Zum Inhalt springen
AIRank
en pl es fr de
← Benchmarks

GPQA

18 bewertete Modelle

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.

Ergebnisse von Hugging Face

#Modell
1GPT-599
2Claude 4 Opus98
3Gemini 2.5 Pro97
4Cursor Tab96
5Llama 4 405B95
6Claude Code95
7Grok 394
8Qwen3 235B93
9DeepSeek V392
10GitHub Copilot92
11Mistral Large 391
12Claude 4 Sonnet90
13Aider89
14Command R+88
15Codeium Windsurf88
16Gemini 2.5 Flash87
17GPT-4o mini85
18Continue Dev84

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 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. Die hier gezeigten GPQA-Ergebnisse stammen aus den öffentlichen Ergebnissen des Benchmark-Teams und werden über Quellen wie Hugging Face 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.