Warum dieser Benchmark nützlich ist
Wenn du eine harte, fachübergreifende Expertenprüfung brauchst — von Mathe bis professionellem Recht und Medizin — als Closed-Book-Stresstest, nicht als Forschungsproduktivitäts-Proxy.
Humanity's Last Exam
HLE
Fachübergreifende Fragen auf Expertenniveau — Mathematik, Naturwissenschaften, Geisteswissenschaften, professionelles Recht und Medizin — entworfen als die härteste öffentliche Prüfung, die ein Frontier-Modell ablegen kann.
Was dieser Benchmark nicht misst
- Echte Forschungsproduktivität — Prüfungsfragen erfassen nicht die unordentliche Such-und-Synthetisieren-Arbeit, die eine Forscher:in tatsächlich leistet.
- Werkzeuggestützter Einsatz — HLE ist standardmäßig Closed-Book; Modelle, die Taschenrechner, Code oder Websuche nutzen, bekommen ein eigenes Tier.
- Kalibrierung — HLE berichtet Genauigkeit, nicht wie gut das Modell weiß, was es nicht weiß.
Abdeckung
- Aufgabenfamilie
- Reasoning
- Format
- Multiple-Choice- und Kurzantwortfragen, geprüft von Fachexpert:innen; Einreichungen werden vor der Bewertung auf Schwierigkeit geprüft.
- Bewertung
- Prozent korrekt beantworteter Fragen am öffentlichen + privaten Split; HLE berichtet eine Genauigkeitszahl pro Modell.
- Verantwortliche Stelle
- Center for AI Safety / Scale AI
So liest du die Scores
Eine Genauigkeitszahl auf öffentlichem + privatem Split. VerdictPal-Zahlen stammen meist aus Artificial Analysis' unabhängigen Lauf; tool-augmentierte Tiers sind getrennt. Genauigkeit ist keine Kalibrierung.
Was er nicht abdeckt
- Echte Forschungsproduktivität — Prüfungsfragen erfassen nicht die unordentliche Such-und-Synthetisieren-Arbeit, die eine Forscher:in tatsächlich leistet.
- Werkzeuggestützter Einsatz — HLE ist standardmäßig Closed-Book; Modelle, die Taschenrechner, Code oder Websuche nutzen, bekommen ein eigenes Tier.
- Kalibrierung — HLE berichtet Genauigkeit, nicht wie gut das Modell weiß, was es nicht weiß.
Scores
185 ZeilenEvidenz-Ledger
185185 Zeilen
59.1%bester Score
185quellgeprüft
1Quellen
2026-09-10Quelldatum
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- Claude Fable 5.159.1% ·
- Claude Fable 555.5% ·
- Claude Opus 5 (Adaptive Reasoning, Max Effort)54.9% ·
- GPT-6 Astra54.7% ·
- Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)54.4% ·
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.1Anthropic | 2026-09-01 | 59.1% | 2026-09-10 | Quelle geprüft |
| 2 | Claude Fable 5Anthropic | 2026-06-09 | 55.5% | 2026-09-10 | Quelle geprüft |
| 3 | Claude Opus 5 (Adaptive Reasoning, Max Effort)Anthropic | 2026-07-24 | 54.9% | 2026-09-10 | Quelle geprüft |
| 4 | GPT-6 AstraOpenAI | 2026-09-03 | 54.7% | 2026-09-10 | Quelle geprüft |
| 5 | Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)Anthropic | 2026-07-24 | 54.4% | 2026-09-10 | Quelle geprüft |
| 6 | Claude Opus 5 (Adaptive Reasoning, High Effort)Anthropic | 2026-07-24 | 52.8% | 2026-09-10 | Quelle geprüft |
| 7 | Claude Opus 5 (Adaptive Reasoning, Medium Effort)Anthropic | 2026-07-24 | 51.3% | 2026-09-10 | Quelle geprüft |
| 8 | GPT-5.6 SolOpenAI | 2026-07-09 | 49.5% | 2026-09-10 | Quelle geprüft |
| 9 | Claude Opus 4.8Anthropic | 2026-05-28 | 48.7% | 2026-09-10 | Quelle geprüft |
| 10 | Muse Spark 1.3Meta | 2026-09-02 | 48.7% | 2026-09-10 | Quelle geprüft |
| 11 | Gemini 3.7 FlashGoogle | 2026-08-13 | 47.9% | 2026-09-10 | Quelle geprüft |
| 12 | Gemini 3.8 FlashGoogle | 2026-09-02 | 47.8% | 2026-09-10 | Quelle geprüft |
| 13 | Gemini 3.1 Pro PreviewGoogle | 2026-02-19 | 47% | 2026-09-10 | Quelle geprüft |
| 14 | Kimi K3Moonshot | 2026-07-16 | 46.9% | 2026-09-10 | Quelle geprüft |
| 15 | Muse Spark 1.1Meta | 2026-07-09 | 46.2% | 2026-09-10 | Quelle geprüft |
| 16 | GPT 5.5OpenAI | 2026-04-23 | 45.8% | 2026-09-10 | Quelle geprüft |
| 17 | Muse Spark 1.2Meta | 2026-08-05 | 45.5% | 2026-09-10 | Quelle geprüft |
| 18 | GPT-5.5 (high)OpenAI | 2026-04-23 | 45% | 2026-09-10 | Quelle geprüft |
| 19 | GPT 5.4OpenAI | 2026-03-05 | 43.7% | 2026-09-10 | Quelle geprüft |
| 20 | Claude Opus 5 (Adaptive Reasoning, Low Effort)Anthropic | 2026-07-24 | 43.4% | 2026-09-10 | Quelle geprüft |
| 21 | Qwen3.8 MaxAlibaba | 2026-08-03 | 43% | 2026-09-10 | Quelle geprüft |
| 22 | GPT-5.6 TerraOpenAI | 2026-07-09 | 42.9% | 2026-09-10 | Quelle geprüft |
| 23 | Grok 4.6xAI | 2026-08-12 | 42.9% | 2026-09-10 | Quelle geprüft |
| 24 | Gemini 3.5 FlashGoogle | 2026-05-19 | 42.7% | 2026-09-10 | Quelle geprüft |
| 25 | Grok 4.5xAI | 2026-07-08 | 42.7% | 2026-09-10 | Quelle geprüft |
| 26 | GPT-5.3 Codex (xhigh)OpenAI | 2026-02-05 | 42.5% | 2026-09-10 | Quelle geprüft |
| 27 | GPT-5.5 (medium)OpenAI | 2026-04-23 | 42.4% | 2026-09-10 | Quelle geprüft |
| 28 | Qwen3.8 2.4T A95BAlibaba | 2026-08-12 | 42.4% | 2026-09-10 | Quelle geprüft |
| 29 | Claude Opus 4.7Anthropic | 2026-04-16 | 42.3% | 2026-09-10 | Quelle geprüft |
| 30 | GLM-5.3Zhipu | 2026-08-14 | 42.3% | 2026-09-10 | Quelle geprüft |
| 31 | Claude Sonnet 5Anthropic | 2026-06-30 | 41.3% | 2026-09-10 | Quelle geprüft |
| 32 | Gemini 3.5 Flash (medium)Google | 2026-05-19 | 41.3% | 2026-09-10 | Quelle geprüft |
| 33 | GLM-5.2Zhipu | 2026-06-13 | 41.1% | 2026-09-10 | Quelle geprüft |
| 34 | DeepSeek V4 Pro 0813 (Reasoning, Max Effort)DeepSeek | 2026-08-13 | 41% | 2026-09-10 | Quelle geprüft |
| 35 | Gemini 3.6 Flash (high)Google | 2026-07-21 | 40.8% | 2026-09-10 | Quelle geprüft |
| 36 | Muse SparkOther | 2026-01-01 | 40.7% | 2026-09-10 | Quelle geprüft |
| 37 | Qwen3.7 MaxAlibaba | 2026-05-19 | 40.5% | 2026-09-10 | Quelle geprüft |
| 38 | Motif 3 (Beta)Other | 2026-07-21 | 40.4% | 2026-09-10 | Quelle geprüft |
| 39 | Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-05 | 39.9% | 2026-09-10 | Quelle geprüft |
| 40 | GLM-5.3-FlashZhipu | 2026-08-26 | 39.9% | 2026-09-10 | Quelle geprüft |
| 41 | Gemini 3 ProGoogle | 2025-11-18 | 39.7% | 2026-09-10 | Quelle geprüft |
| 42 | GPT-5.6 LunaOpenAI | 2026-07-09 | 39.5% | 2026-09-10 | Quelle geprüft |
| 43 | MiniMax M3MiniMax | 2026-05-31 | 39% | 2026-09-10 | Quelle geprüft |
| 44 | DeepSeek V4 Flash 0731 (Reasoning, Max Effort)DeepSeek | 2026-07-31 | 38.6% | 2026-09-10 | Quelle geprüft |
| 45 | Grok Build 0.1 0616xAI | 2026-06-16 | 38.3% | 2026-09-10 | Quelle geprüft |
| 46 | Qwen3.8-Flash-NextAlibaba | 2026-08-26 | 38% | 2026-09-10 | Quelle geprüft |
| 47 | GPT-5.2OpenAI | 2025-12-11 | 37.7% | 2026-09-10 | Quelle geprüft |
| 48 | Agnes 2.5 Pro BetaOther | 2026-08-26 | 37.5% | 2026-09-10 | Quelle geprüft |
| 49 | Kimi K2.6Moonshot | 2026-04-20 | 37.5% | 2026-09-10 | Quelle geprüft |
| 50 | Grok 4.3xAI | 2026-04-30 | 37.2% | 2026-09-10 | Quelle geprüft |
| 51 | Motif 3Other | 2026-08-12 | 37% | 2026-09-10 | Quelle geprüft |
| 52 | Gemini 3 Flash Preview (Reasoning)Google | 2025-12-17 | 36.6% | 2026-09-10 | Quelle geprüft |
| 53 | GPT-5.2 Codex (xhigh)OpenAI | 2025-12-11 | 35.7% | 2026-09-10 | Quelle geprüft |
| 54 | MiMo-V2.5-ProXiaomi | 2026-04-22 | 35.7% | 2026-09-10 | Quelle geprüft |
| 55 | Qwen 3.7 PlusAlibaba | 2026-06-02 | 35.6% | 2026-09-10 | Quelle geprüft |
| 56 | DeepSeek V4 Pro (Reasoning, High Effort)DeepSeek | 2026-04-24 | 35.2% | 2026-09-10 | Quelle geprüft |
| 57 | Kimi K2.7 CodeMoonshot | 2026-06-12 | 35% | 2026-09-10 | Quelle geprüft |
| 58 | DeepSeek V4 Flash Vision (Reasoning, Max Effort)DeepSeek | 2026-08-21 | 34.5% | 2026-09-10 | Quelle geprüft |
| 59 | Grok 4.20 ReasoningxAI | 2026-03-05 | 34.5% | 2026-09-10 | Quelle geprüft |
| 60 | Apodex 1.1Other | 2026-08-30 | 34.1% | 2026-09-10 | Quelle geprüft |
| 61 | Qwen3.8 27BAlibaba | 2026-08-14 | 33.9% | 2026-09-10 | Quelle geprüft |
| 62 | LongCat-2.0Meituan | 2026-06-29 | 33.7% | 2026-09-10 | Quelle geprüft |
| 63 | Nex-N2-ProOther | 2026-06-02 | 33.7% | 2026-09-10 | Quelle geprüft |
| 64 | Agnes 2.5 Pro AlphaOther | 2026-07-24 | 33.6% | 2026-09-10 | Quelle geprüft |
| 65 | Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-17 | 33.6% | 2026-09-10 | Quelle geprüft |
| 66 | Hy3Other | 2026-07-06 | 33.5% | 2026-09-10 | Quelle geprüft |
| 67 | Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic | 2026-04-16 | 33.3% | 2026-09-10 | Quelle geprüft |
| 68 | Inkling SmallOther | 2026-07-30 | 33.3% | 2026-09-10 | Quelle geprüft |
| 69 | GPT-5.5 (low)OpenAI | 2026-04-23 | 32.7% | 2026-09-10 | Quelle geprüft |
| 70 | Grok 4.20 0309 (Reasoning)xAI | 2026-03-10 | 32.4% | 2026-09-10 | Quelle geprüft |
| 71 | K2 Horizon 375B A23BOther | 2026-09-03 | 32% | 2026-09-10 | Quelle geprüft |
| 72 | Inkling (xhigh)Other | 2026-07-15 | 31.9% | 2026-09-10 | Quelle geprüft |
| 73 | GPT-5.4 (low)OpenAI | 2026-03-05 | 30.8% | 2026-09-10 | Quelle geprüft |
| 74 | Qwen3.6 Max PreviewAlibaba | 2026-04-20 | 30.8% | 2026-09-10 | Quelle geprüft |
| 75 | Kimi K2.5Moonshot | 2026-01-27 | 30.7% | 2026-09-10 | Quelle geprüft |
| 76 | MiMo-V2-ProXiaomi | 2026-03-18 | 30.4% | 2026-09-10 | Quelle geprüft |
| 77 | DeepSeek V4 Flash (Reasoning, High Effort)DeepSeek | 2026-04-24 | 30.3% | 2026-09-10 | Quelle geprüft |
| 78 | Claude Opus 4.5 (Reasoning)Anthropic | 2025-11-24 | 30.1% | 2026-09-10 | Quelle geprüft |
| 79 | GLM-5.1Zhipu | 2026-04-07 | 30.1% | 2026-09-10 | Quelle geprüft |
| 80 | Grok 4.3 (medium)xAI | 2026-04-30 | 30% | 2026-09-10 | Quelle geprüft |
| 81 | A.X-K2Other | 2026-08-12 | 29.6% | 2026-09-10 | Quelle geprüft |
| 82 | MiniMax M2.7MiniMax | 2026-04-15 | 29.6% | 2026-09-10 | Quelle geprüft |
| 83 | Gemini 3 Pro Preview (low)Google | 2025-11-18 | 29.5% | 2026-09-10 | Quelle geprüft |
| 84 | GLM-5 (Reasoning)Zhipu | 2026-02-11 | 29.3% | 2026-09-10 | Quelle geprüft |
| 85 | Solar Pro 4Other | 2026-08-06 | 29.2% | 2026-09-10 | Quelle geprüft |
| 86 | Qwen3.5 397B A17B (Reasoning)Alibaba | 2026-02-16 | 29% | 2026-09-10 | Quelle geprüft |
| 87 | GPT-5 (high)OpenAI | 2025-08-07 | 28.5% | 2026-09-10 | Quelle geprüft |
| 88 | GPT-5.1OpenAI | 2025-11-13 | 28.5% | 2026-09-10 | Quelle geprüft |
| 89 | Solar Open2 250BOther | 2026-08-12 | 28.5% | 2026-09-10 | Quelle geprüft |
| 90 | Nemotron 3 Ultra 550B A55B (Reasoning)NVIDIA | 2026-06-04 | 28.4% | 2026-09-10 | Quelle geprüft |
| 91 | GPT-5.4 NanoOpenAI | 2026-03-17 | 28.3% | 2026-09-10 | Quelle geprüft |
| 92 | GPT-5.4 MiniOpenAI | 2026-03-17 | 28.1% | 2026-09-10 | Quelle geprüft |
| 93 | Qwen3 Max ThinkingAlibaba | 2026-01-26 | 28% | 2026-09-10 | Quelle geprüft |
| 94 | Grok 4.20 0309 v2 (Non-reasoning)xAI | 2026-04-07 | 27.9% | 2026-09-10 | Quelle geprüft |
| 95 | GLM-5-TurboZhipu | 2026-03-15 | 27.8% | 2026-09-10 | Quelle geprüft |
| 96 | GPT-5 Codex (high)OpenAI | 2025-09-23 | 27.8% | 2026-09-10 | Quelle geprüft |
| 97 | Hy3-preview (Reasoning)Other | 2026-04-23 | 27.8% | 2026-09-10 | Quelle geprüft |
| 98 | Qwen3.6 PlusAlibaba | 2026-04-02 | 27.8% | 2026-09-10 | Quelle geprüft |
| 99 | GLM-4.7 (Reasoning)Zhipu | 2025-12-22 | 27.4% | 2026-09-10 | Quelle geprüft |
| 100 | MiMo-V2.5Xiaomi | 2026-04-22 | 27.2% | 2026-09-10 | Quelle geprüft |
| 101 | GPT-5.2 (medium)OpenAI | 2025-12-11 | 26.7% | 2026-09-10 | Quelle geprüft |
| 102 | Grok 4xAI | 2025-07-10 | 26.7% | 2026-09-10 | Quelle geprüft |
| 103 | GPT-5.1 Codex (high)OpenAI | 2025-11-13 | 25.7% | 2026-09-10 | Quelle geprüft |
| 104 | GPT-5 (medium)OpenAI | 2025-08-07 | 25.4% | 2026-09-10 | Quelle geprüft |
| 105 | Qwen3.5 122B A10B (Reasoning)Alibaba | 2026-02-24 | 25.2% | 2026-09-10 | Quelle geprüft |
| 106 | Kimi K3 (low)Moonshot | 2026-07-16 | 25% | 2026-09-10 | Quelle geprüft |
| 107 | DeepSeek V3.2 (Reasoning)DeepSeek | 2025-12-01 | 24.6% | 2026-09-10 | Quelle geprüft |
| 108 | Gemini 3.5 Flash (minimal)Google | 2026-05-19 | 24.1% | 2026-09-10 | Quelle geprüft |
| 109 | Qwen3.5 27B (Reasoning)Alibaba | 2026-02-24 | 23.9% | 2026-09-10 | Quelle geprüft |
| 110 | Kimi K2 ThinkingMoonshot | 2025-11-06 | 23.8% | 2026-09-10 | Quelle geprüft |
| 111 | Ling 3.0 FlashOther | 2026-08-04 | 23.7% | 2026-09-10 | Quelle geprüft |
| 112 | Gemma 4 31B ITGoogle | 2026-03-01 | 23.6% | 2026-09-10 | Quelle geprüft |
| 113 | MiniMax-M2.1MiniMax | 2025-12-23 | 23.2% | 2026-09-10 | Quelle geprüft |
| 114 | Qwen3.6 27B (Reasoning)Alibaba | 2026-04-22 | 23.1% | 2026-09-10 | Quelle geprüft |
| 115 | MiMo-V2-Flash (Reasoning)Xiaomi | 2025-12-16 | 22.8% | 2026-09-10 | Quelle geprüft |
| 116 | MiMo-V2-Omni-0327Xiaomi | 2026-03-27 | 22.6% | 2026-09-10 | Quelle geprüft |
| 117 | Qwen3.6 35B A3B (Reasoning)Alibaba | 2026-04-16 | 22.2% | 2026-09-10 | Quelle geprüft |
| 118 | MiMo-V2-Flash (Feb 2026)Xiaomi | 2025-12-16 | 22.1% | 2026-09-10 | Quelle geprüft |
| 119 | MiMo-V2-OmniXiaomi | 2026-03-19 | 22.1% | 2026-09-10 | Quelle geprüft |
| 120 | Muse GlimmerMeta | 2026-08-10 | 22% | 2026-09-10 | Quelle geprüft |
| 121 | GPT-5.5 Instant (May 2026)OpenAI | 2026-05-05 | 21.6% | 2026-09-10 | Quelle geprüft |
| 122 | Ring-2.6-1TOther | 2026-05-08 | 21.6% | 2026-09-10 | Quelle geprüft |
| 123 | Step 3.7 FlashStepFun | 2026-06-01 | 21.4% | 2026-09-10 | Quelle geprüft |
| 124 | MiniMax M2.5MiniMax | 2026-04-01 | 20.5% | 2026-09-10 | Quelle geprüft |
| 125 | OpenAI o3OpenAI | 2025-04-16 | 20.1% | 2026-09-10 | Quelle geprüft |
| 126 | GPT-5.5 Instant (June 2026)OpenAI | 2026-06-25 | 19.9% | 2026-09-10 | Quelle geprüft |
| 127 | Qwen3.5 397B A17B (Non-reasoning)Alibaba | 2026-02-16 | 19.8% | 2026-09-10 | Quelle geprüft |
| 128 | GPT-5 (low)OpenAI | 2025-08-07 | 19.6% | 2026-09-10 | Quelle geprüft |
| 129 | Kimi K2.6 (Non-reasoning)Other | 2026-04-20 | 19.6% | 2026-09-10 | Quelle geprüft |
| 130 | Claude Opus 4.6Anthropic | 2026-02-05 | 19.1% | 2026-09-10 | Quelle geprüft |
| 131 | Gemini 3.5 Flash-LiteGoogle | 2026-07-21 | 18.8% | 2026-09-10 | Quelle geprüft |
| 132 | K-EXAONE 2.0 0803Other | 2026-08-12 | 18.6% | 2026-09-10 | Quelle geprüft |
| 133 | Grok 4.3 (low)xAI | 2026-04-30 | 18.4% | 2026-09-10 | Quelle geprüft |
| 134 | Claude 4.5 Sonnet (Reasoning)Anthropic | 2025-09-29 | 17.8% | 2026-09-10 | Quelle geprüft |
| 135 | JT-4.1 Flash 236B A21BOther | 2026-07-09 | 17.8% | 2026-09-10 | Quelle geprüft |
| 136 | G9v3-39A5BOther | 2026-08-03 | 17.5% | 2026-09-10 | Quelle geprüft |
| 137 | Gemini 3.1 Flash LiteGoogle | 2026-05-07 | 17.2% | 2026-09-10 | Quelle geprüft |
| 138 | GLM 5V Turbo (Reasoning)Zhipu | 2026-04-01 | 17.1% | 2026-09-10 | Quelle geprüft |
| 139 | KAT Coder Pro V2Other | 2026-03-27 | 16.1% | 2026-09-10 | Quelle geprüft |
| 140 | DeepSeek R1DeepSeek | 2025-01-20 | 15.8% | 2026-09-10 | Quelle geprüft |
| 141 | Gemma 4 12B (Reasoning)Google | 2026-06-07 | 15.7% | 2026-09-10 | Quelle geprüft |
| 142 | Qwen3.6 27B (Non-reasoning)Alibaba | 2026-04-22 | 15.1% | 2026-09-10 | Quelle geprüft |
| 143 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 15% | 2026-09-10 | Quelle geprüft |
| 144 | MiMo-V2.5-Pro (Non-reasoning)Xiaomi | 2026-04-22 | 14.8% | 2026-09-10 | Quelle geprüft |
| 145 | Qwen3.6 35B A3B (Non-reasoning)Alibaba | 2026-04-16 | 13.9% | 2026-09-10 | Quelle geprüft |
| 146 | Mistral Medium 3.5Mistral | 2026-04-29 | 13.8% | 2026-09-10 | Quelle geprüft |
| 147 | GPT-5.5 (Non-reasoning)OpenAI | 2026-04-23 | 13.7% | 2026-09-10 | Quelle geprüft |
| 148 | Claude Sonnet 4.6Anthropic | 2026-02-17 | 13.3% | 2026-09-10 | Quelle geprüft |
| 149 | Claude Opus 4.5Anthropic | 2025-11-24 | 13.2% | 2026-09-10 | Quelle geprüft |
| 150 | EXAONE 4.5 33BOther | 2026-04-09 | 12.9% | 2026-09-10 | Quelle geprüft |
| 151 | Claude 4.1 Opus (Reasoning)Anthropic | 2025-08-05 | 12.5% | 2026-09-10 | Quelle geprüft |
| 152 | Claude 4 Opus (Reasoning)Anthropic | 2025-05-22 | 12.3% | 2026-09-10 | Quelle geprüft |
| 153 | Claude Sonnet 4.6 (Non-reasoning, Low Effort)Anthropic | 2026-02-17 | 11.2% | 2026-09-10 | Quelle geprüft |
| 154 | Granite 4.2 30BOther | 2026-08-25 | 11.2% | 2026-09-10 | Quelle geprüft |
| 155 | North Mini CodeCohere | 2026-06-09 | 11.1% | 2026-09-10 | Quelle geprüft |
| 156 | DiffusionGemma 26B A4BGoogle | 2026-06-10 | 10.8% | 2026-09-10 | Quelle geprüft |
| 157 | Nemotron 3.5 LightningNVIDIA | 2026-08-11 | 10.6% | 2026-09-10 | Quelle geprüft |
| 158 | GLM-5.2 (Non-reasoning)Zhipu | 2026-06-16 | 9.8% | 2026-09-10 | Quelle geprüft |
| 159 | Granite 4.2 8BOther | 2026-08-25 | 9.7% | 2026-09-10 | Quelle geprüft |
| 160 | Ling 3.0 TinyOther | 2026-08-06 | 9.3% | 2026-09-10 | Quelle geprüft |
| 161 | MiniCPM5-2BOpenBMB | 2026-09-07 | 8.9% | 2026-09-10 | Quelle geprüft |
| 162 | Ling-2.6-1TOther | 2026-04-23 | 8.7% | 2026-09-10 | Quelle geprüft |
| 163 | DeepSeek V4 Pro (Non-reasoning)DeepSeek | 2026-04-24 | 8.2% | 2026-09-10 | Quelle geprüft |
| 164 | DeepSeek V4 Flash (Non-reasoning)DeepSeek | 2026-04-24 | 7.8% | 2026-09-10 | Quelle geprüft |
| 165 | GLM-5 (Non-reasoning)Zhipu | 2026-02-11 | 7.6% | 2026-09-10 | Quelle geprüft |
| 166 | Hy3-preview (Non-reasoning)Other | 2026-04-23 | 7% | 2026-09-10 | Quelle geprüft |
| 167 | OpenAI o1OpenAI | 2024-09-12 | 7% | 2026-09-10 | Quelle geprüft |
| 168 | LFM2.5-8B-A1BLiquid | 2026-06-08 | 6.9% | 2026-09-10 | Quelle geprüft |
| 169 | Grok 4.3 (Non-reasoning)xAI | 2026-04-30 | 6.8% | 2026-09-10 | Quelle geprüft |
| 170 | Granite 4.2 3BOther | 2026-08-25 | 6.6% | 2026-09-10 | Quelle geprüft |
| 171 | MiniCPM5-1B (Reasoning)OpenBMB | 2026-06-04 | 6.5% | 2026-09-10 | Quelle geprüft |
| 172 | JT-35B-FlashOther | 2026-05-14 | 6.4% | 2026-09-10 | Quelle geprüft |
| 173 | JT-MINIOther | 2026-04-15 | 6.4% | 2026-09-10 | Quelle geprüft |
| 174 | Gemma 4 12B (Non-reasoning)Google | 2026-06-10 | 6.3% | 2026-09-10 | Quelle geprüft |
| 175 | Ling 2.6 FlashOther | 2026-04-21 | 6.3% | 2026-09-10 | Quelle geprüft |
| 176 | MiniCPM-V 4.6 1.3BOpenBMB | 2026-05-11 | 5.1% | 2026-09-10 | Quelle geprüft |
| 177 | Llama 4 MaverickMeta | 2026-04-05 | 4.9% | 2026-09-10 | Quelle geprüft |
| 178 | Nemotron 3 Nano Omni 30B A3B ReasoningNVIDIA | 2026-04-29 | 4.8% | 2026-09-10 | Quelle geprüft |
| 179 | G9v3-3BOther | 2026-07-23 | 4.5% | 2026-09-10 | Quelle geprüft |
| 180 | MiniCPM5-1B (Non-reasoning)OpenBMB | 2026-05-25 | 4.5% | 2026-09-10 | Quelle geprüft |
| 181 | Mistral Large 3Mistral | 2025-12-02 | 4.2% | 2026-09-10 | Quelle geprüft |
| 182 | Granite 4.1 30BOther | 2026-04-29 | 4.1% | 2026-09-10 | Quelle geprüft |
| 183 | Command ACohere | 2026-03-15 | 4% | 2026-09-10 | Quelle geprüft |
| 184 | Llama 4 ScoutMeta | 2026-04-05 | 3.8% | 2026-09-10 | Quelle geprüft |
| 185 | Claude 3 OpusAnthropic | 2024-03-04 | 2.8% | 2026-09-10 | Quelle geprüft |
Was er abdeckt
Dieser Benchmark gehört zur Familie reasoning. Sein Format: Multiple-Choice- und Kurzantwortfragen, geprüft von Fachexpert:innen; Einreichungen werden vor der Bewertung auf Schwierigkeit geprüft. Der Score sollte immer mit Aufgabenformat, Bewertungsmethode, Quelldatum und Benchmark-Version gelesen werden.
Wo er an Grenzen stößt
Scores auf VerdictPal stammen aus Artificial Analysis' unabhängigem HLE-Lauf, sofern nicht anders vermerkt. Die offizielle Projektseite hostet Datensatz und Paper — keine einzelne gepflegte öffentliche Leaderboard-URL.
Belege
Quellen und weiterführende Lektüre
- Humanity's Last Exam Projekt· geprüft 2026-06-09
- Artificial-Analysis-HLE-Evaluation· geprüft 2026-06-09
- HLE-Paper (arXiv)· geprüft 2026-06-09
- Project site
- AA evaluation
Fragen zu diesem Benchmark
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Was misst Humanity's Last Exam?
Fachübergreifende Fragen auf Expertenniveau — Mathematik, Naturwissenschaften, Geisteswissenschaften, professionelles Recht und Medizin — entworfen als die härteste öffentliche Prüfung, die ein Frontier-Modell ablegen kann.
Was beweist ein hoher Humanity's Last Exam-Wert nicht?
Ein starkes Humanity's Last Exam-Ergebnis sagt nichts aus über:
- Echte Forschungsproduktivität — Prüfungsfragen erfassen nicht die unordentliche Such-und-Synthetisieren-Arbeit, die eine Forscher:in tatsächlich leistet.
- Werkzeuggestützter Einsatz — HLE ist standardmäßig Closed-Book; Modelle, die Taschenrechner, Code oder Websuche nutzen, bekommen ein eigenes Tier.
- Kalibrierung — HLE berichtet Genauigkeit, nicht wie gut das Modell weiß, was es nicht weiß.
Wie wird Humanity's Last Exam bewertet?
Prozent korrekt beantworteter Fragen am öffentlichen + privaten Split; HLE berichtet eine Genauigkeitszahl pro Modell. Aufgabenformat: Multiple-Choice- und Kurzantwortfragen, geprüft von Fachexpert:innen; Einreichungen werden vor der Bewertung auf Schwierigkeit geprüft.
Ist Humanity's Last Exam gesättigt?
Humanity's Last Exam ist im Atlas derzeit als Aktiv markiert.
Können Humanity's Last Exam-Ergebnisse durch Trainingsdaten verunreinigt sein?
Das Kontaminationsrisiko für Humanity's Last Exam 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.