AI Agents: Konsens untereinander stärker als mit der Realität
Der Konsens verbesserte die Rankings bei 73 von 100 öffentlichen Aufgaben, doch gemeinsame Annahmen können Fehler bewahren, die Labormessungen aufdecken.
Jede Zipp-Geschichte mit dem Tag #AIBenchmarks, die neueste zuerst.
Der Konsens verbesserte die Rankings bei 73 von 100 öffentlichen Aufgaben, doch gemeinsame Annahmen können Fehler bewahren, die Labormessungen aufdecken.
Der mehr als doppelt so hohe Vorsprung vor Opus 5.5 ist die Schlagzeile, doch die kritischere Lektüre ist, dass bei fast sechs von zehn Projekten die professionelle Abnahme-Hürde von Scale RLI weiterhin nicht erreicht wird.