KI-Benchmarks im Überblick
37 Tests für Wissen, Logik, Programmierung und Agenten: was sie messen und welche KI-Modelle vorne liegen.
37 Benchmarks
| Bestes Modell | ||||
|---|---|---|---|---|
| AA-Omniscience | Wissen | Claude Fable 5.143,5 Punkte | 31 | November 2025 |
| Aider Polyglot | Programmierung | GPT-588 % | 13 | Dezember 2024 |
| AIME 2025 | Mathematik | GPT-5.2100 % | 40 | Februar 2025 |
| AIME 2026 | Mathematik | DeepSeek V4.1 Flash100 % | 8 | Februar 2026 |
| APEX-Agents | Agentische Aufgaben | Grok 4.657,5 % | 8 | Januar 2026 |
| ARC-AGI-2 | Logik & Schlussfolgerung | GPT-6 Astra95 % | 21 | März 2025 |
| ARC-AGI-3 | Logik & Schlussfolgerung | GPT-6 Astra99,9 % | 12 | März 2026 |
| Arena.ai | Gesamtindizes | Gemini 3.8 Flash1.494 Elo | 5 | April 2023 |
| Artificial Analysis Intelligence Index | Gesamtindizes | Claude Fable 5.165,7 Punkte | 37 | Januar 2024 |
| BrowseComp | Agentische Aufgaben | GPT-6 Astra91,5 % | 20 | April 2025 |
| CyberGym | Sicherheit & Faktentreue | MiMo V2.6 Flash95,1 % | 16 | Juni 2025 |
| FrontierMath | Mathematik | GPT 5.6 Sol89 % | 22 | November 2024 |
| GAIA | Agentische Aufgaben | MiniMax-M275,7 % | 1 | November 2023 |
| GDPval-AA | Agentische Aufgaben | Claude Fable 51.932 Elo | 33 | Oktober 2025 |
| GPQA Diamond | Wissen | GPT-6 Astra96 % | 80 | November 2023 |
| HMMT 2025 | Mathematik | GLM 5.294,4 % | 3 | Februar 2025 |
| Humanity's Last Exam | Wissen | Claude Opus 5.567,7 % | 80 | Januar 2025 |
| IFEval | Sprache & Anweisungen | Qwen3.592,6 % | 1 | November 2023 |
| LiveCodeBench | Programmierung | DeepSeek V4.1 Flash94,1 % | 38 | März 2024 |
| LiveCodeBench Pro | Programmierung | Fugu Ultra90,8 % | 1 | Juni 2025 |
| MathVista | Multimodalität | Kimi K2.590,1 % | 1 | Oktober 2023 |
| MCP-Atlas | Agentische Aufgaben | Muse Spark 1.188,1 % | 19 | Januar 2026 |
| MMLU-Pro | Wissen | Claude Opus 591,6 % | 23 | — |
| MMMLU | Wissen | Claude Mythos92,7 % | 5 | September 2024 |
| MMMU | Multimodalität | GPT 5.6 Terra86,5 % | 6 | November 2023 |
| MMMU-Pro | Multimodalität | Claude Opus 589,9 % | 24 | September 2024 |
| MRCR v2 | Logik & Schlussfolgerung | Muse Spark 1.398,3 % | 12 | September 2024 |
| OSWorld-Verified | Agentische Aufgaben | Qwen 3.8 Max86,1 % | 25 | Juli 2025 |
| SimpleQA | Sicherheit & Faktentreue | DeepSeek-V4-Pro (Preview)57,9 % | 2 | Oktober 2024 |
| SWE-bench Multilingual | Programmierung | Claude Opus 5.593,9 % | 15 | Mai 2025 |
| SWE-bench Pro | Programmierung | Claude Opus 5.589,9 % | 36 | September 2025 |
| SWE-bench Verified | Programmierung | DeepSeek-V4-Pro96,4 % | 61 | August 2024 |
| Terminal-Bench 2.0 | Programmierung | GPT-5.582,7 % | 27 | Januar 2026 |
| Terminal-Bench 2.1 | Programmierung | Claude Fable 5.191,4 % | 42 | Januar 2026 |
| Vending-Bench 2 | Agentische Aufgaben | GLM 5.3$8.163,61 | 4 | November 2025 |
| Video-MMMU | Multimodalität | Qwen 3.8 Max88,7 % | 2 | Januar 2025 |
| τ²-Bench | Agentische Aufgaben | Claude Opus 4.695,6 % | 27 | Juni 2025 |