GPQA Diamond ist im Frontier-Bereich gesattigt (>90% bei allen Anbietern)
und fuer die A/B-Trennung lokal nicht mehr trennscharf. Ersatz: Berkeley
Function Calling Leaderboard (bfcl-eval 2026.3.23) als etablierter
Tool-Use-Benchmark - mechanische Bewertung (AST, ausfuehrbare Calls,
Irrelevance-Detection), direkt gegen die OpenAI-kompatible Engine-API
lauffaehig (REMOTE_OPENAI_BASE_URL). Agentic-Benchmarks (tau2-bench,
Terminal-Bench) bleiben der Experimental-Stufe vorbehalten.
Generated by Mistral Vibe.
Co-Authored-By: Mistral Vibe <vibe@mistral.ai>