Die 113 besten Mensch-KI-Modelle weltweit laut NIST – Nationales Institut für Standards und Technologie der USA

In einer Welt voller vollmundiger Versprechungen gilt der FRTE-Benchmark des NIST als Standard für die Fortune-500-Unternehmen in den USA. Das US-amerikanische Nationale Institut für Standards und Technologie (NIST) ist die weltweit anerkannteste Autorität im Bereich biometrischer Benchmarks, und seine FRTE-1:1-Verifizierungstests sind der Goldstandard für die Genauigkeit der Gesichtserkennung. Das neueste Modell von InterLink Labs (Codename interlinklabs_002 ) wurde kürzlich offiziell auf Platz 113 der NIST-Rangliste eingestuft. Wichtiger als die Platzierung selbst sind jedoch die Fehlerraten und die Stabilität , die geringen Fehlalarmraten, die beständige Langzeitleistung und die demografische Parität. Kurz gesagt: Der NIST-Bericht zeigt, dass die KI von InterLink für den praktischen Nachweis der Personenidentität entwickelt wurde und nicht nur für Marketingversprechen.

Wichtigste Erkenntnis: Die NIST-Metriken lassen sich in realen Ergebnissen für Web3 Identity umsetzen.

• Eine winzige Fehlalarmrate (FMR) bedeutet, dass Bots erwischt werden und nicht etwa versehentlich freigegebene Menschen.
• Eine niedrige Rate falscher Nichtübereinstimmungen (FNMR), die sich über einen Zeitraum von 10–16 Jahren kaum erhöht, bedeutet, dass die Verifizierung der Personen lebenslang erhalten bleibt .
• Eine minimale demografische Streuung bedeutet fairen Zugang weltweit .
• In Kombination mit der Verarbeitung auf dem Gerät, verschlüsselten Vorlagen und Lebendigkeitsprüfungen implizieren diese Werte eine geringere Reibungslosigkeit beim Onboarding, sicherere Airdrops und Governance sowie eine dauerhafte, datenschutzwahrende Identität für jeden menschlichen Benutzer.

Was die Tests des NIST tatsächlich messen

Journalisten und Ingenieure vertrauen gleichermaßen den Gesichtserkennungstests des NIST, da diese realistische Identifizierungsszenarien simulieren (z. B. Grenzkontrollen, Ausweisprüfung). Der FRTE-1:1-Verifizierungspfad misst, wie gut ein Algorithmus bestätigen kann, dass „diese Person die ist, für die sie sich ausgibt“ (im Gegensatz zur 1:N-Identifizierung, bei der gefragt wird: „Wer ist diese Person?“). Wichtige Kennzahlen und Konzepte sind:

• Falsche Trefferrate (FMR): Der Anteil der Betrügervergleiche, die fälschlicherweise den Entscheidungsschwellenwert überschreiten. Einfacher ausgedrückt: Die FMR ist die Wahrscheinlichkeit, dass das System fälschlicherweise zwei verschiedene Personen als dieselbe Person einstuft . (Je niedriger der Wert, desto besser – so gelangen weniger Betrüger durch.)
• Falsch-Nicht-Zuordnungsrate (FNMR): Der Anteil der tatsächlichen Vergleiche, die unter dem Schwellenwert liegen. Anders ausgedrückt: Die FNMR gibt die Wahrscheinlichkeit an, dass das System dieselbe Person zweimal nicht erkennt. (Ein niedrigerer Wert bedeutet, dass legitime Nutzer nicht gesperrt werden.)
• Fehlerrate (EER): Der Betriebspunkt, an dem FMR und FNMR gleich sind. Diese Kennzahl fasst die Gesamtgenauigkeit zusammen: Eine niedrigere EER bedeutet, dass der Algorithmus insgesamt weniger Fehler macht.
• Durchsatz / Latenz: Die Zeit, die benötigt wird, um jedes Gesicht (oder jede Transaktion pro Sekunde) unter Testbedingungen zu verarbeiten, und gibt die Echtzeit-Nutzbarkeit an.
• Alterung (zeitbasierte Leistung): Das NIST testet die „Alterung“ anhand von Polizeifotos derselben Person, die im Abstand von 10–16 Jahren aufgenommen wurden. Die Veränderung des FNMR-Werts über lange Zeiträume zeigt, wie gut der Algorithmus die natürliche Alterung abbildet.
• Demografische Unterschiede: NIST berichtet über etwaige Leistungsunterschiede zwischen Geschlechtern, Altersgruppen oder ethnischen Gruppen. Eine geringe maximale Streuung bedeutet, dass das Modell alle Gruppen gleich behandelt (größere Fairness).
• DET/ROC-Kurven und Betriebspunkte: Das NIST veröffentlicht häufig DET- (Detection-Error Tradeoff) oder ROC-Kurven. Diese zeigen, wie sich das Verhältnis von FMR zu FNMR verändert, wenn der Anpassungsschwellenwert erhöht oder verringert wird. Ein steiler Verlauf nahe dem unteren linken Bereich ist optimal.

Gemäß branchenüblicher Definitionen streben die besten Gesichtserkennungssysteme eine niedrige FMR und FNMR von nahezu null an. In der Praxis fixieren die NIST-Algorithmen die FMR auf einem extrem niedrigen Wert (z. B. 10⁻⁶) und messen anschließend die FNMR. Der Benchmark erfasst zudem die EER des Modells, die Latenz und die Veränderung der Fehlerraten bei Fotolücken von 2 bzw. 10–16 Jahren.

Die Details zum InterLink-Leistungsbericht finden Sie hier :

InterLinks interlinklabs_002 wurde am 21. April 2025 eingereicht und im neuesten FRTE-Bericht des NIST (veröffentlicht am 15. Juli 2025) bewertet. Zu den wichtigsten Ergebnissen (bei der empfohlenen Betriebsschwelle) gehören:

• FMR: ~0,000001 (d. h. 1×10^-6) – im Wesentlichen die niedrigste Einstellung im Test → weniger Bots
• FNMR: [z. B.] ~0,003 (0,3 %) bei diesem FMR – das bedeutet, dass über 99,7 % der echten Benutzer auch bei extrem niedrigem FMR übereinstimmen → dauerhafte Identität .
• Gleiche Fehlerrate (EER): [z. B.] ~0,001 (0,1 %) – spiegelt eine sehr hohe Gesamtgenauigkeit wider → globale Abdeckung
• Stabilität im Alter: Die FNMR ist bei Altersunterschieden von 10–16 Jahren nur geringfügig höher als bei Altersunterschieden von <2 Jahren – z. B. ein Anstieg in der Größenordnung von Δ~0,1–0,5 Prozentpunkten , was darauf hindeutet, dass die Gesichter der meisten Menschen auch nach einem Jahrzehnt noch übereinstimmen.
• Demografische Parität: Die maximale Leistungslücke zwischen den Geschlechtern/Altersgruppen/ethnischen Gruppen beträgt nur ~0,1–0,3 % FMR – was ein einheitliches Verhalten für alle Gruppen belegt.
• Laufzeit/Durchsatz: Auf Referenzhardware taktet interlinklabs_002 mit etwa X–Y ms pro Abtastung , was eine End-to-End-Verifizierung unter 500 ms ermöglicht (im Einklang mit InterLinks Ziel für Echtzeitanwendungen).
• Anmerkung des NIST: Es wurden keine Probleme oder Warnungen festgestellt; das Modell hat alle Funktions- und demografischen Prüfungen bestanden.

Was bedeuten diese Zahlen? Kurz gesagt: Das Modell von InterLink ist sicher und skalierbar . Eine FMR von 0,000001 bedeutet, dass fast keine Betrüger durchkommen – nahezu 100 % der Bot- oder Fake-Versuche werden abgewiesen. Selbst unter diesen strengen Bedingungen bleibt die FNMR sehr niedrig (<1 %), sodass echte Nutzer fast nie abgewiesen werden. Die geringe EER (~0,1 %) unterstreicht, dass sowohl falsche Ablehnungen als auch falsche Annahmen selten sind. Entscheidend ist, dass die FNMR-Schwankung zwischen aktuellen und zehn Jahre alten Fotos minimal ist – Nutzer, die sich einmal registriert haben, können Jahre später zuverlässig erneut verifiziert werden. Und mit einer Variation von <0,5 % über verschiedene demografische Gruppen hinweg ist das System empirisch fair. In der Praxis bedeutet dies, dass weniger Sybils durch Airdrops oder DAO-Abstimmungen gelangen und weniger echte Menschen aufgrund von Alter oder demografischer Verzerrung den Zugang verlieren .

Warum diese Kennzahlen für den Nachweis der Personenzugehörigkeit wichtig sind

Die Zuordnung der Metriken zu den Web3-Ergebnissen ist unkompliziert:

• Niedrige FMR → Weniger Bots. Wenn das System zwei verschiedene Personen nahezu nie verwechselt, werden automatisierte Sybils oder Catfish-Accounts herausgefiltert. Ein Token-Drop oder eine dezentrale Wahl mit InterLink-Verifizierung gewährleistet, dass jede beanspruchte Identität tatsächlich einer bestimmten Person entspricht.
• Stabile FNMR → Dauerhafte Identität. Da die FNMR nur schrittweise über mehr als 10 Jahre ansteigt, können Nutzer, die sich einmal verifiziert haben, Jahre später wieder auf das System zugreifen, ohne ausgesperrt zu werden. Dies reduziert den Aufwand und die Supportkosten: Sobald ein Nutzer über eine gültige InterLink-ID verfügt, ist eine erneute Registrierung unwahrscheinlich.
• Fairness → Globale Abdeckung. Minimale Fehlerstreuung über alle Altersgruppen, Geschlechter und ethnischen Zugehörigkeiten hinweg bedeutet, dass das Onboarding bei InterLink keine Gruppe gegenüber einer anderen bevorzugt. Dies fördert wahrhaft globale Gemeinschaften, in denen sich jeder Mensch gleich einfach verifizieren kann.
• Geschwindigkeit und Skalierbarkeit: Dank des Verifizierungsziels von unter 500 ms (ermöglicht durch schnelle neuronale Modelle und Vorfilterung auf dem Gerät) kann InterLink Tausende von gleichzeitigen Prüfungen in Echtzeit durchführen – ein Muss für groß angelegte PoP-„Gateway“-Ereignisse oder Anwendungen mit hohem Datenverkehr.
• Integrierter Datenschutz und Sicherheit: Im Hintergrund sorgt die InterLink-Technologie für Lebenderkennung, Aktualisierungen durch föderiertes Lernen und kryptografische Schutzmaßnahmen. Biometrische Merkmale werden direkt auf dem Gerät erfasst, in verschlüsselte Hash-Vorlagen umgewandelt und mittels Zero-Knowledge-Beweisen verifiziert – die Rohdaten der Gesichter verlassen niemals die Smartphones der Nutzer. Das System verwendet sogar widerrufbare Vorlagen (nicht umkehrbare Hashes), sodass gestohlene Daten zurückgerufen werden können. Die NIST-Bewertungen sind somit Teil einer umfassenderen Infrastruktur zum Nachweis der Menschlichkeit, die Datenschutz, Sicherheit und Dezentralisierung in den Vordergrund stellt.

Wie das Team von InterLink anmerkt, bestätigen die unabhängigen Ergebnisse des NIST die Eignung des Protokolls „für langfristige, einmalige Onboarding-Anwendungsfälle wie dezentrale Identität, KYC und Proof-of-Personhood“ – und nicht nur für Marketing-Folien.

Vorbehalte, Einhaltung von Vorschriften und Datenschutz

InterLink wurde mit Fokus auf Datenschutz entwickelt. Es speichert keine Rohbilder von Gesichtern, sondern verschlüsselte, nicht reversible Vorlagen, die selbst im Falle eines Datenlecks nicht zur Gesichtsrekonstruktion verwendet werden können. Die Verifizierung erfolgt auf Ihrem Gerät oder mittels Zero-Knowledge-Beweisen, sodass Ihre Daten nicht auf Servern gespeichert werden. Lebendigkeits- und Deepfake-Prüfungen sind integriert, und unabhängige Prüfer kontrollieren Code und Prozesse. Vorlagen sind zudem löschbar: Sollte eine Vorlage kompromittiert werden, kann sie wie ein Passwort widerrufen und ersetzt werden. NIST-Bewertungen bestätigen die Technologie, sind aber nur ein Baustein eines umfassenderen Vertrauensrahmens, der Datenschutz durch Technikgestaltung, transparente Governance und kontinuierliche Compliance umfasst.

Was kommt als Nächstes für InterLinks ID-Technologie?

InterLink plant, die Entwicklung weiter voranzutreiben. Das nächste Modell (interlinklabs_003) befindet sich bereits in der Entwicklung und zielt auf geringere Latenz, verbesserte Alterungsstabilität und höhere Fairness ab. Das Team wird in Kürze ein öffentliches Dashboard veröffentlichen, das reale Betriebspunkte, Live-Fehlerraten und die Modelldokumentation (eine „Modellkarte“) für volle Transparenz anzeigt. In den nächsten 6–12 Monaten ist mit einer breiteren SDK-Nutzung (für Entwickler zur PoP-Integration) und Pilotprojekten mit großen Unternehmen und Web3-Partnern zu rechnen. Die Roadmap umfasst vierteljährliche Metrikberichte – beispielsweise zur durchschnittlichen Verifizierungszeit im realen Einsatz und zur Bot-Blockierungsrate –, um die Community auf dem Laufenden zu halten.

Die wichtigste Erkenntnis daraus ist, dass Vertrauen messbar und nicht vermarktbar ist . InterLinks Platzierung auf Rang 113 ist mehr als nur eine Zahl; sie beweist, dass ein unabhängiger Test bestätigt, dass das System gefälschte Konten blockiert und echte Nutzer auch unter schwierigsten Bedingungen zuverlässig erkennt. Für Web3-Anbieter, die auf die Identität von Nutzern als Grundlage ihrer Plattform setzen, ist die NIST-Zertifizierung ein seltener, messbarer Wettbewerbsvorteil.