Valumigo

LMArena · Aufgabenerfolg von Agenten

Wir rufen regelmäßig öffentliche Benchmark-Daten ab und zeigen sie an: Ranglisten aus LMArena-Nutzerabstimmungen, Epoch AI-Testergebnisse und OpenRouter-Nutzungsranglisten. Für jede Rangliste zeigen wir das Veröffentlichungsdatum und das Abrufdatum. Die Bewertungen stammen nicht von dieser Website.

LMArena-Werte entstehen, indem Menschen zwei Modellantworten vergleichen und für die bessere stimmen (Elo-Verfahren). Liegt der Punkteunterschied innerhalb des Konfidenzintervalls, solltest du die Modelle als etwa gleichwertig ansehen.

So lesen Sie diese Rangliste

Was wird gemessen: Diese Rangliste betrachtet ausschließlich das Signal „Bestätigung des Aufgabenerfolgs“ aus der Agent Arena. Sie verwendet Ergebnisse, die Nutzer nach Abschluss der Agentenaufgabe ausdrücklich als Erfolg oder Misserfolg markiert haben.

So lesen Sie die Werte: Der IPS(τ̂)-Wert hat 0 als Basislinie. Höhere Werte bedeuten, dass die von Nutzern als erfolgreich markierten Ergebnisse gegenüber der Basislinie besser ausfielen.

Zu beachten: Es werden nur ausdrücklich von Nutzern markierte Ergebnisse berücksichtigt; Aufgaben ohne Markierung bleiben unberücksichtigt. Die Reihenfolge kann von der Gesamtrangliste abweichen.

Was diese Rangliste zeigt

  • Die 95%-Konfidenzintervalle von Claude Fable 5.1 (Max) auf Platz 1 und GPT 6.1 Sol (Max) auf Platz 2 überlappen sich. Aus dieser Auswertung allein lässt sich die Reihenfolge der beiden Modelle schwer eindeutig bestimmen.
  • Bei 5 weiteren Modellen überlappt das Konfidenzintervall mit dem von Platz 1. Interpretieren Sie kleine Rangunterschiede vorsichtig und unter Berücksichtigung der Stimmenzahl.
  • Unter den besten 10 Modellen ist Anthropic mit 5 Modellen am häufigsten vertreten.
  • Für das erstplatzierte Modell liegen 7,868 Beobachtungen vor. Diese Rangliste umfasst 50 Modelle.

Aufgabenerfolg von Agenten LMArena

Veröffentlicht am 2026-10-02 · Abgerufen am 2026-10-04

00.050.10.150.20.25
AnthropicClaude Fable 5.1 (Max)
0.176
OGPT 6.1 Sol (Max)
0.155
GoogleGemini 4 Argon (High)
0.154
AnthropicClaude Opus 5.5 (High)
0.141
AnthropicClaude Sonnet 5.5 (Max)
0.139
OGPT 6 Astra (Max)
0.132
AnthropicClaude Opus 5 (Max)
0.095
DeepSeekDeepseek V4.1 Flash (Max)
0.084
Moonshot AIKimi K3 (Max)
0.076
OGPT 6 Sol (Max)
0.071
GoogleGemini 3.8 Flash (High)
0.069
AnthropicClaude Fable 5 (High)
0.061
THy4 preview
0.058
XiaomiMiMo V2.6 Flash
0.056
xGrok 4.7 (xHigh)
0.055
ZGLM 5.3 (Max)
0.053
OGPT 5.6 Sol (xHigh)
0.05
MetaMuse Spark 1.3 (Max)
0.05
ZGLM 5.2 (Max)
0.048
AlibabaQwen3.8 Max
0.047

Der Wert wird als IPS(τ̂) angegeben. 0 ist die Basislinie; höhere Werte sind besser. Die Linien zeigen 95%-Konfidenzintervalle. Das Diagramm zeigt pro Modell nur die am höchsten platzierte Schlussfolgerungseinstellung (high, max usw.). Die Tabelle enthält die Platzierungen aller Einstellungen.

Beste Platzierung je Unternehmen

  • AnthropicAnthropicClaude Fable 5.1 (Max)#1
  • OOpenAIGPT 6.1 Sol (Max)#2
  • GoogleGoogleGemini 4 Argon (High)#3
  • DeepSeekDeepSeekDeepseek V4.1 Flash (Max)#8
  • Moonshot AIMoonshot AIKimi K3 (Max)#9
  • TTencentHy4 preview#14
  • XiaomiXiaomiMiMo V2.6 Flash#15
  • xxAIGrok 4.7 (xHigh)#16
  • ZZ.aiGLM 5.3 (Max)#17
Als Tabelle anzeigen (Top 50)
RangModellAnbieterPunkte95%-KonfidenzintervallBeobachtungen
1#1AnthropicClaude Fable 5.1 (Max)Anthropic0.1760.148–0.2057,868
2#2OGPT 6.1 Sol (Max)OpenAI0.1550.114–0.1962,270
3#3GoogleGemini 4 Argon (High)Google0.1540.125–0.1844,422
4#4AnthropicClaude Opus 5.5 (High)Anthropic0.1410.101–0.1823,425
5#5AnthropicClaude Sonnet 5.5 (Max)Anthropic0.1390.086–0.1931,195
6#6OGPT 6 Astra (Max)OpenAI0.1320.095–0.1695,954
7#7AnthropicClaude Opus 5 (Max)Anthropic0.0950.064–0.12615,453
8#8DeepSeekDeepseek V4.1 Flash (Max)DeepSeek0.0840.074–0.09560,410
9#9Moonshot AIKimi K3 (Max)Moonshot AI0.0760.064–0.08899,685
10#10AnthropicClaude Opus 5 (High)Anthropic0.0760.046–0.10620,843
11#11OGPT 6 Sol (Max)OpenAI0.0710.028–0.1143,312
12#12GoogleGemini 3.8 Flash (High)Google0.0690.05–0.08722,497
13#13AnthropicClaude Fable 5 (High)Anthropic0.0610.035–0.08733,005
14#14THy4 previewTencent0.0580.042–0.07524,238
15#15XiaomiMiMo V2.6 FlashXiaomi0.0560.03–0.0827,967
16#16xGrok 4.7 (xHigh)xAI0.0550.021–0.0895,906
17#17ZGLM 5.3 (Max)Z.ai0.0530.037–0.06862,886
18#18OGPT 5.6 Sol (xHigh)OpenAI0.050.024–0.07728,118
19#19MetaMuse Spark 1.3 (Max)Meta0.050.037–0.06445,563
20#20ZGLM 5.2 (Max)Z.ai0.0480.032–0.06355,555
21#21AlibabaQwen3.8 MaxAlibaba0.0470.033–0.06135,416
22#22SStep 5 PreviewStepFun0.0450.012–0.0784,266
23#23ZGLM 5.3 FlashZ.ai0.0440.032–0.05560,370
24#24AnthropicClaude Opus 4.8 (High)Anthropic0.0420.016–0.06930,039
25#25AlibabaQwen3.8 Flash NextAlibaba0.0360.021–0.05138,898
26#26xGrok 4.5xAI0.013-0.01–0.03729,109
27#27AnthropicClaude Sonnet 5 (High)Anthropic0.012-0.023–0.04722,551
28#28GoogleGemini 3.7 Flash (High)Google0.012-0.006–0.02948,036
29#29AlibabaQwen 3.8 27BAlibaba0.01-0.005–0.02436,984
30#30OGPT 6 Luna (Max)OpenAI-0.001-0.025–0.02314,416
31#31xGrok 4.6 (xHigh)xAI-0.006-0.029–0.01820,463
32#32OGPT 5.5 (xHigh)OpenAI-0.009-0.031–0.01443,172
33#33DeepSeekDeepSeek V4 Pro (High) (0813)DeepSeek-0.017-0.057–0.0233,790
34#34OGPT 5.4 (High)OpenAI-0.025-0.046–-0.00457,450
35#35OGPT 5.6 Luna (xHigh)OpenAI-0.033-0.049–-0.01733,799
36#36OGPT 5.6 Terra (xHigh)OpenAI-0.039-0.065–-0.01318,613
37#37MetaMuse Spark 1.1Meta-0.043-0.054–-0.03195,130
38#38OGPT 5.5OpenAI-0.047-0.068–-0.02664,950
39#39MetaMuse Spark 1.2 (xHigh)Meta-0.054-0.072–-0.03633,552
40#40GoogleGemini 3.6 Flash (High)Google-0.057-0.083–-0.03118,029
41#41AlibabaQwen3.7 MaxAlibaba-0.091-0.115–-0.06630,156
42#42AlibabaQwen3.7 PlusAlibaba-0.093-0.126–-0.0615,130
43#43XiaomiMimo V2.5 ProXiaomi-0.096-0.119–-0.07329,517
44#44GoogleGemini 3.1 Pro PreviewGoogle-0.099-0.121–-0.07869,866
45#45THy3Tencent-0.112-0.14–-0.08414,238
46#46MiniMaxMinimax M3MiniMax-0.137-0.162–-0.11228,148
47#47Mistral AIMistral Medium 3.5Mistral AI-0.145-0.183–-0.1086,629
48#48TInkling SmallThinky-0.201-0.244–-0.1587,271
49#49USolar Pro 4Upstage-0.205-0.259–-0.1524,788
50#50TInklingThinky-0.207-0.237–-0.17724,644

Daten: LMArena leaderboard dataset (CC BY 4.0). Änderungen: Nur die Top 50 jeder Rangliste, gerundete Werte. https://huggingface.co/datasets/lmarena-ai/leaderboard-datasetFirmenlogos sind Marken der jeweiligen Unternehmen und dienen nur zur Unterscheidung (Icons: Simple Icons).Daten: Epoch AI — Capabilities & benchmarking (CC BY 4.0). https://epoch.ai/benchmarksSource: OpenRouter (openrouter.ai/rankings), as of 2026-10-04. Licensed under CC BY 4.0. https://openrouter.ai/rankings