Bilanz der Quelle: Ein Paper auf arXiv zeigt, dass gnaedige Keyword-Benchmarks kleine Sprachmodelle für Tool-Nutzung belohnen, die sie nie ausfuehren. Zwei spanische Sicherheitsmodelle mit identischem Decoder und Tokenizer erreichen auf der laxen B4-Metrik 0,660 gegen 0,650. Eine Woertlich-Reproduktionspruefung trennt sie voellig: Das 661,6M-Modell emittiert in 6 von 6 Faellen gueltige Tool-Calls, das 1,109B-Modell in 0 von 6 ueber alle Checkpoints.
🔗 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.
