LLM Benchmarks

Quellenbelegte Messwerte

Vergleiche 100 KI-Modelle nach Gesamtleistung, Wissen, Coding und Agentenfähigkeiten – mit Quellen, Testdaten und nachvollziehbaren Vergleichsregeln.

Seite aktualisiert
DE
♡ Unterstützen
Benchmarks
Modelle
Filter
Modelle
Zellenansicht
Datenqualität
Modelle vergleichen
Verfügbare Modelle: 100
100 von 100 Modellen · 16 Benchmarks
Tabelle lesen
Modell suchen · Spaltenkopf sortiert · Messwert öffnet Quelle Linie: grün ganz neu · blau aktuell · ocker ab 3 Monaten≡ Geteilter Platz: Der Vorsprung ist kleiner als eine einzige gelöste Aufgabe#3/13 Fensterplatz: gilt nur innerhalb desselben AufgabenfenstersDate Datumswort = DatumsgrundlageS·A+ Quellenvertrauen: A+ am höchsten · A stark · B solide · C eingeschränktT·Max Höchstes gemessenes Thinking16 16 Benchmarks: vier pro Bereich. Die Rubriken zeigen alle Tests ihres Bereichs.Ränge und Farben berücksichtigen alle rangfähigen Modelle je Benchmark, auch ausgeblendete. Ab zehn Ergebnissen gelten fünf Farbstufen; kleinere Gruppen bleiben neutral. Diese Ränge sind abgeleitet, keine Quellenmesswerte.ORG Benchmark-Organizer · PROV Modellanbieter · 3P Offizieller Fremdvergleich seriöse Quellen widersprechen sich beim gleichen ausgewiesenen Protokoll im selben Protokoll direkt vergleichbar, mit möglicher Benchmark-Kontamination anderes ProtokollGemessene QualitätszieleVergleichbare Zellen: 90.2% · Ziel ≥85%Aktuelle Kernwerte: 87.4% · Ziel ≥90%Kernspalten mit ≥60 Modellen: 5/16
Teilen & Export

Je Testaufbau zeigen wir die höchste dokumentierte Thinking-Stufe. Sie muss nicht den höchsten Punktwert erzielen. Die Stufen entsprechen anbieterübergreifend nicht demselben Rechenbudget.

Letzte geprüfte Aktualisierung Keine wesentliche Score- oder TabellenänderungMaschinenlesbaren Änderungsfeed öffnen
Zellenansicht
Top 10 %Top 25 %MittelfeldUnteres ViertelSchlusslichtRänge und Farben gelten für alle Modelle je Benchmark. Modellfilter blenden nur Zeilen aus.Höchstes gemessenes Thinking
Aktuelle, quellenbelegte Ergebnisse von 100 Sprachmodellen. Die Spalten sind sortierbar. Vergleichbare Werte erhalten einen Rang; SWE-Pro kann zusätzlich klar gekennzeichnete offizielle Systemangaben sortieren, wobei abweichende Protokolle mit ≈ markiert bleiben.
GesamtWissen und ReasoningCodingAgenten und Tools
⁨ECI⁩-Rang ↓ · ModellECI, Gesamt, Epoch Capabilities Index: 84/100 gemessene Modelle; 84 vergleichbar, 2 geteilte Plätze. Kanonisches Protokoll: Epoch ECI snapshot 2026-10-16 · official-composite-fit · Epoch Capabilities Index. Beste vergleichbare zuerst.InfoAA Index, Gesamt, Artificial Analysis Intelligence Index: 38/100 gemessene Modelle; 38 vergleichbar. Kanonisches Protokoll: Artificial Analysis Intelligence Index v4.3.2 · intelligence-index-v4-3-2 · Artificial Analysis · Intelligence Index evaluations. Sortieren.InfoArena, Gesamt, Arena Text: 80/100 gemessene Modelle; 80 vergleichbar, 26 geteilte Plätze. Kanonisches Protokoll: 2026-10-13 · overall-style-control · Arena Text. Sortieren.InfoLiveBench, Gesamt, LiveBench: 57/100 gemessene Modelle; 57 vergleichbar. Kanonisches Protokoll: 2026-06-25 · overall-seven-category · LiveBench. Sortieren.InfoHLE Full, Wissen und Reasoning, Humanity's Last Exam · Full multimodal: 53/100 gemessene Modelle; 15 vergleichbar, 38 mit abweichendem Protokoll, 1 geteilte Plätze. Kanonisches Protokoll: HLE finalized 2,500 · Scale protocol 2025-04-03 · full-multimodal-2500-no-tools · Scale AI Labs · Humanity's Last Exam Full. Sortieren.InfoGPQA, Wissen und Reasoning, GPQA Diamond: 89/100 gemessene Modelle; 53 vergleichbar, 36 mit abweichendem Protokoll, 26 geteilte Plätze. Kanonisches Protokoll: GPQA Diamond v1 · Vals dual-prompt · diamond-198-zero-and-five-shot-cot · Vals AI GPQA Diamond. Sortieren.InfoMMLU-Pro, Wissen und Reasoning, MMLU-Pro: 63/100 gemessene Modelle; 54 vergleichbar, 9 mit abweichendem Protokoll, 13 geteilte Plätze. Kanonisches Protokoll: Vals MMLU-Pro v1 · vals-mmlu-pro-overall · Vals AI · MMLU-Pro. Sortieren.InfoFrontierMath T1–3, Wissen und Reasoning, FrontierMath T1–3: 66/100 gemessene Modelle; 66 vergleichbar, 19 geteilte Plätze. Kanonisches Protokoll: 2.0.0 · private-285-of-295-problem-tiers-1-3-set · Epoch AI · FrontierMath Tiers 1–3 v2. Sortieren.InfoSWE-bench, Coding, SWE-bench Verified: 56/100 gemessene Modelle; 56 vergleichbar, 18 geteilte Plätze. Kanonisches Protokoll: SWE-bench Verified v1 · verified-500-vals-mini-swe-agent · Vals AI SWE-bench Verified. Zeigt nur die einheitliche 500-Aufgaben-Auswertung von Vals AI mit mini-swe-agent und Bash. Dies ist die standardmäßige direkt vergleichbare Ansicht. Sortieren.InfoSWE-rebench, Coding, SWE-rebench v2: 36/100 gemessene Modelle; 13 vergleichbar, 8 direkt vergleichbar mit Kontaminationswarnung, 23 mit abweichendem Protokoll. Kanonisches Protokoll: rolling-v2 · 2026-05-15/2026-07-01 · SWE-rebench. Zeigt das neueste gemeinsame SWE-rebench-Aufgabenfenster. Kontaminationswarnungen bleiben sichtbar und ändern die Übereinstimmung des Zeitfensters nicht. 2026-05-15/2026-07-01 Sortieren.InfoLiveCodeBench, Coding, LiveCodeBench: 61/100 gemessene Modelle; 53 vergleichbar, 8 mit abweichendem Protokoll, 7 geteilte Plätze. Kanonisches Protokoll: Vals LiveCodeBench v1 · vals-livecodebench-overall · Vals AI · LiveCodeBench. Sortieren.InfoSciCode, Coding, SciCode: 79/100 gemessene Modelle; 73 vergleichbar, 6 mit abweichendem Protokoll, 9 geteilte Plätze. Kanonisches Protokoll: SciCode current leaderboard · scientific-research-coding-subproblems · Epoch AI mirror · SciCode. Sortieren.InfoTerminal 2.1, Agenten und Tools, Terminal-Bench 2.1: 65/100 gemessene Modelle; 56 vergleichbar, 9 mit abweichendem Protokoll, 12 geteilte Plätze. Kanonisches Protokoll: Vals Terminal-Bench 2.1 v2.1 · vals-terminal-bench-2-1-overall · Vals AI · Terminal-Bench 2.1. Sortieren.InfoMCP-Atlas, Agenten und Tools, MCP-Atlas · Scale: 23/100 gemessene Modelle; 22 vergleichbar, 1 mit abweichendem Protokoll, 2 geteilte Plätze. Kanonisches Protokoll: MCP-Atlas April 2026 rescored protocol · all-1000-public-500-private-500 · Scale AI Labs · MCP-Atlas. Sortieren.InfoAPEX, Agenten und Tools, APEX-Agents: 59/100 gemessene Modelle; 59 vergleichbar, 7 geteilte Plätze. Kanonisches Protokoll: APEX-Agents current leaderboard · 480-professional-tasks-33-worlds · Epoch AI mirror · APEX-Agents. Sortieren.InfoGDPval-AA v2.1, Agenten und Tools, GDPval-AA v2.1: 75/100 gemessene Modelle; 75 vergleichbar, 2 geteilte Plätze. Kanonisches Protokoll: GDPval-AA v2.1 (Crowd-BT Elo, DeepSeek V4.1 Flash (max) at 1600) · 220-tasks-elo-v2-1 · Artificial Analysis · Intelligence Index evaluations. Sortieren.Info
Rang 1Claude Opus 5.5Anthropic10/16 Werte · 9 vergleichbar
Rang 2GPT 6 astraOpenAI11/16 Werte · 10 vergleichbar
Rang 3GPT 6.1 SolOpenAI9/16 Werte · 8 vergleichbar
Rang 4Claude Fable 5.1Anthropic13/16 Werte · 12 vergleichbar
Rang 5Gemini 4 argonGoogle8/16 Werte · 7 vergleichbar
Rang 6Claude Sonnet 5.5Anthropic10/16 Werte · 9 vergleichbar
Rang 7Claude Opus 5Anthropic15/16 Werte · 14 vergleichbar
Rang 8GPT 6 SolOpenAI9/16 Werte · 8 vergleichbar
Rang 9Claude Fable 5Anthropic14/16 Werte · 14 vergleichbar
Rang 10GPT 5.5 ProOpenAI3/16 Werte · 2 vergleichbar
Rang 11GPT 5.6 SolOpenAI14/16 Werte · 14 vergleichbar
Rang 12GPT 5.6 TerraOpenAI13/16 Werte · 13 vergleichbar
Rang 13GPT 5.4 ProOpenAI4/16 Werte · 3 vergleichbar
Rang 14Claude haiku 5.5Anthropic9/16 Werte · 8 vergleichbar
Rang 15GPT 5.5OpenAI15/16 Werte · 13 vergleichbar
Rang 16Claude Opus 4.8Anthropic15/16 Werte · 13 vergleichbar
Rang 17Kimi K3Moonshot AI15/16 Werte · 14 vergleichbar
Rang 18Gemini 3.7 FlashGoogle12/16 Werte · 12 vergleichbar
Rang 19Gemini 3.8 FlashGoogle14/16 Werte · 14 vergleichbar
Rang 20Qwen 3.8 MaxAlibaba12/16 Werte · 12 vergleichbar
Rang 21Muse Spark 1 3Meta10/16 Werte · 9 vergleichbar
Rang 21GPT 5.3 CodexOpenAI7/16 Werte · 5 vergleichbar
Rang 23GPT 5.4OpenAI14/16 Werte · 13 vergleichbar
Rang 24Claude Sonnet 5Anthropic14/16 Werte · 13 vergleichbar
Rang 25GPT 5.6 LunaOpenAI12/16 Werte · 12 vergleichbar
Rang 26Claude Opus 4.7Anthropic15/16 Werte · 14 vergleichbar
Rang 27GPT 6 LunaOpenAI10/16 Werte · 9 vergleichbar
Rang 27Grok 4.6xAI12/16 Werte · 12 vergleichbar
Rang 29GPT 5.2 ProOpenAI2/16 Werte · 2 vergleichbar
Rang 30GLM 5.3Z.ai14/16 Werte · 13 vergleichbar
Rang 31DeepSeek V4.1 FlashDeepSeek11/16 Werte · 9 vergleichbar
Rang 32DeepSeek V4 Pro (2026-08-13)DeepSeek14/16 Werte · 13 vergleichbar
Rang 33Claude Opus 4.6Anthropic12/16 Werte · 11 vergleichbar
Rang 34Qwen 3.8 Max (0902)Alibaba6/16 Werte · 5 vergleichbar
Rang 35Muse Spark 1.2Meta10/16 Werte · 9 vergleichbar
Rang 36Gemini 3.1 ProGoogle16/16 Werte · 15 vergleichbar
Rang 37DeepSeek V4 Flash (2026-07-31)DeepSeek11/16 Werte · 10 vergleichbar
Rang 38Gemini 3.5 FlashGoogle15/16 Werte · 13 vergleichbar
Rang 39Grok 4.7xAI10/16 Werte · 9 vergleichbar
Rang 40Gemini 3.6 FlashGoogle12/16 Werte · 12 vergleichbar
Rang 41Muse Spark 1.1Meta13/16 Werte · 12 vergleichbar
Rang 42Grok 4.5xAI13/16 Werte · 13 vergleichbar
Rang 43Qwen 3.7 MaxAlibaba11/16 Werte · 11 vergleichbar
Rang 44GPT 5.2OpenAI11/16 Werte · 10 vergleichbar
Rang 45GLM 5.3 FlashZ.ai14/16 Werte · 13 vergleichbar
Rang 46Gemini 3 ProGoogle10/16 Werte · 9 vergleichbar
Rang 47Claude Sonnet 4.6Anthropic14/16 Werte · 12 vergleichbar
Rang 48Muse SparkMeta9/16 Werte · 9 vergleichbar
Rang 49Grok 4.20xAI8/16 Werte · 8 vergleichbar
Rang 50GLM 5.2Z.ai744B · 40B aktiv15/16 Werte · 14 vergleichbar
Rang 51Gemini 3 FlashGoogle11/16 Werte · 9 vergleichbar
Rang 52Qwen 3.8 27BAlibaba27B13/16 Werte · 12 vergleichbar
Rang 53Kimi K2.6Moonshot AI1T · 32B aktiv14/16 Werte · 12 vergleichbar
Rang 54GPT 5 ProOpenAI3/16 Werte · 3 vergleichbar
Rang 55Inkling SmallThinking Machines Lab276B · 12B aktiv13/16 Werte · 12 vergleichbar
Rang 56Claude Opus 4.5Anthropic11/16 Werte · 10 vergleichbar
Rang 57GLM 5.1Z.ai744B · 40B aktiv14/16 Werte · 12 vergleichbar
Rang 58Kimi K2.7 CodeMoonshot AI1T · 32B aktiv11/16 Werte · 10 vergleichbar
Rang 59GPT 5.1OpenAI10/16 Werte · 10 vergleichbar
Rang 60Qwen 3.6 Max PreviewAlibaba4/16 Werte · 3 vergleichbar
Rang 61DeepSeek V4 Pro (2026-04-22)DeepSeek1,6T · 49B aktiv13/16 Werte · 12 vergleichbar
Rang 62Grok 4.3xAI12/16 Werte · 11 vergleichbar
Rang 63GPT 5.4 MiniOpenAI12/16 Werte · 12 vergleichbar
Rang 64InklingThinking Machines Lab975B · 41B aktiv15/16 Werte · 14 vergleichbar
Rang 65Kimi K2.5Moonshot AI1T · 32B aktiv12/16 Werte · 11 vergleichbar
Rang 66Qwen 3.6 PlusAlibaba11/16 Werte · 11 vergleichbar
Rang 67Qwen 3.7 PlusAlibaba9/16 Werte · 7 vergleichbar
Rang 68MiniMax M3MiniMax14/16 Werte · 13 vergleichbar
Rang 69mistral large 4Mistral AI2/16 Werte · 2 vergleichbar
Rang 70Claude Sonnet 4.5Anthropic11/16 Werte · 10 vergleichbar
Rang 71Qwen 3.5 397B-A17BAlibaba397B · 17B aktiv12/16 Werte · 6 vergleichbar
Rang 72Qwen 3.6 27BAlibaba27B12/16 Werte · 7 vergleichbar
Rang 73GPT 5.4 NanoOpenAI12/16 Werte · 12 vergleichbar
Rang 74DeepSeek V4 Flash (2026-04-22)DeepSeek284B · 13B aktiv8/16 Werte · 4 vergleichbar
Rang 75GLM 5Z.ai9/16 Werte · 7 vergleichbar
Rang 76Gemini 3.5 Flash LiteGoogle13/16 Werte · 13 vergleichbar
Rang 77Qwen 3.6 35B-A3BAlibaba35B · 3B aktiv11/16 Werte · 6 vergleichbar
Rang 78Claude Opus 4.1Anthropic7/16 Werte · 6 vergleichbar
Rang 79Gemma 4 31B ITGoogle30,7B6/16 Werte · 2 vergleichbar
Rang 80Qwen 3.5 35B-A3BAlibaba35B · 3B aktiv10/16 Werte · 5 vergleichbar
Rang 81GPT 5.5 InstantOpenAI5/16 Werte · 4 vergleichbar
Rang 82Qwen 3.5 9BAlibaba9B8/16 Werte · 4 vergleichbar
Rang 83Qwen 3 32BAlibaba32,8B5/16 Werte · 4 vergleichbar
Rang 84Qwen 3 14BAlibaba14,8B4/16 Werte · 3 vergleichbar
16 Modelle ohne direkt vergleichbaren ECI-Wert
Kein RangMuse wonderMeta4/16 Werte · 3 vergleichbar
Kein RangMiMo V2.6 ProXiaomi6/16 Werte · 6 vergleichbar
Kein RangGLM 5.3 MaxZ.ai1/16 Werte · 1 vergleichbar
Kein RangGPT 5.2 Chat Latest (2026-02-10)OpenAI1/16 Werte · 1 vergleichbar
Kein RangMiMo V2.5 ProXiaomi10/16 Werte · 9 vergleichbar
Kein RangMiMo V2.6 FlashXiaomi5/16 Werte · 5 vergleichbar
Kein RangGrok 4.1xAI2/16 Werte · 2 vergleichbar
Kein RangHY3Tencent7/16 Werte · 3 vergleichbar
Kein Rangstep 5 PreviewStepFun4/16 Werte · 4 vergleichbar
Kein RangQwen 3.5 27BAlibaba27B6/16 Werte · 1 vergleichbar
Kein RangQwen 3.8 Flash NextAlibaba125B · 6B aktiv7/16 Werte · 3 vergleichbar
Kein RangGemma 4 12B ITGoogle12B4/16 Werte · 0 vergleichbar
Kein RangGemma 4 26B-A4B ITGoogle25,2B · 3,8B aktiv4/16 Werte · 0 vergleichbar
Kein RangQwen 3.8 2.4T-A95BAlibaba2,4T · 95B aktiv6/16 Werte · 3 vergleichbar
Kein RangMuse wonder 1.0Meta3/16 Werte · 3 vergleichbar
Kein RangGemma 4 31BGoogle7/16 Werte · 3 vergleichbar