Gemini 4 Argon hinzugefügt
Das neueste Modell im AIM LLM Index ist Gemini 4 Argon.
AIM LLM Index
Ein transparenter Index, der öffentliche Benchmarks mit AIMultiples eigenen agentischen, RAG- und Enterprise-Reasoning-Bewertungen kombiniert. Wie der Index aufgebaut ist
TOP-MODELL
Claude Opus 5.5
Index 78
Bestes Preis-Leistungs-Verhältnis
GPT-6.1 Sol
$4.00 / 1M
Am schnellsten
DeepSeek V4 Flash 0731
0.37s TTFT
AIM LLM Index
Bestenliste
Die am höchsten bewerteten Modelle über alle Benchmarks hinweg.
Filter & Sort
# | Modell | Index | AIM-Agentic-RAG | AIM-AI-Bias | AIM-FinanceReasoning | AIM-Text-to-SQL | CritPt | FrontierMath | MMMU-Pro | SciCode | Terminal-Bench 4.0 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 Anthropic | 78 | 90 | 94 | 92 | 88 | 32 | 95 | 88 | 67 | 60 |
| 2 |  GPT-6 Astra OpenAI | 74 | 84 | 98 | 87 | 66 | 32 | 98 | 87 | 56 | 60 |
| 3 | GPT-6.1 Sol OpenAI | 74 | 81 | 98 | 90 | 65 | 32 | 100 | 86 | 56 | 56 |
| 4 | Claude Sonnet 5.5 Anthropic | 74 | 85 | 93 | 89 | 74 | 31 | 80 | 86 | 61 | 64 |
| 5 | Claude Fable 5.1 Anthropic | 74 | 84 | 98 | 90 | 67 | 31 | 88 | 86 | 63 | 55 |
| 6 |  Gemini 4 Argon Google | 70 | 94 | - | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6 Sol OpenAI | 70 | 82 | 97 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 8 | Claude Opus 5 Anthropic | 68 | 85 | 81 | 90 | 64 | 29 | 73 | 84 | 56 | 49 |
| 9 |  Muse Wonder Meta | 64 | 86 | - | 92 | 56 | 28 | 71 | - | 60 | 52 |
| 10 | Muse Spark 1.3 Meta | 62 | 77 | 95 | 89 | 49 | 26 | 46 | 82 | 60 | 33 |
Seite 1 von 4
Kosten$8.00
Latenz3.05s
Kontext1M
TTFT3.05s
AIM-Agentic-RAG
90
AIM-AI-Bias
94
AIM-FinanceReasoning
92
AIM-Text-to-SQL
88
CritPt
32
FrontierMath
95
MMMU-Pro
88
SciCode
67
Terminal-Bench 4.0
60
Kosten$20.00
Latenz6.48s
Kontext1M
TTFT6.48s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
87
AIM-Text-to-SQL
66
CritPt
32
FrontierMath
98
MMMU-Pro
87
SciCode
56
Terminal-Bench 4.0
60
Kosten$4.00
Latenz3.15s
Kontext1M
TTFT3.15s
AIM-Agentic-RAG
81
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
65
CritPt
32
FrontierMath
100
MMMU-Pro
86
SciCode
56
Terminal-Bench 4.0
56
Kosten$4.00
Latenz1.34s
Kontext1M
TTFT1.34s
AIM-Agentic-RAG
85
AIM-AI-Bias
93
AIM-FinanceReasoning
89
AIM-Text-to-SQL
74
CritPt
31
FrontierMath
80
MMMU-Pro
86
SciCode
61
Terminal-Bench 4.0
64
Kosten$20.00
Latenz2.95s
Kontext1M
TTFT2.95s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
67
CritPt
31
FrontierMath
88
MMMU-Pro
86
SciCode
63
Terminal-Bench 4.0
55
Kosten$4.00
Latenz4.70s
Kontext1M
TTFT4.70s
AIM-Agentic-RAG
94
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Kosten$4.00
Latenz2.76s
Kontext1M
TTFT2.76s
AIM-Agentic-RAG
82
AIM-AI-Bias
97
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Kosten$10.00
Latenz3.16s
Kontext1M
TTFT3.16s
AIM-Agentic-RAG
85
AIM-AI-Bias
81
AIM-FinanceReasoning
90
AIM-Text-to-SQL
64
CritPt
29
FrontierMath
73
MMMU-Pro
84
SciCode
56
Terminal-Bench 4.0
49
Kosten$8.00
Latenz51.49s
Kontext1M
TTFT51.49s
AIM-Agentic-RAG
86
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
SciCode
60
Terminal-Bench 4.0
52
Kosten$2.00
Latenz70.63s
Kontext1M
TTFT70.63s
AIM-Agentic-RAG
77
AIM-AI-Bias
95
AIM-FinanceReasoning
89
AIM-Text-to-SQL
49
CritPt
26
FrontierMath
46
MMMU-Pro
82
SciCode
60
Terminal-Bench 4.0
33
Seite 1 von 4
Entwicklung im Zeitverlauf
LLM-Index nach Modell-Veröffentlichungsdatum
Kosten vs. Leistung
Gemischte Kosten im Verhältnis zum LLM-Index
Modell × Benchmark
Top-Modelle bei ausgewählten Benchmarks
Wie der Index aufgebaut ist
Der Index-Wert eines Modells ist der Durchschnitt seiner Ergebnisse in den unten aufgeführten Benchmarks. Werte, die bereits auf einer Skala von 0-100 liegen, werden unverändert übernommen; alle anderen werden auf 0-100 umgerechnet. Fehlt einem Modell ein Benchmark, wird dieser ausgelassen statt mit null bewertet, und jeder Benchmark hat das gleiche Gewicht. Ein Modell muss in mindestens 2 AIMultiple-Benchmarks bewertet sein, um in die Rangliste aufgenommen zu werden.
Verwendete Benchmarks
AIMultiple
AIM-Agentic-RAGMulti-Datenbank-Routing und SQL-Abfragegenerierung über 5 Datenbanken hinweg (BIRD-SQL, 500 Fragen).AIMultiple
AIM-AI-BiasPer model per question per repetition bias evaluation results across 64 questions in both multiple choice and open ended formats, 27 models in the multiple choice condition and 26 in the open ended conditionAIMultiple
AIM-FinanceReasoningKomplexes mehrstufiges Finanzdenken anhand von 238 schwierigen FinanceReasoning-Fragen.AIMultiple
AIM-Text-to-SQLGenauigkeit der SQL-Abfragegenerierung aus natürlicher Sprache über mehr als 35 LLMs hinweg.Öffentlich
CritPtPhysikprobleme auf Forschungsniveau, die mehrstufige Herleitungen erfordern.Öffentlich
FrontierMathUnveröffentlichte, von Experten verfasste mathematische Forschungsprobleme (Stufen 1–4).Öffentlich
MMMU-ProMultimodales Verstandnis auf Hochschulniveau uber Facher hinweg, gehartet gegen reine Textabkurzungen.Öffentlich
SciCodeWissenschaftliches Programmieren auf Forschungsniveau in Physik, Mathematik, Biologie und Chemie (338 Teilprobleme)Öffentlich
Terminal-Bench 4.0Die aktuelle Terminal-Bench-Generation: agentische Terminalaufgaben, bewertet nach Losungsquote.Aktuelle Updates
Neueste Änderungen am AIM LLM Index, an der Modellabdeckung und an der AIMultiple-Benchmark-Methodik.
Google
Gemini 4 Argon
Neues Modell zum AIM LLM Index hinzugefügt.
Meta
Muse Wonder
Neues Modell zum AIM LLM Index hinzugefügt.
Anthropic
Claude Haiku 5.5
Neues Modell zum AIM LLM Index hinzugefügt.
OpenAI
GPT-6.1 Sol
Neues Modell zum AIM LLM Index hinzugefügt.
LLM-VeröffentlichungszeitleisteDas Tempo der KI-Innovation
KI-Labore
DeepSeek V4 Flash Vision Exp
21 AugDeepSeek V4.1 Flash
10 SepDeepSeek V4.1 Flash 1017
17 OktMuse Spark 1.2 Contributor
21 AugMuse Spark 1.3 +1 weitereMuse Spark 1.3Muse Spark 1.3 Contributor
02 SepMuse Wonder
12 OktMuse Spark Open
15 OktGemini 3.8 Flash
02 SepNano Banana 2.1
06 OktGemini 4 Argon
13 OktClaude Fable 5.1
01 SepClaude Opus 5.5
22 SepClaude Sonnet 5.5
28 SepClaude Haiku 5.5
07 OktGPT-6 Astra
04 SepGPT-6 Luna +1 weitereGPT-6 LunaGPT-6 Sol
22 SepGPT-6.1 Sol
29 Sep
Solar Mini 4
23 SepSolar Decide
28 Sep
Qwen3.8 Flash
26 AugQwen3.8 Max (0902)
03 SepQwen3.8 Omni Flash
21 SepQwen3.8 Max Prime
23 Sep
GLM 5.3 Flash
26 AugGLM 5.3 FlashX
18 SepGLM 5.3 Prime
23 Sep
Grok 4.7
21 Sep
MiMo-V2.6-Flash +2 weitereMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 SepLLM Anwendungsfälle, Analysen & Benchmarks erkunden
LLM
Einblick
6. Okt50+ ChatGPT-Anwendungsfälle mit Beispielen aus der Praxis
ChatGPT erreichte Anfang 2026 rund 1 Milliarde wöchentlich aktive Nutzer, ungefähr 10 % der Weltbevölkerung. OpenAI übertraf im Jahr 2025 einen Jahresumsatz von $20 Milliarden, bestätigt von CFO Sarah Friar. Der Anthropic Economic Index unterscheidet zwei Nutzungsmodi: Augmentation, bei der ein Mensch mit KI interagiert, und Automatisierung, bei der KI Aufgaben selbstständig erledigt. Die Verbrauchernutzung teilt…
LLM
Benchmark
6. OktLarge Language Models in der Cybersicherheit
Wir haben 7 Large Language Models über 9 Cybersicherheitsdomänen mit SecBench bewertet, einem groß angelegten und formatübergreifenden Benchmark für Sicherheitsaufgaben. Wir haben jedes Modell mit 44.823 Multiple-Choice-Fragen (MCQs) und 3.087 Kurzantwortfragen (SAQs) getestet, die Datensicherheit, Identitäts- und Zugriffsverwaltung, Netzwerksicherheit, Schwachstellenmanagement und Cloud-Sicherheit abdecken. MCQs (Multiple-Choice-Fragen) Benchmarking: SAQs (Kurzantwortfragen): Dieser Benchmark bewertet 7 allgemeine LLMs, einschließlich…
LLM
Funktionsvergleich
6. OktLLM-Preise: Top 15+ Anbieter im Vergleich
Wir verfolgen die Einführungspreise von mehr als 160 LLMs, von GPT-3.5 Turbo im März 2023 bis zu den neuesten Veröffentlichungen, gruppiert nach Größenklasse. Wir vergleichen außerdem die API-Preise aktueller Modelle mit ihren Benchmark-Ergebnissen und betrachten die Abonnementpläne der wichtigsten Anbieter. Die Preise gelten pro eine Million Tokens, gemischt aus drei Teilen Eingabe zu einem Teil…
LLM
Benchmark
30. SepKI-Gateways für OpenAI: OpenRouter-Alternativen
Wir haben OpenRouter, SambaNova, TogetherAI, Groq und KI/ML API über drei Indikatoren hinweg einem Benchmark unterzogen (First-Token-Latenz, Gesamtlatenz und Output-Token-Anzahl), mit 300 Tests unter Verwendung kurzer Prompts (ca. 18 Tokens) und langer Prompts (ca. 203 Tokens) für die Gesamtlatenz. Wenn Sie planen, eines dieser KI-Gateways zu nutzen, können Sie: In diesem Benchmark verglichen wir OpenRouter,…
LLM
Einblick
21. SepLLM VRAM-Rechner für Self-Hosting
Self-Hosting eines LLMs bedeutet, Inferenz auf Hardware auszuführen, die der Betreiber kontrolliert, statt über eine API eines Drittanbieters, was Kosten, Datenkontrolle und Datenschutzprofil verändert. Ob ein Modell überhaupt läuft, hängt vom Speicher ab. Der Rechner schätzt den VRAM oder Unified Memory, den ein Modell lokal benötigt, basierend auf dem Modell, seiner Präzision, der Kontextlänge und…
LLM
Benchmark
18. SepAgentic IT: Können KI-Agenten einen Benchmark entwerfen
Wir haben 16 Models anhand eines Benchmark-Entwurfs in Text-zu-SQL und Tool-Calling getestet. Jedes Model erstellte einen Benchmark pro Thema, insgesamt 32 Einreichungen. Keine Einreichung erfüllte jedes Rubrik-Kriterium. Die Agenten konnten Tests erstellen und ausführen, aber keiner führte sowohl einen Leerantwort-Test als auch einen Richtigantwort-Test des eigenen Scorers vor. Text-zu-SQL wandelt eine Frage in natürlicher Sprache…
LLM
Benchmark
17. SepAIM Enterprise: Agentischer Unternehmens-Benchmark
Unternehmen nutzen LLMs jeden Tag für ihre regulären Aufgaben. Um die kosteneffizientesten LLMs zu finden, haben wir AIM Enterprise entwickelt, einen agentischen Unternehmens-Benchmark, bei dem wir 69 reale Unternehmensaufgaben aus Strategie, Marketing, HR, Vertrieb und Betrieb verwendet haben. Zwei Bewerter-Models bewerteten jede Datei, die Prüfungen bestand. Bei 32,7 % der Einzelbewertungen wichen die beiden um…
LLM
Einblick
15. SepLLM Skalierungsgesetze: Analyse von KI-Forschern
LLM sagen das nächste Token basierend auf Mustern voraus, die aus Textdaten gelernt wurden. Der Begriff LLM-Skalierungsgesetze bezieht sich auf empirische Regelmäßigkeiten, die Modellleistung mit der Menge an Rechenleistung, Trainingsdaten und den während des Trainings verwendeten Modellparametern verknüpfen. Um zu verstehen, wie diese Beziehungen das moderne Modelldesign in der Praxis beeinflussen, haben wir Erkenntnisse…
LLM
Funktionsvergleich
15. SepVergleichen Sie 9 große Sprachmodelle im Gesundheitswesen
Wir haben 9 LLMs mithilfe des MedQA-Datasets verglichen, einem Benchmark für klinische Prüfungen auf Graduierten-Niveau, der aus USMLE-Fragen abgeleitet ist. Jedes Model beantwortete dieselben klinischen Multiple-Choice-Szenarien mit einem standardisierten Prompt und ermöglichte so einen direkten Vergleich der Genauigkeit. Wir haben außerdem die Latenz pro Frage erfasst, indem wir die Gesamtlaufzeit durch die Anzahl der abgeschlossenen…
LLM
Benchmark
15. SepZielgruppensimulation: Können LLMs menschliches Verhalten vorhersagen?
Im Marketing ist die Bewertung, wie genau LLMs menschliches Verhalten vorhersagen, entscheidend für die Beurteilung ihrer Wirksamkeit bei der Antizipation von Zielgruppenbedürfnissen und der Erkennung der Risiken von Fehlausrichtung, ineffektiver Kommunikation oder unbeabsichtigter Beeinflussung. Die Zielgruppensimulation mit LLMs ermöglicht die Modellierung virtueller Zielgruppen und hilft Organisationen, Reaktionen auf Inhalte oder Produkte vorherzusehen, ohne auf teure…