Araştırma
AI Minute Newsroom
2026-10-06
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.
✓ Doğrulandı · 1 kaynak
Uygulamada oku — ücretsiz, 9 dilde
İlgili haberler
OpenRouter yem şifre testinden sonra üç sağlayıcıyla yolunu ayırdı.
2026-11-22Araştırmacılar Meta'nın Muse ajanından sohbet sızdırdığını öne sürdü.
2026-11-22OpenAI'a göre yeni modelleri akıl yürütme hırsızlığını önlüyor.
2026-11-22Lean topluluğu yapay zekâlı Riemann kanıtının doğru olduğunu açıkladı.
2026-11-22Araştırmacılara göre açık bir model ağırlıklarını değiştirip gelişti.
2026-11-21