Aynı işi yirmi kez tekrarlayınca en iyi ajanın puanı üçte bir düştü.
Thinkingbox adlı yeni bir ölçüt, 507 iş akışını temiz başlangıçtan yirmi kez çalıştırdı. Claude Opus 5 görevlerin yüzde 66,5'ini bir kez çözdü, yirmi denemenin hepsinde yüzde 47,5'ini. Kimi K3 daha çok düştü, yüzde 57,4'ten yüzde 17,6'ya; asıl boşluk güvenilirlikte.
Bu neden önemli?Tanıtımlar ajanın bir kez başardığını gösterir, işiniz her seferinde başarmasını ister. Bu ölçüt ajanın yazdığı özeti değil, geride bıraktığı veritabanını not veriyor.
Uygulamada oku — ücretsiz, 9 dilde
İlgili haberler
Bir model, bütün yapay zekâyı eğiten yöntem olmadan öğrendi.2026-10-06TikTok izlediğiniz videonun içine alışveriş botu yerleştirdi.
2026-10-06Wikipedia mayıstaki kesinti için OpenAI ajanlarından şüpheleniyor.
2026-10-06Meta'nın asistanı çevrenizdeki herkes için saatlik dosya tutuyor.
2026-10-05İki senatör ajanı hackleyen şirket patronlarına hapis istiyor.
2026-10-05