Your AI Agent Evaluation Is Lying to You: Why 10 Test Runs Prove Nothing

Der Inhalt argumentiert, dass 10 Testläufe zwischen KI-Agenten nicht ausreichen, um gültige Schlussfolgerungen über die Leistung zu ziehen, selbst bei einem 5:5-Unentschieden. Er erklärt, dass die Gewinnrate bei kleinen Stichprobengrößen enorme Konfidenzintervalle aufweist, und stellt das Wilson-Score-Intervall als eine vernünftige Grenze für binäre Ergebnisse vor.