LinkSammlung
Die Konsolidierung von automatisierten LLM-as-a-Judge-Evaluationen mit Standards wie ARC-AGI und AAII bietet Entwicklern und Unternehmen eine differenziertere Orientierung bei der Modellauswahl für Coding, Vision und komplexe Reasoning-Aufgaben.
Das Leaderboard veranschaulicht den intensiven Wettbewerb an der Spitze der KI-Modelle, bei dem Anthropic und OpenAI im Arena-Elo gleichauf liegen, sich jedoch in Teilbereichen wie ARC-AGI unterscheiden. Zugleich zeigt die Präsenz von Modellen mit MIT- und Apache-2.0-Lizenzen (wie GLM-5.3 und DeepSeek-V4-Pro) im Bereich oberhalb von 1500 Elo-Punkten, dass offene und chinesische Modelle weiterhin direkten Anschluss an proprietäre Spitzenreiter halten.
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: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:Roshan Desai
Onyx vergleicht in seinem LLM Leaderboard 2026 führende Open-Source- und Closed-Source-Modelle anhand von Benchmarks für Coding, Reasoning, Mathematik und agentische Aufgaben sowie deren API-Preisen.
Link:Vellum
Das LLM-Leaderboard von Vellum vergleicht aktuelle Sprachmodelle über standardisierte Benchmarks hinweg und führt Metriken zu Durchsatz, Latenz sowie Token-Kosten auf.
Link:Artificial Analysis
Artificial Analysis fasst in Version 4.2 seines Intelligence Index zehn Benchmarks aus den Bereichen Mathematik, Wissenschaft, Coding und Reasoning zusammen. Claude Fable 5.1 führt das Ranking mit 57 Punkten an, gefolgt von GPT-6 Astra mit 55 Punkten.
Link:spark-arena.com
Spark Arena bietet ein öffentliches Leaderboard zum Leistungsvergleich von Large Language Models auf NVIDIA DGX Spark Hardware. Die Plattform nutzt Open-Source-Tools, um Benchmarks über verschiedene Runtime-Engines wie vLLM, SGLang, TensorRT-LLM und llama.cpp hinweg transparent abzubilden.
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.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
