Benchmark-Vergleich GPT-6.1 Sol (xhigh) vs GPT-6 Astra (xhigh) vs Claude Sonnet 5.5 (xhigh):GPT-6.1 Sol (xhigh) führt bei Punktzahl mit 9.9. GPT-6.1 Sol (xhigh) führt bei Zuverlässigkeit mit 10.0. GPT-6.1 Sol (xhigh) hat den niedrigsten Gesamtkosten mit $1.377. Claude Sonnet 5.5 (xhigh) ist mit 14.98s am schnellsten.
Benchmarks aus AI BENCHY-Test-Suites generiert am:
2026-11-18
Verglichene Modelle
Rang
#16
Gesamte Ausgabe-Token
102,482
Antwortzeit (Durchschnitt)
33.11s
Gesamtkosten
$1.377
Rang
#18
Gesamte Ausgabe-Token
90,095
Antwortzeit (Durchschnitt)
29.67s
Gesamtkosten
$6.213
Rang
#115
Gesamte Ausgabe-Token
83,041
Antwortzeit (Durchschnitt)
14.98s
Gesamtkosten
$1.516
Empfohlenes ModellGPT-6.1 Sol (xhigh)
Es hat hier die beste Punktzahl (9.9) und kostet etwa 2.8x weniger als die anderen Modelle in diesem Vergleich.
GPT-6 AstraGPT-6 AstraxhighArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.Veröffentlichung: 2026-09-04
Claude Sonnet 5.5Claude Sonnet 5.5xhighArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.Veröffentlichung: 2026-09-29
GPT-6 AstraGPT-6 AstraxhighArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.Veröffentlichung: 2026-09-04
Claude Sonnet 5.5Claude Sonnet 5.5xhighArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.Veröffentlichung: 2026-09-29
Punktzahl
9.9Durchschnittswert über alle Benchmark-Tests.…
9.9Durchschnittswert über alle Benchmark-Tests.…
8.6Durchschnittswert über alle Benchmark-Tests.…
Rang
#16
#18
#115
Zuverlässigkeit
10.0Erfolgswert beim ersten Versuch: 10.0 bedeutet keine wiederholbaren Ziel-API- oder Rate-Limit-Fehler vor erfolgreichen Aufrufen; erfasste Fehler senken den Wert.…
9.9Erfolgswert beim ersten Versuch: 10.0 bedeutet keine wiederholbaren Ziel-API- oder Rate-Limit-Fehler vor erfolgreichen Aufrufen; erfasste Fehler senken den Wert.…
10.0Erfolgswert beim ersten Versuch: 10.0 bedeutet keine wiederholbaren Ziel-API- oder Rate-Limit-Fehler vor erfolgreichen Aufrufen; erfasste Fehler senken den Wert.…
Konsistenz
9.6Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
9.6Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
8.7Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
Versuche
69/69
69/69
69/69
Korrekte Tests
Ein Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.Falsche Antwort: 1Antwortzeit (Durchschnitt)33.11sAntwortzeit (Maximum)491.85sAntwortzeit (Gesamt)761.52sEin 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: 1Antwortzeit (Durchschnitt)29.67sAntwortzeit (Maximum)381.11sAntwortzeit (Gesamt)682.42sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
97.1%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
97.1%Erfolgsquote pro Versuch = bestandene Versuche / Gesamtversuche über alle Läufe.…
79.7%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).…
1Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
4Instabile Tests hatten gemischte Ergebnisse über Läufe hinweg (mindestens ein Erfolg und ein Fehlschlag).…
Gesamtläufe
69Gesamtläufe…
69Gesamtläufe…
69Gesamtläufe…
Kosten pro Ergebnis
6.256
28.237
9.473
Gesamtkosten
$1.377
$6.213
$1.516
Eingabepreis
$2.000 / 1MEingabepreis…
$10.000 / 1MEingabepreis…
$2.000 / 1MEingabepreis…
Ausgabepreis
$10.000 / 1MAusgabepreis…
$50.000 / 1MAusgabepreis…
$10.000 / 1MAusgabepreis…
Preis für Cache-Lesen
$0.100 / 1MPreis für Cache-Lesen…
$1.000 / 1MPreis für Cache-Lesen…
$0.200 / 1MPreis für Cache-Lesen…
Preis für Cache-Schreiben
$2.500 / 1MPreis für Cache-Schreiben…
$12.500 / 1MPreis für Cache-Schreiben…
$2.500 / 1MPreis für Cache-Schreiben…
Gesamte Eingabe-Token
175,712Gesamte Eingabe-Token…
170,731Gesamte Eingabe-Token…
342,579Gesamte Eingabe-Token…
Ausgabe-Token
5,640Ausgabe-Token…
5,865Ausgabe-Token…
12,848Ausgabe-Token…
Denk-Token
96,842Denk-Token…
84,230Denk-Token…
70,193Denk-Token…
Antwortzeit (Durchschnitt)
33.11sAntwortzeit (Durchschnitt)…
29.67sAntwortzeit (Durchschnitt)…
14.98sAntwortzeit (Durchschnitt)…
Antwortzeit (Maximum)
491.85sAntwortzeit (Maximum)…
381.11sAntwortzeit (Maximum)…
54.92sAntwortzeit (Maximum)…
Antwortzeit (Gesamt)
761.52sAntwortzeit (Gesamt)…
682.42sAntwortzeit (Gesamt)…
344.60sAntwortzeit (Gesamt)…
Parameter
~2T insgesamt (~150B aktiv)
~2T insgesamt (~150B aktiv)
~1T insgesamt (~100B aktiv)
Verfügbarkeit
Geschlossen
Geschlossen
Geschlossen
Cache-Preise gelten für Eingabetokens. Lesen nutzt gespeicherte Prompts erneut; Schreiben speichert sie und kann mehr kosten. Für Ausgabetokens gilt der Ausgabepreis.
Modell-Generierungs-Showcase
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
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)58.86sAntwortzeit (Maximum)58.86sAntwortzeit (Gesamt)58.86sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
58.86sAntwortzeit (Durchschnitt)…
96,480Gesamte Eingabe-Token…
829Ausgabe-Token…
1,934Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)56.73sAntwortzeit (Maximum)56.73sAntwortzeit (Gesamt)56.73sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
56.73sAntwortzeit (Durchschnitt)…
91,069Gesamte Eingabe-Token…
810Ausgabe-Token…
2,102Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)54.92sAntwortzeit (Maximum)54.92sAntwortzeit (Gesamt)54.92sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)3.86sAntwortzeit (Maximum)5.07sAntwortzeit (Gesamt)15.45sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
3.86sAntwortzeit (Durchschnitt)…
606Gesamte Eingabe-Token…
164Ausgabe-Token…
886Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)3.71sAntwortzeit (Maximum)5.18sAntwortzeit (Gesamt)14.85sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
3.71sAntwortzeit (Durchschnitt)…
606Gesamte Eingabe-Token…
170Ausgabe-Token…
971Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.21sAntwortzeit (Maximum)5.12sAntwortzeit (Gesamt)16.83sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)10.65sAntwortzeit (Maximum)15.30sAntwortzeit (Gesamt)31.95sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
10.65sAntwortzeit (Durchschnitt)…
7,302Gesamte Eingabe-Token…
393Ausgabe-Token…
4,483Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)8.27sAntwortzeit (Maximum)11.08sAntwortzeit (Gesamt)24.81sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
8.27sAntwortzeit (Durchschnitt)…
7,302Gesamte Eingabe-Token…
396Ausgabe-Token…
4,031Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
8.2Durchschnittswert über alle Benchmark-Tests.…
7.2Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
88.9%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.Zusätzliche Formatierung: 1Antwortzeit (Durchschnitt)11.90sAntwortzeit (Maximum)15.48sAntwortzeit (Gesamt)35.70sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)34.38sAntwortzeit (Maximum)52.09sAntwortzeit (Gesamt)68.76sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
34.38sAntwortzeit (Durchschnitt)…
56,024Gesamte Eingabe-Token…
3,244Ausgabe-Token…
8,146Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)41.20sAntwortzeit (Maximum)63.24sAntwortzeit (Gesamt)82.41sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
41.20sAntwortzeit (Durchschnitt)…
56,454Gesamte Eingabe-Token…
3,461Ausgabe-Token…
9,960Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
8.7Durchschnittswert über alle Benchmark-Tests.…
6.9Der 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.Ungültiger Werkzeugaufruf: 1Antwortzeit (Durchschnitt)30.37sAntwortzeit (Maximum)37.90sAntwortzeit (Gesamt)60.75sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)2.88sAntwortzeit (Maximum)3.21sAntwortzeit (Gesamt)5.76sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
2.88sAntwortzeit (Durchschnitt)…
7,140Gesamte Eingabe-Token…
234Ausgabe-Token…
343Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)3.34sAntwortzeit (Maximum)3.64sAntwortzeit (Gesamt)6.69sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
3.34sAntwortzeit (Durchschnitt)…
7,140Gesamte Eingabe-Token…
234Ausgabe-Token…
365Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.96sAntwortzeit (Maximum)6.16sAntwortzeit (Gesamt)9.92sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
7.2Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
77.8%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: 1Antwortzeit (Durchschnitt)177.33sAntwortzeit (Maximum)491.85sAntwortzeit (Gesamt)532.00sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
177.33sAntwortzeit (Durchschnitt)…
732Gesamte Eingabe-Token…
68Ausgabe-Token…
76,624Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
7.6Durchschnittswert über alle Benchmark-Tests.…
7.2Der Konsistenzwert zeigt die Stabilität zwischen Läufen (10 = sehr konsistent, auch wenn konsistent falsch).…
77.8%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: 1Antwortzeit (Durchschnitt)146.97sAntwortzeit (Maximum)381.11sAntwortzeit (Gesamt)440.90sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
146.97sAntwortzeit (Durchschnitt)…
732Gesamte Eingabe-Token…
68Ausgabe-Token…
61,252Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
2.9Durchschnittswert über alle Benchmark-Tests.…
7.2Der 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)35.33sAntwortzeit (Maximum)54.91sAntwortzeit (Gesamt)106.00sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)8.78sAntwortzeit (Maximum)8.78sAntwortzeit (Gesamt)8.78sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
8.78sAntwortzeit (Durchschnitt)…
477Gesamte Eingabe-Token…
113Ausgabe-Token…
983Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)7.68sAntwortzeit (Maximum)7.68sAntwortzeit (Gesamt)7.68sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
7.68sAntwortzeit (Durchschnitt)…
477Gesamte Eingabe-Token…
124Ausgabe-Token…
870Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
6.5Durchschnittswert über alle Benchmark-Tests.…
3.4Der 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)9.10sAntwortzeit (Maximum)9.10sAntwortzeit (Gesamt)9.10sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)3.78sAntwortzeit (Maximum)4.32sAntwortzeit (Gesamt)7.56sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
3.78sAntwortzeit (Durchschnitt)…
660Gesamte Eingabe-Token…
93Ausgabe-Token…
654Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.91sAntwortzeit (Maximum)5.08sAntwortzeit (Gesamt)9.82sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
4.91sAntwortzeit (Durchschnitt)…
660Gesamte Eingabe-Token…
93Ausgabe-Token…
752Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.58sAntwortzeit (Maximum)4.79sAntwortzeit (Gesamt)9.15sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)4.87sAntwortzeit (Maximum)6.32sAntwortzeit (Gesamt)14.62sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
4.87sAntwortzeit (Durchschnitt)…
642Gesamte Eingabe-Token…
212Ausgabe-Token…
1,084Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.48sAntwortzeit (Maximum)5.60sAntwortzeit (Gesamt)13.44sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
4.48sAntwortzeit (Durchschnitt)…
642Gesamte Eingabe-Token…
215Ausgabe-Token…
1,072Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)4.88sAntwortzeit (Maximum)5.32sAntwortzeit (Gesamt)14.63sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)10.29sAntwortzeit (Maximum)10.29sAntwortzeit (Gesamt)10.29sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
10.29sAntwortzeit (Durchschnitt)…
5,454Gesamte Eingabe-Token…
260Ausgabe-Token…
842Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)11.04sAntwortzeit (Maximum)11.04sAntwortzeit (Gesamt)11.04sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
11.04sAntwortzeit (Durchschnitt)…
5,454Gesamte Eingabe-Token…
264Ausgabe-Token…
1,051Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)10.29sAntwortzeit (Maximum)10.29sAntwortzeit (Gesamt)10.29sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
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)7.51sAntwortzeit (Maximum)7.51sAntwortzeit (Gesamt)7.51sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
7.51sAntwortzeit (Durchschnitt)…
195Gesamte Eingabe-Token…
30Ausgabe-Token…
863Denk-Token…
GPT-6 AstraArchiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
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)14.06sAntwortzeit (Maximum)14.06sAntwortzeit (Gesamt)14.06sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…
14.06sAntwortzeit (Durchschnitt)…
195Gesamte Eingabe-Token…
30Ausgabe-Token…
1,804Denk-Token…
Claude Sonnet 5.5Archiviertes Modell: Dieses Modell wird nicht mehr aktualisiert und nicht mehr in neuen Tests getestet.
3.0Durchschnittswert 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.Keine Antwort: 1Antwortzeit (Durchschnitt)17.31sAntwortzeit (Maximum)17.31sAntwortzeit (Gesamt)17.31sEin Test gilt nur dann als vollständig bestanden, wenn alle Läufe bestanden wurden.…