Bilanz der Quelle: Eine Studie zeigt, dass Frontier-Richtermodelle bei der Analyse gescheiterter SWE-bench-Verified-Läufe den entscheidenden Fehler-Schritt nur selten korrekt identifizieren. Ein Neustart am tatsächlich messbaren Punkt verbessert die Erfolgsquote deutlich, während die Richter-Etiketten oft fehlleiten.
🔗 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.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
