OpenAI stellt mit FrontierScience einen neuen Benchmark vor, der KI-Modelle auf Olympiade- und Forschungsniveau testet. Das hauseigene GPT-5.2 schneidet dabei am besten ab, doch die Aufgaben offenbaren auch die Grenzen aktueller Systeme.
Der Artikel GPT-5.2 dominiert OpenAIs neuen Wissenschafts-Test, scheitert aber an komplexen Forschungsaufgaben erschien zuerst auf The Decoder.
Ein neuer Benchmark von Google DeepMind soll die Zuverlässigkeit von KI-Modellen umfassender messen als bisher. Die Ergebnisse zeigen, dass selbst Spitzenmodelle wie Gemini 3 Pro und GPT-5.1 weit von Perfektion entfernt sind.
Der Artikel FACTS-Benchmark: Auch Top-KI-Modelle kämpfen mit der Wahrheit erschien zuerst auf The Decoder.
Ein neuer Benchmark namens „CritPt“ konfrontiert KI-Modelle mit physikalischer Forschung auf dem Niveau von Doktoranden. Die Ergebnisse zeigen, dass selbst führende KI-Modelle wie Gemini 3 Pro und GPT-5 weit davon entfernt sind, autonome Wissenschaftler zu sein.
Der Artikel Gemini 3 Pro und GPT-5 scheitern noch an komplexen Physik-Aufgaben erschien zuerst auf The Decoder.
Ein neuer Benchmark von Artificial Analysis zeigt erschreckende Schwächen bei der faktischen Zuverlässigkeit von KI-Modellen auf. Von 40 getesteten Modellen erreichen nur vier einen positiven Score, Googles neues Gemini 3 Pro führt deutlich.
Der Artikel Neuer Benchmark entlarvt große Wissenslücken bei KI-Modellen – nur vier schaffen positive Bewertung erschien zuerst auf The Decoder.
Mit GDPval führt OpenAI einen Benchmark für reale Wissensarbeit ein: 1320 Aufgaben aus 44 Berufen, bewertet von Branchenprofis.
Der Artikel OpenAI testet KI-Modelle erstmals systematisch an realer Wissensarbeit erschien zuerst auf THE-DECODER.de.
Das französische Start-up Foaster.ai hat mit einem neuen Benchmark die sozialen Fähigkeiten großer Sprachmodelle getestet. In 210 Partien des Gesellschaftsspiels „Werwolf“ zeigte GPT-5 überlegene Leistungen bei Manipulation und strategischem Verhalten.
Der Artikel GPT-5 täuscht am besten: OpenAIs neues KI-Modell dominiert im „Werwolf“-Spiel erschien zuerst auf THE-DECODER.de.
Ein neuer Benchmark testet KI-Agenten in realistischen Office-Workflows über mehrere Tage. Das Ergebnis überrascht: OpenAIs o3 outperformt in vielen Szenarien das neuere GPT-5-Modell.
Der Artikel OpenAIs älteres KI-Modell o3 schlägt GPT-5 bei komplexen Büroaufgaben erschien zuerst auf THE-DECODER.de.
Salesforce hat mit CRMArena-Pro einen neuen Benchmark für KI-Agenten vorgestellt. Selbst Top-Modelle wie Gemini 2.5 Pro erreichen in einfachen Aufgaben nur 58 Prozent Erfolgsquote. Bei längeren Dialogen fällt die Leistung auf 35 Prozent.
Der Artikel Salesforce-Benchmark zeigt: KI-Agenten scheitern an komplexen Geschäftsdialogen erschien zuerst auf THE-DECODER.de.