KI-Modellvergleich / Der Entscheidungstisch
Wählen Sie eine Aufgabe. Überprüfen Sie die Beweise. Vergleichen Sie die Kompromisse.
Eine Auswahlliste für praktische Modelle beginnt mit der Arbeit, die Sie erledigen müssen.
01 / Beginnen Sie mit der Aufgabe
Höchster beobachteter Mittelwert in sechs Epoch AI-Benchmark-Tabellen. Hierbei handelt es sich um Quellergebnisse, nicht um Rubrex-Tests oder universelle Gewinner. Abdeckungs- und Bewertungseinstellungen variieren.
Komplette Programme anhand ihres Verhaltens und ihrer Dokumentation neu implementieren.
Lauf gestartet: .
Benötigt ein großes Agentenbudget: bis zu sieben Tage und 10 Milliarden Token pro Versuch. Dies ist kein schneller Codierungsassistententest.
Quelle & Testbedingungen ↗Beantworten Sie schwierige Multiple-Choice-Fragen in Biologie, Chemie und Physik.
Lauf gestartet: .
Misst einen bestimmten Fragensatz. Es stellt keinen Nachweis der wissenschaftlichen Recherchefähigkeit oder Genauigkeit Ihrer Dokumente dar.
Quelle & Testbedingungen ↗Lösen Sie von Experten geschriebene Mathematikprobleme mit Zugriff auf Python.
Lauf gestartet: .
Dies sind v2-Ergebnisse mit Toolzugriff. Kombinieren Sie sie nicht mit dem ursprünglichen Fragensatz oder werkzeuglosen Ergebnissen.
Quelle & Testbedingungen ↗Beantworten Sie kurze sachliche Fragen, die mit dem proportional korrekten Maß von Epoch AI bewertet werden.
Lauf gestartet: .
Epoch empfiehlt in diesem Setup eine beste Vermutung. Dabei handelt es sich weder um eine Halluzinationsrate noch um einen Test auf sinnvolle Enthaltung oder Privatdokument-RAG.
Quelle & Testbedingungen ↗Verfolgen Sie den Fortschritt in der Spielumgebung Earthborne Rangers.
Lauf gestartet: .
Die Leistung des Spielagenten ist ein schwaches Signal. Der Abschluss von Geschäftsabläufen oder die Tool-Autorisierung werden nicht direkt gemessen.
Quelle & Testbedingungen ↗Beheben Sie Softwareprobleme unter dem Evaluierungssetup von Epoch AI.
Lauf gestartet: .
Diese Quelle deckt nur begrenzt aktuelle Modelle ab. Agentengerüste, Budgets und Bewertungsteilmengen können von anderen SWE-Bench-Bestenlisten abweichen.
Quelle & Testbedingungen ↗In diesem Schnappschuss, Claude Opus 5,5 (max) hat den höchsten beobachteten Mittelwert auf MirrorCode; GPT-6 Astra (max) führt die enthaltenen GPQA Diamond-Läufe an. Wählen Sie anhand der nachstehenden aufgabenspezifischen Ergebnisse Kandidaten aus und testen Sie diese dann anhand Ihrer eigenen Beispiele zu einem festgelegten Budget.
02 / Entdecken Sie die Beweise
Komplette Programme anhand ihres Verhaltens und ihrer Dokumentation neu implementieren. Benötigt ein großes Agentenbudget: bis zu sieben Tage und 10 Milliarden Token pro Versuch. Dies ist kein schneller Codierungsassistententest.
Lesen Sie die ursprüngliche Methodik ↗Wird angezeigt 9 von 9 Passende Auswertungsläufe. Sortiert nach Durchschnittspunktzahl, höchste zuerst. ± ist ein Standardfehler in Prozentpunkten, sofern angegeben.
Scrollen Sie in der Tabelle auf kleineren Bildschirmen horizontal.
| Modell und Einstellung | Durchschnittliche Punktzahl | Standardfehler | Lauf gestartet |
|---|---|---|---|
| Claude Opus 5,5 (max)Anthropisch | 77.4% | ± 8.3 Prozentpunkte | 22. Sept. 2026 |
| Claude Fable 5.1 (hoch)Anthropisch | 73.3% | ± 9,2 S | 10. Sept. 2026 |
| Claude Fabel 5 (hoch)Anthropisch | 63.9% | ± 10,4 S | 10. Aug. 2026 |
| GPT-6 Astra (hoch)OpenAI | 46.7% | ± 11.9 Prozentpunkte | 30. Aug. 2026 |
| Claude Opus 4,7 (hoch)Anthropisch | 31.1% | ± 9,0 S | 12. Aug. 2026 |
| GPT-5.6 Sol (hoch)OpenAI | 20.0% | ± 9,2 S | 10. Aug. 2026 |
| GPT-5.4 (hoch)OpenAI | 15.6% | ± 7,7 S | 10. Aug. 2026 |
| GPT-5.5 (hoch)OpenAI | 10.0% | ± 6,0 S | 10. Aug. 2026 |
| Gemini 3.1 Pro-VorschauGoogle DeepMind | 8.9% | ± 4,6 S | 10. Aug. 2026 |
03 / Erstellen Sie Ihre Auswahlliste
Vergleichen Sie Modellfamilien anhand ihres höchsten beobachteten Durchschnittswerts in jedem Test. Die genaue Einstellung erscheint unter jedem Ergebnis. Diese Ansicht gleicht weder den Argumentationsaufwand noch die Berechnungsbudgets aus.
Eine fehlende Punktzahl ist unbekannt, nicht Null. Höhere Mittelwerte können überlappende Unsicherheiten aufweisen. Diese Ergebnisse sind ein Hinweis auf die engere Auswahl und kein Beweis für die Überlegenheit Ihrer Arbeitsbelastung.
04 / Machen Sie das Budget deutlich
Ein datiertes Beispiel aus dem öffentlichen Katalog von OpenRouter. Die Preise verstehen sich in USD pro Million Token auf der aufgeführten Basisstufe. Das Beispiel verwendet 10.000 Eingabe-Tokens und insgesamt 2.000 in Rechnung gestellte Ausgabe-Tokens für eine Anfrage.
Scrollen Sie in der Tabelle auf kleineren Bildschirmen horizontal.
| Modell | Eingabe / 1M | Ausgabe / 1M | Beispielanfrage |
|---|---|---|---|
| OpenAI: GPT-6 Luna ↗Es gelten höhere Preisstufen | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗Es gelten höhere Preisstufen | $0.1 | $0.5 | $0.0020 |
| Z.ai: GLM 5.3 Flash ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek: DeepSeek V4.1 Flash ↗Es gelten höhere Preisstufen | $0.15 | $0.6 | $0.0027 |
| Z.ai: GLM 5.3 ↗ | $0.079 | $4.8 | $0.0104 |
| Mistral: Mistral Large 4 ↗ | $0.68 | $2.09 | $0.0110 |
| Google: Gemini 3.8 Flash ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| Meta: Muse Spark 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| MoonshotAI: Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen: Qwen3.8 Max (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗Es gelten höhere Preisstufen | $2 | $6 | $0.0320 |
| OpenAI: GPT-6 Sol ↗Es gelten höhere Preisstufen | $2 | $10 | $0.0400 |
| Anthropisch: Claude Sonnet 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗Es gelten höhere Preisstufen | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗Es gelten höhere Preisstufen | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google: Vorschau auf Gemini 3.1 Pro ↗Es gelten höhere Preisstufen | $2 | $12 | $0.0440 |
| Anthropisch: Claude Opus 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI: GPT-6 Astra ↗Es gelten höhere Preisstufen | $10 | $50 | $0.2000 |
| Anthropisch: Claude Fable 5.1 ↗ | $10 | $50 | $0.2000 |
Dies ist eine symbolische Schätzung, nicht die Kosten pro erfolgreicher Aufgabe. Zusätzliche Begründungstoken, Wiederholungsversuche, Tools, Suche, Medien, Routing-/Anbieterunterschiede und Ebenen mit höherem Kontext können die Rechnung ändern. Cache- und Batch-Rabatte sind ausgeschlossen. Überprüfen Sie vor dem Kauf die verlinkte Modellliste.
05 / Beweise, die Sie nachvollziehen können
222 In diesen sechs Tabellen werden Modellfamilien angezeigt. Wir importieren die intern durchgeführten Durchschnittswerte von Epoch AI, behalten die genauen Einstellungen bei und zeigen die bereitgestellten Standardfehler an. Wir wandeln Brüche in Prozentsätze um und sortieren die Ergebnisse. Wir mitteln keine unabhängigen Benchmarks in eine neue Bewertung ein.
KI-Daten und Attribution der Epoche ↗Quellen abgerufen 12. Okt. 2026. Dies ist ein gespeicherter Schnappschuss, kein Live-Feed. Das Ausführungsdatum in jeder Zeile kann älter sein als das Downloaddatum. Neue Modelle durchlaufen unterschiedliche Tests zu unterschiedlichen Zeiten; Ein fehlendes Ergebnis bedeutet nicht gleich eine schlechte Leistung.
Laden Sie den aktuellen Quellexport herunter ↗Argumentationsaufwand, Tools, Gerüste und Rechenbudgets wirken sich auf die Ergebnisse aus. Eine kleine Lücke im Mittelwert ist kein statistischer Signifikanztest. Bevor Sie das Modell wechseln, bewerten Sie den Aufgabenerfolg, die Tail-Latenz, die Fehlerschwere und die Gesamtkosten unter Ihren eigenen Betriebsbedingungen.
Lesen Sie den Leitfaden zur Modellmigration →Diese Benchmark-Tabellen messen weder die API-Geschwindigkeit noch die Benutzerpräferenzen. Künstliche Analyse bietet Leistungsvergleiche; Arena bietet präferenzbasierte Vergleiche. Ihre Tests beantworten unterschiedliche Fragen, daher werden ihre Zahlen nicht in dieser Tabelle zusammengeführt.
Entdecken Sie die Geschwindigkeit bei Artificial Analysis ↗Benchmark-Daten: Epochen-KI, Fähigkeiten und Benchmarking, verwendet unter CC BY 4.0. Von Rubrex ausgewählt, neu formatiert und in Prozentwerte umgewandelt. In jeder Kategorie sind die ursprünglichen Benchmark-Ersteller und -Methoden verlinkt. Es ist keine Billigung impliziert. API-Preisdaten: Öffentlicher OpenRouter-Modellkatalog, am selben Datum abgerufen.
Der Quellexport kann sich nach diesem Snapshot ändern. Wir veröffentlichen kein vom Anbieter gesponsertes Ranking und erheben keinen Anspruch darauf, dass diese Bewertungen die Produktionszuverlässigkeit belegen.
Bevor Sie wählen
Eine unabhängige Bewertung braucht Zeit und jeder Benchmark deckt einen anderen Satz von Modellen ab. Fehlende Ergebnisse lassen wir leer. Wir leiten die Bewertung nicht von einem anderen Modell derselben Familie oder von einem Markteinführungsanspruch ab.
Nur wenn es Ihren Qualitätskriterien entspricht. Vergleichen Sie die Kosten pro erfolgreicher Aufgabe, einschließlich Wiederholungsversuchen und menschlicher Überprüfung. Ein niedriger Token-Preis kann immer noch zu einem teuren Workflow führen.
Sie können beim Erstellen einer Auswahlliste helfen. Sie benötigen weiterhin repräsentative Dokumente, Verantwortungsfälle, Zitierprüfungen, Toolgrenzen und Tests der gesamten Bewerbung.
Erstellen Sie eine RAG-Bewertung →Von der Shortlist zur Entscheidung
Bringen Sie einen Anwendungsfall mit. Wir können den Qualitätsmaßstab definieren, eine Basislinie festlegen und die Fehler untersuchen.
Entdecken Sie den AI Reliability Sprint →