Ich bin darüber verwirrt. Es steht so im Widerspruch zu meiner tatsächlichen täglichen Erfahrung mit LLMs, die darin besteht, dass sie jetzt alle mehr oder weniger gleich klingen, und das seit Claude 3.5 Sonnet. Entweder sind Benchmarks bedeutungslos geworden oder die Modelle sind einfach so gut geworden, dass weitere Verbesserungen nur durch rigorose Analysen und nicht durch ein Gefühl wahrgenommen werden können.