Intelligenzdichte von 71 LLMs: Intelligentere und dichtere Modelle

Wir haben 71 LLMs verfolgt, die zwischen Februar 2023 und Mai 2026 veröffentlicht wurden, und 10 öffentliche Benchmarks gesammelt, um die Intelligenzdichte zu messen. Wir haben den Leistungswert durch die vom Modell verbrauchte Ressource (aktive Parameter, Trainingsrechenleistung und Inferenzpreis) geteilt.

LLM Überblick über die Intelligenzdichte

Um die Intelligenzdichte zu berechnen, haben wir die folgenden Schritte durchgeführt:

• Ressourceneffizienz: Wir haben die Leistungsfähigkeit jedes Modells durch zwei Ressourcenmetriken geteilt:
  • Aktive Parameter: Ein Proxy für Speicher- und Bereitstellungskosten (nur Open-Weight).
  • Inferenzpreis: Markt-Kosteneffizienz basierend auf gemischten API-Preisen pro Million Tokens.
  • Hinweis zur Trainingsrechenleistung (FLOP): Wir haben ursprünglich eine dritte Achse, Trainingsrechenleistung (FLOP), aufgenommen, sie aber entfernt, da ihre negative Steigung bei gesättigten Standard-Benchmarks den 2023–2024 zusammengesetzten Wert in einen kontraintuitiven Einbruch zog.
• Benchmark-Gruppierung: Um zu verhindern, dass die Sättigung der Ergebnisse Effizienzgewinne verdeckt, haben wir die Fähigkeiten über zwei unterschiedliche Benchmark-Ären hinweg bewertet:
  • Standard-Benchmarks (2023–2024): MMLU (5-shot), GSM8K (8-shot CoT), HellaSwag (10-shot), ARC Challenge (25-shot), HumanEval (0-shot pass@1).
  • Fortgeschrittene Benchmarks (2024–2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.
• Verkettete Indexierung: Wir haben das jährliche Wachstum innerhalb passender Benchmark-Gruppen berechnet und diese multiplikativ von einem Ausgangswert von 100 im Jahr 2023 aus verkettet, um den kumulativen Trend darzustellen.

Siehe Methodik für den Bewertungsansatz und Aufschlüsselungen nach Ressourcen.

LLM Ergebnisse zur Intelligenzdichte

Bis Mitte 2026 lieferte das KI-Ökosystem nahezu 15× mehr Intelligenz pro Ressourceneinheit (Parameter und Dollar) als im Ausgangsjahr 2023. Zwei Dinge sind beim Lesen des Trends zu beachten:

• Der Sprung 2024–2025 (+362%) übertreibt den tatsächlichen Zuwachs: Die fortgeschrittenen Benchmarks waren 2024 neu und nur eine Handvoll Modelle hatten Ergebnisse darauf, sodass die Ausgangsbasis 2024 künstlich niedrig liegt. Der größte Teil des „Anstiegs“ ist das Auffüllen des Panels, nicht ein einjähriger Effizienzsprung.
• Der Zuwachs 2025–2026 (+105%) ist die eigentliche Geschichte: Er wird an viel mehr Modellen gemessen und wird durch kleine Open-Weight-Veröffentlichungen wie Qwen 3.6-35B-A3B und DeepSeek V4 Flash vorangetrieben, die die Fähigkeiten geschlossener Frontier-Modelle zu einem Bruchteil der Größe und Kosten erreichen.

LLM-Leistungsfähigkeit

Das Dichtediagramm zeigt die Effizienz. Um es in den Kontext zu setzen, haben wir auch die rohe Leistungsfähigkeit über denselben Zeitraum gemessen: Wie viel intelligenter sind diese Modelle tatsächlich geworden, bevor eine Ressourcenanpassung vorgenommen wurde?

Die Leistungsfähigkeit wurde auf 100 im Jahr 2023 indexiert, gemittelt über alle Modelle, die jedes Jahr veröffentlicht wurden.

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

Ein Leistungswert von 100 im Jahr 2023 wuchs bis 2026 auf 468, was einer etwa 4,7-fachen Verbesserung entspricht. Jahr für Jahr:

• 2024 (+88%): Schneller Fortschritt bei Standard-Benchmarks, bevor diese gesättigt waren.
• 2025 (+105%): Derselbe schnelle Fortschritt, gemessen an den schwierigeren fortgeschrittenen Benchmarks, die die Standard-Benchmarks ersetzten.
• 2026 (+22%): Die Verlangsamung ist ein frühes Anzeichen dafür, dass auch die fortgeschrittenen Benchmarks zu sättigen beginnen.

Die beiden Diagramme nebeneinander betrachtet:

• Die Leistungsfähigkeit wuchs um 4,7×, während die Intelligenzdichte um 8,9× zunahm.
• Die Modelle wurden gleichzeitig intelligenter und effizienter. Sie benötigen nicht proportional mehr Parameter, Trainingsrechenleistung oder Geld, um zu laufen.

Beachte: Die 4,7-fache Leistungsfähigkeit ist eine glaubwürdige Größenordnung. Die 8,9-fache Dichte ist weniger robust (die fortgeschrittene Gruppe von 2024 hat weniger Datenpunkte, was die Wachstumsrate dieses Jahres überhöht), daher sollte sie eher als richtungsweisendes Signal und nicht als präziser Multiplikator betrachtet werden.

Welche LLM hat die höchste Intelligenzdichte?

Die Intelligenzdichte hängt davon ab, welche Ressource wir messen und welche Benchmark-Gruppe wir verwenden. Der Spitzenreiter ändert sich bei jeder Kombination.

Dichte pro aktivem Parameter (nur Open-Weight)

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

Führende bei Standard-Benchmarks

• LLaMA 3.1 8B (Jul 2024): 100.0
• LLaMA 3 8B (Apr 2024): 85.0
• LLaMA 4 Maverick (Apr 2025): 55.9
• Mixtral 8x7B (Dez 2023): 47.4
• Mistral 7B (Sep 2023): 46.3

Führende bei fortgeschrittenen Benchmarks

• Qwen 3.6-35B-A3B (Apr 2026): 100.0 (3B aktive Parameter; das Ergebnis basiert auf einem einzigen Benchmark, SWE-bench Verified mit 73.4%, also entsprechend lesen)
• GPT-OSS 20B (Aug 2025): 85.2 (3.6B aktive Parameter)
• GPT-OSS 120B (Aug 2025): 64.4 (5.1B aktive Parameter)
• Qwen 3.5 9B (Mrz 2026): 35.2 (9B dichte Parameter)
• DeepSeek V4 Flash (Apr 2026): 26.0

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

Dichte pro Trainings-FLOP (nur Open-Weight)

Diese Ansicht belohnt Datenkuratierung, Architekturentscheidungen und Trainingsrezepte, nicht die reinen Ausgaben.

Hinweis: Die Dichte pro FLOP bei Standard-Benchmarks scheint mit der Zeit zu fallen. Dies ist ein Sättigungsartefakt, kein Rückgang der Trainingseffizienz. Die älteren Benchmarks messen die jüngsten Fortschritte nicht mehr, sodass die Leistungswerte komprimiert werden, während die Trainingsrechenleistung weiter steigt.

Führende bei Standard-Benchmarks

• Mistral 7B (Sep 2023): 100.0 (noch immer der Panel-Anker, mehr als zwei Jahre später)
• LLaMA 3 8B (Apr 2024): 40.8
• LLaMA 1 (Feb 2023): 37.0
• DeepSeek V2 (Mai 2024): 32.6
• Mixtral 8x7B (Dez 2023): 27.1

Führende bei fortgeschrittenen Benchmarks

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

Das Ergebnis von Qwen 3.5 (9B) ist bemerkenswert: ein dichtes 9B-Modell, das mit etwa 1.5 × 10²³ FLOP trainiert wurde und 81.2 bei fortgeschrittenen Benchmarks erreicht. Seine Trainingsrechenleistung ist etwa eine Größenordnung niedriger als die von DeepSeek V4 Pro, aber der Leistungsunterschied ist geringer.

Dichte pro Dollar Inferenz

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

Führende bei Standard-Benchmarks

• Mistral Small 3 24B (Jan 2025): 100.0 bei $0.10 / $0.30 pro Million Tokens über die Mistral-Erstparteien-API
• Gemini 1.5 Flash (Mai 2024): 99.3 (das bestplatzierte geschlossene Modell nach der Preissenkung im August 2024)
• DeepSeek V2 (Mai 2024): 66.0 bei $0.27 / $1.10 pro Million Tokens
• DeepSeek V3 (Dez 2024): 30.9
• DeepSeek R1 (Jan 2025): 17.8

Führende bei fortgeschrittenen Benchmarks

• GPT-OSS 120B (Aug 2025): 100.0 (als Preisreferenz dient der OpenRouter-anbieterübergreifende Median, da OpenAI das Modell nicht über eine Erstparteien-API gehostet hat)
• GPT-OSS 20B (Aug 2025): 80.0
• DeepSeek V4 Flash (Apr 2026): 44.0 bei $0.06 / $0.42 pro Million Tokens über die DeepSeek-Erstparteien-API
• DeepSeek V3.2 (Dez 2025): 22.5
• Mistral Small 3 24B (Jan 2025): 20.9
• DeepSeek V4 Pro (Apr 2026): 16.0 bei $0.54 blended, mit 97.8 Leistung bei fortgeschrittenen Benchmarks. Damit liegt V4 Pro innerhalb von 2.2 Leistungspunkten von Claude Opus 4.7 zu etwa 1/18tel des gemischten Preises ($0.54 vs. $10.00).

Die Kluft zu den geschlossenen Frontier-Modellen hat sich nicht verringert

Geschlossene Reasoning-Modelle von Anthropic, OpenAI und Google liegen im gesamten Panel-Zeitraum bei der Dichte pro Dollar für fortgeschrittene Benchmarks zwischen 0 und 6. GPT-4 erreichte im März 2023 einen Wert von 0.0. Claude Opus 4.7 erreichte im April 2026 einen Wert von 0.9.

Die geschlossenen 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 nach der Preisanpassung.
• Gemini 1.5 Flash fiel um etwa 78%.

Doch die relative Kluft zu den führenden Open-Weight-Modellen blieb über den Zeitraum hinweg grob bei 30 bis 50×. DeepSeek lag 2024 (V2) bei etwa $0.18 pro Million und 2026 (V4 Flash) wieder bei etwa $0.18 pro Million. Der Bodenpreis der Open-Weight-Modelle hat sich nicht bewegt, und der Bodenpreis der geschlossenen Flaggschiffe hat sich nicht genug bewegt, um die Kluft zu schließen. Der Preiswettbewerb findet auf der Ebene der vorherigen Generation statt, wo ältere geschlossene Modelle als günstige Alternativen am Leben gehalten werden, nicht an der Frontier.

Die neue Richtung: Agentic-Benchmarks

Die zur Messung der KI-Leistung verwendeten fortgeschrittenen Benchmarks verlieren allmählich ihre Aussagekraft, ähnlich wie die älteren Test-Suiten, die sie ersetzt haben. Die Labore berichten zunehmend über Agentic-Benchmarks (SWE-Bench Pro, SWE-bench Verified, Terminal-Bench, OSWorld-Verified, Finance Agent) anstelle der älteren Reasoning-Tests. Wir haben begonnen, ein Panel aufzubauen, um diesen Wandel zu verfolgen.

Zum Beispiel berichtet das neueste Frontier-Modell, Claude Opus 4.8, seine Ergebnisse fast ausschließlich auf diesen Agentic-LLM-Benchmarks, ohne Ergebnisse bei den Reasoning-Benchmarks, die unser Hauptpanel verfolgt.

SWE-Bench Pro Erfolgsquote nach Veröffentlichungsdatum, gemessen mit Scales SEAL standardisiertem Test-Harness. Unter den dargestellten Modellen:

• Die führenden geschlossenen Modelle: Claude Fable 5 (80.3%),Claude Opus 4.5 (45.9%), Claude Sonnet 4.5 (43.6%) und Gemini 3 Pro Preview (43.3%).
• Die führenden Open-Weight-Modelle: GLM 5.2 (62.1%), Qwen3-Coder-480B-A35B (38.7%), Kimi K2 Instruct (27.7%) und Qwen3-235B-A22B (21.4%).

Entdecken Sie Agentic-Benchmarks, indem Sie sich die Agentic-Coding-Benchmarks, Agentic Search und Agentic Monitoring ansehen.

Herausforderungen beim Vergleich von agentischer Leistung

Die Bewertung und der Vergleich von Agentic-Benchmark-Ergebnissen bringt mehrere wesentliche Schwierigkeiten mit sich:

• Fokus auf Leistungsmetriken: Wir können Leistungswerte anzeigen, weil die für die Dichtemessung benötigten Ressourcendaten (Parameterzahlen, Trainingsrechenleistung und verifizierte modellspezifische Preise) noch unvollständig sind oder von geschlossenen Laboren nicht offengelegt werden.
• System-Level-Sensitivität: Benchmark-Ergebnisse messen das gesamte System, nicht nur das KI-Modell. Da die Ergebnisse 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 (Scales SEAL-Rangliste). Andere von Laboren gemeldete Ergebnisse verwenden unterschiedliche Harness und sind nicht direkt vergleichbar.
• Ausschluss von Claude Opus 4.8: Obwohl Opus 4.8 selbst rekordhohe 69.2% bei SWE-Bench Pro meldet, wurde es auf dem internen Harness von Anthropic getestet und noch nicht von Scales SEAL evaluiert. Um die strikte Datenkonsistenz zu wahren, geben wir die Punktzahl hier an, anstatt sie in die Grafik aufzunehmen.

SWE-Bench Pro aus dem standardisierten Harness von Scale SEAL. Andere Spalten sind von Laboren mit unterschiedlichen Harness gemeldet und nicht direkt über die Zeilen vergleichbar. Striche bedeuten, dass kein verifizierter Wert gefunden wurde.

Diese drei liefen auf dem mini-swe-agent-Harness, daher sind sie aus dem Streudiagramm ausgeschlossen, um es vergleichbar zu halten.

Methodik der Intelligenzdichte

Panel-Abdeckung

• Modelle: 71 LLMs, veröffentlicht von Februar 2023 bis April 2026. 37 Modelle haben Werte in den Standard-Benchmarks, und 54 haben Werte in den fortgeschrittenen Benchmarks. Modelle ohne vollständige Benchmark-Gruppe werden von den Dichteberechnungen dieser Gruppe ausgeschlossen.
• Benchmarks: 10 öffentliche Benchmarks, alle von Laboren gemeldet und auf eine Primärquelle zurückführbar. Wir haben keinen Benchmark erneut durchgeführt.
• Ressourcen: Für jedes Modell haben wir seinen Leistungswert unabhängig durch drei Ressourcen geteilt:
  • Aktive Parameter: Ein Proxy für Speicher- und Bereitstellungskosten. Nur für Open-Weight-Modelle, da geschlossene 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 sollten als richtungsweisend verstanden werden.
  • Inferenzpreis: Der Preis, den ein Käufer tatsächlich an der API zahlt. Die Leistungsfähigkeit wird durch den gemischten Preis pro Million Tokens bei einem Input-zu-Output-Verhältnis von 3:1 geteilt. Sowohl offene als auch geschlossene Modelle nehmen teil, da die API-Preise öffentlich überprüfbar sind.

Warum zwei Benchmark-Gruppen?

Modelle, die 2024 veröffentlicht wurden, haben die Standard-Benchmarks gesättigt, die KI-Labore seit 2020 verwendet hatten. Sobald Frontier-Modelle 90% oder mehr in einem Benchmark erreichen, unterscheidet der Test starke Modelle nicht mehr von noch stärkeren. Die Labore reagierten mit der Einführung schwierigerer Benchmarks.

Wir behandeln diesen Wandel aus zwei Gründen als klaren Bruch:

• Erstens würde das Mischen einfacher und schwieriger Benchmarks innerhalb eines einzigen Leistungswerts dazu führen, dass ein gesättigter Wert in einem einfachen Benchmark einen niedrigen Wert in einem schwierigen überdeckt. Ein Modell, das 85 bei MMLU-Pro erreicht, ist stärker als eines, das 85 bei MMLU erreicht. Beide als gleichwertig zu behandeln, würde die Wertespanne komprimieren und ältere Benchmarks belohnen.
• Zweitens weisen die beiden Prüffelder unterschiedliche Ergebnisverteilungen auf: Standard-Benchmarks clustern sich an der Spitze (die meisten Frontier-Modelle über 85), während fortgeschrittene Benchmarks eine größere Streuung haben (Top-Modelle um 90, Mittelklasse um 50, schwächere Modelle unter 30). Eine gemeinsame Z-Bewertung würde die Varianzschätzung verzerren.

Wir berechnen die Leistungsfähigkeit 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).
• Fortgeschrittene 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 fortgeschrittenen Benchmarks. Für Modelle, die ab Ende 2024 veröffentlicht wurden, sind die fortgeschrittenen Benchmarks die aussagekräftige Referenz.

Formel für die Leistungsfähigkeit

Für jeden Benchmark b und jedes Modell m:

Wir verwenden die Populationsstandardabweichung (Division 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 mit einer Min-Max-Normalisierung auf einen panelrelativen Wert von 0–100.

Formel für die Dichte

Für jede Dichteansicht:

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

Methodik des verketteten Index

Die beiden Indexdiagramme oben im Artikel (Intelligenzdichte und Leistungsfähigkeit) zeigen ein kumulatives Ein-Linien-Wachstum, indexiert auf 100 im Jahr 2023, angelehnt an das kumulative Renditeformat des S&P 500. Wir verketten jährliche Wachstumsraten über den Benchmark-Übergang hinweg, anstatt absolute Werte darzustellen.

Schritt 1. Berechne den jährlichen Mittelwert der Metrik für jede Benchmark-Gruppe:

Für den Intelligenzdichte-Index ist die Metrik der zeilenweise Durchschnitt der drei Dichtewerte pro Modell (Kombinierte Dichte A oder B). Für den Leistungsfähigkeits-Index ist die Metrik der panelrelative Leistungswert (Leistungsfähigkeit_A oder Leistungsfähigkeit_B).

Schritt 2. Für jeden Jahresübergang berechne das Wachstum innerhalb einer einzigen Benchmark-Gruppe. Beide Jahre müssen aus derselben Gruppe stammen:

Schritt 3. Verkette multiplikativ von einem Ausgangswert von 100 im Jahr 2023:

Gruppenauswahl pro Übergang:

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

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

Kernprinzipien der Bewertung für die Messung der Intelligenzdichte

• Branchenübliche Benchmarks: Wir führen keinen eigenen Benchmark ein.
• Primärquellen: Jeder Benchmark-Wert ist auf den Release-Artikel, die Modelcard oder die offizielle Ankündigung des Modells zurückführbar. Wenn die Primärquelle keinen Benchmark berichtete, bleibt die Zelle leer, anstatt imputiert zu werden.
• Abdeckungsmarker (N): Für jedes Modell geben wir die Anzahl der Benchmarks an, die zu seinem Leistungswert in jeder Gruppe beitragen. Modelle mit N=1 erhalten einen ungenaueren Wert als Modelle mit N=5. Der Fall N=1 trifft auf Qwen 3.6 35B A3B (nur SWE-bench Verified) und einige wenige closed flagship Veröffentlichungen von 2026 zu.

Preisquellen für geschlossene Modelle

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

1. Startankündigung des Labors (bevorzugt): Preis, der im Startbeitrag, in der API-Dokumentation oder in der zeitgleichen Presseberichterstattung genannt wurde.
2. Artificial Analysis anbieterübergreifender Median (Fallback für Nur-Gewicht-Modelle): Wird für drei Llama 3.1-Zeilen (8B, 70B, 405B) und die GPT-OSS-Zeilen verwendet, da keine Erstparteien-API existiert.
3. Nur-Gewicht ohne Abdeckung: 22 von 69 Zeilen haben keinen Preis pro Dollar erfasst. Sie erscheinen in den Diagrammen für Leistungsfähigkeit und pro Parameter, fehlen aber in den Diagrammen pro Dollar.

Wir führen zwei Preisspuren: Startpreis (Erstparteienpreis am Tag der Veröffentlichung) und gesettelter Preis (aktueller Erstparteienpreis 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 Hauptdichte pro Dollar verwendet die gesettelten Preise. Für 37 von 43 bepreisten Zeilen sind Start- und gesettelter Preis identisch.

Aktualisierungsrhythmus

Wir aktualisieren den Index monatlich. Jede Aktualisierung fügt neue Modellzeilen für jede Frontier- oder bemerkenswerte Veröffentlichung des Vormonats hinzu, aktualisiert die Preise, wenn Labore ihre Tarife angepasst haben, trägt neu gemeldete Benchmarks für bestehende Zeilen nach und berechnet die Z-Werte über das gesamte Panel neu. Neue Modelleinträge verschieben den Mittelwert und die Standardabweichung jedes Benchmarks, sodass sich bestehende 0–100-Werte mit dem Panel bewegen. Historische Momentaufnahmen bleiben erhalten.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Einschränkungen der Intelligenzdichte-Bewertung

• Von Laboren gemeldeter Optimismus: Die Benchmark-Werte stammen von den Laboren selbst. Unabhängige Wiederholungen fallen in der Regel 5 bis 13 Punkte niedriger aus. Die Trendlinien sind richtungsweisend informativ, aber nicht punktgenau.
• Reasoning- und Nicht-Reasoning-Modi nicht getrennt: Modelle, die 2025 und 2026 veröffentlicht wurden, unterstützen Extended-Thinking-Optionen, die Mathematik- und Code-Ergebnisse um 5 bis 15 Punkte verschieben können. Wir verwenden, wo identifizierbar, die Default-Modus-Werte.
• Trainings-FLOP-Angaben sind meist Schätzungen: Eine Handvoll Zeilen hat laborbestätigte FLOP. Der Rest wird aus offengelegten Parametern und Trainingstokens extrapoliert, meist über Epoch KI.
• Parameterzahlen geschlossener Modelle unbekannt: Die Dichte pro Parameter und pro FLOP bleibt für geschlossene Frontier-Zeilen leer. Geschlossene Modelle nehmen nur an der Dichte pro Dollar teil.
• Panelrelative Werte: Die Dichtewerte werden innerhalb des Panels Min-Max-neuskaliert. Ein neues Modell mit einem höheren Roh-Verhältnis verschiebt den 0–100-Wert jedes bestehenden Modells. Um Versionen des Panels zu vergleichen, sollten die zugrunde liegenden Roh-Verhältnisse statt der neuskalierten Werte verwendet werden.

Was ist Intelligenzdichte?

Die Intelligenzdichte stellt eine neue Metrik dar, um zu bewerten, wie viel Wissen und logische Fähigkeiten ein Modell in eine einzelne Speicher- oder Recheneinheit packen kann. Sie misst die Modellarchitektur, indem sie bewertet, wie effektiv es jeden Parameter nutzt, um Mehrwert zu schaffen.

In diesem Rahmen repräsentiert die x-Achse oft die Anzahl der Modellparameter, während die y-Achse die Leistung bei anspruchsvollen Aufgaben verfolgt. Eine hohe Dichte liegt vor, wenn Modelle überlegene Fähigkeiten zeigen, ohne den massiven Rechenaufwand größerer Modelle zu benötigen. Dies beweist, dass Intelligenz nicht allein von der Datenmenge oder der Trainingsskalierung abhängt, sondern vielmehr davon, wie die Software und Algorithmen diese Informationen organisieren.

Früher verließ sich die KI-Gemeinschaft darauf, Modellparameter zu skalieren, um höhere Leistung zu erreichen, was zu massiven, ressourcenintensiven Systemen führte. Mit dieser Schwerpunktverlagerung wird algorithmische Optimierung vor das reine Volumen gestellt, um aus kleineren Modellen mehr Intelligenz zu gewinnen.

Warum ist es wichtig, die Intelligenzdichte zu messen?

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

• Die KI-Gemeinschaft unterschätzt den langfristigen Overhead der 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 ohne entsprechende Fortschritte bei deren Optimierung nicht aufrechterhalten.
• Verstärkungslernen und verbesserte Datenverteilung ermöglichen es Werkzeugen der nächsten Generation, Benchmarks zu erreichen, die einst nur Menschen vorbehalten waren. Erfahren Sie mehr über Verstärkungslernen und andere Arten der LLM-Feinabstimmung.

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

Weiterführende Literatur

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

• Latenz-Benchmarks: Für Time-to-First-Token und Tokens pro Sekunde siehe unseren LLM-Latenz-Benchmark.
• Aufgabenspezifische Benchmarks: Für Finanzlogik siehe unseren Finanz-LLM-Benchmark. Für Coding siehe unseren KI-Coding-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{imek2026,
  author = {Şimşek, Hazal},
  title  = {{Intelligenzdichte von 71 LLMs: Intelligentere und dichtere Modelle}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/intelligence-density}},
  note   = {AIMultiple. Abgerufen am 7. Juli 2026}
}

Hazal Şimşek

Branchenanalystin

Folgen auf

Hazal ist Branchenanalystin bei AIMultiple und konzentriert sich auf Process Mining und IT-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