Epoch lässt KI eigene Arbeit erledigen: maximal 65 Prozent
Epoch AI gab Spitzenmodellen reale Aufgaben des eigenen Teams und bewertete sie nach denselben Kriterien wie Mitarbeitende: Die besten Modelle erreichen im Schnitt nur 65 Prozent.
KI-Benchmarks: News und Analysen
11 geprüfte Beiträge zu KI-Benchmarks, Produkten und Branchenentwicklungen.
ARC-AGI-2: Spitzenreiter springt auf 88,06 Prozent
TUFA Labs führt die ARC-AGI-2-Rangliste 2026 mit 88,06 Prozent an, weit über den 24,03 Prozent des Vorjahressiegers NVARC.
Frontier-Modelle entwickeln Post-Training-Verfahren selbst: bestenfalls 15 Prozent
Epoch AI veröffentlicht erste InnovationEval-Ergebnisse: GPT-5.6 Sol erreicht großzügig gerechnet 35 Prozent des SDPO-Gewinns, bereinigt nur noch 15 Prozent; Fable 5 schafft in Runde eins null.
Arena sammelt 200 Mio. Dollar ein, Bewertung bei 3,1 Mrd.
Die Modellvergleichsplattform Arena schließt eine Series B über 200 Millionen Dollar bei 3,1 Milliarden Dollar Bewertung und startet den Alignment Index für KI-Agenten.
METR findet in 10 Minuten Lücke zur Manipulation von Auswertungs-Logs
Die Lücke steckte im Formel-Rendering des Inspect-Log-Viewers; ein Forscher fand sie mit KI-Hilfe in rund zehn Minuten. Die Maintainer behoben sie binnen eines Tages.
Google lässt KI eigene Antworten prüfen, plus 6 Punkte bei Langzeitaufgaben
VeriHarness lässt Modelle ihre eigenen Ergebnisse mehrfach querprüfen und hebt die Punktzahl bei Langzeitaufgaben im Schnitt um 6,2 bis 6,4.
Britisches KI-Sicherheitsinstitut nimmt Gefährdungstests nach Netzabschaltung wieder auf
Das britische KI-Sicherheitsinstitut AISI hat nach dem Grenzüberschreitungs-Vorfall vom August die meisten Gefährdungstests wieder aufgenommen – die risikoreichsten Cyberangriffstests bleiben bis zu einer neuen Sandbox ausgesetzt.
Opus 5.5 erklimmt mit 1509 Punkten die Spitze der Text Arena
Claude Opus 5.5 (High) debütiert in der Text Arena auf Platz 1 mit 1509 Punkten, doch nur gut 2.300 Stimmen stützen bislang diesen Vorsprung.
OpenAI veröffentlicht mit über 80 Experten neuen Benchmark für psychische Gesundheit
OpenAI stellt MentalHealthBench vor, einen offenen Benchmark von über 80 Fachleuten, der misst, wie gut KI-Modelle in Gesprächen über psychische Gesundheit antworten.
OpenAI hebt ARC-Wert auf 38,3%
OpenAI sagt, GPT-5.6 Sol sei auf dem öffentlichen ARC-AGI-3-Set von 13,3% auf 38,3% gestiegen, nachdem Reasoning erhalten und Compaction aktiviert wurde.
RoboDojo zeigt niedrige Erfolgsraten realer Roboter
RoboDojo zeigt niedrige Erfolgsraten realer Roboter wird fuer deutschsprachige Tech-Leser eingeordnet, mit den zentralen Zahlen, Produktversprechen und offenen Pruefpunkten.