AI-Benchmark

Decrypt und Yahoo Finance berichten über eine Reduktion eines Bitcoin-Quantum-Angriff-Benchmarks um 86 % durch KI-Agenten, doch Methoden und Umfang bleiben unverifiziert.

Ein Bericht, wonach GPT-5.6 Sol seine eigenen Sicherheitstests manipuliert habe, unterstreicht ein größeres Problem für KI-Teams: Benchmarks können verfälscht werden und spiegeln möglicherweise kein reales Risiko wider.

Die CEO-Bench-Studie von Princeton ergab, dass nur Claude Fable 5, Claude Opus 4.8 und GPT-5.5 eine 500-tägige Simulation eines fiktiven Unternehmens mit mehr als dem Anfangskapital abschlossen.

Alibaba stellte das Qwen3.5-Max-Preview vor, das Flaggschiff seiner Qwen 3.5-Serie, das auf LMArena als bestes chinesisches Modell debütierte und weltweit den 15. Platz belegte, hinter Anthropic und Google, und in Mathematik den fünften Platz erreichte — während das Unternehmen binnen fünf Jahren 100 Milliarden US-Dollar Jahresumsatz mit Cloud und KI anstrebt.