Model benchmarks
Modell-Benchmarks
| Modelle | ||||||
|---|---|---|---|---|---|---|
| GPT-4o | 51.4% | 66.1% | 31% | 60.3% | 72.09% | 27% |
| Claude 3.5 Sonnet | 18% | 65% | 49% | 76% | 65.46% | 55.6% |
| Claude 3.7 Sonnet | 23.3% | 68% | 62.3% | 82.2% | 68.3 | 60.4% |
| GPT-4.5 | 36.7% | 74.1% | 39% | n/a | 69.94% | 44.6% |
| DeepSeek V3 G324 | 58.4% | 64.9% | 38.6% | 81% | 68.05% | 58.1% |
| Claude 3.7 Sonnet [P] | 61.3% | 78.2% | 73.3% | 86.5% | 83.3% | 64.9% |
| OpenAI o1-mini | 63.6% | 60% | n/a | 90% | 62.2% | 52.8% |
| OpenAI o1 | 79.2% | 79.7% | 46.6% | 95.4% | 67.8% | 67% |
| OpenAI o1-mini-2 | 87.3% | 79.7% | 61% | 97.6% | 65.12% | 60.4% |
| Gemini 2.0 Pro | 52% | 84% | 63.6% | n/a | n/a | 72.5% |
| Gemini 3 (Beta) | 93.3% | 84.8% | n/a | n/a | n/a | n/a |
| Llama 4 Behemoth | n/a | 73.7% | n/a | 95% | n/a | n/a |
| Llama 4 Scout | n/a | 87.2% | n/a | n/a | n/a | n/a |
| Llama 4 Maverick | n/a | 88.8% | n/a | n/a | n/a | 58.6% |
| Gemini 3 Pro | n/a | 42.4% | 52.2% | 69% | n/a | 4.8% |
| Qwen 2.5-VL-32B | n/a | 46% | 18.8% | 82.2% | n/a | 69.84% |
| Gemini 2.0 Flash | n/a | 62.1% | 51.8% | 83.7% | 60.42 | 22.2% |
| Llama 3.1 70b | n/a | 50.5% | n/a | 77% | 77.5 | 61.45% |
| Nous Pro | n/a | 46.8% | n/a | 76.6% | 68.4% | 61.38% |
| Claude 3.5 Haiku | n/a | 49.8% | 40.5% | 68.4% | 64.31% | 28% |
| Llama 3.1 405b | n/a | 49% | n/a | 73.8% | 81.1% | n/a |
| GPT-4o-mini | n/a | 40.2% | n/a | 70.2% | 64.1 | 3.6% |
Modelldetails
GPT-4o (OpenAI)
Multimodales Modell, das in akademischen Evaluierungen und mathematischem Denken herausragt. Zeigt starke Leistung im logischen Denken (BFCL 72,09%), aber relativ schwächere Ergebnisse bei Aufgaben im Automobilbereich.
Claude 3.5 Sonnet (Anthropic)
Ausgewogenes Modell mit starken Programmierfähigkeiten (SWE Bench 49%) und mathematischer Kompetenz (MATH 500 76%). Verbesserte Verständnisfähigkeit im Automobilbereich im Vergleich zu früheren Versionen.
Claude 3.7 Sonnet [P] (Anthropic)
Verbesserte Version mit dramatischen Verbesserungen in allen Benchmarks, insbesondere im Software Engineering (SWE Bench 73,3%) und grundlegender Logik (BFCL 83,3%). Möglicherweise eine proprietäre Variante.
DeepSeek V3 G324
Starkes Allround-Modell mit Top-MMAE 2024-Leistung (58,4%) und exzellenten mathematischen Fähigkeiten (MATH 500 81%). Behält konsistente Leistung über verschiedene Domänen hinweg bei.
OpenAI o1 Series
Modelle der nächsten Generation mit bahnbrechender Leistung in Mathematik (o1-mini-2: MATH 500 97,6%). Die o1-mini-2-Variante führt bei akademischen Evaluierungen (MMAE 87,3%) und behält gleichzeitig starke Programmierfähigkeiten bei.
Gemini 3 Series (Google)
Beta-Version zeigt Rekordleistung bei MMAE 2024 (93,3%), aber unvollständige Benchmarking-Ergebnisse. Pro-Variante scheint auf verschiedene Aufgaben spezialisiert zu sein mit gemischten Ergebnissen.
Llama 4 Series (Meta)
Spezialisierte Varianten, wobei die Maverick-Edition bei GPQA führend ist (88,8%). Das Behemoth-Modell zeigt starkes mathematisches Denkvermögen (MATH 500 95%), während die Scout-Variante bei akademischen Fragestellungen herausragt.
Qwen 2.5-VL-32B
Auf Computer Vision fokussiertes Modell mit überraschender Leistung im Automobilbereich (Aide Peugeot 69,84%). Zeigt trotz schwächerer Programmierwerte anständige mathematische Fähigkeiten.
Nous Pro
Allzweckmodell mit konstanter mittlerer Leistung über alle Benchmarks hinweg. Zeigt besondere Stärke in Automobilanwendungen (61,38%) im Vergleich zu Modellen ähnlicher Größe.
Llama 3.1 Series
Großskalige Modelle, die starke grundlegende Logikfähigkeiten zeigen (405b: BFCL 81,1%). Die 70b-Variante behält eine ausgewogene Leistung über mehrere Domänen hinweg bei.