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

Source Brief

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.