eval · suite · test
Ein konkreter Test einer konkreten Fähigkeit: harte Wissenschaftsfragen, Coding-Bugs, lange Dokumente, Agenten-Workflows. Keine Krone für das beste Modell.
Leaderboard · Familie · Ledger · Benchmark-Bibliothek
Verlinke diesen Begriff über die Überschrift.
ranking · scoreboard
Eine einzige geordnete Modellliste. VerdictPal lehnt diesen Rahmen ab. Verschiedene Tests messen verschiedene Jobs — Elo, pass@1 und Genauigkeit werden hier nie zu einem Fake-Ranking vermischt.
Benchmark · Ledger
Verlinke diesen Begriff über die Überschrift.
score row · score database · evidence ledger
Die datierte Tabelle belegter Scores hinter einer Benchmark-Seite. Eine Zeile ist ein Modell in einem Test, mit Quellen-URL und Datum. Unterschiedliche Metriken bleiben in eigenen Spalten.
Quellgeprüft · Snapshot · Selbst berichtet
Verlinke diesen Begriff über die Überschrift.
verified · receipt
VerdictPal hat die zitierte Primärquelle geöffnet und die Zahl bestätigt. Eine belegte Zeile ohne diesen Stempel bleibt öffentlich, wird aber vorsichtiger gelesen.
Selbst berichtet · Ledger
Verlinke diesen Begriff über die Überschrift.
vendor score · announcement score
Die Zahl stammt aus der eigenen Ankündigung des Modell-Anbieters. Nützlich als Claim, schwach als Beweis. Besser ein unabhängiger Maintainer oder eine quellgeprüfte Zeile.
Quellgeprüft · Vendor-Claim
Verlinke diesen Begriff über die Überschrift.
static snapshot · ingested
Eine eingefrorene lokale Kopie öffentlicher Scores. Die Live-Site scrapt nicht und ruft beim Lesen keine Benchmark-APIs auf. Die Daten auf der Zeile sagen, wann diese Kopie entstand.
Ledger · Provenienz
Verlinke diesen Begriff über die Überschrift.
source date · ingested at
Die Spur einer Zahl: wer sie veröffentlicht hat, die URL, das Quelldatum und wann VerdictPal sie übernommen hat. Keine Zahl ohne diese Spur.
Ledger · Snapshot
Verlinke diesen Begriff über die Überschrift.
official source
Die Gruppe, der der Test gehört: ein Paper-Team, Artificial Analysis, Vals, LMArena oder VerdictPal Lab. Zeilen des offiziellen Maintainers schlagen einen Drittanbieter-Relauf derselben Suite.
Artificial Analysis · Vals AI · LMArena
Verlinke diesen Begriff über die Überschrift.
alias · model slug
Die stabile ID, die VerdictPal für ein Modell über Quellen hinweg nutzt. Anbieter benennen Anzeigenamen um; Schlüssel und Aliasse verhindern, dass GPT-5.5 als drei Modelle erscheint.
Ledger
Verlinke diesen Begriff über die Überschrift.
edition · ARC-AGI 2
Eine gepflegte Ausgabe desselben Benchmarks, etwa ARC-AGI-1 gegen ARC-AGI-2. Scores aus verschiedenen Ausgaben sind nicht austauschbar.
Benchmark · Ledger
Verlinke diesen Begriff über die Überschrift.
pass at 1 · pass@k
Der Anteil der Aufgaben, die das Modell im ersten Versuch löst. pass@k würde k Versuche erlauben. Coding-Benches nutzen das, weil ein sauberer Patch mehr zählt als zehn Glücksversuche.
Genauigkeit / Prozent · Harness
Verlinke diesen Begriff über die Überschrift.
arena elo · rating
Ein relatives Rating aus paarweisen Menschenstimmen, genutzt von Chatbot Arena. 1200 gegen 1300 ist ein Präferenzabstand, keine 100-Prozent-Genauigkeit. Elo nie neben einen Prozent-Score legen.
Menschliche Präferenz · Leaderboard
Verlinke diesen Begriff über die Überschrift.
pct · % · score
Anteil korrekt gelöster Items, meist 0–100. Hohe Genauigkeit auf einem gesättigten Test kann heißen, dass die Suite zu leicht ist — nicht, dass das Modell den Job erledigt hat.
Gesättigt · Human Ceiling
Verlinke diesen Begriff über die Überschrift.
tps · output speed
Wie schnell ein Modell Text ausgibt, sobald es antwortet. Nützlich für interaktives Arbeiten. Sagt nichts darüber, ob die Antwort stimmt.
Zeit bis zum ersten Token · Token · Performance
Verlinke diesen Begriff über die Überschrift.
TTFT · latency
Wie lange du wartest, bis das erste Wort erscheint. Getrennt von Tokens pro Sekunde: ein Modell kann langsam starten und dann schnell streamen — oder umgekehrt.
Tokens pro Sekunde · Token · Performance
Verlinke diesen Begriff über die Überschrift.
expert ceiling · perfect score
Der Score, den eine sorgfältige Person oder ein Expertengremium im selben Test erreicht. Treffen Modelle diese Linie, trennt die Suite die Frontier nicht mehr.
Headroom · Gelöst / defunct
Verlinke diesen Begriff über die Überschrift.
gap to ceiling
Die Punkte zwischen dem besten belegten Modell und dem Human Ceiling. Wenig Headroom heißt: der Test ist fast aufgebraucht.
Human Ceiling · Gesättigt
Verlinke diesen Begriff über die Überschrift.
intelligence index · Vals Index · AA Index
Eine gewichtete Mischung mehrerer Tests eines Maintainers. Praktisch als Blick, undurchsichtig als Behauptung. Öffne immer die darunterliegenden Suites, bevor du den Index zitierst.
Artificial Analysis · Vals AI · Leaderboard
Verlinke diesen Begriff über die Überschrift.
no tools · no search
Das Modell muss allein aus seinen Gewichten antworten: kein Web, kein Rechner, keine Dateien. Ein Closed-Book-Score beschreibt nicht eine Studentin, die nachschlagen darf.
Tool-augmentiert
Verlinke diesen Begriff über die Überschrift.
open-book · with tools · agent harness
Das Modell darf während des Tests Browser, Code-Runner oder andere Tools nutzen. Vergleiche diese Zeilen nur mit anderen tool-augmentierten Zeilen.
Closed-Book · Agentisch · Harness
Verlinke diesen Begriff über die Überschrift.
held-out set · hidden test
Manche Prüfungen halten einen versteckten Fragensatz zurück, damit Modelle die öffentliche Liste nicht auswendig lernen. Ein Score nur auf dem öffentlichen Slice ist leichter zu spielen.
Kontamination · Genauigkeit / Prozent
Verlinke diesen Begriff über die Überschrift.
agent harness · eval harness
Die Hülle, die das Modell laufen lässt: Prompts, Tools, Retries, Zeitlimits. Dasselbe Modell kann unter zwei Harnesses glänzen oder holpern. Lies das Harness, bevor du einem Coding- oder Agent-Score vertraust.
Agentisch · pass@1 · Tool-augmentiert
Verlinke diesen Begriff über die Überschrift.
Eine Zahl oder Fähigkeitsaussage der Firma, die das Produkt verkauft. Veröffentlicht, gekennzeichnet und als unverifiziert behandelt, bis der Desk oder eine unabhängige Quelle sie prüft.
Selbst berichtet · Evidenzstufe
Verlinke diesen Begriff über die Überschrift.
AA · AA Index
Ein unabhängiger Evaluator, der viele öffentliche Suites neu laufen lässt und einen eigenen Intelligence-Index veröffentlicht. VerdictPal speichert einen datierten Snapshot; beim Laden der Seite rufen wir AA nicht auf.
Composite-Index · Snapshot · Vals AI
Verlinke diesen Begriff über die Überschrift.
Vals Index
Ein weiterer unabhängiger Score-Host. Wenn Vals und der offizielle Maintainer dieselbe akademische Suite veröffentlichen, gewinnt auf VerdictPal die offizielle Zeile.
Artificial Analysis · Maintainer
Verlinke diesen Begriff über die Überschrift.
Chatbot Arena · LMSYS
Die öffentliche Human-Preference-Arena hinter den Elo-Scores. Menschen stimmen über anonyme Antworten nebeneinander ab. Das misst Geschmack, keine Zitationsqualität.
Elo · Menschliche Präferenz
Verlinke diesen Begriff über die Überschrift.
Das Stück, das ein Modell liest und schreibt — grob ein kurzes Wort oder Wortteil. Preise gelten meist pro Million Tokens. Kontextfenster zählt man in Tokens, nicht in Seiten.
Kontextfenster · Tokens pro Sekunde
Verlinke diesen Begriff über die Überschrift.
context length
Wie viel Text das Modell in einem Prompt halten kann, gemessen in Tokens. Ein riesiges Fenster garantiert nicht, dass es den Satz auf Seite 40 noch nutzt.
Langer Kontext · Token
Verlinke diesen Begriff über die Überschrift.
RAG · search step
Die richtige Passage finden, bevor geantwortet wird. Long-Context-Tests legen die Passage in den Prompt; Such-Tools müssen sie erst holen. Das sind verschiedene Fähigkeiten.
Langer Kontext · Grounding
Verlinke diesen Begriff über die Überschrift.