An den leichten Tests ist nichts mehr zu sehen – jedes Spitzenmodell liegt über 90 %. Spannend wird es nur dort, wo Modelle scheitern. Hier siehst du die härtesten offenen Benchmarks – und wie schnell sich der Abstand zum Menschen schließt.
Je leerer der Balken, desto weiter ist die KI noch vom Menschen entfernt. ARC-AGI-3 ist der aktuelle Tiefpunkt: Menschen lösen 100 %, das beste Modell 62,71 %.
Interaktives, neuartiges Schlussfolgern in unbekannten Mini-Umgebungen.
Gezählt werden Läufe im Standard-Testaufbau (Harness) des ARC Prize. Läufe über einen anbieterspezifischen Adapter führt der ARC Prize getrennt; sie zählen hier nicht.
Ungelöste Mathematik auf Forschungsniveau.
Epoch hat am 12.06.2026 FrontierMath v2 veröffentlicht (bereinigte Aufgaben).
Tausende Expertenfragen am Rand des menschlichen Wissens.
Werte schwanken stark je nach Test-Setup, etwa mit oder ohne Websuche und Werkzeuge.
Echte Software-Bugs in echten GitHub-Projekten beheben.
Naturwissenschaft auf Promotionsniveau, „google-sicher“.
Modelle liegen inzwischen über dem menschlichen Fachniveau – der Test verliert seine Trennschärfe.
Tests, die jahrelang fordern sollten, sind heute in Monaten ausgereizt. MMLU (2020) hielt rund vier Jahre, GPQA (2023) nur noch zwei. Das ist die eigentliche Geschichte – nicht ein einzelner Wert, sondern das Tempo.
Zuletzt geprüft: 30. September 2026
Benchmark-Werte sind Momentaufnahmen und je nach Test-Setup unterschiedlich. Sie messen einzelne Fähigkeiten, nicht „Intelligenz“ insgesamt.
Nein. Diese Tests messen eng umrissene Fähigkeiten. Ein Modell kann GPQA-Fragen über menschlichem Niveau beantworten und bei ARC-AGI-3 noch hinter Menschen zurückbleiben. „Stand der KI“ ist ein Fortschrittsbild, keine AGI-Prognose.
Verschiedene Leaderboards testen unter leicht anderen Bedingungen (Prompting, Tool-Zugriff, Test-Version). Wir nennen pro Wert Quelle und Datum – und wo es eine Spanne gibt, sagen wir das.
Ein automatischer Lauf prüft alle sechs Stunden die offiziellen Quellen; ARC-AGI-3 liest er direkt aus den Daten des ARC Prize. Ein neuer Wert gilt erst, wenn zwei Läufe nacheinander dasselbe melden, bei einem Sprung um mehr als 15 Prozentpunkte erst nach drei. Einbrüche um mehr als 15 Punkte nimmt der Lauf nie von selbst an. Einen von Hand nachgeprüften Wert zeigt die Seite sofort. GPQA Diamond, FrontierMath und SWE-bench Verified übernehmen wir aus den Daten von Epoch AI, die auch KI-IQ zeigt. An jeder Karte steht, von wann ihr Wert ist.
Wir ordnen ein, was für dein Geschäft wirklich relevant ist – und setzen die Anwendungsfälle um, die sich heute lohnen.
Diese Tools passen thematisch dazu.