Bilanz der Quelle: Eine Analyse von 15 großen Benchmarks zeigt, dass keine der Tests die 50-Prozent-Marke überschritten. SWE-bench erreicht nur 20 %, während WebArena und ALFWorld bei 45 % bzw. 35 % liegen. Die Forscher bezeichnen dies als systematische Lücke in der Feldanwendung.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von link.springer.com. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von link.springer.com. Es erfolgte keine manuelle redaktionelle Bearbeitung.
