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: 2026-09-03 Bewertete Modelle: 311

Empfohlene Modelle

GPT-5.6 Sol high Intelligent Erfolgsquote pro Versuch 89.4% Korrekte Tests 18 / 22 Punktzahl 9.4/10 GPT-5.6 Luna medium Schnell Antwortzeit (Durchschnitt) 7.43s Gesamte Ausgabe-Token 44,525 Punktzahl 7.4/10 DeepSeek V4 Flash 0731 high Preiswert Eingabepreis $0.065 / 1M Ausgabepreis $0.180 / 1M Punktzahl 8.0/10

311/311

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#273#273	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 10 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 48.5% Instabile Tests 5 Eingabe-Token 721,952 Ausgabe-Token 294,668 Denk-Token 305,374 Antwortzeit (Durchschnitt) 9.69s Antwortzeit (Gesamt) 155.07s Antwortzeit (Maximum) 35.28s Falsche Antwort: 4 API-Fehler: 2 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 6.9 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.9% Instabile Tests 3 Eingabe-Token 80,668 Ausgabe-Token 5,617 Denk-Token 119,699 Antwortzeit (Durchschnitt) 38.97s Antwortzeit (Gesamt) 857.43s Antwortzeit (Maximum) 332.10s Falsche Antwort: 4 Anti-KI-Tricks : 10.0 Programmierung : 8.8 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 : 2.8
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 77.3% Instabile Tests 2 Eingabe-Token 34,960 Ausgabe-Token 2,887 Denk-Token 221,241 Antwortzeit (Durchschnitt) 142.84s Antwortzeit (Gesamt) 2714.02s Antwortzeit (Maximum) 766.58s API-Fehler: 2 Keine Antwort: 2 Zusätzliche Formatierung: 1 Zeitüberschreitung: 1 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
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 89.4% Instabile Tests 1 Eingabe-Token 135,958 Ausgabe-Token 7,930 Denk-Token 32,141 Antwortzeit (Durchschnitt) 13.59s Antwortzeit (Gesamt) 298.90s Antwortzeit (Maximum) 40.17s Falsche Antwort: 3 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
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.8% Instabile Tests 0 Eingabe-Token 135,956 Ausgabe-Token 64,624 Denk-Token 30,959 Antwortzeit (Durchschnitt) 22.51s Antwortzeit (Gesamt) 495.12s Antwortzeit (Maximum) 159.01s Falsche Antwort: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#39#39	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 1 Eingabe-Token 89,640 Ausgabe-Token 33,092 Denk-Token 9,054 Antwortzeit (Durchschnitt) 15.01s Antwortzeit (Gesamt) 330.15s Antwortzeit (Maximum) 80.80s Keine Antwort: 3 Ungültiger Werkzeugaufruf: 1 Falsche Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 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
#82#82	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% 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 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
#52#52	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.8% Instabile Tests 6 Eingabe-Token 135,112 Ausgabe-Token 7,594 Denk-Token 23,558 Antwortzeit (Durchschnitt) 11.67s Antwortzeit (Gesamt) 256.73s Antwortzeit (Maximum) 36.59s Falsche Antwort: 3 Keine Antwort: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 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
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 9.4 Erfolgsquote pro Versuch 72.7% Instabile Tests 2 Eingabe-Token 113,279 Ausgabe-Token 121,045 Denk-Token 374,496 Antwortzeit (Durchschnitt) 118.97s Antwortzeit (Gesamt) 2617.41s Antwortzeit (Maximum) 534.21s Falsche Antwort: 4 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.2 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.1% Instabile Tests 2 Eingabe-Token 134,582 Ausgabe-Token 8,955 Denk-Token 15,420 Antwortzeit (Durchschnitt) 10.33s Antwortzeit (Gesamt) 227.37s Antwortzeit (Maximum) 33.10s Zusätzliche Formatierung: 4 Falsche Antwort: 4 Anweisungen nicht befolgt: 3 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
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 9.4 Erfolgsquote pro Versuch 74.2% Instabile Tests 4 Eingabe-Token 108,931 Ausgabe-Token 112,801 Denk-Token 343,227 Antwortzeit (Durchschnitt) 120.59s Antwortzeit (Gesamt) 2653.05s Antwortzeit (Maximum) 532.28s Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 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
#245#245	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Modellkarte anzeigen Gesamttests 16 Falsche Tests 3 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 59.1% Instabile Tests 0 Eingabe-Token 28,980 Ausgabe-Token 1,283 Denk-Token 1,533,310 Antwortzeit (Durchschnitt) 68.14s Antwortzeit (Gesamt) 1090.28s Antwortzeit (Maximum) 280.52s Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 7.5 Programmierung : 0.0 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#60#60	Muse Spark 1.1high	8.0	Meta	$2.253	36.85s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.2% Instabile Tests 6 Eingabe-Token 129,213 Ausgabe-Token 8,356 Denk-Token 483,560 Antwortzeit (Durchschnitt) 36.85s Antwortzeit (Gesamt) 810.72s Antwortzeit (Maximum) 196.03s Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Keine Antwort: 1 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
#24#24	Grok 4.5high	9.0	X AI	$2.252 ↑	72.30s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 86.4% Instabile Tests 3 Eingabe-Token 152,175 Ausgabe-Token 5,655 Denk-Token 318,807 Antwortzeit (Durchschnitt) 72.30s Antwortzeit (Gesamt) 1590.56s Antwortzeit (Maximum) 676.83s Keine Antwort: 2 Falsche Antwort: 2 Anweisungen nicht befolgt: 1 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
#75#75	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 1 Eingabe-Token 106,316 Ausgabe-Token 79,338 Denk-Token 41,089 Antwortzeit (Durchschnitt) 28.08s Antwortzeit (Gesamt) 421.15s Antwortzeit (Maximum) 140.96s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Zeitüberschreitung: 1 Anti-KI-Tricks : 6.5 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#78#78	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.3% Instabile Tests 3 Eingabe-Token 156,522 Ausgabe-Token 43,056 Denk-Token 9,181 Antwortzeit (Durchschnitt) 12.88s Antwortzeit (Gesamt) 283.32s Antwortzeit (Maximum) 127.97s Falsche Antwort: 4 Zusätzliche Formatierung: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 9.9 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#219#219	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.1% 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 : 3.3 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 5.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#43#43	Grok 4.5medium	8.5	X AI	$2.042	68.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 83.3% Instabile Tests 3 Eingabe-Token 122,155 Ausgabe-Token 5,514 Denk-Token 293,946 Antwortzeit (Durchschnitt) 68.59s Antwortzeit (Gesamt) 1508.91s Antwortzeit (Maximum) 436.38s Falsche Antwort: 5 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 89.4% Instabile Tests 2 Eingabe-Token 107,146 Ausgabe-Token 8,777 Denk-Token 196,705 Antwortzeit (Durchschnitt) 15.46s Antwortzeit (Gesamt) 340.20s Antwortzeit (Maximum) 145.92s Falsche Antwort: 2 Ungültiger Werkzeugaufruf: 1 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
#31#31	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 83.3% Instabile Tests 2 Eingabe-Token 138,448 Ausgabe-Token 40,765 Denk-Token 11,162 Antwortzeit (Durchschnitt) 12.97s Antwortzeit (Gesamt) 285.29s Antwortzeit (Maximum) 70.54s Falsche Antwort: 4 Keine Antwort: 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
#49#49	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 5 Eingabe-Token 104,433 Ausgabe-Token 6,511 Denk-Token 752,680 Antwortzeit (Durchschnitt) 193.59s Antwortzeit (Gesamt) 4258.98s Antwortzeit (Maximum) 885.33s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 8.2 Programmierung : 8.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 9.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#12#12	Grok 4.6high	9.3	X AI	$1.908	84.15s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 86.4% Instabile Tests 0 Eingabe-Token 107,275 Ausgabe-Token 5,094 Denk-Token 277,123 Antwortzeit (Durchschnitt) 84.15s Antwortzeit (Gesamt) 1851.26s Antwortzeit (Maximum) 618.49s Falsche Antwort: 2 Keine Antwort: 1 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
#27#27	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 3 Eingabe-Token 104,695 Ausgabe-Token 6,645 Denk-Token 691,086 Antwortzeit (Durchschnitt) 173.96s Antwortzeit (Gesamt) 3827.19s Antwortzeit (Maximum) 584.71s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 8.2 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#36#36	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 74.2% Instabile Tests 5 Eingabe-Token 117,037 Ausgabe-Token 6,983 Denk-Token 375,104 Antwortzeit (Durchschnitt) 26.59s Antwortzeit (Gesamt) 584.89s Antwortzeit (Maximum) 192.00s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 7.1 Programmierung : 10.0 Kombiniert : 8.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 5.4 Erfolgsquote pro Versuch 19.7% Instabile Tests 3 Eingabe-Token 45,154 Ausgabe-Token 4,022 Denk-Token 678,516 Antwortzeit (Durchschnitt) 214.25s Antwortzeit (Gesamt) 4713.56s Antwortzeit (Maximum) 597.45s API-Fehler: 14 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.0 Programmierung : 5.2 Kombiniert : 2.9 Datenanalyse und -extraktion : 8.7 Domänenspezifisch : 4.5 Allgemeine Intelligenz : 7.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0

1 2 13

→

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium