme

Addieren wir nun alle Personenmonate des Jahres 2025:

0 + 24 + 17 + 60 = 101 \text{ Personenmonate}

3. Durchschnittliche Personenanzahl pro Monat

Um den Durchschnitt pro Monat zu erhalten, teilen wir die Gesamtsumme durch die 12 Monate des Jahres:

\frac{101}{12} \approx 8,4167

Ergebnis:

Im Durchschnitt wohnten im Jahr 2025 ca. 8,42 Personen im Haus.

Für die Lösung nutzt Gemini 3 sein integriertes Reasoning-System. Folgende Schritte wurde dabei durchlaufen – Antwort stmmt von Gemini 3:

1. Chain-of-Thought (CoT) – Der „Gedankengang“

Anstatt direkt eine Zahl zu schätzen oder zu raten, wende ich eine Chain-of-Thought-Methodik an. Das bedeutet, ich zerlege die Aufgabe in ihre logischen Bestandteile (Wohnungsarten, Zeiträume, Personenanzahl) und erstelle einen Schritt-für-Schritt-Plan. Diese Strukturierung ist für mich der Schlüssel, um Flüchtigkeitsfehler – wie sie bei komplexen Textaufgaben entstehen – zu vermeiden.

2. Multi-Head-Attention & Kontext-Verarbeitung

Mein Modell nutzt eine Transformer-Architektur mit einem sehr großen Kontext-Fenster. Während ich den Text Ihrer Aufgabe lese, gewichte ich die verschiedenen Informationen (8 Wohnungen, Zeiträume, Personenanzahl) mittels Attention-Mechanismen. Das System erkennt dabei automatisch die logische Verknüpfung zwischen den zeitlichen Änderungen (Mai/Juni 2025) und der Gesamtzahl.

3. Integration von Programmierlogik (Code-Execution)

Obwohl ich die Lösung oft in natürlicher Sprache ausformulieren kann, laufen im Hintergrund häufig „Python-Tools“. Das bedeutet, wenn eine Aufgabe sehr komplex oder sehr fehleranfällig ist, schreibe ich intern ein kleines Skript, das die Berechnungen mathematisch korrekt ausführt. Dies garantiert eine hohe Präzision bei der Arithmetik, da das Modell nicht „schätzt“, sondern eine präzise mathematische Logik auf die extrahierten Daten anwendet.

Warum es bei mir „integriert“ ist:

Im Gegensatz zu älteren KI-Systemen, die für Mathe ein separates Plugin oder ein starres Programm benötigten, ist meine Reasoning-Fähigkeit tief in meinem Sprachmodell verankert. Das erlaubt es mir:

Kontext zu verstehen: Ich erkenne sofort, dass „bis einschließlich Mai“ den Übergang zum Juni bedeutet.
Fehlerkorrektur: Ich kann meine eigenen logischen Schritte während des Generierungsprozesses prüfen.

In Ihrem Beispiel war die Aufgabe für mein Modell sehr gut linear lösbar, da die logische Struktur klar war. Bei noch komplexeren Aufgaben, etwa bei der Modellierung von Wahrscheinlichkeiten oder statistischen Prognosen, würde ich verstärkt auf die Python-Code-Ausführung zurückgreifen, um absolute numerische Korrektheit sicherzustellen.

Zum Abschluss noch der intern von Gemini 3 generierte Python-Code für die Berechnung des Durchschnitts:

def berechne_durchschnitt():
    # Wir definieren die 8 Wohnungen als Liste von monatlichen Personenanzahlen
    # Jeder Eintrag ist eine Liste mit 12 Werten (für jeden Monat einen)
    
    # Wohnung 1: Leer
    w1 = [0] * 12
    # Wohnung 2: 2 Personen das ganze Jahr
    w2 = [2] * 12
    # Wohnung 3: 2 Pers. (Jan-Mai), 1 Pers. (Jun-Dez)
    w3 = [2] * 5 + [1] * 7
    # Wohnungen 4-8: 1 Person das ganze Jahr
    w4, w5, w6, w7, w8 = [[1] * 12 for _ in range(5)]
    
    alle_wohnungen = [w1, w2, w3, w4, w5, w6, w7, w8]
    
    # Berechnung der Personen pro Monat (Spaltensumme)
    personen_pro_monat = []
    for monat in range(12):
        summe = sum(wohnung[monat] for wohnung in alle_wohnungen)
        personen_pro_monat.append(summe)
        
    # Gesamtsumme über das Jahr
    jahressumme = sum(personen_pro_monat)
    
    # Durchschnitt
    durchschnitt = jahressumme / 12
    
    return jahressumme, durchschnitt

summe, avg = berechne_durchschnitt()
print(f"Gesamtsumme der Personenmonate: {summe}")
print(f"Durchschnittliche Personenanzahl: {avg:.2f}")