Humanity's Last Exam
18 bewertete Modelle
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.
Ergebnisse von BenchLM
| # | Modell | ||
|---|---|---|---|
| 1 | GPT-5 | OpenAI | 89 |
| 2 | Claude 4 Opus | Anthropic | 88 |
| 3 | Gemini 2.5 Pro | 87 | |
| 4 | Cursor Tab | Anysphere | 86 |
| 5 | Llama 4 405B | Meta | 85 |
| 6 | Claude Code | Anthropic | 85 |
| 7 | Grok 3 | xAI | 84 |
| 8 | Qwen3 235B | Alibaba | 83 |
| 9 | DeepSeek V3 | DeepSeek | 82 |
| 10 | GitHub Copilot | GitHub | 82 |
| 11 | Mistral Large 3 | Mistral | 81 |
| 12 | Claude 4 Sonnet | Anthropic | 80 |
| 13 | Aider | Aider | 79 |
| 14 | Command R+ | Cohere | 78 |
| 15 | Codeium Windsurf | Codeium | 78 |
| 16 | Gemini 2.5 Flash | 77 | |
| 17 | GPT-4o mini | OpenAI | 75 |
| 18 | Continue Dev | Continue | 74 |
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 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. Die hier gezeigten Humanity's Last Exam-Ergebnisse stammen aus den öffentlichen Ergebnissen des Benchmark-Teams und werden über Quellen wie BenchLM 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.