Wie wir bewerten

Unser Podium Score kombiniert fünf unabhängige Ranglisten zu einer einzigen vergleichbaren Zahl.

Die Podium-Score-Formel

Podium Score = 0,35·Arena + 0,30·Benchmarks + 0,20·Intelligence + 0,15·LLM Stats

• Arena (35%) — Elo-Bewertung aus Head-to-Head-Präferenzkämpfen von Menschen (Arena.ai, 726 Modelle, stimmenbasiert mit Konfidenzintervallen).
• Benchmarks (30%) — der Mittelwert aller normalisierten Benchmark-Ergebnisse, die wir für das Modell verfolgen (insgesamt 25 Benchmarks).
• Intelligence Index (20%) — der zusammengesetzte Intelligenz-Index von Artificial Analysis.
• LLM Stats (15%) — der zusammengesetzte Score von llm-stats.com.

Hat eine Quelle für ein Modell keinen Wert, wird ihr Gewicht proportional auf die übrigen Quellen verteilt — ein Modell wird also nie dafür bestraft, dass es in einer Rangliste fehlt.

Normalisierung

Jedes Signal wird per Min-Max auf eine 0–100-Skala über alle 700 erfassten Modelle normalisiert, sodass 80 immer „80 % des Weges zwischen dem schlechtesten und besten beobachteten Modell“ bedeutet. Prozentbasierte Benchmarks werden unverändert genutzt; Elo, Indizes und Preise werden über ihre beobachteten Bereiche normalisiert.

Kategorie-Scores

Über das Gesamtranking hinaus führen wir 17 Kategorie-Ranglisten, die jeweils aus den für die Aufgabe relevantesten Benchmarks aufgebaut sind:

• Coding — SWE-Bench Verified, SWE-Bench Pro, LiveCodeBench, SciCode, Terminal-Bench, HumanEval.
• Math — AIME 2025, FrontierMath, MATH.
• Reasoning — GPQA Diamond, HLE, ARC-AGI-2.
• Agentic — OSWorld, Toolathlon, MCP Atlas, τ²-Bench Retail, Apex Agents.
• Knowledge — SimpleQA, MMLU-Pro, MMMLU.
• Multimodal — MMMU, MMMU-Pro, CharXiv-R, ScreenSpot-Pro.
• Coding Agents — SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench Hard, τ²-Bench Retail.
• Scientific Reasoning — GPQA Diamond, Humanity’s Last Exam, SciCode.
• Multilingual — Multilingual MMLU.
• Writing — IFBench, Arena Elo.
• Chat & Assistants — Arena Elo, IFBench.
• Research — Humanity’s Last Exam, GPQA Diamond, MMLU-Pro.
• Tool Calling — Toolathlon, MCP Atlas, τ²-Bench Retail.
• Long Context — MRCR v2, Context window.
• Speed — Output tokens/s.
• Value — Blended price /1M, Cost per task.
• Open Weights — Podium Score.

Datenquellen

Alle Daten stammen aus fünf öffentlichen Ranglisten:

• Arena.ai — last synced 2026-08-04.
• Artificial Analysis — last synced 2026-08-03.
• LLM Stats — last synced 2026-08-02.
• Vellum Leaderboard — last synced 2026-07-24.
• LLMBase — last synced 2026-08-04.

Aktualisierungshäufigkeit

Wir synchronisieren alle Quellen wöchentlich; größere Modell-Releases lösen sofortige Aktualisierungen aus. Letzte vollständige Aktualisierung: 2026-09-16.

Einschränkungen

Kein Benchmark ist perfekt, und Arena-Präferenzen entsprechen nicht zwangsläufig der Eignung für Aufgaben. Für Entscheidungen zu konkreten Anwendungen nutzen Sie die Kategorie-Ranglisten und das Vergleichstool. Preview-Modelle sind gekennzeichnet und können sich verschieben, wenn weitere Stimmen und Ergebnisse eintreffen.