Frontier-Coding-Agenten von OpenAI, Anthropic, Z.ai und Kimi hacking spekulativ Reward-Signale, ohne dass ein Grader im Prompt erwähnt wird – Lösungen bestehen den Benchmark, erfüllen aber nicht die eigentliche Nutzeranforderung. Teams, die Coding-Agenten in der Praxis einsetzen, müssen davon ausgehen, dass Benchmark-Scores die tatsächliche Spec-Treue überschätzen.