KI-Modell-Benchmarks 2026: offene Modelle im Vergleich mit GPT-6 und Claude
Benjamin Spinola, Gründer
Veröffentlicht Aktualisiert 14 Minuten Lesezeit
KI-Modell-Benchmarks kommen zu unterschiedlichen Ergebnissen, weil jeder von ihnen etwas anderes misst: von Fachleuten bewertete Arbeitsergebnisse, lange Softwareaufgaben, bezahlte Aufträge von Freiberuflern, Abstimmungen im Blindvergleich, einen kombinierten Index sowie Arbeiten aus Recht, Finanzen und Steuern. Diese Seite stellt sieben öffentliche Bewertungssysteme für acht aktuelle Modelle nebeneinander. Vier davon sind geschlossen, die Gewichte der anderen vier kann jeder herunterladen.
Jeder Wert stammt von der Seite des jeweiligen Bewertungssystems, die unter „Quellen“ mit dem Datum aufgeführt ist, an dem wir sie abgerufen haben. Wo ein System ein Modell nicht bewertet hat, steht das in der Zelle. Nichts wurde geschätzt, und keine Lücke wurde aufgefüllt.
Zum Hintergrund dieser Seite: Wir betreiben offene Modelle auf einem NVIDIA DGX Spark für alle, die entscheiden wollen, ob ein eigener Rechner ihre Arbeit erledigen würde. Öffentliche Bewertungen sind der Ausgangspunkt dieser Entscheidung, deshalb zeigt diese Seite auch, welche dieser Modelle überhaupt auf einen einzelnen DGX Spark passen.
Acht Modelle in sieben Bewertungssystemen
Die drei hervorgehobenen Zeilen oben sind die offenen Modellfamilien, die in unseren Setups laufen: Qwen, DeepSeek und GLM. Lesen Sie eine Zeile von links nach rechts, um ein Modell in allen Bewertungssystemen zu sehen, oder eine Spalte von oben nach unten, um die Modelle in einem System zu vergleichen. In jeder Spalte außer dem Preis ist ein höherer Wert besser. Das Kleingedruckte unter einem Wert nennt die Reasoning-Einstellung, die das Bewertungssystem getestet hat, und, sofern es eine veröffentlicht, seine Fehlerspanne. Hat es mehrere Einstellungen getestet, zeigt die Tabelle die höchste, die es aufführt.
Die Tabelle ist breiter als Ihr Bildschirm. Scrollen Sie sie seitwärts; die Modellnamen bleiben dabei stehen.
| Modell | GDPval | METR | Remote Labor Index | LMArena | Artificial Analysis | Vals AI | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| OpenAI, Bewertung durch FachleuteAufgaben mit Sieg oder Unentschieden gegen FachleuteQuelle 125.09.2025 | GDPval-AAElo-Wert, ermittelt von Artificial AnalysisQuelle 328.09.2026 | ZeithorizontAufgabenlänge, bei der jeder zweite Versuch gelingtQuelle 408.05.2026 | AutomatisierungsquoteProjekte, die ein Auftraggeber abnehmen würdeQuelle 628.09.2026 | Textwertungaus Präferenzabstimmungen im BlindvergleichQuelle 725.09.2026 | Intelligence Indexkombinierter WertQuelle 828.09.2026 | GeschwindigkeitAusgabe-Tokens pro SekundeQuelle 828.09.2026 | API-PreisUS-Dollar pro Million Tokens, Eingabe / AusgabeQuelle 828.09.2026 | Juristische RechercheGenauigkeitQuelle 922.09.2026 | FinanzenGenauigkeitQuelle 1023.09.2026 | SteuernGenauigkeitQuelle 1123.09.2026 | |
| Qwen3.8-27BAlibaba · offene Gewichteerschienen im Aug. 2026 | nicht bewertet | 1.409xhigh · ±26 | nicht bewertet | nicht bewertet | 1.438 | 34xhigh | 46,3xhigh | 0,50 / 3,00 | 36,06 %xhigh | 48,55 %xhigh | nicht bewertet |
| DeepSeek V4.1 FlashDeepSeek · offene Gewichteerschienen im Sept. 2026 | nicht bewertet | 1.600max | nicht bewertet | nicht bewertet | 1.477max | 39max | 220,8max | 0,30 / 1,20 | 41,35 %high | 53,48 %high | 62,46 %high |
| GLM-5.3-FlashZ.ai · offene Gewichteerschienen im Aug. 2026 | nicht bewertet | 1.641±23 | nicht bewertet | nicht bewertet | 1.474 | 42 | 56,6 | 0,15 / 0,50 | 45,19 %max | 57,85 %max | nicht bewertet |
| GPT-6 AstraOpenAI · geschlossenerschienen im Sept. 2026 | nicht bewertet | 1.542max · ±25 | nicht bewertet | 20,83 % | 1.478max | 53max | 63,9max | 10,00 / 50,00 | 39,42 %max | 53,54 %max | 63,34 %max |
| GPT-5.6 SolOpenAI · geschlossenerschienen im Juli 2026 | nicht bewertet | 1.588max · ±21 | nicht bewertet | nicht bewertet | 1.483xhigh | 47max | 95,5max | 4,00 / 20,00 | 48,08 %max | 53,76 %max | 67,95 %max |
| gpt-oss-120bOpenAI · offene Gewichteerschienen im Aug. 2025 | nicht bewertet | 596high · ±24 | 45 Min.20 Min. bis 86 Min.Quelle 5 | nicht bewertet | 1.352 | 12high | 236,0high | 0,15 / 0,595 | nicht bewertet | nicht bewertet | nicht bewertet |
| Claude Opus 5.5Anthropic · geschlossenerschienen im Sept. 2026 | nicht bewertet | 1.846max · ±23 | nicht bewertet | nicht bewertet | 1.509high | 58max | 95,5max | 4,00 / 20,00 | 50,48 %max | 58,59 %max | 70,50 %max |
| Claude Fable 5.1Anthropic · geschlossenerschienen im Sept. 2026 | nicht bewertet | 1.735max · ±25 | nicht bewertet | 17,92 % | 1.501max | 53max | 69,7max | 10,00 / 50,00 | 55,29 %max | 58,88 %max | 77,64 %max |
„Nicht bewertet“ bedeutet, dass das Bewertungssystem für dieses Modell keinen Wert veröffentlicht hat. Der Stanford AI Index hat keine eigene Spalte, weil er keine einzelnen Modelle bewertet.
Die Balken zeigen jeden Wert im Verhältnis zum höchsten Wert seiner Spalte, so wie die Datenbalken einer Tabellenkalkulation. Der Preis hat keine Balken, weil ein höherer Preis nicht besser ist, und ebenso wenig eine Spalte mit nur einer Bewertung.
Unter jeder Spaltenüberschrift stehen die Nummer ihrer Quelle in der Liste am Ende der Seite und das Datum ihrer Werte: das Aktualisierungsdatum der Quelle, sofern sie eines nennt, andernfalls der Tag, an dem wir sie abgerufen haben.
Geschwindigkeit und Preis sind die Werte von Artificial Analysis für den eigenen Dienst des jeweiligen Modellherstellers, bei gpt-oss-120b der Median über die Dienste, die es anbieten. Es handelt sich nicht um Messungen auf einem DGX Spark.
Wie die einzelnen Bewertungssysteme funktionieren
Die sieben Bewertungssysteme stellen sieben verschiedene Fragen. Zu wissen, welche Frage ein Wert beantwortet, ist wichtiger als der Wert selbst.
OpenAI; Artificial Analysis
GDPval und GDPval-AA
OpenAI hat GDPval aus realer Arbeit in 44 Berufen zusammengestellt. Fachleute aus der jeweiligen Branche vergleichen das Arbeitsergebnis eines Modells, etwa eine Tabellenkalkulation, einen Foliensatz oder ein Memo, mit dem einer Fachkraft, ohne zu wissen, welches von wem stammt. Das Ergebnis ist der Anteil der Aufgaben, bei denen das Modell gewinnt oder gleichzieht. Die von Fachleuten bewerteten Ergebnisse, die OpenAI im September 2025 veröffentlicht hat, umfassen ältere Modelle wie GPT-5 und Claude Opus 4.1. Für die Modelle auf dieser Seite haben wir keine gefunden, und OpenAIs eigene Rangliste ist nicht mehr aktiv; deshalb steht in dieser Spalte durchgehend „nicht bewertet“.
OpenAIs Rangliste verweist inzwischen auf GDPval-AA, das Artificial Analysis mit den 220 öffentlichen GDPval-Aufgaben durchführt. Jedes Modell bearbeitet die Aufgaben mit einer Kommandozeile und Internetzugang, und Blindvergleiche der fertigen Arbeiten ergeben einen Wert, der steigt, je öfter ein Modell gewinnt [eine Elo-Wertung]. Die Skala ist dadurch festgelegt, dass DeepSeek V4.1 Flash in der Einstellung „max“ auf genau 1.600 gesetzt wird. Artificial Analysis veröffentlicht für die übrigen Werte auf dieser Seite eine Spanne von 21 bis 26 Punkten nach oben wie nach unten [ein 95-Prozent-Konfidenzintervall]; kleinere Unterschiede ergeben daher keine Rangfolge.
METR
METR-Zeithorizont
METR misst, wie lang eine Aufgabe sein kann, die ein KI-Agent selbstständig abschließt. Zunächst erfasst METR, wie viel Zeit erfahrene Fachleute für jede seiner Aufgaben brauchen. Die Aufgaben reichen von wenigen Sekunden bis zu vielen Stunden und stammen überwiegend aus Programmierung, maschinellem Lernen und Computersicherheit. Dann lässt METR den Agenten jede Aufgabe mehrmals versuchen und ermittelt die Aufgabenlänge, bei der der Agent in der Hälfte der Fälle erfolgreich ist [der 50-Prozent-Zeithorizont].
Ein Beispiel: gpt-oss-120b hat einen Zeithorizont von etwa 45 Min.. Bei Aufgaben, für die eine erfahrene Fachkraft ungefähr so lange braucht, ist das Modell in etwa der Hälfte der Fälle erfolgreich; dazu zählt das Trainieren eines kleinen Programms, das Daten in Kategorien einordnet [ein Klassifikator], wofür METR etwa 49 Min. angibt. Bei kürzeren Aufgaben gelingt es ihm öfter, bei längeren seltener. Der Wert beschreibt, wie lange die Aufgabe einen Menschen beschäftigt, nicht, wie lange das Modell daran arbeitet. METR hat seine Messungen zuletzt am 08.05.2026 aktualisiert, noch bevor eines der anderen Modelle auf dieser Seite erschienen war, und räumt selbst ein, dass es nicht jedes neu veröffentlichte Modell messen kann. Der Wert für gpt-oss-120b stammt aus METRs ursprünglichem Aufgabensatz [Time Horizon 1.0], mit einem 95-Prozent-Konfidenzintervall von 20 Min. bis 86 Min..
Scale AI und das Center for AI Safety
Remote Labor Index
Der Remote Labor Index übergibt KI-Agenten reale Projekte, für die Freiberufler bezahlt wurden, von der Spieleentwicklung über die Architektur bis zur Datenanalyse. Geschulte Prüfer vergleichen jedes Ergebnis mit der abgenommenen Arbeit der Fachkraft, und der Wert ist der Anteil der Projekte, die ein vernünftiger Auftraggeber abnehmen würde [die Automatisierungsquote]. Die Fachkräfte brauchten für die Projekte im Durchschnitt 28,9 Stunden.
Die Rangliste enthält zwei der Modelle auf dieser Seite: GPT-6 Astra und Claude Fable 5.1. Die übrigen sechs wurden nicht bewertet.
Arena (arena.ai, vormals lmarena.ai)
LMArena, heute Arena
Nutzer stellen zwei anonymen Modellen eine Frage, lesen beide Antworten und stimmen für die Antwort, die sie bevorzugen. Aus den Stimmen entsteht ein Wert für jedes Modell. Er misst, welche Antworten Menschen im Gespräch bevorzugen, nicht, ob ein Modell eine Arbeit zu Ende bringt.
Die Tabelle verwendet die Standardansicht der Text-Rangliste mit der Einstellung, die Arena „Style Control“ nennt. Diese Ansicht wurde zuletzt am 25.09.2026 aktualisiert, auf Grundlage von 8.528.723 Stimmen zu 409 Modellen, und bewertet alle acht Modelle auf dieser Seite.
Artificial Analysis
Artificial Analysis Intelligence Index
Artificial Analysis führt zehn Evaluierungen selbst durch, darunter GDPval-AA, Terminal-Bench 4.0 und Humanity's Last Exam, und fasst sie zu einem Wert pro Modell zusammen [Intelligence Index Version 4.3.2]. Außerdem misst das Unternehmen, wie schnell jedes Modell seine Antwort schreibt, und führt seinen Preis pro Million Tokens auf [ein Token ist ein Wort oder ein Wortteil].
Geschwindigkeit und Preis beziehen sich auf den Dienst, den die jeweilige Modellseite nennt: bei jedem Modell auf dieser Seite der eigene Dienst des Herstellers, außer bei gpt-oss-120b, für das Artificial Analysis den Median über die Dienste angibt, die es anbieten. Keiner der beiden Werte sagt etwas über die Geschwindigkeit auf einem DGX Spark aus, denn diese hängt vom Rechner ab.
Stanford HAI
Stanford AI Index
Der AI Index ist ein jährlicher Bericht und keine Rangliste. Er sammelt Daten zu Forschung, Leistung, Investitionen und Politik und leitet daraus Trends ab.
Die Ausgabe 2026, im April 2026 veröffentlicht, bewertet keines der Modelle auf dieser Seite selbst und hat deshalb keine Spalte in der Tabelle. Ihre Erkenntnisse zu offenen und geschlossenen Modellen sind weiter unten zusammengefasst.
Vals AI
Vals AI
Vals AI testet Modelle mit eigenen Aufgaben aus Recht, Finanzen und Steuern. Die Tabelle verwendet in jedem Bereich den aktuellen Benchmark: Legal Research Bench, das Recherchen quer durch das US-amerikanische Recht verlangt; Finance Agent v2, das die Kernaufgaben eines Finanzanalysten abdeckt; und Tax Agent Bench, das Fragen zum US-amerikanischen Unternehmenssteuerrecht auf Forschungsniveau stellt.
Die Werte geben die Genauigkeit in Prozent an, wie Vals AI sie ausweist. Bei Legal Research Bench zählt eine Antwort nur, wenn jedes geforderte Element stimmt. gpt-oss-120b ist in keinem der drei Benchmarks enthalten, und Tax Agent Bench hat Qwen3.8-27B und GLM-5.3-Flash nicht bewertet.
Welche dieser Modelle auf einen einzelnen DGX Spark passen
Ein NVIDIA DGX Spark hat 128 GB Arbeitsspeicher, den sich Prozessor und Grafikchip teilen. Ein Modell läuft darauf nur, wenn seine Gewichte in diesen Speicher passen und noch Platz für den Text bleibt, an dem es arbeitet. Die vier geschlossenen Modelle lassen sich überhaupt nicht auf einem eigenen Rechner betreiben, weil ihre Hersteller die Gewichte nicht veröffentlichen.
Für die vier offenen Modelle führt die Tabelle die Originalgewichte des Herstellers und die kleinsten vollständigen Varianten auf, die wir gefunden haben. Wird jedes Gewicht mit weniger Bits gespeichert [Quantisierung], wird ein Modell kleiner, unter Umständen auf Kosten der Genauigkeit.
| Modell | Passt es auf einen DGX Spark? | Varianten und ihre Größe |
|---|---|---|
| gpt-oss-120b | Ja |
|
| Qwen3.8-27B | Ja | |
| DeepSeek V4.1 Flash | Nein | |
| GLM-5.3-Flash | Nur unter 4 Bit |
Die Größen sind die Summe der Gewichtsdateien, die jedes Repository auf Hugging Face aufführt, in Gigabyte zu je einer Milliarde Bytes. Wir haben sie selbst addiert; die Repositorys nennen die Summen nicht. Die Angabe zum Arbeitsspeicher stammt von NVIDIA.
Varianten, die Teile eines Modells entfernen oder seine Gewichte während der Ausführung von der Festplatte lesen, sind nicht berücksichtigt, weil es sich dabei um ein anderes Modell oder um eine andere Nutzung des Speichers handelt.
Unser Labor hat im September 2026 die Inferact-Variante von Qwen3.8-27B auf einem Rechner mit 128 GB und NVIDIAs Chip GB10 ausgeführt, dem Chip im DGX Spark.
Quelle 13abgerufen am 28.09.2026Unsere eigene Messung an einer GDPval-Aufgabe
Getrennt von den Bewertungssystemen und als unsere eigene Messung gekennzeichnet: Im September 2026 hat unser Labor eine Buchhaltungsaufgabe aus OpenAIs öffentlichem GDPval-Aufgabensatz durchgeführt, und die folgende Tabelle zeigt, wie drei der Modelle auf dieser Seite dabei abgeschnitten haben. Die Aufgabe besteht darin, aus sechs Quelldateien mit 66 Rechnungen eine Arbeitsmappe zur Auflösung vorausbezahlter Aufwendungen zu erstellen. Die Modelle arbeiteten über die gehosteten Dienste ihrer Hersteller mit denselben Tools und Anweisungen, und wir haben jede fertige Arbeitsmappe anhand des ursprünglichen Bewertungsschemas der Aufgabe mit 56 Kriterien und zusammen 95 Punkten geprüft.
| Modell | Punkte | Durchlauf | Datum |
|---|---|---|---|
| GLM-5.3-Flash | 90 von 95 | zweiter Versuch | 16.09.2026 |
| GPT-5.6 Sol | 82 von 95 | erster von zwei Durchläufen | 17.09.2026 |
| GPT-5.6 Sol | 72 von 95 | zweiter von zwei Durchläufen | 17.09.2026 |
| DeepSeek V4.1 Flash | 78 von 95 | ein Durchlauf | 16.09.2026 |
Der erste Versuch von GLM-5.3-Flash brach ohne Arbeitsmappe ab, als das Antwortlimit von 32.768 Tokens aufgebraucht war; sein Ergebnis stammt aus einem zweiten Versuch mit 65.536 Tokens pro Antwort. DeepSeek V4.1 Flash lief mit dem Limit von 32.768 Tokens.
Der vollständige Bericht zum KI-Buchhaltungstest beschreibt die Aufgabe, jeden Versuch, einschließlich der gescheiterten, und die Fehler, die in jeder Arbeitsmappe gefunden wurden.
Das Gesamtbild aus dem Stanford AI Index
Der AI Index 2026 bewertet keines dieser Modelle selbst, aber vier seiner Erkenntnisse helfen, die Tabelle einzuordnen. Die Seitenzahlen beziehen sich auf die PDF-Fassung des Berichts.
- Offene Modelle liegen knapp dahinter, aber nicht gleichauf. Im März 2026 lag das beste geschlossene Modell auf Arena, Claude Opus 4.6 (1.503), um 49 Punkte oder 3,4 % vor dem besten Modell mit offenen Gewichten, GLM-5 (1.454). Im August 2024 hatte der Abstand 0,5 % betragen. Seite 76.
- An der Spitze liegen die Modelle eng beieinander. Die besten Modelle der vier führenden Unternehmen lagen im März 2026 weniger als 25 Arena-Punkte auseinander, und der Bericht legt nahe, dass Kosten, Geschwindigkeit, Zuverlässigkeit und Eignung für ein bestimmtes Fachgebiet deshalb wichtiger werden könnten. Seite 78.
- Benchmarks haben eigene Schwächen. Eine im Bericht zitierte Untersuchung fand ungültige Fragen in weit verbreiteten Benchmarks, mit Anteilen von 2 % bei MMLU Math bis 42 % bei GSM8K. Seite 71.
- Modellhersteller legen weniger offen. Der durchschnittliche Wert im Foundation Model Transparency Index sank von 58 im Jahr 2024 auf 40 im Jahr 2025, und Entwickler offener Modelle schnitten tendenziell besser ab. Seite 164.
Zusammenfassung: Offene Modelle sind bei professioneller Arbeit konkurrenzfähig
Stand September 2026 liegen offene Modelle bei zwei Bewertungen professioneller Arbeit vor OpenAIs beiden aktuellen geschlossenen Modellen, GPT-6 Astra und GPT-5.6 Sol. Bei GDPval-AA, das Modelle anhand der 220 öffentlichen GDPval-Aufgaben bewertet, erreicht GLM-5.3-Flash 1.641, gegenüber 1.588 für GPT-5.6 Sol und 1.542 für GPT-6 Astra; der Vorsprung ist größer als die veröffentlichten Fehlerspannen. Beim Finanz-Benchmark von Vals AI erreicht es 57,85 %, gegenüber 53,76 % für GPT-5.6 Sol und 53,54 % für GPT-6 Astra. In den Blindabstimmungen von Arena erzielt DeepSeek V4.1 Flash 1.477, gegenüber 1.478 für GPT-6 Astra.
Bei den meisten Bewertungen liegen weiterhin die Modelle von Anthropic vorn. Claude Opus 5.5 erreicht bei GDPval-AA 1.846 und im Intelligence Index von Artificial Analysis, der zehn Evaluierungen kombiniert, 58 gegenüber 42 für GLM-5.3-Flash.
Offene Modelle haben eine Eigenschaft, die den geschlossenen fehlt: Weil ihre Hersteller die Gewichte veröffentlichen, laufen sie auf Hardware, die Ihnen gehört. Qwen3.8-27B und gpt-oss-120b passen mit vier oder mehr Bit auf einen einzelnen DGX Spark, GLM-5.3-Flash passt nur in Varianten unter vier Bit, und DeepSeek V4.1 Flash braucht mehr Arbeitsspeicher, als ein einzelner Rechner hat. Auf einem eigenen Rechner entscheiden Sie, wo Ihre Dokumente und Prompts verarbeitet werden und wer darauf Zugriff hat, statt sie an den Dienst eines Modellherstellers zu senden.
Ob ein offenes Modell, das auf Ihren eigenen Rechner passt, Ihre Arbeit gut genug erledigt, beurteilen Sie am besten an Ihren eigenen Aufgaben. Wir betreiben einen DGX Spark mit einem offenen Modell und stellen ihn stundenweise bereit; Sie verbinden die Tools, die Sie bereits nutzen, und führen darauf Ihre eigenen Arbeitsabläufe aus, bevor Sie sich für einen eigenen Rechner entscheiden.
Quellen
Jeder Wert auf dieser Seite stammt von einer dieser Seiten, die alle am 28.09.2026 abgerufen wurden. Wo eine Seite angibt, wann sie zuletzt aktualisiert wurde, ist auch dieses Datum genannt.
- OpenAI: GDPval: measuring the performance of our models on real-world tasks, aktualisiert am 25.09.2025, abgerufen am 28.09.2026
- OpenAI: GDPval leaderboard, abgerufen am 28.09.2026
- Artificial Analysis: GDPval-AA v2.1 Leaderboard, abgerufen am 28.09.2026
- METR: Task-Completion Time Horizons of Frontier AI Models, aktualisiert am 08.05.2026, abgerufen am 28.09.2026
- METR: Time Horizon 1.0 results (benchmark_results_1_0.yaml), abgerufen am 28.09.2026
- Scale AI: Remote Labor Index (RLI) leaderboard, abgerufen am 28.09.2026
- Arena (formerly LMArena): Text Arena leaderboard, overall, default view with style control, aktualisiert am 25.09.2026, abgerufen am 28.09.2026
- Artificial Analysis: LLM Leaderboard and model pages, Intelligence Index v4.3.2, abgerufen am 28.09.2026
- Vals AI: Legal Research Bench, aktualisiert am 22.09.2026, abgerufen am 28.09.2026
- Vals AI: Finance Agent v2, aktualisiert am 23.09.2026, abgerufen am 28.09.2026
- Vals AI: Tax Agent Bench, aktualisiert am 23.09.2026, abgerufen am 28.09.2026
- Stanford HAI: The 2026 AI Index Report (April 2026), abgerufen am 28.09.2026
- NVIDIA: NVIDIA DGX Spark, abgerufen am 28.09.2026
- OpenAI on Hugging Face: openai/gpt-oss-120b, abgerufen am 28.09.2026
- Qwen on Hugging Face: Qwen/Qwen3.8-27B, abgerufen am 28.09.2026
- Inferact on Hugging Face: Inferact/Qwen3.8-27B-NVFP4, abgerufen am 28.09.2026
- DeepSeek on Hugging Face: deepseek-ai/DeepSeek-V4.1-Flash, abgerufen am 28.09.2026
- NVIDIA on Hugging Face: nvidia/DeepSeek-V4.1-Flash-NVFP4, abgerufen am 28.09.2026
- apetersson on Hugging Face: apetersson/DeepSeek-V4.1-Flash-MixedQ2-GGUF, abgerufen am 28.09.2026
- Z.ai on Hugging Face: zai-org/GLM-5.3-Flash, abgerufen am 28.09.2026
- NVIDIA on Hugging Face: nvidia/GLM-5.3-Flash-NVFP4, abgerufen am 28.09.2026
- Unsloth on Hugging Face: unsloth/GLM-5.3-Flash-GGUF, abgerufen am 28.09.2026
Unsere eigene Messung beruht auf den Aufzeichnungen unseres Labors zu den Durchläufen in der zugehörigen Tabelle. Die Aufgabe ist unter der Kennung 7d7fc9a7-21a7-4b83-906f-416dea5ad04f in OpenAIs öffentlichem GDPval-Aufgabensatz aufgeführt, zusammen mit ihren Quelldateien und ihrem Bewertungsschema.
Zum Weiterlesen empfehlen wir die Vergleiche von private-local.ai mit ChatGPT, Palantir, LocalAI und Private AI sowie die Erklärung, was lokale KI ist und wann sie sinnvoll ist.
Fragen zu KI-Modell-Benchmarks
Welchen KI-Modell-Benchmarks kann ich vertrauen?
Sie können jedem Benchmark für das vertrauen, was er misst, aber keinem für alles. GDPval und der Remote Labor Index betrachten fertige Arbeitsergebnisse, METR die Länge der Aufgaben, die ein Agent bewältigen kann, Arena die Antworten, die Menschen bevorzugen, und Vals AI die Arbeit in Recht, Finanzen und Steuern. Beginnen Sie mit dem Benchmark, der Ihrer eigenen Arbeit am nächsten kommt, und testen Sie das Modell dann an Ihren eigenen Aufgaben, denn kein öffentlicher Benchmark beruht auf ihnen.
Warum schneidet ein Modell in einem Bewertungssystem gut und in einem anderen schlecht ab?
Die Systeme testen unterschiedliche Arbeit unter unterschiedlichen Bedingungen: mit anderen Aufgaben, anderen Tools, anderen Reasoning-Einstellungen und anderen Bewertern. In dieser Tabelle hat GPT-6 Astra unter den aufgeführten Modellen den höchsten Wert im Remote Labor Index, bei GDPval-AA aber einen niedrigeren Wert als GPT-5.6 Sol. Beide Ergebnisse können zugleich zutreffen.
Warum steht in so vielen Zellen „nicht bewertet“?
Die Bewertungssysteme testen neue Modelle nach ihrem eigenen Zeitplan, und sieben der acht Modelle sind zwischen Juli und September 2026 erschienen. METR hat seit Mai 2026 keine neuen Messungen veröffentlicht, OpenAI betreibt keine eigene GDPval-Rangliste mehr, und der Remote Labor Index hat bisher zwei der acht Modelle bewertet. Wir lassen diese Zellen leer, statt zu raten.
Kann ich diese Modelle auf einem eigenen Rechner betreiben?
Das ist nur mit den offenen Modellen möglich. gpt-oss-120b und Qwen3.8-27B passen auf einen einzelnen DGX Spark mit 128 GB Arbeitsspeicher. GLM-5.3-Flash passt nur in Varianten, die jedes Gewicht mit weniger als vier Bit speichern, und für DeepSeek V4.1 Flash haben wir überhaupt keine vollständige Variante gefunden, die passt. Die geschlossenen Modelle von OpenAI und Anthropic lassen sich nicht auf eigener Hardware betreiben.
Wie nah kommen offene Modelle an die geschlossenen heran?
Das hängt von der Bewertung ab. Auf Arena liegen DeepSeek V4.1 Flash und GLM-5.3-Flash nahe an GPT-6 Astra und GPT-5.6 Sol, und bei GDPval-AA liegt GLM-5.3-Flash über beiden. Im Intelligence Index liegt jedes geschlossene Modell der Tabelle über jedem offenen. Der Stanford AI Index stellte fest, dass sich der Abstand zwischen dem besten geschlossenen und dem besten offenen Modell auf Arena 2025 wieder vergrößert hat, nachdem er sich 2024 fast geschlossen hatte.
Öffentliche Bewertungen stellen die Frage. Ihre eigenen Aufgaben beantworten sie.
Wählen Sie ein Setup, verbinden Sie die Tools, die Sie bereits nutzen, und führen Sie die Arbeit, auf die es Ihnen ankommt, mit dem Modell und auf dem Rechner aus, die Sie kaufen würden. Nach ein bis zwei Stunden wissen Sie, ob das Setup die Arbeit erledigt.
Endpunkt anfragen