Warum dieser Benchmark nützlich ist
Viele klassische Tests sind memorisiert, gesättigt oder alt. LiveBench verdient einen Platz, weil der Fragenpool explizit regelmäßig erneuert wird.
LiveBench
Ein kontaminationsarmer Benchmark, der Fragen über Zeit erneuert und Reasoning, Coding, Mathe, Datenanalyse, Sprache und Instruction Following abdeckt.
Was dieser Benchmark nicht misst
- Keine statische Benchmark-Meisterschaft — der Sinn ist Frische; alte Snapshots sind keine dauerhafte Modellwahrheit.
- Keine domänenspezifische Zuverlässigkeit — ein breiter Score kann Schwächen in der Domäne verstecken, die der Leser wirklich braucht.
- Keine Kosten, Latenz oder Datenschutz — LiveBench ist Capability-Evidenz, keine Produktreife-Evidenz.
Abdeckung
- Aufgabenfamilie
- Reasoning
- Format
- Regelmäßig erneuerte Aufgaben über mehrere Kategorien; aktuelle Releases stehen auf der LiveBench-Seite.
- Bewertung
- Kategorie- und globale Durchschnitte je LiveBench-Release. Nur innerhalb desselben Releases vergleichen.
- Verantwortliche Stelle
- LiveBench team
So liest du die Scores
Zum Score immer das LiveBench-Release-Datum lesen. Die Position eines Modells auf einem alten Snapshot kann nach dem nächsten Refresh kippen.
Was er nicht abdeckt
- Keine statische Benchmark-Meisterschaft — der Sinn ist Frische; alte Snapshots sind keine dauerhafte Modellwahrheit.
- Keine domänenspezifische Zuverlässigkeit — ein breiter Score kann Schwächen in der Domäne verstecken, die der Leser wirklich braucht.
- Keine Kosten, Latenz oder Datenschutz — LiveBench ist Capability-Evidenz, keine Produktreife-Evidenz.
Scores
21 ZeilenEvidenz-Ledger
2121 Zeilen
71.4%bester Score
0quellgeprüft
1Quellen
2026-04-15Quelldatum
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- Claude Opus 4.671.4% · LiveBench leaderboard
- Claude Opus 4.870.8% · LiveBench leaderboard
- GPT 5.569.8% · LiveBench leaderboard
- o368.5% · LiveBench leaderboard
- Claude Sonnet 4.667.2% · LiveBench leaderboard
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | Claude Opus 4.6AnthropicLatest LiveBench release. Compare within same release only. | 2026-02-05 | 71.4% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 2 | Claude Opus 4.8Anthropic | 2026-05-28 | 70.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 3 | GPT 5.5OpenAI | 2026-04-23 | 69.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 4 | o3OpenAIStrong in math and reasoning categories; softer in instruction-following. | 2025-04-16 | 68.5% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 5 | Claude Sonnet 4.6Anthropic | 2026-02-17 | 67.2% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 6 | GPT 5.4OpenAI | 2026-03-05 | 66.4% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 7 | Gemini 3.1 ProGoogle | 2026-02-19 | 65.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 8 | Gemini 3.5 FlashGoogle | 2026-05-19 | 64.2% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 9 | DeepSeek R1DeepSeek | 2025-01-20 | 64.1% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 10 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 63.5% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 11 | Mistral Large 3Mistral | 2025-12-02 | 62.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 12 | Kimi K2.6Moonshot | 2026-04-20 | 62.4% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 13 | Llama 4 MaverickMeta | 2026-04-05 | 62.1% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 14 | DeepSeek V4DeepSeek | 2026-04-24 | 61.9% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 15 | Qwen 3.7 MaxAlibaba | 2026-05-20 | 61.6% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 16 | Kimi K2.5Moonshot | 2026-01-27 | 61.2% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 17 | Grok 4.3xAI | 2026-04-30 | 60.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 19 | MiniMax M3MiniMax | 2026-05-31 | 59.6% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 20 | Llama 4 ScoutMeta | 2026-04-05 | 58.9% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 21 | Claude Haiku 4.5Anthropic | 2025-10-01 | 57.8% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
| 22 | Grok 4.20 ReasoningxAI | 2026-03-05 | 56.4% | LiveBench leaderboard2026-04-15 | Prüfung nötig |
Was er abdeckt
Primärquelle ist livebench.ai. VerdictPal sollte das LiveBench-Release-Label in jeder Score-Zeile speichern.
Wo er an Grenzen stößt
Der breite Durchschnitt ist eine Karte, kein Urteil. Vor der Toolwahl in die Aufgabenfamilien hineinzoomen.
Belege
Quellen und weiterführende Lektüre
- LiveBench-Leaderboard· geprüft 2026-06-03
- LiveBench-Paper· geprüft 2026-06-03
- LiveBench
Fragen zu diesem Benchmark
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Was misst LiveBench?
Ein kontaminationsarmer Benchmark, der Fragen über Zeit erneuert und Reasoning, Coding, Mathe, Datenanalyse, Sprache und Instruction Following abdeckt.
Was beweist ein hoher LiveBench-Wert nicht?
Ein starkes LiveBench-Ergebnis sagt nichts aus über:
- Keine statische Benchmark-Meisterschaft — der Sinn ist Frische; alte Snapshots sind keine dauerhafte Modellwahrheit.
- Keine domänenspezifische Zuverlässigkeit — ein breiter Score kann Schwächen in der Domäne verstecken, die der Leser wirklich braucht.
- Keine Kosten, Latenz oder Datenschutz — LiveBench ist Capability-Evidenz, keine Produktreife-Evidenz.
Wie wird LiveBench bewertet?
Kategorie- und globale Durchschnitte je LiveBench-Release. Nur innerhalb desselben Releases vergleichen. Aufgabenformat: Regelmäßig erneuerte Aufgaben über mehrere Kategorien; aktuelle Releases stehen auf der LiveBench-Seite.
Ist LiveBench gesättigt?
LiveBench ist im Atlas derzeit als Aktiv markiert.
Können LiveBench-Ergebnisse durch Trainingsdaten verunreinigt sein?
Das Kontaminationsrisiko für LiveBench ist als Kontamination niedrig eingestuft. Behandle jede Zeile auf dieser Seite als öffentliche Angabe mit Quelle und Datum, nicht als kontrolliertes Experiment.
The Pack · Redaktionsnewsletter
Neue Tools in dein Postfach. Kostenlos.
Eine kurze E-Mail, wenn ein Tool erscheint oder den Status wechselt. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.