Eine Studie von Google zeigt, dass gängige KI-Benchmarks systematisch vernachlässigen, wie Menschen bei Bewertungen uneins sind.

Die üblichen drei bis fünf menschlichen Bewerter pro Testbeispiel reichen oft nicht für zuverlässige Ergebnisse aus.

KI-generiert: Die Zusammenfassungen schreibt eine KI auf Grundlage der verlinkten Quellen. So nutzen wir KI