Witzige Tatsache: Das RLing der meisten 8b großen Open-Weight-Modelle (wie qwen 3) direkt im Testset für agentische Benchmarks (wie TerminalBench) funktioniert nicht. Sie können einfach die richtige Antwort innerhalb eines angemessenen Sampling-Budgets nicht erraten. Ich kann es kaum erwarten, das erste 8b-Modell zu sehen, das einen nicht trivialen Score bei diesen Benchmarks erzielt!