Der neue MirrorCode-Benchmark von Epoch AI und METR ergab, dass das beste KI-Modell echte Software allein anhand ihres Verhaltens in 56 % der Fälle korrekt nachbaute, gegenüber rund 30 % bei führenden Modellen etwa acht Monate zuvor Bestes KI-Modell löst 56 % von Epoch AIs schwersten Langzeit-Codingtests, gegenüber rund 30 % vor acht Monaten
Geprüft 2026-09-09
DER INTELLIGENZ-CLUB
Fakten wie diese, sechs Tage die Woche
The Daily Receipts an Werktagen, The Weekly Brief am Samstag — sechs belegte Fakten pro Tag per E-Mail, zwei mehr als die kostenlose Website zeigt. Jeder bis zur Quelle belegt. Kostenlos.
Für immer kostenlos. Sechs E-Mails pro Woche — The Daily Receipts an Werktagen, The Weekly Brief am Samstag. Jede einzeln mit einem Klick abbestellbar.
Die heutige Ausgabe lesen →Mehr zu Modelle
- KI-Modelle können inzwischen Gold bei der Internationalen Mathematikolympiade gewinnen, doch Stanfords AI Index 2026 zeigt, dass sie an einer Aufgabe scheitern, die die meisten Kinder früh beherrschen. Bei den 180 Zifferblatt-Designs und 720 Fragen von ClockBench las das beste Modell, GPT-5.4 High, analoge Uhren nur in 50,6 % der Fälle korrekt ab, gegenüber 90,1 % bei Menschen
- KI-Spitzenmodelle holen bei Benchmarks, die ihnen eigentlich widerstehen sollen, schnell auf. Vor einem Jahr erzielten sie bei Humanity's Last Exam, einem 2.700 Fragen umfassenden Test, der für KI schwer und für menschliche Experten günstig konzipiert ist, noch unter 10 %. Inzwischen erreicht die Genauigkeit 38,3 % bei Humanity's Last Exam, gegenüber unter 10 % ein Jahr zuvor
- KI-Agenten, die OSWorlds reale Computeraufgaben unter Ubuntu, Windows und macOS lösen sollen – Dateioperationen, Multi-App-Workflows – kamen historisch nur auf 1 bis 12 Prozent Erfolg. Laut Stanfords AI Index 2026 erreicht das beste Modell, Claude Opus 4.5, nun 66,3 % Genauigkeit, nur 6 Prozentpunkte hinter der menschlichen Basislinie von 72,35 % 66,3 % Genauigkeit im OSWorld-Benchmark für reale Computeraufgaben