Vergleich der Fähigkeiten von KI-Modellen
Agentisches Coding
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
— means no published score for this candidate in this source, not zero.
| Nr. | Modell | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — | — |
| 7 | Claude Opus 5 | — | — | — | — |
| 8 | GPT-6 Sol | — | — | — | — |
| 9 | GPT-6 Luna | — | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — | — |
| 11 | Claude Mythos Preview | — | — | — | — |
Google DeepMind (model card)
Quelle: Google DeepMind (model card) ↗
Google-Modellkarte: Ergebnisse des Herausgebers und erneut veröffentlichte Drittanbieter-Bewertungen, Stand Oktober 2026. Siehe Methodik für Evaluierungseinstellungen; nicht alle davon sind unabhängige Evaluierungen. Evaluierungsmethodik ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
PandaNpc Aktualisiert 21. Okt. 2026, 06:01 UTC
Quelle: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Spaltenleitfaden
- Nr.
- Nur Anzeigereihenfolge. Sortierung ändert diese Nummer; sie ist kein veröffentlichter Fähigkeitsrang.
- Modell
- Der Name des bewerteten Modells und sein Anbietersymbol. Ein Bindestrich in einer Wertspalte bedeutet, dass hier kein veröffentlichter Wert verfügbar ist, nicht eine Null.
- DeepSWE v1.1DeepSWE Softwareentwicklung v1.1
- Testet langfristige Softwareentwicklung anhand originärer Aufgaben, wobei der Erfolg an den Aufgabenanforderungen geprüft wird. Vergleichen Sie dieselbe Benchmark-Version und dasselbe Agenten-Setup. Evaluierungsmethodik ↗
- FrontierSWE v2FrontierSWE Softwareentwicklung v2
- Testet schwierige Ingenieurs- und technische Forschungsaufgaben. Die Punkte spiegeln die veröffentlichte Aufgabenbewertung wider, wobei Version und Agenten-Setup die Vergleichbarkeit beeinflussen. Evaluierungsmethodik ↗
- Terminal-bench 4.0Terminal-Benchmark 4.0
- Testet die Erledigung praktischer Aufgaben in einer Terminal-Umgebung, wie Programmieren und Systembetrieb. Versionen verwenden unterschiedliche Aufgabensätze und sollten getrennt verglichen werden. Evaluierungsmethodik ↗
- Vibe Code BenchVibe-Coding-Benchmark
- Testet das Erstellen von Webanwendungen aus Anfragen in natürlicher Sprache und bewertet dabei die resultierende Anwendung statt isolierter Codeantworten. Evaluierungsmethodik ↗
Werte nur innerhalb desselben Benchmarks, derselben Quelle und Version interpretieren. Höhere Werte weisen auf eine stärkere Leistung bei der berichteten Metrik hin, aber verschiedene Spalten haben keine gemeinsame Skala.