Bilanz der Quelle: Das Paper stellt den ersten Reverse-Engineering-Benchmark vor, der zugleich kontaminationsfrei und in realistischer Großenordnung ist. Getestet wurden 13 Agenten-Setups mit 11 Modellen, davon acht öffentlich zugaengliche und fünf interne Konfigurationen ohne Sicherheitsvorkehrungen und ohne Budgetgrenze. GPT-5.6-Sol löst vollständig 80 von 254 bewerteten Instanzen, also 31,5 Prozent, Claude-Fable-5.1 kommt auf 60 von 223, also 26,9 Prozent.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
