EvoProbe: Nach Aufgaben-Aktualisierung fallen acht Agentenmodelle im Schnitt um 11,8 Prozent, Pass-Hoch-3 um 40 Prozent 14. Oktober 2026
EvoProbe: Nach Aufgaben-Aktualisierung fallen acht Agentenmodelle im Schnitt um 11,8 Prozent, Pass-Hoch-3 um 40 Prozent 14. Oktober 2026
AgentHorizon: 1.373 Computer-Use-Aufgaben aus 166 Stunden – GPT-5.5 als bester Richter mit 80,9 Prozent 13. Oktober 2026
Persona-Evolution senkt die Agentenleistung in allen 12 GPT-5.4-Konfigurationen um 5,8 bis 33,7 Punkte, ohne die Aufgabe unloesbar zu machen 12. Oktober 2026
AutoSciBench senkt Lösungsquote generierter Benchmarks um 22,4 und 25,5 Prozentpunkte – Aufgaben gelten trotzdem als besser 7. Oktober 2026
Technion-Studie: Ranglisten kippen, sobald man die Formulierung ändert – kein der elf getesteten Modelle generalisiert gleichmäßig 3. Oktober 2026
SHAD: voll annotierter Benchmark für Zeitreihen-Anomalien mit Raumlicher Erklärbarkeit 2. Oktober 2026
54 % der Ergebnisvarianz eines Agenten sind Wiederholungsrauschen: Was Benchmarks misst, ist mehr als Zufall 1. Oktober 2026
Benchmark-Fehler entdeckt: Zwei 600M- und 1,1B-Modelle gleichauf bei 0,660 zu 0,650, aber 6 von 6 zu 0 von 6 gültigen Tool-Calls 1. Oktober 2026
KaliBench: Eine feine-granular Befehlsbenchmark für die Übersetzung von Analystenabsichten in echte Kommandozeilen-Aufrufe auf Kali Linux 1. Oktober 2026
KI-Digest
FR · 30. Oktober 2026
KI-Digest
FR · 30. Oktober 2026
