Das KI-Modell-Ranking
Benchmarks
KI-Rankings pro Benchmark — GPQA, MMLU-Pro, SWE-Bench, HumanEval, LiveBench, Humanity’s Last Exam, MATH und LMArena-Elo. Jeder Benchmark wird auf eine gemeinsame 0–100-Skala normalisiert und anhand der öffentlichen Ergebnisse seiner Entwickler gerankt.
Hugging Face
GPQA
GPQA ist ein Multiple-Choice-Benchmark von Google DeepMind mit 448 wissenschaftlichen Fragen auf Graduiertenniveau aus Physik, Chemie und Biologie. Der Name bedeutet, dass die Fragen so schwer sind, dass Suchmaschinen sie nicht beantworten können — das schützt den Benchmark vor Kontamination. Die Punktzahl zeigt, wie oft ein Modell diese Expertenfragen korrekt beantwortet.
18 bewertete Modelle · #1 GPT-5 99 →
Hugging Face
MMLU-Pro
MMLU-Pro ist der schwierigere Nachfolger von MMLU, dem klassischen Wissens-Benchmark. Er erweitert den ursprünglichen Test auf über 12.000 Fragen aus 14 akademischen Disziplinen und fügt zehn Antwortoptionen hinzu, was das Raten erheblich erschwert. Er misst die Breite des Weltwissens eines Modells und seine Zuverlässigkeit beim Denken über Themen von Recht und Medizin bis zu Physik und Wirtschaft.
18 bewertete Modelle · #1 GPT-5 98 →
BenchLM
HumanEval
HumanEval ist OpenAIs Benchmark für Codegenerierung: 164 handgeschriebene Programmieraufgaben, die testen, ob ein Modell aus einem Docstring eine korrekte Python-Funktion erzeugen kann. Ergebnisse werden als pass@1 angegeben — der Anteil der Aufgaben, die beim ersten Versuch gelöst werden. Es ist einer der ältesten und meistzitierten Code-Benchmarks, auch wenn die echte Programmierung ihn schnell überholt hat.
18 bewertete Modelle · #1 GPT-5 100 →
BenchLM
SWE-Bench
SWE-Bench ist der agentische Code-Benchmark: Das Modell erhält ein echtes GitHub-Issue aus einem Open-Source-Repository und muss einen Patch erzeugen, der die Tests des Projekts besteht. Mit über 2.000 Aufgaben misst es, ob eine KI in fremden Codebasen navigieren, Bug-Reports verstehen und Fixes einbringen kann, die tatsächlich gemergt werden. Es ist der öffentlich nächste Proxy für einen angestellten Software-Engineer.
18 bewertete Modelle · #1 GPT-5 93 →
LiveBench
LiveBench
LiveBench ist ein kontaminationsresistenter Benchmark, der laufend von Abacus AI veröffentlicht wird — neue Fragen werden nach festem Zeitplan veröffentlicht, sodass Modelle nicht auf geleakten Antworten trainieren können. Er bewertet 23 objektive Aufgaben in sieben Kategorien — Reasoning, Code, Mathematik, Datenanalyse, Sprache und mehr — wobei jede Antwort per Code überprüfbar ist, nicht durch einen KI-Richter.
18 bewertete Modelle · #1 GPT-5 99 →
BenchLM
Humanity's Last Exam
Humanity's Last Exam ist der schwierigste Wissens-Benchmark, der je erstellt wurde: 2.500 Fragen von über 1.000 Experten aus 100 Fächern — von Mathematik und Physik bis zu Recht und Linguistik. Entwickelt vom Center for AI Safety und Scale AI als Grenztest; die meisten Top-Modelle erreichen weiterhin unter 20 Prozent. Es ist das beste verfügbare Maß für die Obergrenze des KI-Wissens.
18 bewertete Modelle · #1 GPT-5 89 →
Hugging Face
MATH
Der MATH-Benchmark umfasst 5.000 Mathematik-Probleme auf Wettbewerbsniveau in 7 Bereichen — von Algebra und Zählen bis Zahlentheorie und Precalculus. Er testet nicht nur Rechnen, sondern schrittweises Denken, da nur die Endantwort bewertet wird. Er bleibt das Standard-Signal dafür, wie gut ein Modell wirklich denkt — statt nur auswendig gelerntes Wissen abruft.
18 bewertete Modelle · #1 GPT-5 95 →
LMArena
LMArena Elo
LMArena (früher LMSYS Chatbot Arena) ist das größte Human-Preference-Ranking der KI. Blind durchgeführte Duelle zwischen Modellen werden von Millionen echter Nutzer bewertet, und die Ergebnisse fließen in eine Bradley-Terry-Elo-Wertung — dasselbe System, das Schachspieler kennen. Es erfasst, mit welchen Modellen Menschen tatsächlich lieber sprechen — was kein automatisierter Benchmark vollständig nachbilden kann.
18 bewertete Modelle · #1 GPT-5 100 →
AIRank bündelt diese Ergebnisse aus den auf jeder Seite genannten öffentlichen Quellen. Wir führen keine eigenen Evaluierungen durch und normalisieren die Rohwerte auf eine 0–100-Skala, damit die Tabellen vergleichbar sind.