AI BENCHY

KI-Benchmark-Bestenliste

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

Benchmarks aus AI BENCHY-Test-Suites generiert am: 2026-06-04 Bewertete Modelle: 163

163/163

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.5% Instabile Tests 4 Eingabe-Token 38,391 Ausgabe-Token 991,355 Denk-Token 0 Antwortzeit (Durchschnitt) 64.46s Antwortzeit (Gesamt) 1353.57s Antwortzeit (Maximum) 364.99s Falsche Antwort: 6 Keine Antwort: 4 Anti-KI-Tricks : 10.0 Programmierung : 4.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#72#72	DeepSeek V3.2medium	7.0	DeepSeek	$0.044 ↓	68.71s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.1% Instabile Tests 6 Eingabe-Token 38,333 Ausgabe-Token 7,186 Denk-Token 99,081 Antwortzeit (Durchschnitt) 68.71s Antwortzeit (Gesamt) 1442.81s Antwortzeit (Maximum) 376.10s Falsche Antwort: 5 API-Fehler: 2 Zeitüberschreitung: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 8.2 Programmierung : 6.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 6.7 Erfolgsquote pro Versuch 57.1% Instabile Tests 2 Eingabe-Token 41,904 Ausgabe-Token 2,555 Denk-Token 95,974 Antwortzeit (Durchschnitt) 80.22s Antwortzeit (Gesamt) 1363.72s Antwortzeit (Maximum) 262.83s Zeitüberschreitung: 5 Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 6.6 Programmierung : 5.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#74#74	Qwen3.6 Max Previewnone	6.9	Qwen	$0.075 ↓	3.30s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.7% Instabile Tests 2 Eingabe-Token 42,509 Ausgabe-Token 4,779 Denk-Token 0 Antwortzeit (Durchschnitt) 3.30s Antwortzeit (Gesamt) 69.40s Antwortzeit (Maximum) 20.51s Falsche Antwort: 10 Anti-KI-Tricks : 5.2 Programmierung : 3.8 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#75#75	Ring-2.6-1Tmedium	6.9	Inclusionai	$0.033	61.29s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.3% Instabile Tests 3 Eingabe-Token 35,892 Ausgabe-Token 21,752 Denk-Token 42,754 Antwortzeit (Durchschnitt) 61.29s Antwortzeit (Gesamt) 1164.50s Antwortzeit (Maximum) 304.19s Falsche Antwort: 6 API-Fehler: 2 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 10.0 Programmierung : 5.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#77#77	Claude Sonnet 4.6none	6.8	Anthropic	$0.316	5.04s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.6% Instabile Tests 1 Eingabe-Token 57,886 Ausgabe-Token 9,465 Denk-Token 0 Antwortzeit (Durchschnitt) 5.04s Antwortzeit (Gesamt) 70.60s Antwortzeit (Maximum) 23.84s Falsche Antwort: 5 Zusätzliche Formatierung: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 9.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 6.5 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#82#82	Hy3 previewhigh	6.6	Tencent	$0.048	56.57s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.6% Instabile Tests 2 Eingabe-Token 25,987 Ausgabe-Token 216,719 Denk-Token 0 Antwortzeit (Durchschnitt) 56.57s Antwortzeit (Gesamt) 848.59s Antwortzeit (Maximum) 149.94s API-Fehler: 7 Falsche Antwort: 3 Anti-KI-Tricks : 6.4 Programmierung : 5.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
Modellkarte anzeigen Gesamttests 20 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.7% Instabile Tests 1 Eingabe-Token 34,431 Ausgabe-Token 91,587 Denk-Token 195,973 Antwortzeit (Durchschnitt) 72.53s Antwortzeit (Gesamt) 1015.47s Antwortzeit (Maximum) 453.94s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 3.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.3 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.5% Instabile Tests 4 Eingabe-Token 29,134 Ausgabe-Token 1,984 Denk-Token 1,355,583 Antwortzeit (Durchschnitt) 61.96s Antwortzeit (Gesamt) 1115.31s Antwortzeit (Maximum) 149.23s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 5.7 Werkzeugaufrufe : 10.0
#39#39	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.4% Instabile Tests 5 Eingabe-Token 42,362 Ausgabe-Token 2,995 Denk-Token 245,358 Antwortzeit (Durchschnitt) 19.25s Antwortzeit (Gesamt) 404.20s Antwortzeit (Maximum) 122.87s Falsche Antwort: 8 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 10.0 Programmierung : 5.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.3% Instabile Tests 4 Eingabe-Token 40,854 Ausgabe-Token 5,015 Denk-Token 97,742 Antwortzeit (Durchschnitt) 26.13s Antwortzeit (Gesamt) 548.65s Antwortzeit (Maximum) 130.77s Zusätzliche Formatierung: 3 Falsche Antwort: 3 Anweisungen nicht befolgt: 2 API-Fehler: 1 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#45#45	GPT-5.4 Minimedium	7.5	OpenAI	$0.526	22.34s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 73.0% Instabile Tests 5 Eingabe-Token 34,116 Ausgabe-Token 2,181 Denk-Token 108,937 Antwortzeit (Durchschnitt) 22.34s Antwortzeit (Gesamt) 469.20s Antwortzeit (Maximum) 138.75s Falsche Antwort: 6 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 8.6 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.8 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.4% Instabile Tests 5 Eingabe-Token 38,926 Ausgabe-Token 2,088 Denk-Token 294,598 Antwortzeit (Durchschnitt) 63.29s Antwortzeit (Gesamt) 1265.85s Antwortzeit (Maximum) 234.29s Falsche Antwort: 4 Zeitüberschreitung: 3 API-Fehler: 1 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 10.0 Programmierung : 3.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#51#51	Mimo V2 PROmedium	7.4	Xiaomi	$0.333 ↑	22.16s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 73.0% Instabile Tests 5 Eingabe-Token 40,961 Ausgabe-Token 2,518 Denk-Token 81,801 Antwortzeit (Durchschnitt) 22.16s Antwortzeit (Gesamt) 443.22s Antwortzeit (Maximum) 136.29s Falsche Antwort: 5 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 6.0 Kombiniert : 4.7 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#54#54	GPT-5 Minimedium	7.3	OpenAI	$0.159	23.64s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.5% Instabile Tests 2 Eingabe-Token 37,100 Ausgabe-Token 6,801 Denk-Token 67,690 Antwortzeit (Durchschnitt) 23.64s Antwortzeit (Gesamt) 496.44s Antwortzeit (Maximum) 88.15s Falsche Antwort: 5 Anweisungen nicht befolgt: 3 Zeitüberschreitung: 1 Anti-KI-Tricks : 7.1 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#55#55	GLM 5.1medium	7.3	Z.ai	$0.292 ↓	33.67s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 6.7 Erfolgsquote pro Versuch 68.3% Instabile Tests 4 Eingabe-Token 32,995 Ausgabe-Token 11,655 Denk-Token 75,421 Antwortzeit (Durchschnitt) 33.67s Antwortzeit (Gesamt) 673.41s Antwortzeit (Maximum) 172.60s Falsche Antwort: 4 Zeitüberschreitung: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 4.6 Kombiniert : 9.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 8.2 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#56#56	MiMo-V2.5medium	7.3	Xiaomi	$0.063 ↓	27.11s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.8% Instabile Tests 5 Eingabe-Token 41,838 Ausgabe-Token 2,827 Denk-Token 198,898 Antwortzeit (Durchschnitt) 27.11s Antwortzeit (Gesamt) 569.38s Antwortzeit (Maximum) 162.44s Falsche Antwort: 5 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 2.7 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#57#57	Step 3.7 Flashlow	7.3	Stepfun	$0.341	15.74s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.3% Instabile Tests 4 Eingabe-Token 40,101 Ausgabe-Token 289,325 Denk-Token 0 Antwortzeit (Durchschnitt) 15.74s Antwortzeit (Gesamt) 330.63s Antwortzeit (Maximum) 124.75s Falsche Antwort: 8 Keine Antwort: 1 Anti-KI-Tricks : 8.7 Programmierung : 8.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.3% Instabile Tests 1 Eingabe-Token 37,582 Ausgabe-Token 5,547 Denk-Token 0 Antwortzeit (Durchschnitt) 1.21s Antwortzeit (Gesamt) 25.45s Antwortzeit (Maximum) 3.39s Falsche Antwort: 7 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 7.5 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.1% Instabile Tests 3 Eingabe-Token 29,450 Ausgabe-Token 102,923 Denk-Token 254,094 Antwortzeit (Durchschnitt) 71.67s Antwortzeit (Gesamt) 1433.36s Antwortzeit (Maximum) 406.78s Zeitüberschreitung: 3 Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Anti-KI-Tricks : 7.0 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 6.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 61.9% Instabile Tests 2 Eingabe-Token 36,892 Ausgabe-Token 2,732 Denk-Token 9,260 Antwortzeit (Durchschnitt) 1.89s Antwortzeit (Gesamt) 39.62s Antwortzeit (Maximum) 5.66s Falsche Antwort: 9 Anti-KI-Tricks : 7.3 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#63#63	GPT-5.3 Chatnone	7.2	OpenAI	$0.433	6.34s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 5 Eingabe-Token 34,209 Ausgabe-Token 26,617 Denk-Token 0 Antwortzeit (Durchschnitt) 6.34s Antwortzeit (Gesamt) 133.13s Antwortzeit (Maximum) 18.33s Falsche Antwort: 7 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 6.7 Programmierung : 5.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#64#64	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.043 ↑	20.11s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.1% Instabile Tests 3 Eingabe-Token 40,111 Ausgabe-Token 12,476 Denk-Token 125,039 Antwortzeit (Durchschnitt) 20.11s Antwortzeit (Gesamt) 301.59s Antwortzeit (Maximum) 96.01s Falsche Antwort: 5 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.1 Programmierung : 6.0 Kombiniert : 9.8 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#65#65	Grok 4.20medium	7.1	X AI	$0.609 ↓	27.68s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.5% Instabile Tests 3 Eingabe-Token 44,433 Ausgabe-Token 1,819 Denk-Token 219,524 Antwortzeit (Durchschnitt) 27.68s Antwortzeit (Gesamt) 581.26s Antwortzeit (Maximum) 199.66s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 8.2 Programmierung : 6.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 61.9% Instabile Tests 2 Eingabe-Token 67,104 Ausgabe-Token 8,107 Denk-Token 0 Antwortzeit (Durchschnitt) 3.47s Antwortzeit (Gesamt) 72.90s Antwortzeit (Maximum) 17.73s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.5 Programmierung : 5.5 Kombiniert : 9.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 61.9% Instabile Tests 3 Eingabe-Token 53,227 Ausgabe-Token 47,446 Denk-Token 24,000 Antwortzeit (Durchschnitt) 25.89s Antwortzeit (Gesamt) 362.49s Antwortzeit (Maximum) 83.40s Zusätzliche Formatierung: 5 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 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
#30#30	Qwen3.5-27Bmedium	7.8	Qwen	$0.536 ↓	68.39s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 73.0% Instabile Tests 4 Eingabe-Token 42,164 Ausgabe-Token 8,534 Denk-Token 329,289 Antwortzeit (Durchschnitt) 68.39s Antwortzeit (Gesamt) 1436.24s Antwortzeit (Maximum) 234.36s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.7 Programmierung : 6.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#31#31	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.029 ↓	45.85s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 74.6% Instabile Tests 4 Eingabe-Token 39,745 Ausgabe-Token 10,310 Denk-Token 123,501 Antwortzeit (Durchschnitt) 45.85s Antwortzeit (Gesamt) 962.79s Antwortzeit (Maximum) 218.13s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.3 Programmierung : 7.8 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 2 Eingabe-Token 42,097 Ausgabe-Token 2,280 Denk-Token 166,613 Antwortzeit (Durchschnitt) 46.36s Antwortzeit (Gesamt) 973.57s Antwortzeit (Maximum) 189.38s Falsche Antwort: 8 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.9 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.4% Instabile Tests 4 Eingabe-Token 44,472 Ausgabe-Token 1,981 Denk-Token 221,382 Antwortzeit (Durchschnitt) 47.51s Antwortzeit (Gesamt) 997.68s Antwortzeit (Maximum) 216.69s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0

Schnellvergleich

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmediumKostenlos verfügbar Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

KI-Benchmark-Bestenliste

Modelle filtern

Schnellvergleich