VerdictPal · Redaktions-Desk · Stand 14. Sept. 2026VerdictPal

Benchmarks

Jeder Benchmark, ehrlich gelesen.

Wähle ein Modell und sieh die öffentlichen Benchmark-Belege, die VerdictPal dafür hat. Jede Zeile ist datiert, belegt und mit Caveats versehen. Die Seite liest sich wie Evidenz, nicht wie ein Scoreboard. Für die modellzentrierte Ansicht (Ränge, Familien, Quellen-Ledger) öffne den modellzentrierten Atlas.

Öffentliche Benchmarks

2055

Ledger-Zeilen

1908/2055

Quellgeprüfte Scores

Belegte Quellen

Benchmarks suchen

Hier starten

Ein Primärtest pro Familie

Das sind die Diskriminatoren, die wir in jeder Familie zuerst öffnen würden. Gelöste und gesättigte Suites bleiben unten in der Bibliothek als Glossar — nicht als aktuelle Evidenz.

Omniscience AccuracyAA-Omniscience

WissenPrimär · WissenKontamination mittel

Nimm diesen Test, wenn · Für quellenstarke Studierende ist die relevante Fehlerart die selbstsichere Falschantwort. AA-Omniscience ist die öffentliche Suite, die Abruf und Hallucination gemeinsam über Domänen bewertet, die in Papers tatsächlich vorkommen.

Sagt dir nicht · Open-Web-Recherche — die Fragen sind Closed-Book. Ein Modell, das suchen und zitieren sollte, wird hier nicht getestet.

12 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

Humanity's Last ExamHLE

ReasoningPrimär · ReasoningKontamination niedrig

Nimm diesen Test, wenn · Wenn du eine harte, fachübergreifende Expertenprüfung brauchst — von Mathe bis professionellem Recht und Medizin — als Closed-Book-Stresstest, nicht als Forschungsproduktivitäts-Proxy.

Sagt dir nicht · Echte Forschungsproduktivität — Prüfungsfragen erfassen nicht die unordentliche Such-und-Synthetisieren-Arbeit, die eine Forscher:in tatsächlich leistet.

185 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Papers / model cardsFrontierMathFrontierMath Tiers 1-3

MathePrimär · MatheKontamination niedrig

Nimm diesen Test, wenn · Wenn MATH und AIME die Frontier nicht mehr trennen, ist das der lebende Mathe-Trenner: originale Expertenaufgaben, Python-fähig, noch weit von der Decke.

Sagt dir nicht · Tier-4-Forschungsprobleme — die 43-Aufgaben-Erweiterung ist ein separates, härteres Set. Tiers-1-3-Headlines nicht mit Tier 4 mischen.

15 Score-Zeilen · 1 Quelle · aktualisiert 2026-08-15

DeepSWEDeepSWE

CodingPrimär · CodingKontamination niedrig

Nimm diesen Test, wenn · Wenn du Langhorizont-Softwarearbeit über mehrere Sprachen mit Verhaltens-Verifiers brauchst — härtere Kontaminationslage als klassisches SWE-bench Verified.

Sagt dir nicht · Kein Python-only-Issue-Fixing wie SWE-bench Verified — DeepSWE umfasst Go, Rust, TypeScript und mehr.

8 Score-Zeilen · 1 Quelle · aktualisiert 2026-08-04

Terminal-BenchTerminal-Bench 2.1

AgentischPrimär · AgentischKontamination niedrig

Nimm diesen Test, wenn · Wenn du realistische containerisierte Terminal-Arbeit brauchst — Debug, Dateien, Befehle, Artefakte — als agentisches Ops-Signal. Diese Seite trackt AAs veröffentlichte 2.1-/Hard-Zeilen, nicht das v4.0-Slice im Index v4.3.

Sagt dir nicht · Nicht nur das Modell — Harness, Tools, Retries, Zeitlimits und Container-Setup können Werte stark verschieben.

189 Score-Zeilen · 3 Quellen · aktualisiert 2026-09-10

MMMU-ProMMMU Pro

MultimodalPrimär · MultimodalKontamination mittel

Nimm diesen Test, wenn · Originales MMMU trennt die Frontier nicht mehr. MMMU-Pro ist die lebende multimodale Prüfung: Shortcuts entfernt, zehn Optionen, noch Spreizung unter der alten 88-%-Decke.

Sagt dir nicht · Originale MMMU-Headlines — die enthalten noch textlösbare Items. Eine 88-%-MMMU-Zeile ist keine MMMU-Pro-Zeile.

8 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

Artificial Analysis Long Context ReasoningAA-LCR

Langer KontextPrimär · Langer KontextKontamination niedrig

Nimm diesen Test, wenn · Long-Context-Research scheitert, wenn Modelle den Faden über entfernte Evidenz verlieren. AA-LCR ist eine der wenigen öffentlichen Suites, die Synthese über lange Inputs bewertet — nicht nur Retrieval-Trivia.

Sagt dir nicht · Retrieval aus externen Datenbanken — der Kontext liegt nur im Prompt.

182 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Berkeley BFCLBerkeley Function Calling LeaderboardBFCL

Tool-NutzungPrimär · Tool-NutzungKontamination mittel

Nimm diesen Test, wenn · Tool Calling ist die Sanitäranlage hinter Agenten, Automationen und Forschungsassistenten. BFCL macht daraus einen öffentlichen Test statt jede Function-Call-Demo als Evidenz zu behandeln.

Sagt dir nicht · Nicht, ob das Tool-Ergebnis nützlich ist — BFCL fokussiert Auswahl und Formatierung von Calls, nicht den gesamten Produktworkflow danach.

20 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

AA output speedOutput tokens per second

PerformancePrimär · PerformanceKontamination unbekannt

Nimm diesen Test, wenn · Wenn es um Streaming-Geschwindigkeit nach dem ersten Chunk geht — IDE-Gefühl, Chat-Responsivität, Batch-Durchsatz — nicht um Antwortqualität.

Sagt dir nicht · IDE- oder Chat-App-Latenz — nur First-Party-API-Routen, die AA als Default-Provider trackt.

190 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Stanford HELMHELM SafetyHolistic Evaluation of Language Models

SicherheitPrimär · SicherheitKontamination mittel

Nimm diesen Test, wenn · Sicherheitsevidenz ist oft Marketingtext oder Red-Team-Anekdote. HELM gibt Lesern einen öffentlichen, wiederholbaren Ort für mehrere Sicherheitsmetriken nebeneinander.

Sagt dir nicht · Kein reales Deployment-Risiko allein — ein Modell kann in HELM sicherer aussehen als in einem Produkt mit Tools, Memory, Browsing oder schwacher Policy-Durchsetzung.

9 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

LMArenaLMArena (Chatbot Arena)Chatbot Arena

Menschliche PräferenzPrimär · Menschliche PräferenzKontamination niedrig

Nimm diesen Test, wenn · Wenn du ein menschliches Präferenzsignal im großen Maßstab brauchst — wie Antworten im blinden Nebeneinander-Chat wirken — keine Korrektheitsprüfung.

Sagt dir nicht · Korrektheit — Wähler belohnen, was gut aussieht; Formatierung, Länge und Selbstsicherheit können Genauigkeit schlagen.

13 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

Benchmark-Übersicht

Starte mit dem Test, nicht dem Modell.

Der Atlas ist nach dem gruppiert, was der Benchmark messen will. Score-Zeilen sitzen unter jedem Test, damit unvergleichbare Metriken nicht in ein Fake-Ranking kollabieren.

Test nachschlagen, dann den Caveat lesen

Ein Benchmark ist ein konkreter Test — Coding-Bugs, harte Wissenschaftsfragen, Agenten-Workflows — keine Krone für „bestes Modell“. Scores wandern, Anbieter cherry-picken, alte Suites lecken in Trainingsdaten. Jede Zahl ist datiert, belegt und mit Kontaminationsrisiko markiert.

So liest du einen Score

Was er misst — die konkrete Fähigkeit oder Aufgabenfamilie, die dieser Test bewertet.
Was er nicht beweist — jede Suite hat blinde Flecken; lies die Caveats, bevor du eine Behauptung absendest.
Wann du ihn nutzt — nimm den Primärtest für deinen Job, dann öffne das Dossier für das volle Ledger.

Neu bei Elo, Kontamination oder Sättigung? Glossar öffnen

Benchmark-Bibliothek

Was jeder Test wirklich misst

AktivGesättigtGelöst

AA output speedOutput tokens per second

PerformancePrimär · PerformanceKontamination unbekannt

Nimm diesen Test, wenn · Wenn es um Streaming-Geschwindigkeit nach dem ersten Chunk geht — IDE-Gefühl, Chat-Responsivität, Batch-Durchsatz — nicht um Antwortqualität.

Sagt dir nicht · IDE- oder Chat-App-Latenz — nur First-Party-API-Routen, die AA als Default-Provider trackt.

190 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

AA time to first tokenTTFT

PerformanceKontamination unbekannt

Nimm diesen Test, wenn · Time-to-first-token ist die Pause vor dem ersten sichtbaren Token — relevant, wenn schneller Start wichtiger ist als anhaltende Generierungsgeschwindigkeit.

Sagt dir nicht · End-to-End-Aufgabenzeit für Agent-Loops — TTFT ist ein Hop, keine ganze Coding-Session.

190 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Artificial Analysis Long Context ReasoningAA-LCR

Langer KontextPrimär · Langer KontextKontamination niedrig

Sagt dir nicht · Retrieval aus externen Datenbanken — der Kontext liegt nur im Prompt.

182 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Omniscience AccuracyAA-Omniscience

WissenPrimär · WissenKontamination mittel

Sagt dir nicht · Open-Web-Recherche — die Fragen sind Closed-Book. Ein Modell, das suchen und zitieren sollte, wird hier nicht getestet.

12 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

Papers / model cardsAbstraction and Reasoning CorpusARC-AGI

ReasoningKontamination niedrig

Nimm diesen Test, wenn · ARC Prize ist die einzige Benchmark-Serie, die wiederholt neue Wendepunkte zeigt — von Reasoning-Systemen (ARC-AGI-2) bis agentischer Intelligenz (ARC-AGI-3).

Sagt dir nicht · Wissen oder Sprache — Aufgaben sind bewusst wissensfrei; Werte sagen nichts über faktische Genauigkeit.

16 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-22

Artificial Analysis Intelligence IndexAA Intelligence Index

ReasoningKontamination mittel

Nimm diesen Test, wenn · Single-Number-Modell-Rankings verstecken Trade-offs. Der AA Intelligence Index ist ein gewichteter Composite aus öffentlichen Sub-Evals — nützlich als datierter Frontier-Snapshot, wenn man die Slices liest, nicht als universeller Qualitätswert.

Sagt dir nicht · Latenz, Kosten-pro-Token und Durchsatz — der Index ist reine Intelligenz. Für $/1M-Token die AA-API parallel nutzen.

188 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Berkeley BFCLBerkeley Function Calling LeaderboardBFCL

Tool-NutzungPrimär · Tool-NutzungKontamination mittel

Sagt dir nicht · Nicht, ob das Tool-Ergebnis nützlich ist — BFCL fokussiert Auswahl und Formatierung von Calls, nicht den gesamten Produktworkflow danach.

20 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

CritPtCritical Physics Tasks

ReasoningKontamination niedrig

Nimm diesen Test, wenn · Wenn GPQA und HLE nicht mehr sagen, ob ein Modell Forschungsphysik kann: originale, unveröffentlichte Aufgaben mit rate-resistenten Antworten, noch weit von der Decke (Frontier um 30 %).

Sagt dir nicht · Lehrbuch- oder Contest-Physik — die Aufgaben sind originale Forschungsmaßstab-Tasks, keine recycelten Qualifying-Exam-Items.

12 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

DeepSWEDeepSWE

CodingPrimär · CodingKontamination niedrig

Nimm diesen Test, wenn · Wenn du Langhorizont-Softwarearbeit über mehrere Sprachen mit Verhaltens-Verifiers brauchst — härtere Kontaminationslage als klassisches SWE-bench Verified.

Sagt dir nicht · Kein Python-only-Issue-Fixing wie SWE-bench Verified — DeepSWE umfasst Go, Rust, TypeScript und mehr.

8 Score-Zeilen · 1 Quelle · aktualisiert 2026-08-04

Papers / model cardsFrontierMathFrontierMath Tiers 1-3

MathePrimär · MatheKontamination niedrig

Nimm diesen Test, wenn · Wenn MATH und AIME die Frontier nicht mehr trennen, ist das der lebende Mathe-Trenner: originale Expertenaufgaben, Python-fähig, noch weit von der Decke.

Sagt dir nicht · Tier-4-Forschungsprobleme — die 43-Aufgaben-Erweiterung ist ein separates, härteres Set. Tiers-1-3-Headlines nicht mit Tier 4 mischen.

15 Score-Zeilen · 1 Quelle · aktualisiert 2026-08-15

GDPvalReal-work deliverables vs experts

AgentischKontamination niedrig

Nimm diesen Test, wenn · MCQ-Suites verpassen, ob ein Modell ein echtes Artefakt liefern kann. GDPval bewertet Lieferungen aus 44 Berufen blind gegen menschliche Experten — weiter ein großer Agents-Anteil im AA Intelligence Index v4.3, geteilt mit AA-Briefcase.

Sagt dir nicht · Keine VerdictPal-Empfehlung — GDPval ist eine Quelle, mit eigener Aufgabenmischung.

6 Score-Zeilen · 3 Quellen · aktualisiert 2026-06-22

GPQA DiamondGraduate-Level Google-Proof Q&A

ReasoningKontamination niedrig

Nimm diesen Test, wenn · Wenn du Graduierten-Wissenschaft willst, die Laien schwer googeln — ein schmaler, aber noch trennender Wissens-/Reasoning-Ausschnitt.

Sagt dir nicht · Allgemeine Nützlichkeit — ein schmaler Ausschnitt der Spitzenwissenschaft, keine Alltagsaufgaben.

190 Score-Zeilen · 2 Quellen · aktualisiert 2026-09-10

Stanford HELMHELM SafetyHolistic Evaluation of Language Models

SicherheitPrimär · SicherheitKontamination mittel

Nimm diesen Test, wenn · Sicherheitsevidenz ist oft Marketingtext oder Red-Team-Anekdote. HELM gibt Lesern einen öffentlichen, wiederholbaren Ort für mehrere Sicherheitsmetriken nebeneinander.

Sagt dir nicht · Kein reales Deployment-Risiko allein — ein Modell kann in HELM sicherer aussehen als in einem Produkt mit Tools, Memory, Browsing oder schwacher Policy-Durchsetzung.

9 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

Humanity's Last ExamHLE

ReasoningPrimär · ReasoningKontamination niedrig

Sagt dir nicht · Echte Forschungsproduktivität — Prüfungsfragen erfassen nicht die unordentliche Such-und-Synthetisieren-Arbeit, die eine Forscher:in tatsächlich leistet.

185 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

LiveBenchLiveBench

ReasoningKontamination niedrig

Nimm diesen Test, wenn · Viele klassische Tests sind memorisiert, gesättigt oder alt. LiveBench verdient einen Platz, weil der Fragenpool explizit regelmäßig erneuert wird.

Sagt dir nicht · Keine statische Benchmark-Meisterschaft — der Sinn ist Frische; alte Snapshots sind keine dauerhafte Modellwahrheit.

21 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

LiveCodeBench

CodingKontamination niedrig

Nimm diesen Test, wenn · Wenn du Contest-Coding mit frischeren Aufgaben willst, die Trainingsdaten-Leakage besser widerstehen als klassische statische Suites.

Sagt dir nicht · Mehrdatei-Refactors oder IDE-Agent-Loops.

31 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

LMArenaLMArena (Chatbot Arena)Chatbot Arena

Menschliche PräferenzPrimär · Menschliche PräferenzKontamination niedrig

Nimm diesen Test, wenn · Wenn du ein menschliches Präferenzsignal im großen Maßstab brauchst — wie Antworten im blinden Nebeneinander-Chat wirken — keine Korrektheitsprüfung.

Sagt dir nicht · Korrektheit — Wähler belohnen, was gut aussieht; Formatierung, Länge und Selbstsicherheit können Genauigkeit schlagen.

13 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

LongBenchLongBench v2LongBench 2

Langer KontextKontamination mittel

Nimm diesen Test, wenn · Long Context ist heute ein Produktversprechen fast jedes Frontier-Modells. LongBench v2 trennt Fenstergröße von echter Langkontext-Schlussfolgerung.

Sagt dir nicht · Keine Retrieval-Qualität — der Benchmark testet Modellnutzung bereitgestellten Kontexts, nicht ob dein Suchsystem die richtigen Dokumente gefunden hat.

19 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

Papers / model cardsMCP Atlas

Tool-NutzungKontamination niedrig

Nimm diesen Test, wenn · Wenn es darum geht, ob ein Modell MCP-Tool-Calls auswählen, sequenzieren und wiederherstellen kann — Schema-Treue und Werkzeug-Ketten-Reasoning, kein Chat-Polish.

Sagt dir nicht · Harness-Qualität — unterschiedliche MCP-Server-Implementierungen können Scores künstlich heben oder senken.

10 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

MMLU-Pro

WissenKontamination mittel

Nimm diesen Test, wenn · Wenn klassisches MMLU zu leicht oder zu erratbar ist — eine strengere Zehn-Optionen-, reasoning-lastige Wissensprüfung über Domänen.

Sagt dir nicht · Offene Praxisfähigkeit — es bleibt eine Multiple-Choice-Prüfung, nur strenger.

39 Score-Zeilen · 2 Quellen · aktualisiert 2026-09-10

MMMU-ProMMMU Pro

MultimodalPrimär · MultimodalKontamination mittel

Nimm diesen Test, wenn · Originales MMMU trennt die Frontier nicht mehr. MMMU-Pro ist die lebende multimodale Prüfung: Shortcuts entfernt, zehn Optionen, noch Spreizung unter der alten 88-%-Decke.

Sagt dir nicht · Originale MMMU-Headlines — die enthalten noch textlösbare Items. Eine 88-%-MMMU-Zeile ist keine MMMU-Pro-Zeile.

8 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

SciCode

CodingKontamination mittel

Nimm diesen Test, wenn · Wenn es um wissenschaftliches Programmieren mit Domänen-Bibliotheken und mehrstufigem numerischem Code geht — nicht um allgemeines SWE-Issue-Fixing.

Sagt dir nicht · Wet-Lab-Validierung — generierter Code wird nur gegen Referenztests bewertet.

93 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Terminal-BenchTerminal-Bench 2.1

AgentischPrimär · AgentischKontamination niedrig

Sagt dir nicht · Nicht nur das Modell — Harness, Tools, Retries, Zeitlimits und Container-Setup können Werte stark verschieben.

189 Score-Zeilen · 3 Quellen · aktualisiert 2026-09-10

Terminal-BenchTerminal-Bench-ScienceTB-Science

AgentischKontamination niedrig

Nimm diesen Test, wenn · Für quellenstarke Studierende und Forscher:innen ist das der lebende Science-Agent-Trenner: echte Labor-Workflows, noch weit von der Decke (beste veröffentlichte 0.1-Zeile ist 30 %).

Sagt dir nicht · Nicht nur das Modell — jede veröffentlichte 0.1-Zeile nennt ein Agent-Harness (Claude Code, Codex, Grok Build). Die Harness-Wahl verschiebt den Wert.

9 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-01

Vals AIVals IndexVals AI Index

AgentischKontamination unbekannt

Nimm diesen Test, wenn · Wenn du einen praxisnahen, branchennahen Kompositwert willst — Finance, Coding und verwandte Arbeit — als eine Vals-Evidenzzeile, keine VerdictPal-Empfehlung.

Sagt dir nicht · Offene Reproduzierbarkeit — Teile des Benchmarks nutzen proprietäre, nicht öffentliche Datensätze; Leser können die Suite nicht vollständig nachlaufen lassen.

23 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-12

Vending-BenchVending-Bench 2

AgentischKontamination niedrig

Nimm diesen Test, wenn · Wenn es um anhaltendes Business-Urteil über Hunderte simulierter Tage geht — Inventar, Lieferanten, Preise — nicht um Single-Shot-Tool-Calls.

Sagt dir nicht · Keine Single-Shot-Tool-Calls — Läufe überschreiten 20 Mio. Output-Tokens; der Test ist anhaltendes Urteil.

10 Score-Zeilen · 1 Quelle · aktualisiert 2026-08-04

τ³-Bench Bankingtau3-bench-banking

AgentischKontamination niedrig

Nimm diesen Test, wenn · Kam im AA-Index v4.1 als härterer Ersatz für τ²-Bench Telecom. Verließ den Index in v4.3, als AutomationBench-AA den 5-%-Agents-Slot übernahm. Die Suite trennt Frontier-Modelle weiter auf einer niedrigen pass@1-Skala.

Sagt dir nicht · Echte Bank-Integrationen — simulierte Umgebung mit kontrollierten APIs, keine Produktions-Kernbankensysteme.

110 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Archiv · 7 EinträgeGesättigt, gelöst oder eingestellt

IFBenchInstruction-Following Benchmark

ReasoningGesättigtKontamination mittel

Nimm diesen Test, wenn · Historischer Instruction-Following-Stresstest für neue Format-Constraints. Gesättigt und aus AA Intelligence Index v4.1 entfernt — Glossar-Ehrlichkeit, keine aktuelle Frontier-Rangordnung.

Sagt dir nicht · Frontier-Trennung heute — Artificial Analysis entfernte IFBench aus dem Intelligence Index v4.1, weil Frontier-Modelle ihn sättigten.

127 Score-Zeilen · 1 Quelle · aktualisiert 2026-09-10

Papers / model cardsMassive Multitask Language UnderstandingMMLU

WissenGesättigtKontamination hoch

Nimm diesen Test, wenn · Historische breite Wissensprüfung über 57 Fächer — nützlicher Glossar-Kontext dafür, wie Modelle einst verglichen wurden. An der Frontier gesättigt; nicht für aktuelle Rangordnung.

Sagt dir nicht · Schlussfolgern unter Unsicherheit — ein Modell kann den richtigen Buchstaben erraten, ohne die Frage zu verstehen.

22 Score-Zeilen · 2 Quellen · aktualisiert 2026-06-09

Papers / model cardsMassive Multi-discipline Multimodal UnderstandingMMMU

MultimodalGesättigtKontamination mittel

Nimm diesen Test, wenn · Wenn du multimodales Verständnis auf Hochschulniveau brauchst — Diagramme, Schaltpläne, Strukturen, Scans — keine rein textlichen Wissensprüfungen.

Sagt dir nicht · Reine Bildqualität — viele Items lassen sich teils allein aus dem Text lösen, was Werte aufbläht.

8 Score-Zeilen · 1 Quelle · aktualisiert 2026-06-09

SWE-benchSWE-bench Verified

CodingGesättigtKontamination mittel

Nimm diesen Test, wenn · Einst der Flagship-Test für echte Python-Issues — weiter nützliche Herkunft. Frontier-Scores clustern jetzt eng; für aktuelles Agent-Signal DeepSWE oder SWE-Lancer bevorzugen.

Sagt dir nicht · Nichts außer Python — die Suite ist Python-only und sagt wenig über andere Sprachen oder Frontend aus.

23 Score-Zeilen · 2 Quellen · aktualisiert 2026-07-01

American Invitational Mathematics ExaminationAIME

MatheAusgedientKontamination mittel

Nimm diesen Test, wenn · Historisches Wettbewerbs-Mathe-Signal — einst nützlich für hartes Ganzzahl-Reasoning. Für Frontier-Modelle mit Extended Thinking gelöst; für Kontext behalten, nicht für aktuelle Rangordnung.

Sagt dir nicht · Winzige Stichprobe (15 Aufgaben/Jahr) — eine Aufgabe ist ~6,7 %, Einzelläufe sind verrauscht; pass@k oder mehrere Seeds verlangen.

37 Score-Zeilen · 3 Quellen · aktualisiert 2026-09-10

Vendor claimsHumanEval

CodingAusgedientKontamination hoch

Nimm diesen Test, wenn · Historische Code-Generierungs-Baseline — kurze Python-Funktionen aus Docstrings. Gelöst und stark kontaminiert; für Herkunft behalten, nicht für Frontier-Coding-Rang.

Sagt dir nicht · Echte Softwarearbeit — 164 eigenständige Spielfunktionen sind weit von einer Produktions-Codebasis entfernt.

15 Score-Zeilen · 3 Quellen · aktualisiert 2026-06-09

MATH

MatheAusgedientKontamination hoch

Nimm diesen Test, wenn · Historische Wettbewerbs-Mathe-Suite — einst Standard-Reasoning-Maßstab. Jetzt gesättigt; für Kontext behalten, für Frontier-Trennung härtere Mathe-Evals bevorzugen.

Sagt dir nicht · Ob die Herleitung korrekt ist — nur die Endantwort zählt, eine richtige Antwort aus falschem Weg wird gewertet.

25 Score-Zeilen · 3 Quellen · aktualisiert 2026-09-10

Evidenz-Konsole — Modell-Lookup (14 Quellen)

Evidenz-Konsole

Modell-Belege nachschlagen

Wähle ein oder zwei Modelle aus dem Ledger. Scores bleiben nach Benchmark gruppiert, damit Arena-Elo nie gegen MMLU-Genauigkeit gerankt wird.

PrimärmodellVergleichen mit

Letzte Ledger-Aktualisierung: 2026-09-12Statischer Snapshot; Quellen unten verlinkt2 / 2 Modellplätzen belegt

Modell-Evidenz — 61 Zeilen

Modell-Evidenz im Überblick

GPT 5.5 · Claude Opus 4.8 · Evidenz nebeneinander

61 Zeilen gefunden

OpenAI

GPT 5.5

Veröffentlicht 2026-04-23

31 Zeilen

Wissen

Omniscience Accuracy

AA-Omniscience Accuracy

57%

Artificial Analysis — AA-OmniscienceQuelle geprüftRang 5

Quelle· Quelle vom 2026-09-01· eingelesen 2026-09-01

Massive Multitask Language Understanding

MMLU

90.8%

OpenAI model release notesAudit nötigRang 3

Quelle· Quelle vom 2025-12-01· eingelesen 2026-06-09

MMLU-Pro

81.6%

MMLU-Pro HuggingFace leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

Reasoning

Abstraction and Reasoning Corpus

ARC-AGI-2 semi-private

85%

ARC Prize leaderboardQuelle geprüftRang 1

Quelle· Quelle vom 2026-05-15· eingelesen 2026-06-05

Artificial Analysis Intelligence Index

AA Intelligence Index v4.3

38.6%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

CritPt

CritPt composite (AA run)

27.1%

Artificial Analysis — CritPtQuelle geprüftRang 7

Quelle· Quelle vom 2026-09-01· eingelesen 2026-09-01

GPQA Diamond

GPQA Diamond accuracy (CoT)

81.2%

GPQA Diamond paper leaderboardQuelle geprüftRang 3

Quelle· Quelle vom 2026-05-15· eingelesen 2026-06-05

Humanity's Last Exam

HLE (AA run)

45.8%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

IFBench

IFBench (AA run)

75.85%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

LiveBench

69.8%

LiveBench leaderboardAudit nötigRang 3

Quelle· Quelle vom 2026-04-15· eingelesen 2026-06-09

Mathe

American Invitational Mathematics Examination

AIME

91.8%

OpenAI model release notesAudit nötigRang 3

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

FrontierMath

FrontierMath Tiers 1-3 (v2) best Epoch run

51.7%

Epoch AI FrontierMath Tiers 1-3 (v2) CSVQuelle geprüftRang 2

Quelle· Quelle vom 2026-08-15· eingelesen 2026-08-15

MATH

89.6%

OpenAI model release notesAudit nötigRang 2

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

Coding

DeepSWE

DeepSWE pass@1 (xhigh effort)

67%

DeepSWE leaderboard v1.1Quelle geprüftRang 2

Quelle· Quelle vom 2026-06-20· eingelesen 2026-06-22

HumanEval

96.2% pass@1

CodeSOTA HumanEval leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

SciCode

SciCode (AA run)

55.8%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

SWE-bench Verified

82.5%

SWE-bench Verified leaderboardQuelle geprüft

Quelle· Quelle vom 2026-06-01· eingelesen 2026-06-09

Agentisch

GDPval

GDPval-AA v2

1531

Artificial Analysis — GDPval-AA v2Quelle geprüftRang 3

Quelle· Quelle vom 2026-06-17· eingelesen 2026-06-22

τ³-Bench Banking

τ³-Bench Banking (AA run)

38.97%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

Terminal-Bench

Terminal-Bench 2.0 (audited harness)

82%

Terminal-Bench 2.0 leaderboardQuelle geprüftRang 2

Quelle· Quelle vom 2026-05-20· eingelesen 2026-06-05

Vals Index

68%

Vals AI — Vals IndexQuelle geprüft

Quelle· Quelle vom 2026-06-04· eingelesen 2026-06-09

Vending-Bench 2

Final bank balance (USD)

7523.84

Andon Labs Vending-Bench 2Quelle geprüftRang 6

Quelle· Quelle vom 2026-08-04· eingelesen 2026-08-04

Multimodal

Massive Multi-discipline Multimodal Understanding

MMMU

71.8%

MMMU leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

Langer Kontext

Artificial Analysis Long Context Reasoning

AA-LCR pass@1

52.1%

Artificial Analysis — AA-LCRQuelle geprüftRang 2

Quelle· Quelle vom 2026-06-17· eingelesen 2026-06-22

LongBench v2

56.1%

LongBench v2 leaderboardAudit nötigRang 3

Quelle· Quelle vom 2026-04-01· eingelesen 2026-06-09

Tool-Nutzung

Berkeley Function Calling Leaderboard

BFCL

87.4%

Berkeley Function Calling Leaderboard V4Audit nötigRang 2

Quelle· Quelle vom 2026-04-15· eingelesen 2026-06-09

MCP Atlas

77.8%

MCP Atlas leaderboardAudit nötigRang 3

Quelle· Quelle vom 2026-06-09· eingelesen 2026-06-09

Performance

AA output speed

Median output tokens/s (1k prompt, default provider)

0 t/s

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

AA time to first token

Median time to first token (1k prompt, default provider)

0.00s

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

Sicherheit

HELM Safety

90.6%

Stanford HELM leaderboardAudit nötigRang 3

Quelle· Quelle vom 2026-04-23· eingelesen 2026-06-09

Menschliche Präferenz

LMArena (Chatbot Arena)

LMArena Elo (Style Controlled)

1473

LMArena leaderboardQuelle geprüftRang 1

Quelle· Quelle vom 2026-05-25· eingelesen 2026-06-05

Anthropic

Claude Opus 4.8

Veröffentlicht 2026-05-28

30 Zeilen

Wissen

Omniscience Accuracy

AA-Omniscience Accuracy

48.8%

Artificial Analysis — AA-OmniscienceQuelle geprüftRang 18

Quelle· Quelle vom 2026-09-01· eingelesen 2026-09-01

Massive Multitask Language Understanding

MMLU

91.4%

Anthropic Claude 4 familyAudit nötigRang 1

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

MMLU-Pro

82.4%

MMLU-Pro HuggingFace leaderboardAudit nötigRang 1

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

Reasoning

Artificial Analysis Intelligence Index

AA Intelligence Index v4.3

42%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

CritPt

CritPt composite (AA run)

20.9%

Artificial Analysis — CritPtQuelle geprüftRang 11

Quelle· Quelle vom 2026-09-01· eingelesen 2026-09-01

GPQA Diamond

GPQA Diamond accuracy (CoT)

79.8%

GPQA Diamond paper leaderboardQuelle geprüftRang 4

Quelle· Quelle vom 2026-05-15· eingelesen 2026-06-05

Humanity's Last Exam

HLE (AA run)

48.7%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

IFBench

IFBench (AA run)

62.24%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

LiveBench

70.8%

LiveBench leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-04-15· eingelesen 2026-06-09

Mathe

American Invitational Mathematics Examination

AIME

94.2%

Anthropic Claude 4 familyAudit nötigRang 1

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

FrontierMath

FrontierMath Tiers 1-3 (v2) best Epoch run

47.24%

Epoch AI FrontierMath Tiers 1-3 (v2) CSVQuelle geprüftRang 5

Quelle· Quelle vom 2026-08-15· eingelesen 2026-08-15

MATH

88.4%

Anthropic Claude 4 familyAudit nötigRang 3

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

Coding

DeepSWE

DeepSWE pass@1 (max effort)

59%

DeepSWE leaderboard v1.1Quelle geprüftRang 3

Quelle· Quelle vom 2026-06-20· eingelesen 2026-06-22

HumanEval

95.8% pass@1

Anthropic Claude 4 familyAudit nötigRang 3

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

SciCode

SciCode (AA run)

54.4%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

SWE-bench Verified

88.6%

SWE-bench official leaderboardQuelle geprüftRang 2

Quelle· Quelle vom 2026-05-30· eingelesen 2026-06-05

Agentisch

GDPval

GDPval-AA v2

1638

Artificial Analysis — GDPval-AA v2Quelle geprüftRang 2

Quelle· Quelle vom 2026-06-17· eingelesen 2026-06-22

τ³-Bench Banking

τ³-Bench Banking (AA run)

34.23%

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

Terminal-Bench

Terminal-Bench 2.0 (audited harness)

74.6%

Terminal-Bench 2.0 leaderboardQuelle geprüftRang 5

Quelle· Quelle vom 2026-05-20· eingelesen 2026-06-05

Terminal-Bench-Science

TB-Science 0.1 resolution (Claude Code)

10.5%

Terminal-Bench-Science 0.1 announcementQuelle geprüftRang 4

Quelle· Quelle vom 2026-08-27· eingelesen 2026-09-01

Vals Index

70.4%

Vals AI — Vals IndexQuelle geprüft

Quelle· Quelle vom 2026-06-04· eingelesen 2026-06-09

Multimodal

Massive Multi-discipline Multimodal Understanding

MMMU

70.6%

MMMU leaderboardAudit nötigRang 3

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

Langer Kontext

Artificial Analysis Long Context Reasoning

AA-LCR pass@1

58.3%

Artificial Analysis — AA-LCRQuelle geprüftRang 1

Quelle· Quelle vom 2026-06-17· eingelesen 2026-06-22

LongBench v2

58.4%

LongBench v2 leaderboardAudit nötigRang 1

Quelle· Quelle vom 2026-04-01· eingelesen 2026-06-09

Tool-Nutzung

Berkeley Function Calling Leaderboard

BFCL

86.9%

Berkeley Function Calling Leaderboard V4Audit nötigRang 3

Quelle· Quelle vom 2026-04-15· eingelesen 2026-06-09

MCP Atlas

79.2%

MCP Atlas leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-06-09· eingelesen 2026-06-09

Performance

AA output speed

Median output tokens/s (1k prompt, default provider)

0 t/s

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

AA time to first token

Median time to first token (1k prompt, default provider)

0.00s

Artificial AnalysisQuelle geprüft

Quelle· Quelle vom 2026-09-10· eingelesen 2026-09-10

Sicherheit

HELM Safety

91.8%

Stanford HELM leaderboardAudit nötigRang 2

Quelle· Quelle vom 2026-05-28· eingelesen 2026-06-09

Menschliche Präferenz

LMArena (Chatbot Arena)

LMArena Elo (Style Controlled)

1462

LMArena leaderboardQuelle geprüftRang 2

Quelle· Quelle vom 2026-05-25· eingelesen 2026-06-05

Score-Datenbank — 2055 Ledger-Zeilen

Score-Datenbank

Alle Zeilen, sortierbar und belegt

Diese Datenbank trägt den Evidenz-Überblick. Sie enthält den geprüften Snapshot und ältere Score-Zeilen aus Benchmark-Seiten.

Sortieren

1750

api · api

Vals AI23

manual-snapshot · manual

SWE-bench22

official-json · scheduled

Terminal-Bench25

official-page · manual

LMArena13

official-page · manual

CodeSOTA6

manual-snapshot · manual

Stanford HELM9

official-page · manual

Berkeley BFCL20

official-page · manual

LongBench19

official-page · manual

LiveBench21

official-page · manual

Papers / model cards95

manual-snapshot · manual

Vendor claims34

manual-snapshot · manual

DeepSWE8

official-page · manual

Vending-Bench10

official-page · manual

Modell	Veröffentlichung	Benchmark	Score	Quelle	Datum
A.X-K2Other	2026-08-12	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Agnes 2.5 Pro AlphaOther	2026-07-24	AA output speedPerformance · Aktiv	196 t/s	Artificial Analysis	2026-09-10
Agnes 2.5 Pro BetaOther	2026-08-26	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Apodex 1.1Other	2026-08-30	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude 3 OpusAnthropic	2024-03-04	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude 4 Opus (Reasoning)Anthropic	2025-05-22	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude 4.1 Opus (Reasoning)Anthropic	2025-08-05	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude 4.5 Sonnet (Reasoning)Anthropic	2025-09-29	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Fable 5Anthropic	2026-06-09	AA output speedPerformance · Aktiv	68 t/s	Artificial Analysis	2026-09-10
Claude Fable 5.1Anthropic	2026-09-01	AA output speedPerformance · Aktiv	70 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.5Anthropic	2025-11-24	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.5 (Reasoning)Anthropic	2025-11-24	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.6Anthropic	2026-02-05	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic	2026-02-05	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.7Anthropic	2026-04-16	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic	2026-04-16	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 4.8Anthropic	2026-05-28	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Opus 5 (Adaptive Reasoning, High Effort)Anthropic	2026-07-24	AA output speedPerformance · Aktiv	53 t/s	Artificial Analysis	2026-09-10
Claude Opus 5 (Adaptive Reasoning, Low Effort)Anthropic	2026-07-24	AA output speedPerformance · Aktiv	52 t/s	Artificial Analysis	2026-09-10
Claude Opus 5 (Adaptive Reasoning, Max Effort)Anthropic	2026-07-24	AA output speedPerformance · Aktiv	55 t/s	Artificial Analysis	2026-09-10
Claude Opus 5 (Adaptive Reasoning, Medium Effort)Anthropic	2026-07-24	AA output speedPerformance · Aktiv	52 t/s	Artificial Analysis	2026-09-10
Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)Anthropic	2026-07-24	AA output speedPerformance · Aktiv	54 t/s	Artificial Analysis	2026-09-10
Claude Sonnet 4.6Anthropic	2026-02-17	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic	2026-02-17	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Claude Sonnet 4.6 (Non-reasoning, Low Effort)Anthropic	2026-02-17	AA output speedPerformance · Aktiv	53 t/s	Artificial Analysis	2026-09-10
Claude Sonnet 5Anthropic	2026-06-30	AA output speedPerformance · Aktiv	84 t/s	Artificial Analysis	2026-09-10
Command ACohere	2026-03-15	AA output speedPerformance · Aktiv	65 t/s	Artificial Analysis	2026-09-10
DeepSeek Coder V2DeepSeek	2024-05-15	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
DeepSeek R1DeepSeek	2025-01-20	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
DeepSeek V3.2 (Reasoning)DeepSeek	2025-12-01	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Flash (Non-reasoning)DeepSeek	2026-04-24	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Flash (Reasoning, High Effort)DeepSeek	2026-04-24	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Flash 0731 (Reasoning, Max Effort)DeepSeek	2026-07-31	AA output speedPerformance · Aktiv	118 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Flash Vision (Reasoning, Max Effort)DeepSeek	2026-08-21	AA output speedPerformance · Aktiv	118 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Pro (Non-reasoning)DeepSeek	2026-04-24	AA output speedPerformance · Aktiv	63 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Pro (Reasoning, High Effort)DeepSeek	2026-04-24	AA output speedPerformance · Aktiv	67 t/s	Artificial Analysis	2026-09-10
DeepSeek V4 Pro 0813 (Reasoning, Max Effort)DeepSeek	2026-08-13	AA output speedPerformance · Aktiv	64 t/s	Artificial Analysis	2026-09-10
DiffusionGemma 26B A4BGoogle	2026-06-10	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
EXAONE 4.5 33BOther	2026-04-09	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
G9v3-39A5BOther	2026-08-03	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
G9v3-3BOther	2026-07-23	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 1.0 UltraGoogle	2024-02-08	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3 Flash PreviewGoogle	2025-12-17	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3 Flash Preview (Reasoning)Google	2025-12-17	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3 ProGoogle	2025-11-18	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3 Pro Preview (low)Google	2025-11-18	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3.1 Flash LiteGoogle	2026-05-07	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3.1 Pro PreviewGoogle	2026-02-19	AA output speedPerformance · Aktiv	128 t/s	Artificial Analysis	2026-09-10
Gemini 3.5 FlashGoogle	2026-05-19	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
Gemini 3.5 Flash (medium)Google	2026-05-19	AA output speedPerformance · Aktiv	240 t/s	Artificial Analysis	2026-09-10
Gemini 3.5 Flash (minimal)Google	2026-05-19	AA output speedPerformance · Aktiv	248 t/s	Artificial Analysis	2026-09-10
Gemini 3.5 Flash-LiteGoogle	2026-07-21	AA output speedPerformance · Aktiv	365 t/s	Artificial Analysis	2026-09-10
Gemini 3.6 Flash (high)Google	2026-07-21	AA output speedPerformance · Aktiv	185 t/s	Artificial Analysis	2026-09-10
Gemini 3.7 FlashGoogle	2026-08-13	AA output speedPerformance · Aktiv	343 t/s	Artificial Analysis	2026-09-10
Gemini 3.8 FlashGoogle	2026-09-02	AA output speedPerformance · Aktiv	343 t/s	Artificial Analysis	2026-09-10
Gemma 4 12B (Non-reasoning)Google	2026-06-10	AA output speedPerformance · Aktiv	137 t/s	Artificial Analysis	2026-09-10
Gemma 4 12B (Reasoning)Google	2026-06-07	AA output speedPerformance · Aktiv	132 t/s	Artificial Analysis	2026-09-10
Gemma 4 31B ITGoogle	2026-03-01	AA output speedPerformance · Aktiv	35 t/s	Artificial Analysis	2026-09-10
GLM 5V Turbo (Reasoning)Zhipu	2026-04-01	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10
GLM-4.7 (Reasoning)Zhipu	2025-12-22	AA output speedPerformance · Aktiv	0 t/s	Artificial Analysis	2026-09-10

The Lab

Benchmarks, die wir selbst laufen lassen.

Öffentliche Scores zeigen, was Anbieter veröffentlichen. Im Lab testet VerdictPal selbst und legt Methode, Prompts und Rohbeispiele offen, damit du den Lauf wiederholen kannst.

Lab öffnen