AI Benchy Bestenliste

Name: AI BENCHY Modell-Benchmark-Ergebnisse
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks aus AI BENCHY-Test-Suites generiert am: 2026-10-17 Bewertete Modelle: 442

Empfohlene Modelle

GPT-6.1 Sol xhigh Intelligent Erfolgsquote pro Versuch 97.1% Korrekte Tests 22 / 23 Punktzahl 9.9/10 Gemini 3.7 Flash low Schnell Antwortzeit (Durchschnitt) 6.24s Gesamte Ausgabe-Token 38,453 Punktzahl 9.4/10 GPT-6 Luna high Preiswert Eingabepreis $0.100 / 1M Ausgabepreis $0.500 / 1M Preis für Cache-Lesen $0.010 / 1M Preis für Cache-Schreiben $0.125 / 1M Punktzahl 7.7/10

442/442

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#50#50	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 1 Eingabe-Token 352,845 Ausgabe-Token 16,553 Denk-Token 7,007 Antwortzeit (Durchschnitt) 9.87s Antwortzeit (Gesamt) 226.95s Antwortzeit (Maximum) 73.15s Falsche Antwort: 4 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 8.6 Erfolgsquote pro Versuch 71.0% Instabile Tests 8 Eingabe-Token 195,489 Ausgabe-Token 12,475 Denk-Token 108,748 Antwortzeit (Durchschnitt) 58.14s Antwortzeit (Gesamt) 1337.19s Antwortzeit (Maximum) 255.06s API-Fehler: 7 Falsche Antwort: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.7 Programmierung : 8.2 Kombiniert : 6.4 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.1 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 6 Eingabe-Token 336,310 Ausgabe-Token 10,838 Denk-Token 494,728 Antwortzeit (Durchschnitt) 37.41s Antwortzeit (Gesamt) 860.39s Antwortzeit (Maximum) 196.03s Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.5 Programmierung : 10.0 Kombiniert : 5.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 7.8 Werkzeugaufrufe : 9.6 Allgemeinwissen : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 0 Eingabe-Token 376,233 Ausgabe-Token 6,687 Denk-Token 305,927 Antwortzeit (Durchschnitt) 87.48s Antwortzeit (Gesamt) 2012.15s Antwortzeit (Maximum) 618.49s Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 76.8% Instabile Tests 1 Eingabe-Token 244,997 Ausgabe-Token 11,148 Denk-Token 71,699 Antwortzeit (Durchschnitt) 16.00s Antwortzeit (Gesamt) 367.91s Antwortzeit (Maximum) 83.98s Falsche Antwort: 4 API-Fehler: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.9 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 3 Eingabe-Token 342,124 Ausgabe-Token 7,135 Denk-Token 326,497 Antwortzeit (Durchschnitt) 72.50s Antwortzeit (Gesamt) 1667.51s Antwortzeit (Maximum) 676.83s Falsche Antwort: 3 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 3 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 91.3% Instabile Tests 2 Eingabe-Token 165,464 Ausgabe-Token 5,591 Denk-Token 15,454 Antwortzeit (Durchschnitt) 9.90s Antwortzeit (Gesamt) 227.67s Antwortzeit (Maximum) 73.48s Falsche Antwort: 3 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 2 Eingabe-Token 348,103 Ausgabe-Token 11,045 Denk-Token 234,967 Antwortzeit (Durchschnitt) 18.59s Antwortzeit (Gesamt) 427.52s Antwortzeit (Maximum) 145.92s Ungültiger Werkzeugaufruf: 2 Falsche Antwort: 2 Agentenaufgaben : 3.4 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 9.8 Allgemeinwissen : 10.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 1 Eingabe-Token 396,120 Ausgabe-Token 31,386 Denk-Token 0 Antwortzeit (Durchschnitt) 10.78s Antwortzeit (Gesamt) 247.96s Antwortzeit (Maximum) 79.61s Falsche Antwort: 7 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.4 Anti-KI-Tricks : 5.5 Programmierung : 5.9 Kombiniert : 8.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 1 Eingabe-Token 356,605 Ausgabe-Token 26,715 Denk-Token 17,041 Antwortzeit (Durchschnitt) 13.24s Antwortzeit (Gesamt) 304.46s Antwortzeit (Maximum) 78.80s Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 78.3% Instabile Tests 5 Eingabe-Token 326,066 Ausgabe-Token 5,726 Denk-Token 469,019 Antwortzeit (Durchschnitt) 117.65s Antwortzeit (Gesamt) 2706.03s Antwortzeit (Maximum) 660.89s Falsche Antwort: 5 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 8.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 75.4% Instabile Tests 4 Eingabe-Token 295,642 Ausgabe-Token 115,041 Denk-Token 353,398 Antwortzeit (Durchschnitt) 120.88s Antwortzeit (Gesamt) 2780.16s Antwortzeit (Maximum) 532.28s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 3 Eingabe-Token 108,573 Ausgabe-Token 69,994 Denk-Token 26,728 Antwortzeit (Durchschnitt) 32.23s Antwortzeit (Gesamt) 515.65s Antwortzeit (Maximum) 151.51s Zusätzliche Formatierung: 4 Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.4 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 3 Eingabe-Token 308,369 Ausgabe-Token 7,013 Denk-Token 299,031 Antwortzeit (Durchschnitt) 68.44s Antwortzeit (Gesamt) 1574.14s Antwortzeit (Maximum) 436.38s Falsche Antwort: 6 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 7.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 72.5% Instabile Tests 7 Eingabe-Token 329,276 Ausgabe-Token 8,172 Denk-Token 479,012 Antwortzeit (Durchschnitt) 122.19s Antwortzeit (Gesamt) 2810.40s Antwortzeit (Maximum) 573.57s Keine Antwort: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Falsche Antwort: 2 API-Fehler: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 6.0 Kombiniert : 8.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 8.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 6 Eingabe-Token 157,142 Ausgabe-Token 8,149 Denk-Token 24,357 Antwortzeit (Durchschnitt) 11.87s Antwortzeit (Gesamt) 272.91s Antwortzeit (Maximum) 36.59s Falsche Antwort: 3 Keine Antwort: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.2 Programmierung : 7.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 8.3 Erfolgsquote pro Versuch 59.4% Instabile Tests 6 Eingabe-Token 153,399 Ausgabe-Token 7,803 Denk-Token 179,098 Antwortzeit (Durchschnitt) 97.34s Antwortzeit (Gesamt) 2238.73s Antwortzeit (Maximum) 587.08s API-Fehler: 8 Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 5.2 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.4 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.2 Rätsellösen : 7.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 87.0% Instabile Tests 3 Eingabe-Token 328,637 Ausgabe-Token 8,619 Denk-Token 432,733 Antwortzeit (Durchschnitt) 186.06s Antwortzeit (Gesamt) 4279.49s Antwortzeit (Maximum) 912.78s Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 3 Eingabe-Token 209,116 Ausgabe-Token 10,031 Denk-Token 16,042 Antwortzeit (Durchschnitt) 11.40s Antwortzeit (Gesamt) 262.14s Antwortzeit (Maximum) 34.77s Zusätzliche Formatierung: 4 Falsche Antwort: 4 Anweisungen nicht befolgt: 3 API-Fehler: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 6.5 Programmierung : 3.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#32#32	Muse Wondermedium	9.2	Meta	$3.397	21.58s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 9.1 Erfolgsquote pro Versuch 76.8% Instabile Tests 1 Eingabe-Token 241,489 Ausgabe-Token 11,575 Denk-Token 109,971 Antwortzeit (Durchschnitt) 21.58s Antwortzeit (Gesamt) 496.40s Antwortzeit (Maximum) 162.73s API-Fehler: 4 Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.6 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 4.7
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 73.9% Instabile Tests 6 Eingabe-Token 310,049 Ausgabe-Token 6,094 Denk-Token 566,221 Antwortzeit (Durchschnitt) 123.96s Antwortzeit (Gesamt) 2851.07s Antwortzeit (Maximum) 775.64s Keine Antwort: 4 Falsche Antwort: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 5.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#93#93	Kimi K3max	8.3	Moonshot AI	$3.409 ↓	139.41s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 9.3 Erfolgsquote pro Versuch 78.3% Instabile Tests 2 Eingabe-Token 170,700 Ausgabe-Token 7,719 Denk-Token 225,608 Antwortzeit (Durchschnitt) 139.41s Antwortzeit (Gesamt) 2788.26s Antwortzeit (Maximum) 766.58s API-Fehler: 2 Keine Antwort: 2 Zusätzliche Formatierung: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.3 Erfolgsquote pro Versuch 66.7% Instabile Tests 1 Eingabe-Token 94,153 Ausgabe-Token 9,606 Denk-Token 142,834 Antwortzeit (Durchschnitt) 22.96s Antwortzeit (Gesamt) 528.08s Antwortzeit (Maximum) 143.21s API-Fehler: 6 Falsche Antwort: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 9.8 Allgemeinwissen : 2.8
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 1 Eingabe-Token 144,676 Ausgabe-Token 8,184 Denk-Token 32,282 Antwortzeit (Durchschnitt) 13.30s Antwortzeit (Gesamt) 305.83s Antwortzeit (Maximum) 40.17s Falsche Antwort: 3 API-Fehler: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#95#95	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 3 Eingabe-Token 360,294 Ausgabe-Token 43,441 Denk-Token 24,401 Antwortzeit (Durchschnitt) 16.72s Antwortzeit (Gesamt) 384.66s Antwortzeit (Maximum) 99.37s Falsche Antwort: 5 Keine Antwort: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 9.9 Datenanalyse und -extraktion : 7.1 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0

Globale Benchmark-Trends

Sieh, wie aktuelle Modelle Score, Kosten, Geschwindigkeit, Ausgabelänge und Kategoriestärke ausbalancieren.

Diagramme →

Pareto-Frontier: Intelligenz vs. Kosten

Score-Frontier führender Unternehmen im Zeitverlauf

Pareto-Frontier: Intelligenz vs. Antwortgeschwindigkeit

Pareto-Frontier: Score vs. Ausgabe-Tokens

Kategorieschwierigkeit über alle Modelle

Schnellvergleich

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow