Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Anweisungen nicht befolgt: 3Falsche Antwort: 3Zeitüberschreitung: 1Antwortzeit (Durchschnitt)25.92sAntwortzeit (Maximum)88.15sAntwortzeit (Gesamt)388.79sEin 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.Falsche Antwort: 8Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)3.73sAntwortzeit (Maximum)13.73sAntwortzeit (Gesamt)55.90sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
Konsistenz
8.9Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
9.5Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
Kosten pro Ergebnis
1.401Zeigt die durchschnittlichen Kosten pro korrekter Benchmark-Antwort in Cent an (niedriger ist besser).…
0.088Zeigt die durchschnittlichen Kosten pro korrekter Benchmark-Antwort in Cent an (niedriger ist besser).…
Gesamtkosten
$0.113Gesamtkosten…
$0.006Gesamtkosten…
Erfolgsquote pro Versuch
62.2%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
42.2%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
Instabile Tests
2Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
common.totalRuns
45 (15 x 3)common.totalRuns…
45 (15 x 3)common.totalRuns…
Ausgabe-Token
5,477Ausgabe-Token…
3,674Ausgabe-Token…
Denk-Token
46,912Denk-Token…
0Denk-Token…
Antwortzeit (Durchschnitt)
25.92sAntwortzeit (Durchschnitt)…
3.73sAntwortzeit (Durchschnitt)…
Antwortzeit (Maximum)
88.15sAntwortzeit (Maximum)…
13.73sAntwortzeit (Maximum)…
Antwortzeit (Gesamt)
388.79sAntwortzeit (Gesamt)…
55.90sAntwortzeit (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
OpenAI: GPT-5 Mini
7.0Durchschnittswert über alle Benchmark-Tests.…
9.6Der 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.Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)16.45sAntwortzeit (Maximum)26.00sAntwortzeit (Gesamt)49.36sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
16.45sAntwortzeit (Durchschnitt)…
1,645Ausgabe-Token…
5,824Denk-Token…
Qwen: Qwen3.5-Flash
2.3Durchschnittswert über alle Benchmark-Tests.…
7.8Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
11.1%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.Falsche Antwort: 3Antwortzeit (Durchschnitt)1.62sAntwortzeit (Maximum)3.89sAntwortzeit (Gesamt)4.85sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
1.62sAntwortzeit (Durchschnitt)…
687Ausgabe-Token…
0Denk-Token…
Kombiniert
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
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)88.15sAntwortzeit (Maximum)88.15sAntwortzeit (Gesamt)88.15sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
88.15sAntwortzeit (Durchschnitt)…
754Ausgabe-Token…
11,520Denk-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).…
0.0%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.Falsche Antwort: 1Antwortzeit (Durchschnitt)6.22sAntwortzeit (Maximum)6.22sAntwortzeit (Gesamt)6.22sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
6.22sAntwortzeit (Durchschnitt)…
1,794Ausgabe-Token…
0Denk-Token…
Datenanalyse und -extraktion
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
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)12.58sAntwortzeit (Maximum)13.87sAntwortzeit (Gesamt)25.16sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
12.58sAntwortzeit (Durchschnitt)…
453Ausgabe-Token…
3,200Denk-Token…
Qwen: Qwen3.5-Flash
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)1.57sAntwortzeit (Maximum)1.83sAntwortzeit (Gesamt)3.14sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
1.57sAntwortzeit (Durchschnitt)…
243Ausgabe-Token…
0Denk-Token…
Domänenspezifisch
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
10.0Durchschnittswert über alle Benchmark-Tests.…
7.2Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
22.2%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.Falsche Antwort: 2Zeitüberschreitung: 1Antwortzeit (Durchschnitt)44.63sAntwortzeit (Maximum)82.55sAntwortzeit (Gesamt)133.89sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
44.63sAntwortzeit (Durchschnitt)…
293Ausgabe-Token…
14,016Denk-Token…
Qwen: Qwen3.5-Flash
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)905msAntwortzeit (Maximum)1.10sAntwortzeit (Gesamt)2.71sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
905msAntwortzeit (Durchschnitt)…
15Ausgabe-Token…
0Denk-Token…
Befolgung von Anweisungen
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
7.5Durchschnittswert über alle Benchmark-Tests.…
6.6Der 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.Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)15.66sAntwortzeit (Maximum)21.80sAntwortzeit (Gesamt)31.32sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
15.66sAntwortzeit (Durchschnitt)…
318Ausgabe-Token…
4,992Denk-Token…
Qwen: Qwen3.5-Flash
5.0Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
50.0%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.Falsche Antwort: 1Antwortzeit (Durchschnitt)8.81sAntwortzeit (Maximum)13.73sAntwortzeit (Gesamt)17.61sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
8.81sAntwortzeit (Durchschnitt)…
63Ausgabe-Token…
0Denk-Token…
Puzzle Solving
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
4.3Durchschnittswert über alle Benchmark-Tests.…
9.8Der 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.Anweisungen nicht befolgt: 1Falsche Antwort: 1Antwortzeit (Durchschnitt)14.09sAntwortzeit (Maximum)16.81sAntwortzeit (Gesamt)42.28sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
14.09sAntwortzeit (Durchschnitt)…
1,527Ausgabe-Token…
5,760Denk-Token…
Qwen: Qwen3.5-Flash
1.3Durchschnittswert über alle Benchmark-Tests.…
10.0Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
0.0%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.Falsche Antwort: 2Anweisungen nicht befolgt: 1Antwortzeit (Durchschnitt)5.90sAntwortzeit (Maximum)12.19sAntwortzeit (Gesamt)17.69sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
5.90sAntwortzeit (Durchschnitt)…
608Ausgabe-Token…
0Denk-Token…
Werkzeugaufrufe
Punktzahl
Konsistenz
Erfolgsquote pro Versuch
Instabile Tests
Korrekte Tests
Antwortzeit (Durchschnitt)
Ausgabe-Token
Denk-Token
OpenAI: GPT-5 Mini
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)18.64sAntwortzeit (Maximum)18.64sAntwortzeit (Gesamt)18.64sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
18.64sAntwortzeit (Durchschnitt)…
487Ausgabe-Token…
1,600Denk-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)3.67sAntwortzeit (Maximum)3.67sAntwortzeit (Gesamt)3.67sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…