Trend-Themen
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
489895
Mitbegründer, CTO-CPO von @SentoraHQ (fmr IntoTheBlock), Mitbegründer von @layerlens_ai, @faktoryai, @neuralfabric und The Sequence AI, Lehrtätigkeit an der Columbia-Wharton
489895 erneut gepostet
🧠 Grok 4 von @xai macht Fortschritte bei den Denkbenchmarks, aber das Bild ist nuancierter, als die Ergebnisse vermuten lassen.
Hier ist, wie es abschneidet – und was wir wirklich aus seinen Ergebnissen lernen können 🧵
📊 Vollständige Bewertung:
1️⃣ Grok 4 Ergebnisse:
• AI2 Reasoning Challenge (Einfach): 98%
• AIME 2025 (Mathematik): 89%
• Buchhaltungsprüfung: 84%
• MMLU-Plus: 64%
• Data4Health: 55%
Das sind die Gesamtergebnisse – aber lassen Sie uns genauer betrachten, was funktioniert und was noch scheitert.
2️⃣ AIME 2025
✅ Bewältigt Algebra, Geometrie, Zahlentheorie
✅ Befolgt LaTeX-Formatierungsregeln
❌ Hat Schwierigkeiten mit mehrstufiger Logik
❌ Fehler in der Kombinatorik
❌ Probleme mit der Formatgenauigkeit (z. B. fehlendes °)
3️⃣ Buchhaltungsprüfung
✅ Stark in Ethik & Berichterstattung
✅ Solides Verständnis der Prüfungsprinzipien
❌ Fehlinterpretation ähnlicher Verfahren
❌ Versäumt es, subtile Unterschiede in den Antworten zu erkennen
❌ Schwierigkeiten, Theorie auf reale Fälle anzuwenden
4️⃣ Die echte Erkenntnis?
Selbst ein Modell mit 98% in einigen Aufgaben kann bei Mehrdeutigkeit oder Formatierungsstress stark versagen.
Benchmarks wie AIME und Audit zeigen, wie es scheitert, nicht nur, wie viel es erzielt.
5️⃣ Warum das wichtig ist:
Wir brauchen transparente, aufgabenbezogene Bewertungen – nicht nur Bestenlisten.
#Grok4 ist leistungsstark, aber immer noch anfällig in hochriskanten, realen Bereichen.
🧪 Erkunden Sie die vollständige Analyse:
#AI #LLMs #Benchmarking
1,09K
Top
Ranking
Favoriten