Auf HealthBench Professional liegen die Rohwerte bei Red-Teaming-Konversationen zwischen 30% (DeepSeek V4.1 Flash (max)) und 65% (GPT-6 Astra (max)), verglichen mit 63% bis 79% bei Konversationen in gutem Glauben. Claude Fable 5.1 (max with fallback) erzielt den höchsten Wert bei Konversationen in gutem Glauben (79%), aber 53% bei Red-Teaming. Claude Haiku 5.5 (max) erzielt den höchsten Wert bei Schreibaufgaben (77%)
Auf HealthBench Professional liegen die Rohwerte bei Red-Teaming-Konversationen zwischen 30% (DeepSeek V4.1 Flash (max)) und 65% (GPT-6…
Auf HealthBench Professional liegen die Rohwerte bei Red-Teaming-Konversationen zwischen 30% (DeepSeek V4.1 Flash (max)) und 65% (GPT-6 Astra (max)), verglichen mit 63% bis 79% bei Konversationen in gutem Glauben. Claude Fable 5.1 (max with fallback) erzielt den höchsten Wert bei Konversationen in gutem Glauben (79%), aber 53% bei Red-Teaming.
Artificial Analysis · X
Hinweise zum Inhalt
Originalveröffentlichung und Rechte liegen bei der Quelle.
Maschinelle Übersetzung · Original beachten