KI-Benchmarks bewerten meist nur ein Modell in einem einzigen Durchlauf, doch eine neue Studie mit 21 LLMs über 16 Benchmarks hinweg — Programmieren, logisches Denken, Medizin und agentische Aufgaben — ergab, dass die Korrektur von Einzelmodell- und Einzeldurchlauf-Verzerrungen zeigt, dass die real erreichbare Leistung um 82 Prozent besser ist als Standard-Einzelmodell-Benchmarkwerte

Eine im Jahr 2026 von Fowler et al. auf arXiv veröffentlichte Studie untersuchte 21 große Sprachmodelle (LLMs) anhand von 16 Benchmarks, die Aufgaben wie Codierung, Argumentation und Medizin abdeckten. Die Studie führte die „Capability Frontier“ ein, um die Unterschätzung durch Einzelmodellbewertungen und die Überschätzung durch verrauschte Stichproben zu korrigieren. Es wurde festgestellt, dass die Korrektur sowohl von Einzelmodell- als auch von Einzelrun-Verzerrungen eine Verbesserung der erreichbaren Leistung um 82 % im Vergleich zu standardmäßigen Einzelmodell-Benchmark-Ergebnissen offenbart.