Obwohl das V4 Flash-Modell von DeepSeek synthetische Benchmarks anführte, absolvierte es nur 53…

…8 % der komplexen Multi-Step-Agent-Aufgaben über acht unabhängige Harnesses hinweg. Die Diskrepanz zwischen Leaderboard-Werten und der Zuverlässigkeit im realen Tool-Einsatz unterstreicht die Notwendigkeit einer rigorosen operativen Bewertung vor dem Produktionsdeployment.

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