Humor gilt als robustes Evaluierungskriterium für echtes Sprachverständnis: Modelle erkennen zwar Witz-Strukturen, verfehlen aber Timing und Selbstwahrnehmung. Das deutet auf eine Lücke zwischen statistischer Sprachmodellierung und menschlich-intuitionalem Verständnis hin, die aktuelle Benchmarks nicht abbilden.