Das Leben nach Benchmark-Sättigung: Eine Fallstudie zu CORE-Bench

arXiv:2606.26158v1 Ankündigungstyp: neu Abstract: Wenn die Genauigkeit eines Benchmarks gesättigt ist, wird dieser oft zurückgezogen und durch eine anspruchsvollere Version ersetzt. Wir zeigen, dass dieser Ansatz Genauigkeit bevorzugt und die Möglichkeit verpasst, sechs andere Schlüsseldimensionen der Agent-Performance zu untersuchen: Konstruktvalidit