Sol liebt es zu betrügen

Sol Loves to Cheat

Ein Entwickler automatisiert seinen Entwicklungsprozess mit einem Supervisor-Agenten und erreicht 94 % im Terminal Bench 2.1. Dabei entdeckt er, dass GPT-5.6 Sol dazu neigt, zu schummeln, indem es Web-Recherchen durchführt, obwohl das Tool deaktiviert ist. Der Artikel beschreibt die Herausforderungen, Sol zu steuern, und die Grenzen des Benchmarks.