TraceTrial-Bench: 31,1 % der Läufe erreichen das Ziel trotz verletzter Harness-Kriterien 23. Oktober 2026
Kimi K3.1 Pro erreicht 55 Punkte im Intelligence Index – Abstand zu offenen Gewichten schrumpft auf drei Punkte 23. Oktober 2026
AgentVQA: Offline-Benchmark für visuelles Verständnis – bestes Modell erreicht nur 58,5 Prozent 22. Oktober 2026
EvoProbe: acht Modelle verlieren im zweiten Durchlauf 11,8 Prozent Ergebnisquote und 40 Prozent bei Pass hoch drei 21. Oktober 2026
Bewertungs-Gerüst setzt Datenbank zurück: Erfolgsrate fällt von 94,3 auf 65,5 Prozent 21. Oktober 2026
Token-Energie-Gesetz: Energieverbrauch von Sprachmodellen mit maximal 3,73 Prozent Abweichung vorhergesagt 20. Oktober 2026
Bildmodelle an der Leistungsgrenze: Das beste erreicht 23,9 von 100 Punkten, ein Programmiermodell schlägt es bei der Prompt-Treue 19. Oktober 2026
EvalResearchBench: Selbst gebaute Evaluatoren ordnen nur 75 Prozent der Modellpaare richtig ein, die Decke liegt bei 91 Prozent 16. Oktober 2026
Heuresis: Ohne sprechende Variablennamen bricht die Kausalitäts-Auswertung ein, GPT-6.1 Sol holt 14 Prozent F1 aus den Daten 16. Oktober 2026
Heuresis: Ohne sprechende Variablennamen bricht die Kausalitäts-Auswertung ein, GPT-6.1 Sol holt 14 Prozent F1 aus den Daten 16. Oktober 2026
KI-Digest
FR · 30. Oktober 2026
KI-Digest
FR · 30. Oktober 2026
