Ergebnisse der Modelltests

KI-Modelle vergleichen

Täglich überprüft

Vergleiche Ergebnisse, entdecke unterschiedliche Stärken und finde Modelle jenseits der bekannten Namen.

LiveBench testet Modelle mit Aufgaben, deren Antworten überprüfbar sind. Höhere Werte sind besser. Die Skala reicht von 0 bis 100.

Zuletzt überprüft: 22.10.2026Version des Testsatzes: 2026-10-1449 Modelle

1Claude Fable 5.1Anthropic87,986

claude-fable-5.1

Lange Agentenaufgaben: 80,800 / 100
Schlussfolgern: 91,700 / 100
Programmieren: 97,700 / 100
Browsernutzung: 100,000 / 100
Datenanalyse: 80,300 / 100
Recherche: 82,000 / 100
Design: 83,400 / 100

Einzelne Aufgaben

long_agentic: 80,800
reasoning: 91,700
coding: 97,700
browser: 100,000
data_analysis: 80,300
research: 82,000
design: 83,400

Quelle: LiveBench ↗

2Claude Opus 5.5Anthropic86,529

claude-opus-5.5

Lange Agentenaufgaben: 85,000 / 100
Schlussfolgern: 92,200 / 100
Programmieren: 96,300 / 100
Browsernutzung: 80,000 / 100
Datenanalyse: 80,300 / 100
Recherche: 85,000 / 100
Design: 86,900 / 100

Einzelne Aufgaben

long_agentic: 85,000
reasoning: 92,200
coding: 96,300
browser: 80,000
data_analysis: 80,300
research: 85,000
design: 86,900

Quelle: LiveBench ↗

3GPT-6 AstraOpenAI86,143

gpt-6-astra

Lange Agentenaufgaben: 82,400 / 100
Schlussfolgern: 92,700 / 100
Programmieren: 93,700 / 100
Browsernutzung: 84,000 / 100
Datenanalyse: 83,000 / 100
Recherche: 85,200 / 100
Design: 82,000 / 100

Einzelne Aufgaben

long_agentic: 82,400
reasoning: 92,700
coding: 93,700
browser: 84,000
data_analysis: 83,000
research: 85,200
design: 82,000

Quelle: LiveBench ↗

4GPT-6.1 SolOpenAI85,414

gpt-6.1-sol

Lange Agentenaufgaben: 73,000 / 100
Schlussfolgern: 92,600 / 100
Programmieren: 96,000 / 100
Browsernutzung: 88,000 / 100
Datenanalyse: 82,700 / 100
Recherche: 83,500 / 100
Design: 82,100 / 100

Einzelne Aufgaben

long_agentic: 73,000
reasoning: 92,600
coding: 96,000
browser: 88,000
data_analysis: 82,700
research: 83,500
design: 82,100

Quelle: LiveBench ↗

5Gemini 4 ArgonGoogle84,100

gemini-4-argon

Lange Agentenaufgaben: 69,900 / 100
Schlussfolgern: 95,100 / 100
Programmieren: 89,700 / 100
Browsernutzung: 92,000 / 100
Datenanalyse: 85,200 / 100
Recherche: 83,100 / 100
Design: 73,700 / 100

Einzelne Aufgaben

long_agentic: 69,900
reasoning: 95,100
coding: 89,700
browser: 92,000
data_analysis: 85,200
research: 83,100
design: 73,700

Quelle: LiveBench ↗

6Claude Fable 5Anthropic83,614

claude-fable-5

Lange Agentenaufgaben: 53,200 / 100
Schlussfolgern: 89,700 / 100
Programmieren: 98,300 / 100
Browsernutzung: 92,000 / 100
Datenanalyse: 80,500 / 100
Recherche: 86,900 / 100
Design: 84,700 / 100

Einzelne Aufgaben

long_agentic: 53,200
reasoning: 89,700
coding: 98,300
browser: 92,000
data_analysis: 80,500
research: 86,900
design: 84,700

Quelle: LiveBench ↗

7Claude Sonnet 5.5Anthropic82,457

claude-sonnet-5.5

Lange Agentenaufgaben: 78,800 / 100
Schlussfolgern: 91,600 / 100
Programmieren: 94,700 / 100
Browsernutzung: 84,000 / 100
Datenanalyse: 59,500 / 100
Recherche: 83,600 / 100
Design: 85,000 / 100

Einzelne Aufgaben

long_agentic: 78,800
reasoning: 91,600
coding: 94,700
browser: 84,000
data_analysis: 59,500
research: 83,600
design: 85,000

Quelle: LiveBench ↗

8Claude Opus 5Anthropic82,086

claude-opus-5

Lange Agentenaufgaben: 62,100 / 100
Schlussfolgern: 91,200 / 100
Programmieren: 90,800 / 100
Browsernutzung: 84,000 / 100
Datenanalyse: 74,600 / 100
Recherche: 88,900 / 100
Design: 83,000 / 100

Einzelne Aufgaben

long_agentic: 62,100
reasoning: 91,200
coding: 90,800
browser: 84,000
data_analysis: 74,600
research: 88,900
design: 83,000

Quelle: LiveBench ↗

9GPT-6 SolOpenAI81,914

gpt-6-sol

Lange Agentenaufgaben: 66,900 / 100
Schlussfolgern: 88,700 / 100
Programmieren: 93,100 / 100
Browsernutzung: 92,000 / 100
Datenanalyse: 81,200 / 100
Recherche: 69,300 / 100
Design: 82,200 / 100

Einzelne Aufgaben

long_agentic: 66,900
reasoning: 88,700
coding: 93,100
browser: 92,000
data_analysis: 81,200
research: 69,300
design: 82,200

Quelle: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek79,200

deepseek-v4.1-flash-1017

Lange Agentenaufgaben: 50,900 / 100
Schlussfolgern: 89,100 / 100
Programmieren: 96,000 / 100
Browsernutzung: 76,000 / 100
Datenanalyse: 79,500 / 100
Recherche: 79,500 / 100
Design: 83,400 / 100

Einzelne Aufgaben

long_agentic: 50,900
reasoning: 89,100
coding: 96,000
browser: 76,000
data_analysis: 79,500
research: 79,500
design: 83,400

Quelle: LiveBench ↗

11Muse Wonder 1.0Meta78,100

muse-wonder-1.0

Lange Agentenaufgaben: 53,200 / 100
Schlussfolgern: 90,600 / 100
Programmieren: 86,200 / 100
Browsernutzung: 72,000 / 100
Datenanalyse: 81,600 / 100
Recherche: 88,000 / 100
Design: 75,100 / 100

Einzelne Aufgaben

long_agentic: 53,200
reasoning: 90,600
coding: 86,200
browser: 72,000
data_analysis: 81,600
research: 88,000
design: 75,100

Quelle: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek78,043

deepseek-v4.1-flash

Lange Agentenaufgaben: 40,100 / 100
Schlussfolgern: 86,700 / 100
Programmieren: 90,200 / 100
Browsernutzung: 84,000 / 100
Datenanalyse: 79,300 / 100
Recherche: 86,800 / 100
Design: 79,200 / 100

Einzelne Aufgaben

long_agentic: 40,100
reasoning: 86,700
coding: 90,200
browser: 84,000
data_analysis: 79,300
research: 86,800
design: 79,200

Quelle: LiveBench ↗

13Claude Opus 4.8Anthropic76,771

claude-opus-4.8

Lange Agentenaufgaben: 48,300 / 100
Schlussfolgern: 89,200 / 100
Programmieren: 77,300 / 100
Browsernutzung: 96,000 / 100
Datenanalyse: 66,000 / 100
Recherche: 81,800 / 100
Design: 78,800 / 100

Einzelne Aufgaben

long_agentic: 48,300
reasoning: 89,200
coding: 77,300
browser: 96,000
data_analysis: 66,000
research: 81,800
design: 78,800

Quelle: LiveBench ↗

14GPT-5.6 SolOpenAI76,257

gpt-5.6-sol

Lange Agentenaufgaben: 48,500 / 100
Schlussfolgern: 91,700 / 100
Programmieren: 89,700 / 100
Browsernutzung: 88,000 / 100
Datenanalyse: 79,800 / 100
Recherche: 54,500 / 100
Design: 81,600 / 100

Einzelne Aufgaben

long_agentic: 48,500
reasoning: 91,700
coding: 89,700
browser: 88,000
data_analysis: 79,800
research: 54,500
design: 81,600

Quelle: LiveBench ↗

15Claude Haiku 5.5Anthropic75,643

claude-haiku-5.5

Lange Agentenaufgaben: 57,600 / 100
Schlussfolgern: 82,400 / 100
Programmieren: 91,400 / 100
Browsernutzung: 80,000 / 100
Datenanalyse: 53,100 / 100
Recherche: 81,900 / 100
Design: 83,100 / 100

Einzelne Aufgaben

long_agentic: 57,600
reasoning: 82,400
coding: 91,400
browser: 80,000
data_analysis: 53,100
research: 81,900
design: 83,100

Quelle: LiveBench ↗

16GPT-5.6 TerraOpenAI74,986

gpt-5.6-terra

Lange Agentenaufgaben: 48,400 / 100
Schlussfolgern: 90,600 / 100
Programmieren: 86,200 / 100
Browsernutzung: 84,000 / 100
Datenanalyse: 79,300 / 100
Recherche: 60,400 / 100
Design: 76,000 / 100

Einzelne Aufgaben

long_agentic: 48,400
reasoning: 90,600
coding: 86,200
browser: 84,000
data_analysis: 79,300
research: 60,400
design: 76,000

Quelle: LiveBench ↗

17Grok 4.6 xHighxAI74,943

grok-4.6

Lange Agentenaufgaben: 40,700 / 100
Schlussfolgern: 91,200 / 100
Programmieren: 89,100 / 100
Browsernutzung: 64,000 / 100
Datenanalyse: 75,300 / 100
Recherche: 84,500 / 100
Design: 79,800 / 100

Einzelne Aufgaben

long_agentic: 40,700
reasoning: 91,200
coding: 89,100
browser: 64,000
data_analysis: 75,300
research: 84,500
design: 79,800

Quelle: LiveBench ↗

18MiMo V2.6 ProXiaomi74,871

mimo-v2.6-pro

Lange Agentenaufgaben: 47,500 / 100
Schlussfolgern: 79,600 / 100
Programmieren: 81,500 / 100
Browsernutzung: 88,000 / 100
Datenanalyse: 72,300 / 100
Recherche: 76,700 / 100
Design: 78,500 / 100

Einzelne Aufgaben

long_agentic: 47,500
reasoning: 79,600
coding: 81,500
browser: 88,000
data_analysis: 72,300
research: 76,700
design: 78,500

Quelle: LiveBench ↗

19Muse Spark 1.3Meta74,757

muse-spark-1.3

Lange Agentenaufgaben: 40,400 / 100
Schlussfolgern: 89,700 / 100
Programmieren: 90,200 / 100
Browsernutzung: 80,000 / 100
Datenanalyse: 79,600 / 100
Recherche: 68,600 / 100
Design: 74,800 / 100

Einzelne Aufgaben

long_agentic: 40,400
reasoning: 89,700
coding: 90,200
browser: 80,000
data_analysis: 79,600
research: 68,600
design: 74,800

Quelle: LiveBench ↗

20Grok 4.7xAI74,086

grok-4.7

Lange Agentenaufgaben: 50,100 / 100
Schlussfolgern: 82,700 / 100
Programmieren: 84,500 / 100
Browsernutzung: 60,000 / 100
Datenanalyse: 76,900 / 100
Recherche: 86,400 / 100
Design: 78,000 / 100

Einzelne Aufgaben

long_agentic: 50,100
reasoning: 82,700
coding: 84,500
browser: 60,000
data_analysis: 76,900
research: 86,400
design: 78,000

Quelle: LiveBench ↗

Sortiert nach ungerundeten Ergebnissen. Ähnliche Werte belegen keinen aussagekräftigen Unterschied.

Jede genaue Modelleinstellung wird separat aufgeführt. Für einen Kategorienmittelwert müssen alle Aufgaben dieser Kategorie vorliegen; für den Gesamtmittelwert müssen alle Kategorien vorliegen. Die Aufgaben innerhalb einer Kategorie sind gleich gewichtet, ebenso die Kategorien im Gesamtmittelwert. Fehlende Ergebnisse zählen niemals als null. Die Rangfolge basiert auf ungerundeten Werten in der ausgewählten Spalte; Gleichstände teilen sich den Rang. Die Suche berücksichtigt den Rang in der vollständigen Testreihe. Veraltete Ergebnisse fließen nicht in die Rangfolge ein. Angezeigte Dezimalstellen belegen keinen signifikanten Unterschied. Diese Ansicht umfasst eine Testreihe, nicht alle aktuellen Modelle oder jede Art von Fähigkeit.

So funktioniert der Vergleich

Der hier angezeigte Gesamtwert ist der gleich gewichtete Durchschnitt aller LiveBench-Kategorien derselben Benchmark-Version. Ein Gesamtwert wird nur berechnet, wenn Ergebnisse für alle Aufgaben vorliegen. Arena-Bewertungen bleiben getrennt, da sie Präferenzen messen. Wir ordnen ähnlich benannte Modelle aus verschiedenen Quellen nicht einander zu: Versionen und Einstellungen für Schlussfolgern können sich unterscheiden. Diese Tests decken nicht alle Modelle und realen Aufgaben ab.

Quelldaten: LiveBench; Arena / LMArena (CC BY 4.0). Oossa berechnet die angezeigten Aufgabendurchschnitte und stellt die Ergebnisse in vereinfachter Form dar. Arena ↗ · Quelle ↗ · CC BY 4.0 ↗