Bilanz der Quelle: Ein Audit von Agenten-Bewertungsgerüsten deckt auf, dass eine verbreitete Benchmark eine Reward-Funktion nutzt, die die Datenbank zurücksetzt und nicht wiederherstellt, wodurch das Scoring den Zustand der Musterlösung ausliest. Die korrigierte Erfolgsrate fällt dadurch von 94,3 auf 65,5 Prozent, was die Aussagekraft gängiger KI-Benchmarks infrage stellt.
🔗 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.
