LinkEpoch AISammlung
Unabhängige und strukturierte Leistungsvergleiche helfen Entscheidungsträgern und Entwicklungsteams, den tatsächlichen Fortschritt von Spitzenmodellen jenseits von Marketingaussagen einzuschätzen.
Das Dashboard aggregiert Leistungsdaten aus unterschiedlichsten Quellen an einem Ort. Bemerkenswert ist die Einbindung von Forschungsbenchmarks wie FrontierMath, bei denen Modelle an echten, bisher ungelösten mathematischen Problemen getestet werden, sowie praxisnahen Code- und Agenten-Tests wie MirrorCode.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Link:StackAI
StackAI bietet ein interaktives Dashboard, das Sprachmodelle anhand von Benchmarks, Durchsatz, Kontextfenstern und Kosten vergleicht. Das Tool fasst Leistungskennzahlen wie MMLU, HumanEval+, GPQA, SWE-Bench und GSM8K zusammen und ermöglicht den direkten Modellvergleich.
Link:clickrank.ai
Ein Leitfaden von ClickRank AI analysiert den Stand der LLM-Ranglisten im Jahr 2026. Da traditionelle Tests wie MMLU und HumanEval übersättigt sind, stützen sich Vergleiche heute auf anspruchsvollere Benchmarks, menschliche Blindvergleiche und kombinierte Metriken aus Leistung, Geschwindigkeit und Token-Preisen.
Link:The Cognition Team
Cognition hat mit FrontierCode einen Benchmark und ein Leaderboard veröffentlicht, das bewertet, ob von KI-Modellen erstellte Pull Requests von Open-Source-Maintainern tatsächlich gemergt werden würden. Die Bewertung stützt sich auf Unit-Tests, Verifizierer und praxisnahe Rubriken von Maintainern.
Link:artificialanalysis.ai
Artificial Analysis bietet unabhängige Leistungs- und Kostenvergleiche für Sprachmodelle, Coding-Agenten und multimodale APIs. Mit dem Update auf den Intelligence Index v4.2 wurden die Testmethoden und Gewichtungen für aktuelle Frontier-Modelle angepasst.
Link:Shishir G. Patil, Huanzhi Mao, Charlie Cheng-Jie Ji, Fanjia Yan, Vishnu Suresh, Ion Stoica, Joseph E. Gonzalez
Das Berkeley Function Calling Leaderboard (BFCL) V4 evaluiert die Fähigkeit von Sprachmodellen, Funktionen und Werkzeuge präzise aufzurufen. Version 4 erweitert frôhere Iterationen um eine ganzheitliche agentische Bewertung.
Artikel:artificialanalysis.ai
Artificial Analysis hat Grok 4.6 von SpaceXAI evaluiert. Das Modell erzielt 61 Punkte im Intelligence Index, schließt damit zu GPT-5.6 Sol auf und liegt knapp hinter Claude Opus 5 und Claude Fable 5. Besonders stark schneidet das Modell bei agentischen Aufgaben und der Kosteneffizienz ab.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
