Ein virales Test-Video dokumentiert ein bekanntes Problem in der KI-Bewertung: Während Nanbeige 4.3 in klassischen Benchmarks deutlich über Qwen 3.8 abschneidet, zeigt sich in einer praktischen multimodalen Aufgabe die gegenteilige Realität. Das Video illustriert anschaulich, dass standardisierte Benchmarks oft nur einen Teil der echten Modell-Fähigkeiten abbilden. Solche Tests werden in der KI-Community regelmäßig diskutiert, um die Lücke zwischen Papier-Werten und realen Anwendungen deutlich zu machen. Der humorvolle Vergleich (Storch vs. Geist) macht das Problem für ein breites Publikum verständlich.
