KI-Modellbewertung
Wechselt man den Fragensatz, rutscht dasselbe Modell mehrere Plätze — eine Rangliste ist kein Zeugnis, sondern ein Ausschnitt aus der Perspektive der Prüfenden. Es geht um den Aufbau von Benchmarks, das Design von Gradern und darum, wie Werte nicht künstlich steigen.
Die Schwierigkeit der Evaluation liegt nicht im Fragenstellen, sondern darin, dass Punkte wirklich Können abbilden. UNO-Bench bündelt 44 Aufgabentypen und erreicht mit einem Bewertungsmodell rund 95 Prozent Übereinstimmung; AMO-Bench lässt Experten 50 neue Aufgaben auf IMO-Niveau schreiben, um Auswendiglernen auszuschließen — die meisten Modelle bleiben unter 40 Prozent. Agenten-Evaluation startet bei realen Fehlschlägen und trennt pass@k von pass^k.
