Vergleich der Fähigkeiten von KI-Modellen
Wissensarbeit
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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreAutomatisierungs-Benchmark — Punktzahl
- Testet, ob ein Agent Geschäftsabläufe über mehrere Anwendungen hinweg abschließt. Offizielle Werte verwenden einen privaten Aufgabensatz und prüfen den Endzustand des Workflows. Evaluierungsmethodik ↗
- Harvey's Legal Agent BenchmarkHarvey-Benchmark für juristische Agenten
- Testet Agenten beim Lesen und Bearbeiten von Dateien, um mehrstufige juristische Arbeitsprodukte zu erstellen. Eine Aufgabe gilt nur dann als bestanden, wenn jede Bewertungsanforderung erfüllt ist. Der Score ist die durchschnittliche Aufgabenbestehensrate aus zwei Juroren; höher ist besser. Er ist nicht der Prozentsatz der einzelnen bestandenen Kriterien und misst juristische Agenten-Workflows statt die juristischen Argumentationsfragen von LegalBench. Evaluierungsmethodik ↗
- Vals Finance Agent v2Vals Finanzagent v2
- Testet Finanzanalyse mit Suche, Finanzberichten und Berechnungswerkzeugen, einschließlich dokumentübergreifender Datenprüfungen, Vergleichen der Unternehmensleistung und Bewertung. Die Hauptmetrik ist Partial Credit, gemittelt über drei Läufe: Antwortprüfungen erhalten schweregradbasierte Gewichtungen, und ein kritischer Dealbreaker-Fehler führt dazu, dass diese Frage mit null bewertet wird. Höher ist besser. Dies unterscheidet sich von der separaten All-Pass-Metrik und ist nicht die Bestehensrate ganzer Fragen. Evaluierungsmethodik ↗
- Vals IndexVals zusammengesetzter Index
- Ein zusammengesetzter Index professioneller Aufgaben in Bereichen wie Finanzen, Coding und Recht. Sein Prozentwert kombiniert Benchmark-Ergebnisse mithilfe der Gewichtungsmethode für diese veröffentlichte Version; ein höherer Wert bedeutet stärkere Gesamtleistung, nicht die Genauigkeit einer einzelnen Aufgabe. Enthaltene Domänen und Gewichtungen ändern sich zwischen Versionen, daher darf eine neuere Methodik nicht rückwirkend auf ältere Score-Snapshots angewendet werden. 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.