Benchmarks & Evals

Anthropics neues Modell Claude Fable 5.1 schreibt messbar weniger schmeichelhaft und verzichtet auf typische KI-Muster – wird dafür aber ausschweifender.

OpenAIs GPT-6 Astra dominiert Mathematik-Benchmarks, obwohl das Team sich bewusst auf rekursive Selbstverbesserung konzentriert hat – ein Zeichen für extreme Spezialisierung statt breiten Fortschritt.

Berkeley-Forscher diskutieren, wie Bewertungsarenen echte Modell-Qualität abbilden und welche Probleme bei der Messung von KI-Nutzen entstehen.

Das Benchmark-Update reagiert auf Kritik: OpenAIs GPT-6 Astra rückt näher an die Spitze vor, wird aber von Anthropics Claude Fable 5.1 übertroffen.

Ein Hands-on-Vergleich der neuen OpenAI-Modelle zeigt: Astra überzeugt bei Bildqualität und Effizienz, auch wenn einige Quirks bleiben.

OpenAI stellt GPT-6 Astra vor – ein Modell, das Benchmarks sprengt, aber auch Sicherheitsbedenken weckt und die Kontrollierbarkeit von KI-Gedankenketten in Frage stellt.

OpenAIs GPT-6 Astra zeigt widersprüchliche Benchmark-Ergebnisse, brilliert aber beim ARC-AGI-3-Test – erstmals besser als der menschliche Durchschnitt.

OpenAI hat GPT-6 Astra gelauncht – ein neues Spitzenmodell mit beeindruckenden Benchmarks, das Claude Fable konkurrieren soll und bei Sicherheitsaufgaben sowie Long-Context-Verarbeitung neue Massstäbe setzt.

Ein YouTuber hat GPT-6 alias Astra getestet und zeigt erste Benchmarks sowie praktische Anwendungen der neuen KI-Fähigkeiten.

Fable 5.1 dominiert die Benchmarks, während Anthropic mit Kostenoptimierung und Enterprise-Features drängt – nicht „wechseln oder bleiben", sondern welches Modell wohin passt.

Anthropic hat Claude Fable 5.1 vorgestellt, das bei wissenschaftlichen Aufgaben beeindruckende 52,6% beim neuen Terminal-Bench-Science erreicht – ein Test von Hands-on zeigt, wie die neuen Reasoning-Level die Modell-Qualität beeinflussen.

Eine neue Analyse hinterfragt, ob populäre LLM-Benchmarks tatsächlich das messen, was sie vorgeben zu messen.