9.6Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
7.5Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
Kosten pro Ergebnis
19.243Zeigt die durchschnittlichen Kosten pro korrekter Benchmark-Antwort in Cent an (niedriger ist besser).…
0.720Zeigt die durchschnittlichen Kosten pro korrekter Benchmark-Antwort in Cent an (niedriger ist besser).…
Gesamtkosten
$2.310Gesamtkosten…
$0.072Gesamtkosten…
Korrekte Tests
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Falsche Antwort: 3Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)68.83sAntwortzeit (Maximum)280.52sAntwortzeit (Gesamt)1101.32sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Zeitüberschreitung: 3API-Fehler: 1Anweisungen nicht befolgt: 1Falsche Antwort: 1Antwortzeit (Durchschnitt)70.81sAntwortzeit (Maximum)234.29sAntwortzeit (Gesamt)1132.90sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
Erfolgsquote pro Versuch
77.1%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
81.3%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
Instabile Tests
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
5Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Gesamtläufe
48 (16 x 3)Gesamtläufe…
48 (16 x 3)Gesamtläufe…
Ausgabe-Token
1,283Ausgabe-Token…
1,807Ausgabe-Token…
Denk-Token
1,533,310Denk-Token…
169,952Denk-Token…
Antwortzeit (Durchschnitt)
68.83sAntwortzeit (Durchschnitt)…
70.81sAntwortzeit (Durchschnitt)…
Antwortzeit (Maximum)
280.52sAntwortzeit (Maximum)…
234.29sAntwortzeit (Maximum)…
Antwortzeit (Gesamt)
1101.32sAntwortzeit (Gesamt)…
1132.90sAntwortzeit (Gesamt)…
Top-Modelle nach Score
Score vs. Gesamtkosten
Antwortzeit (Durchschnitt)
Ø-Score vs Antwortzeit (Durchschnitt)
Kategorieaufschlüsselung
Anti-KI-Tricks
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)43.87sAntwortzeit (Maximum)121.88sAntwortzeit (Gesamt)131.62sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
43.87sAntwortzeit (Durchschnitt)…
144Ausgabe-Token…
193,077Denk-Token…
Qwen: Qwen3.5-Flash
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)71.35sAntwortzeit (Maximum)168.31sAntwortzeit (Gesamt)214.06sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
71.35sAntwortzeit (Durchschnitt)…
363Ausgabe-Token…
23,645Denk-Token…
Kombiniert
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)280.52sAntwortzeit (Maximum)280.52sAntwortzeit (Gesamt)280.52sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
280.52sAntwortzeit (Durchschnitt)…
335Ausgabe-Token…
380,440Denk-Token…
Qwen: Qwen3.5-Flash
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)17.78sAntwortzeit (Maximum)17.78sAntwortzeit (Gesamt)17.78sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
17.78sAntwortzeit (Durchschnitt)…
483Ausgabe-Token…
8,270Denk-Token…
Datenanalyse und -extraktion
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
9.9Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)7.16sAntwortzeit (Maximum)8.54sAntwortzeit (Gesamt)14.31sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
7.16sAntwortzeit (Durchschnitt)…
279Ausgabe-Token…
6,186Denk-Token…
Qwen: Qwen3.5-Flash
5.5Durchschnittswert über alle Benchmark-Tests.…
5.9Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
83.3%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.API-Fehler: 1Antwortzeit (Durchschnitt)56.99sAntwortzeit (Maximum)80.14sAntwortzeit (Gesamt)113.98sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
56.99sAntwortzeit (Durchschnitt)…
235Ausgabe-Token…
16,237Denk-Token…
Domänenspezifisch
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
4.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
33.3%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Falsche Antwort: 2Antwortzeit (Durchschnitt)127.58sAntwortzeit (Maximum)133.93sAntwortzeit (Gesamt)382.74sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
127.58sAntwortzeit (Durchschnitt)…
18Ausgabe-Token…
566,202Denk-Token…
Qwen: Qwen3.5-Flash
4.0Durchschnittswert über alle Benchmark-Tests.…
7.2Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
44.4%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Zeitüberschreitung: 1Falsche Antwort: 1Antwortzeit (Durchschnitt)146.50sAntwortzeit (Maximum)234.29sAntwortzeit (Gesamt)439.49sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
146.50sAntwortzeit (Durchschnitt)…
58Ausgabe-Token…
43,615Denk-Token…
Allgemeine Intelligenz
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)5.25sAntwortzeit (Maximum)5.25sAntwortzeit (Gesamt)5.25sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
5.25sAntwortzeit (Durchschnitt)…
117Ausgabe-Token…
3,915Denk-Token…
Qwen: Qwen3.5-Flash
5.0Durchschnittswert über alle Benchmark-Tests.…
3.1Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
66.7%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)40.05sAntwortzeit (Maximum)40.05sAntwortzeit (Gesamt)40.05sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
40.05sAntwortzeit (Durchschnitt)…
99Ausgabe-Token…
38,486Denk-Token…
Befolgung von Anweisungen
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
9.0Durchschnittswert über alle Benchmark-Tests.…
6.9Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
66.7%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)70.07sAntwortzeit (Maximum)136.53sAntwortzeit (Gesamt)140.14sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
70.07sAntwortzeit (Durchschnitt)…
69Ausgabe-Token…
190,053Denk-Token…
Qwen: Qwen3.5-Flash
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)63.49sAntwortzeit (Maximum)111.61sAntwortzeit (Gesamt)126.98sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
63.49sAntwortzeit (Durchschnitt)…
98Ausgabe-Token…
14,139Denk-Token…
Puzzle Solving
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
7.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
66.7%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Falsche Antwort: 1Antwortzeit (Durchschnitt)46.33sAntwortzeit (Maximum)134.22sAntwortzeit (Gesamt)139.00sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
46.33sAntwortzeit (Durchschnitt)…
87Ausgabe-Token…
190,953Denk-Token…
Qwen: Qwen3.5-Flash
4.0Durchschnittswert über alle Benchmark-Tests.…
4.4Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
77.8%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
2Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Zeitüberschreitung: 2Antwortzeit (Durchschnitt)56.74sAntwortzeit (Maximum)115.01sAntwortzeit (Gesamt)170.23sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
56.74sAntwortzeit (Durchschnitt)…
162Ausgabe-Token…
24,276Denk-Token…
Werkzeugaufrufe
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
Google: Gemini 3.1 Flash Lite Preview
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)7.73sAntwortzeit (Maximum)7.73sAntwortzeit (Gesamt)7.73sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
7.73sAntwortzeit (Durchschnitt)…
234Ausgabe-Token…
2,484Denk-Token…
Qwen: Qwen3.5-Flash
10.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
100.0%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
0Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Keine fehlgeschlagenen Antworten.Antwortzeit (Durchschnitt)10.33sAntwortzeit (Maximum)10.33sAntwortzeit (Gesamt)10.33sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…