Anthropics Claude Opus 5 erzielte einen neuen Spitzenwert bei ARC-AGI-3 und wirft damit neue Fragen auf: echte Reasoning-Fortschritte oder gezielte Benchmark-Optimierung?

OpenAI sagt, etwa 30 % der SWE-Bench-Pro-Aufgaben könnten fehlerhaft sein, was neue Zweifel daran weckt, wie die KI-Branche Coding-Modelle misst.

Ein neues, auf generativer KI basierendes Benchmarking-System offenbart Chinas Dominanz im Sektor autonomer Fahrzeuge und Robotaxis gegenüber US-Konkurrenten.

Google DeepMind führt auf der Kaggle Game Arena Benchmarks für Werewolf und Poker ein, um soziale Fähigkeiten von KI, Täuschungserkennung und Risikomanagement zu testen. Die Modelle Gemini 3 Pro und Flash zeigen einen deutlichen Leistungssprung gegenüber der vorherigen Generation.