Bilanz der Quelle: Die neue Benchmark SkillForgeBench bewertet 842 Sandbox-Aufgaben für AI-Agenten und prüft dabei nicht nur das Ergebnis, sondern jede Prozessvorgabe einzeln. Über acht Agenten hinweg liegt die strenge Vollständigkeitsquote nur zwischen 12,6 und 40,9 Prozent, wobei Opus 4.8 mit 40,9 Prozent anführt.
🔗 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.
