MM-ToolBench zeigt Claude Opus 4.6 bei 32 % Task-Erfolgsquote gegenüber 94 % für Menschen – gemessen durch geschlossene multimodale Verifikation über 27 MCP-Server und 324 Tools.
LangChains DeepAgents Harness Profiles liefern 10–20 Punkte tau2-bench-Verbesserung durch modellspezifische System-Prompt- und Middleware-Overrides.
AgenticQwen-30B-A3B erreicht 50,2 Punkte auf Tool-Use-Benchmarks und entspricht damit Qwen3-235B. RL-Trainingsschleifen kehren die Kostenkurve um.
AHE-Framework hebt Pass@1 von 69,7 % auf 77,0 %; harness-seitige Änderungen bringen 13–20 % Terminal-Bench-Gewinn ohne Modell-Update.
Anthropics BioMysteryBench testete Claude an 99 Bioinformatik-Problemen; neueste Modelle lösten rund 30 % der expertenresistenten Fälle in offener Forschung.
Sakana AIs Fugu Beta erreicht SOTA auf SWE-Pro, GPQA-D und ALE-Bench durch dynamische Frontier-Model-Orchestrierung via OpenAI-kompatibler API.
Eine vergleichende Analyse des Open-Source-LLM-Oekosystems zu Beginn von Q2 2026 — Performance-Benchmarking gegen proprietaere Alternativen, Lizenzlandschaft und Gesamtbetriebskosten fuer Self-Hosted-Deployments.
Kuratierte AI-Einblicke — wir senden, wenn es sich lohnt.