AgentProofBench trennt Anforderung und Ausführung: 32 von 33 Programmen mit fehlerfreiem Panel liefern korrekt, aber nur 1 von 11 mit Panelfehlern 25. 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
AgentHorizon: 1.373 Computer-Use-Aufgaben aus 166 Stunden – GPT-5.5 als bester Richter mit 80,9 Prozent 13. Oktober 2026
Richter-Etiketten treffen den entscheidenden Schritt nur in 7 von 188 Fällen – Neustart am gemessenen Punkt hebt den Erfolg von 0,44 auf 0,57 13. Oktober 2026
Meta: Zuckerberg bevorzugt unabhängige Evaluatoren statt Verlangsamung für KI-Sicherheit 16. September 2026
KI-Digest
DO · 29. Oktober 2026
KI-Digest
DO · 29. Oktober 2026
