Zum Inhalt springen
AIRank
en pl es fr de
← Benchmarks

LMArena Elo

18 bewertete Modelle

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.

Ergebnisse von LMArena

#Modell
1GPT-5100
2Claude 4 Opus100
3Gemini 2.5 Pro99
4Cursor Tab98
5Llama 4 405B97
6Claude Code97
7Grok 396
8Qwen3 235B95
9DeepSeek V394
10GitHub Copilot94
11Mistral Large 393
12Claude 4 Sonnet92
13Aider91
14Command R+90
15Codeium Windsurf90
16Gemini 2.5 Flash89
17GPT-4o mini87
18Continue Dev86

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.

FAQ

Häufige Fragen

Was ist 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. Die hier gezeigten LMArena Elo-Ergebnisse stammen aus den öffentlichen Ergebnissen des Benchmark-Teams und werden über Quellen wie LMArena gebündelt.

Wie werden Benchmark-Ergebnisse berechnet?

Jeder Benchmark liefert seine Ergebnisse auf seiner eigenen nativen Skala — Prozente, pass@1-Raten oder Elo-Punkte. Wir normalisieren jeden Benchmark mit Min-Max-Skalierung über die beobachteten Modelle auf eine gemeinsame 0–100-Skala, damit die Tabellen über Benchmarks hinweg vergleichbar sind. Die zugrunde liegenden Zahlen stammen immer aus den öffentlichen Ergebnissen der Benchmark-Entwickler, nie aus proprietären oder selbst durchgeführten Evaluierungen.

Warum werden dieselben Modelle je nach Benchmark unterschiedlich eingestuft?

Benchmarks messen unterschiedliche Fähigkeiten. GPQA testet wissenschaftliches Wissen auf Graduiertenniveau, HumanEval und SWE-Bench messen Code-Können, und MATH deckt schrittweises Problemlösen ab. Ein Modell kann im Code hervorragend und in den Naturwissenschaften durchschnittlich sein — genau deshalb pflegen wir für jeden Benchmark ein eigenes Ranking, statt alles in einer Punktzahl zusammenzufassen.