Intelligenzdichte von 71 LLMs für intelligentere und dichtere Modelle

Wir verfolgten 71 LLMs, die zwischen Februar 2023 und Mai 2026 veröffentlicht wurden, und sammelten 10 öffentliche Benchmarks, um die Intelligenzdichte zu messen. Wir teilten den Fähigkeitswert durch die vom Modell verbrauchte Ressource (aktive Parameter, Trainingsrechenleistung und Inferenzpreis).

LLM-Intelligenzdichte im Überblick

Zur Berechnung der Intelligenzdichte haben wir die folgenden Schritte ausgeführt:

• Ressourceneffizienz: Wir haben die Fähigkeit jedes Modells durch zwei Ressourcenkennzahlen geteilt:
  • Aktive Parameter: Ein Proxy für Speicher- und Bereitstellungskosten (bei Open-Weight-Modellen).
  • Inferenzpreis: Marktkosteneffizienz basierend auf gemischten API-Preisen pro Million Tokens.
  • Hinweis zur Trainingsrechenleistung (FLOP): Wir haben zunächst eine dritte Achse, Trainingsrechenleistung (FLOP), aufgenommen, sie aber entfernt, weil ihre negative Steigung bei gesättigten Standard-Benchmarks den Gesamtwert 2023–2024 in einen kontraintuitiven Rückgang zog.
• Benchmark-Gruppierung: Um zu verhindern, dass eine Sättigung der Punktwerte Effizienzgewinne verdeckt, haben wir die Fähigkeiten über zwei unterschiedliche Benchmark-Ären bewertet:
  • Standard-Benchmarks (2023–2024): MMLU (5-Shot), GSM8K (8-Shot CoT), HellaSwag (10-Shot), ARC Challenge (25-Shot), HumanEval (0-Shot pass@1).
  • Advanced-Benchmarks (2024–2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.
• Verkettete Indexierung: Wir berechneten das Wachstum im Jahresvergleich innerhalb übereinstimmender Benchmark-Gruppen und verketteten sie multiplikativ ausgehend von einer Basis von 100 im Jahr 2023, um den kumulativen Trend darzustellen.

Siehe Methodik für den Bewertungsansatz und die Aufschlüsselung nach Ressourcen.

LLM-Intelligenzdichte-Ergebnisse

Mitte 2026 lieferte das KI-Ökosystem fast 15× mehr Intelligenz pro Ressourceneinheit (Parameter und Dollar) als die Basis von 2023. Beim Lesen des Trends sind zwei Dinge zu beachten:

• Der Sprung 2024–2025 (+362 %) überzeichnet den tatsächlichen Zuwachs: Die Advanced-Benchmarks waren 2024 neu, und nur eine Handvoll Modelle hatten dort Werte, sodass die Basis von 2024 künstlich niedrig liegt. Der größte Teil des „Anstiegs“ ist die Auffüllung des Panels, kein Effizienzsprung innerhalb eines Jahres.
• Der Zuwachs 2025–2026 (+105 %) ist die eigentliche Geschichte: Er wird bei weit mehr Modellen gemessen und von kleinen Open-Weight-Veröffentlichungen wie Qwen 3.6-35B-A3B und DeepSeek V4 Flash getragen, die Fähigkeiten von Closed-Frontier-Modellen zu einem Bruchteil von Größe und Kosten erreichen.

LLM-Leistungsfähigkeit

Das Dichtediagramm zeigt die Effizienz. Zur Einordnung haben wir im selben Zeitraum auch die reine Leistungsfähigkeit gemessen: Wie viel intelligenter sind diese Modelle vor jeder Ressourcenbereinigung tatsächlich geworden?

Fähigkeit, indexiert auf 100 im Jahr 2023, gemittelt über alle in jedem Jahr veröffentlichten Modelle.

Achsen und Tooltip funktionieren wie beim Dichtediagramm, wobei die Y-Achse die rohe Benchmark-Leistung statt der Dichte abbildet.

Ein Fähigkeitswert von 100 im Jahr 2023 wuchs bis 2026 auf 468, also rund eine 4.7× Verbesserung. Im Jahresvergleich:

• 2024 (+88 %): Rasche Fortschritte bei den Standard-Benchmarks, bevor sie gesättigt waren.
• 2025 (+105 %): Derselbe rasche Fortschritt, gemessen an den schwereren Advanced-Benchmarks, die Standard-Benchmarks ersetzten.
• 2026 (+22 %): Die Verlangsamung ist ein frühes Anzeichen dafür, dass auch die Advanced-Benchmarks zu saturieren beginnen.

Die beiden Diagramme nebeneinander betrachtet:

• Die Fähigkeit wuchs um 4.7×, während die Intelligenzdichte um 8.9× wuchs.
• Die Modelle wurden gleichzeitig intelligenter und effizienter. Sie benötigen zum Betrieb nicht proportional mehr Parameter, Trainingsrechenleistung oder Geld.

Beachte: Der Fähigkeitswert von 4.7× ist eine glaubwürdige Größenordnung. Der Dichtewert von 8.9× ist fragiler (die Advanced-Gruppe 2024 hat weniger Datenpunkte, was die Wachstumsrate des Jahres verstärkt); daher ist er eher als Richtungssignal denn als präziser Multiplikator zu verstehen.

Welches LLM hat die höchste Intelligenzdichte?

Die Intelligenzdichte hängt davon ab, welche Ressource wir messen und in welcher Benchmark-Gruppe wir bewerten. Der Spitzenreiter ändert sich für jede Kombination.

Dichte pro aktivem Parameter (Open-Weight)

Diese Ansicht misst, wie effizient ein Modell Leistungsfähigkeit in seinen Gewichten verpackt. Aktive Parameter sind wichtig, weil Mixture-of-Experts-Modelle (MoE) jedes Token nur durch einen Bruchteil der Gesamtgewichte leiten. DeepSeek V3 hat 671B Gesamtparameter, aber 37B aktive Parameter pro Token, und der Wert 37B spiegelt die effektiven Bereitstellungskosten wider.

Spitzenreiter bei Standard-Benchmarks

• LLaMA 3.1 8B (Juli 2024): 100.0
• LLaMA 3 8B (April 2024): 85.0
• LLaMA 4 Maverick (April 2025): 55.9
• Mixtral 8x7B (Dezember 2023): 47.4
• Mistral 7B (September 2023): 46.3

Spitzenreiter bei Advanced-Benchmarks

• Qwen 3.6-35B-A3B (April 2026): 100.0 (3B aktive Parameter; der Wert beruht auf einem einzigen Benchmark, SWE-bench Verified mit 73,4 %, daher entsprechend lesen)
• GPT-OSS 20B (August 2025): 85.2 (3.6B aktive Parameter)
• GPT-OSS 120B (August 2025): 64.4 (5.1B aktive Parameter)
• Qwen 3.5 9B (März 2026): 35.2 (9B dichte Parameter)
• DeepSeek V4 Flash (April 2026): 26.0

Das Ranking der Standard-Benchmarks bewegt sich seit Ende 2024 nicht mehr, weil die Benchmarks gesättigt sind, nicht weil der Fortschritt aufgehört hat. GPT-4 erzielte Anfang 2023 90.2 bei Standard-Benchmarks, aber nur 17.3 bei Advanced-Benchmarks.

Dichte pro Trainings-FLOP (Open-Weight)

Diese Ansicht belohnt Datenkuratierung, Architekturentscheidungen und Trainingsrezepte statt reine Ausgaben.

Hinweis: Die Dichte pro FLOP bei Standard-Benchmarks scheint im Zeitverlauf zu fallen. Dies ist ein Sättigungsartefakt, keine sinkende Trainingseffizienz. Die älteren Benchmarks messen jüngste Fortschritte nicht mehr, daher verdichten sich die Fähigkeitswerte, während die Trainingsrechenleistung weiter wächst.

Spitzenreiter bei Standard-Benchmarks

• Mistral 7B (September 2023): 100.0 (weiterhin der Anker des Panels, mehr als zwei Jahre später)
• LLaMA 3 8B (April 2024): 40.8
• LLaMA 1 (Februar 2023): 37.0
• DeepSeek V2 (Mai 2024): 32.6
• Mixtral 8x7B (Dezember 2023): 27.1

Spitzenreiter bei Advanced-Benchmarks

• Qwen 3.5 9B (März 2026): 100.0
• Qwen 3.6-35B-A3B (April 2026): 28.4
• DeepSeek V4 Flash (April 2026): 6.4

Das Ergebnis von Qwen 3.5 (9B) ist bemerkenswert: ein dichtes 9B-Modell, das mit rund 1.5 × 10²³ FLOP trainiert wurde und bei der Advanced-Benchmark-Fähigkeit 81.2 erreicht. Seine Trainingsrechenleistung ist etwa eine Größenordnung niedriger als bei DeepSeek V4 Pro, aber der Fähigkeitsabstand ist kleiner.

Dichte pro Dollar Inferenz

Die Dichte pro Dollar ist die Achse, auf der Open-Weight- und Closed-Frontier-Modelle direkt verglichen werden können, weil die API-Preise öffentlich überprüfbar sind. Wir verwenden für die Hauptaussage die endgültigen Preise, damit Preissenkungen nach dem Start berücksichtigt werden.

Spitzenreiter bei Standard-Benchmarks

• Mistral Small 3 24B (Januar 2025): 100.0 bei $0,10 / $0,30 pro Million Tokens über Mistrals Erstanbieter-API
• Gemini 1.5 Flash (Mai 2024): 99.3 (das am höchsten bewertete Closed-Weight-Modell nach seiner Preissenkung im August 2024)
• DeepSeek V2 (Mai 2024): 66.0 bei $0,27 / $1,10 pro Million Tokens
• DeepSeek V3 (Dezember 2024): 30.9
• DeepSeek R1 (Januar 2025): 17.8

Spitzenreiter bei Advanced-Benchmarks

• GPT-OSS 120B (August 2025): 100.0 (Preisreferenz ist der anbieterübergreifende Median von OpenRouter, da OpenAI das Modell nicht über eine Erstanbieter-API bereitgestellt hat)
• GPT-OSS 20B (August 2025): 80.0
• DeepSeek V4 Flash (April 2026): 44.0 bei $0,06 / $0,42 pro Million Tokens über DeepSeeks Erstanbieter-API
• DeepSeek V3.2 (Dezember 2025): 22.5
• Mistral Small 3 24B (Januar 2025): 20.9
• DeepSeek V4 Pro (April 2026): 16.0 bei $0,54 Mischpreis, mit 97.8 Advanced-Benchmark-Fähigkeit. Damit liegt V4 Pro nur 2.2 Fähigkeitspunkte hinter Claude Opus 4.7 zu rund 1/18th des Mischpreises ($0,54 gegenüber $10,00).

Die Closed-Frontier-Lücke hat sich nicht verringert

Geschlossene Reasoning-Modelle von Anthropic, OpenAI und Google liegen während des gesamten Panelzeitraums bei der Advanced-Benchmark-Dichte pro Dollar zwischen 0 und 6. GPT-4 erzielte im März 2023 0.0. Claude Opus 4.7 erzielte im April 2026 0.9.

Geschlossene Labore haben die absoluten Preise gesenkt:

• Claude Opus fiel von $30 auf $10 pro Million Tokens zwischen Opus 4 und Opus 4.5.
• OpenAIs o3 fiel vom Startpreis $10/$40 auf $2/$8 endgültig.
• Gemini 1.5 Flash fiel um rund 78 %.

Doch der relative Abstand zu den Open-Weight-Dichtesführern blieb über den Zeitraum hinweg bei rund 30 bis 50×. DeepSeek lag 2024 (V2) bei nahezu $0,18 pro Million Tokens und 2026 (V4 Flash) ebenfalls bei nahezu $0,18 pro Million Tokens. Der Open-Weight-Preisboden hat sich nicht bewegt, und der Boden der geschlossenen Flaggschiffe hat sich nicht genug bewegt, um die Lücke zu schließen. Der Preiswettbewerb findet in der Vorgänger-Generation statt, wo ältere geschlossene Modelle als günstige Alternativen am Leben gehalten werden, nicht an der Spitze.

Die neue Richtung: Agentic-Benchmarks

Die Advanced-Benchmarks, die zur Messung der KI-Leistung verwendet wurden, verlieren allmählich ihre Aussagekraft, genau wie die älteren Testreihen, die sie ersetzt haben. Labore berichten jetzt über Agentic-Benchmarks wie SWE-Bench Pro, Terminal-Bench, OSWorld-Verified und Finance Agent statt über die älteren Reasoning-Tests. Viele jüngste Frontier-Veröffentlichungen berichten fast ausschließlich über diese agentischen LLM Benchmarks, ohne Werte zu den Reasoning-Benchmarks zu liefern, die unser Hauptpanel verfolgt.

Um diese Verschiebung zu verfolgen, haben wir neben den Standard- und Advanced-Gruppen eine dritte Benchmark-Gruppe, Agentic, hinzugefügt. Sie kombiniert drei Benchmarks aus dem AIM-LLM-Index:

• Terminal-Bench 4.0: Ausführung agentischer Aufgaben in einem Terminal
• AIM-Agentic-RAG: Weiterleitung jeder Frage an die richtige Datenbank aus 11
• AIM-Text-to-SQL: Schreiben von korrektem SQL, sobald die richtige Datenbank ausgewählt wurde

Die Werte werden mit derselben Methode wie bei den anderen Gruppen kombiniert: Jeder Benchmark wird z-transformiert, die verfügbaren z-Werte eines Modells werden gemittelt und das Ergebnis wird auf 0–100 umskaliert. Ein Modell muss in mindestens zwei der drei Benchmarks einen Wert haben, um aufgenommen zu werden.

Agentic-Fähigkeit und Agentic-Dichte pro Dollar nach Veröffentlichungsdatum. Die Werte reichen von 0 bis 100 relativ zu den Modellen im Diagramm; eine 0 markiert also das schwächste Modell in der Gruppe, nicht einen fehlgeschlagenen Lauf. Unter den dargestellten Modellen:

• Höchste Agentic-Fähigkeit: Claude Opus 5.5 (100), Gemini 4 Argon (97.4), Claude Sonnet 5.5 (79.9) und GPT-6 Astra (65.2).
• Höchste Agentic-Dichte pro Dollar: Gemini 4 Argon (100), Claude Sonnet 5.5 (82.1), GPT-6.1 Sol (53.8) und Claude Opus 5.5 (51.4).
• Der Preis verändert das Ranking: GPT-6 Astra und Claude Fable 5.1 liegen bei der Fähigkeit im Mittelfeld, fallen aber bei $20 pro 1M Tokens bei der Dichte pro Dollar ans Ende (13.4 und 12.3).

Entdecken Sie Agentic-Benchmarks in unseren Beiträgen zu Agentic-Coding-Benchmarks, Agentic-Suche und Agentic-Monitoring.

Herausforderungen beim Vergleich der Agentic-Leistung

Die Auswertung und der Vergleich von Agentic-Benchmark-Ergebnissen sind mit mehreren zentralen Schwierigkeiten verbunden:

• Fokus auf Fähigkeitsmetriken: Wir können Fähigkeitswerte anzeigen, weil die zur Dichtemessung benötigten Ressourcendaten (Parameterzahlen, Trainingsrechenleistung und verifizierte Preise pro Modell) unvollständig bleiben oder von geschlossenen Laboren nicht offengelegt werden.
• Empfindlichkeit auf Systemebene: Benchmark-Werte messen das gesamte System, nicht nur das KI-Modell. Da die Werte stark vom „Scaffolding“ (dem umgebenden Software-Framework) abhängen, kann dasselbe Modell je nach verwendetem Agenten-Harness stark unterschiedliche Ergebnisse liefern.
• Standardisierungsprotokoll: Um einen fairen Vergleich zu gewährleisten, zeigt dieser Bericht ausschließlich SWE-Bench-Pro-Daten aus einer einzigen, standardisierten Umgebung (SEAL-Leaderboard von Scale). Andere von Laboren gemeldete Werte verwenden unterschiedliche Harness-Systeme und sind nicht direkt vergleichbar.
• Ausschluss von Claude Opus 4.8: Obwohl Opus 4.8 selbst einen Rekordwert von 69,2 % bei SWE-Bench Pro meldet, wurde es mit Anthropics internem Harness getestet und noch nicht von Scale’s SEAL bewertet. Um eine strikte Datenkonsistenz zu wahren, nennen wir den Wert hier nur, statt ihn grafisch darzustellen.

SWE-Bench Pro stammt aus dem standardisierten Harness von Scale SEAL. Andere Spalten sind laborberichtete Werte mit unterschiedlichen Harness-Systemen und sind über die Zeilen hinweg nicht direkt vergleichbar. Gedankenstriche bedeuten, dass kein verifizierter Wert gefunden wurde.

Diese drei liefen auf dem mini-swe-agent-Harness und sind daher aus dem Streudiagramm ausgeschlossen, um die Vergleichbarkeit zu wahren.

Methodik der Intelligenzdichte

Panel-Abdeckung

• Modelle: 71 LLMs, veröffentlicht zwischen Februar 2023 und April 2026. 37 Modelle haben Standard-Benchmark-Werte und 54 haben Advanced-Benchmark-Werte. Modelle ohne vollständige Benchmark-Gruppe werden aus den Dichteberechnungen dieser Gruppe ausgeschlossen.
• Benchmarks: 10 öffentliche Benchmarks, alle von Laboren gemeldet und auf eine Primärquelle zurückführbar. Wir haben keinen Benchmark erneut ausgeführt.
• Ressourcen: Für jedes Modell haben wir seinen Fähigkeitswert unabhängig durch drei Ressourcen geteilt:
  • Aktive Parameter: Ein Proxy für Speicher- und Bereitstellungskosten. Beschränkt auf Open-Weight-Modelle, da Closed-Weight-Labore (OpenAI, Anthropic, Google) keine Parameterzahlen offenlegen.
  • Trainingsrechenleistung (FLOP): Ein Proxy für die Trainingseffizienz. Ebenfalls auf Open-Weight-Modelle beschränkt. Die FLOP-Angaben sind überwiegend Schätzungen von Epoch KI und als richtungsweisend zu verstehen.
  • Inferenzpreis: Der Preis, den ein Käufer tatsächlich an der API zahlt. Die Fähigkeit wird durch den Mischpreis pro Million Tokens bei einem Input-zu-Output-Verhältnis von 3:1 geteilt. Sowohl offene als auch geschlossene Modelle nehmen teil, weil die API-Preise öffentlich überprüfbar sind.

Warum zwei Benchmark-Gruppen?

Die 2024 veröffentlichten Modelle haben die Standard-Benchmarks gesättigt, die KI-Labore seit 2020 verwendet hatten. Sobald Frontier-Modelle bei einem Benchmark 90 % oder mehr erreichen, unterscheidet der Test nicht mehr zwischen starken und noch stärkeren Modellen. Die Labore reagierten mit der Einführung schwererer Benchmarks.

Wir behandeln diese Verschiebung aus zwei Gründen als sauberen Bruch:

• Erstens würde die Mischung einfacher und schwerer Benchmarks in einem einzigen Fähigkeitswert dazu führen, dass ein gesättigter Wert in einem einfachen Benchmark einen niedrigen Wert in einem schweren verdeckt. Ein Modell, das 85 bei MMLU-Pro erreicht, ist stärker als eines mit 85 bei MMLU. Die beiden als gleichwertig zu behandeln, staucht den Wertebereich und belohnt ältere Benchmarks.
• Zweitens haben die beiden Suiten unterschiedliche Punkteverteilungen: Standard-Benchmarks ballen sich an der Spitze (die meisten Frontier-Modelle über 85), während Advanced-Benchmarks breiter streuen (Top-Modelle um 90, mittlere um 50, schwächere unter 30). Eine gemeinsame Z-Transformation würde die Varianzschätzung verzerren.

Wir berechnen die Fähigkeit für jede Gruppe unabhängig:

• Standard-Benchmarks (2023–2024): MMLU (5-Shot), GSM8K (8-Shot Chain-of-Thought), HellaSwag (10-Shot), ARC Challenge (25-Shot), HumanEval (0-Shot pass@1).
• Advanced-Benchmarks (2024–2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.

Ein Wert von 90 bei Standard-Benchmarks ist nicht gleichbedeutend mit 90 bei Advanced-Benchmarks. Für jedes ab Ende 2024 veröffentlichte Modell sind die Advanced-Benchmarks die aussagekräftige Referenz.

Formel für die Fähigkeit

Für jeden Benchmark b und jedes Modell m:

Wir verwenden die Populationsstandardabweichung (geteilt durch N, nicht N−1). Dies entspricht der ursprünglichen pandas-Berechnung mit ddof=0 und stellt sicher, dass das Hinzufügen eines einzelnen neuen Modells die Varianzschätzung nicht rückwirkend verschiebt.

Anschließend mitteln wir die verfügbaren z-Werte pro Modell innerhalb jeder Benchmark-Gruppe und skalieren sie per Min-Max auf einen panelrelativen Wert von 0–100 um.

Dichteformel

Für jede Dichteansicht:

Der Nenner ändert sich je nach Ansicht: aktive Parameter in Milliarden, Trainings-FLOP geteilt durch 10²⁴ oder Mischpreis pro Million Tokens.

Methodik des verketteten Index

Die beiden Indexdiagramme am Anfang des Artikels (Intelligenzdichte und Fähigkeit) zeigen ein einliniges kumulatives Wachstum, indexiert auf 100 im Jahr 2023, angelehnt an das Format der kumulativen Rendite des S&P 500. Wir verketten die Wachstumsraten im Jahresvergleich über den Benchmark-Übergang hinweg, statt absolute Werte darzustellen.

Schritt 1. Berechnen Sie den jährlichen Mittelwert der Kennzahl für jede Benchmark-Gruppe:

Für den Intelligenzdichte-Index ist die Kennzahl der zeilenweise Durchschnitt der drei Dichtewerte pro Modell (Combined Density A oder B). Für den Fähigkeitsindex ist die Kennzahl der panelrelative Fähigkeitswert (Capability_A oder Capability_B).

Schritt 2. Berechnen Sie für jeden Jahresübergang das Wachstum innerhalb einer einzelnen Benchmark-Gruppe. Beide Jahre müssen aus derselben Gruppe stammen:

Schritt 3. Verketten Sie multiplikativ ausgehend von der Basis 100 im Jahr 2023:

Gruppenauswahl pro Übergang:

• 2023 – 2024: Standard-Benchmarks (Advanced hat 2023 nur 1 Modell, zu wenig für einen stabilen Mittelwert)
• 2024 – 2025: Advanced-Benchmarks (Standard ist Ende 2024 gesättigt; Advanced hat 16 Modelle im Jahr 2024 und 27 im Jahr 2025)
• 2025 – 2026: Advanced-Benchmarks (Standard für 2026 nicht berichtet)

Der verkettete Index setzt voraus, dass die zugrunde liegenden Populationen innerhalb einer Gruppe über die Jahre vergleichbar sind. Unser Panel ist heterogen (jedes Jahr andere Modelle mit unterschiedlicher Benchmark-Abdeckung), daher sind die verketteten Werte am besten als richtungsweisende Zusammenfassung zu verstehen und nicht als präziser Multiplikator.

Kernprinzipien für die Messung der Intelligenzdichte

• Branchenübliche Benchmarks: Wir führen keinen eigenen Benchmark ein.
• Primärquellenbasierte Beschaffung: Jeder Benchmark-Wert ist auf das Veröffentlichungspapier, die Model Card oder die offizielle Ankündigung des Modells zurückführbar. Wenn die Primärquelle einen Benchmark nicht berichtet hat, bleibt die Zelle leer, statt ihn zu imputieren.
• Abdeckungskennzeichen (N): Für jedes Modell berichten wir die Anzahl der Benchmarks, die zu seinem Fähigkeitswert in jeder Gruppe beitragen. Modelle mit N=1 erhalten einen ungenaueren Wert als Modelle mit N=5. Der Fall N=1 gilt für Qwen 3.6 35B A3B (SWE-bench Verified) und einige Closed-Flaggschiff-Veröffentlichungen aus dem Jahr 2026.

Preisquellen für Closed-Weight-Modelle

Die Preisgestaltung ist der kohortenabhängigste Teil des Index. Wir verwenden die folgende Hierarchie:

1. Ankündigung des Labors zum Start (bevorzugt): Preis aus dem Startbeitrag des Labors, der API-Dokumentation oder zeitnaher Presseberichterstattung.
2. Anbieterübergreifender Median von Artificial Analysis (Fallback für Modelle mit Gewichten): Wird für drei Llama-3.1-Zeilen (8B, 70B, 405B) und die GPT-OSS-Zeilen verwendet, weil keine Erstanbieter-API existiert.
3. Gewichte ohne Abdeckung: Bei 22 von 69 Zeilen ist kein Preis pro Dollar erfasst. Sie erscheinen in den Fähigkeits- und Pro-Parameter-Diagrammen, fehlen aber in den Pro-Dollar-Diagrammen.

Wir verfolgen zwei Preispfade: den Startpreis (Erstanbieterpreis am Tag der Veröffentlichung) und den endgültigen Preis (aktueller Erstanbieterpreis oder der letzte vor der Abkündigung). Sechs Modelle im Panel wurden nach dem Start neu bepreist:

• Gemini 1.5 Pro: $3,50/$10,50 auf $1,25/$5,00 (Oktober 2024)
• GPT-4o: $5,00/$15,00 auf $2,50/$10,00 (Oktober 2024)
• Gemini 1.5 Flash: $0,35/$1,05 auf $0,075/$0,30 (August 2024)
• Claude 3.5 Haiku: $1,00/$5,00 auf $0,80/$4,00 (Dezember 2024)
• o3: $10,00/$40,00 auf $2,00/$8,00 (Juni 2025)

Die Hauptaussage zur Dichte pro Dollar verwendet die endgültigen Preise. Bei 37 von 43 bepreisten Zeilen sind Start- und Endpreis identisch.

Aktualisierungsrhythmus

Wir aktualisieren den Index monatlich. Bei jeder Aktualisierung werden neue Modellzeilen für alle Frontier- oder bemerkenswerten Veröffentlichungen des Vormonats hinzugefügt, die Preise angepasst, wenn Labore ihre Tarife geändert haben, neu gemeldete Benchmarks für bestehende Zeilen nachgetragen und die z-Werte über das gesamte Panel neu berechnet. Neue Modelleinträge verschieben den Mittelwert und die Standardabweichung jedes Benchmarks, sodass sich bestehende 0–100-Werte mit dem Panel verschieben. Historische Schnappschüsse bleiben erhalten.

Grenzen der Bewertung der Intelligenzdichte

• Optimismus der Labore: Die Benchmark-Werte stammen von den Laboren selbst. Unabhängige Wiederholungen fallen in der Regel 5 bis 13 Punkte niedriger aus. Die Trendlinien sind richtungsweisend, aber nicht punktgenau.
• Reasoning- und Nicht-Reasoning-Modi nicht getrennt: Modelle, die 2025 und 2026 veröffentlicht wurden, unterstützen erweiterte Denkmodi, die Mathe- und Programmierwerte um 5 bis 15 Punkte verschieben können. Wir verwenden, wo identifizierbar, die Werte im Standardmodus.
• Trainings-FLOP-Angaben sind überwiegend Schätzungen: Eine Handvoll Zeilen hat vom Labor bestätigte FLOP-Werte. Der Rest wird aus offengelegten Parametern und Trainings-Tokens extrapoliert, meist über Epoch KI.
• Parameterzahlen geschlossener Modelle unbekannt: Die Dichte pro Parameter und pro FLOP bleibt bei geschlossenen Frontier-Zeilen leer. Geschlossene Modelle fließen in die Dichte pro Dollar ein.
• Panelrelative Werte: Die Dichtewerte werden innerhalb des Panels per Min-Max neu skaliert. Ein neues Modell mit einem höheren Rohwert verschiebt den 0–100-Wert jedes bestehenden Modells. Um Versionen des Panels zu vergleichen, verwenden Sie die zugrunde liegenden Rohverhältnisse statt der neu skalierten Werte.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Was ist Intelligenzdichte?

Die Intelligenzdichte ist eine neue Kennzahl, um zu bewerten, wie viel Wissen und Denkfähigkeit ein Modell in eine einzelne Speicher- oder Recheneinheit packen kann. Sie misst die Modellarchitektur, indem sie bewertet, wie effektiv das Modell jeden Parameter zur Wertschöpfung nutzt.

In diesem Framework repräsentiert die x-Achse oft die Anzahl der Modellparameter, während die y-Achse die Leistung bei anspruchsvollen Aufgaben abbildet. Eine hohe Dichte entsteht, wenn Modelle überlegene Fähigkeiten zeigen, ohne die massiven Rechenkosten größerer Modelle zu verursachen. Dieser Prozess zeigt, dass Intelligenz nicht allein von der Datenmenge oder dem Umfang des Trainings abhängt, sondern davon, wie Software und Algorithmen diese Informationen organisieren.

Früher stützte sich die KI-Community auf die Skalierung der Modellparameter, um höhere Leistung zu erreichen, was zu massiven, ressourcenintensiven Systemen führte. Mit dieser Fokusverlagerung wird die algorithmische Optimierung gegenüber dem reinen Umfang priorisiert, um mehr Intelligenz aus kleineren Modellen zu gewinnen.

Warum ist die Messung der Intelligenzdichte wichtig?

Effiziente Systeme müssen Inferenzzeit und Speichernutzung optimieren. Die Identifizierung des Punktes, an dem zusätzliche Tokens oder zusätzliche Rechenleistung keine signifikanten Gewinne mehr bringen, hilft der Branche, die Obergrenzen aktueller großer Sprachmodelle zu verstehen. Die wichtigsten Gründe für die Messung der Intelligenzdichte lassen sich wie folgt zusammenfassen:

• Die KI-Community unterschätzt den langfristigen Aufwand für die Wartung übergroßer Modelle in Rechenzentren.
• Wertschöpfung in praktischen Anwendungen hängt vom Verhältnis der Ausgabequalität zur benötigten Leistung ab.
• Das Mooresche Gesetz für Hardware kann das Wachstum von Sprachmodellen nicht ohne entsprechende Fortschritte bei deren Optimierung tragen.
• Reinforcement Learning und eine verbesserte Datenverteilung ermöglichen es Tools der nächsten Generation, Benchmarks zu erreichen, die einst nur Menschen vorbehalten waren. Erfahren Sie mehr über Reinforcement Learning und andere Arten der LLM-Feinabstimmung.

Größere Modelle sind für die Erschließung neuer Grenzen weiterhin wichtig, doch die Dichte eines Systems bestimmt seinen tatsächlichen Nutzen in der realen Welt. Dieser Kontext hilft, Intelligenz als konzentriertes Ergebnis des Trainings zu betrachten und nicht als Nebenprodukt schierer Größe.

Weiterführende Lektüre

Die Intelligenzdichte ist eine Möglichkeit, LLMs zu vergleichen. Weitere Dimensionen werden in separaten Analysen behandelt:

• Latenz-Benchmarks: Für die Zeit bis zum ersten Token und Tokens pro Sekunde siehe unseren LLM-Latenz-Benchmark.
• Branchenspezifische Benchmarks: Für Finance-Reasoning siehe unseren Finance-LLM-Benchmark. Für Programmierung siehe unseren KI-Programmier-Benchmark.

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{simsek2026,
  author = {Şimşek, Hazal},
  title  = {{Intelligenzdichte von 71 LLMs für intelligentere und dichtere Modelle}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/intelligence-density}},
  note   = {AIMultiple. Abgerufen am 23. Oktober 2026}
}

Änderungsprotokoll

3 Aktualisierungen

2026

1. 7. Jul

   Claude Fable 5 und GLM 5.2 wurden zur Rangliste der agentenbasierten Benchmarks hinzugefügt.

2. 6. Jul

   Trainingsrechenleistung (FLOP) als Ressourcenmetrik der Intelligenzdichte entfernt.

3. 15. Jun

   Ersetzte den Kommentar zu den Intelligenzdichte-Ergebnissen durch Berechnungsmethodik und Vorbehalte zu den Basiswerten 2024–2025.

Hazal Şimşek

Branchenanalystin

Folgen auf

Hazal ist Branchenanalystin bei AIMultiple und konzentriert sich auf Prozessintelligenz (einschließlich Process Mining) und Unternehmensautomatisierung (einschließlich IT-Automatisierung und Low-Code-/No-Code-Automatisierung).

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten