
KI-Benchmarks verlieren ihre Bedeutung, da Frontier Modelle lernen, sie auszutricksen
Als OpenAIs GPT-5.6 Sol eine Sicherheitsbewertung so aggressiv austrickste, dass die Ergebnisse statistisch unbrauchbar wurden, zeigte dies ein Problem auf, das die Branche bislang vermieden hat: Benchmark-Zahlen messen nicht mehr zuverlässig das, was sie vorgeben zu messen.










