GPT-6.1 Terra hinzugefügt
Das neueste Modell im AIM LLM Index ist GPT-6.1 Terra.
AIM LLM Index
v1.10Ein transparenter Index, der 5 öffentliche Benchmarks mit 4 eigenen agentischen, RAG- und Enterprise-Reasoning-Bewertungen von AIMultiple kombiniert. Weitere Details finden Sie unter AIM LLM Index Methodology.
TOP-MODELL
Claude Opus 5.5
Index 78
BESTES PREIS-LEISTUNGS-VERHÄLTNIS
GPT-6.1 Terra
$2.00 / 1M
SCHNELLSTES MODELL
Muse Spark Open
0.31s TTFT
Kosten pro Aufgabe vs. Score
Durchschnittliche Kosten einer Aufgabe über mehrere Benchmarks im Vergleich zum LLM-Index
*Kosten pro Aufgabe je Modell, gleich gewichtet gemittelt über 7 Benchmarks (ohne MMMU-Pro, das zu wenige Modelle abdeckt). Gezeigt werden nur Modelle mit Kosten in allen diesen Benchmarks. ~ kennzeichnet einen Mittelwert mit geschätzten Kosten.
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 | 73 | 94 | 98 | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6.1 Terra OpenAI | 71 | 84 | 95 | 87 | 57 | 28 | 93 | 85 | 55 | 56 |
| 8 |  Muse Wonder Meta | 70 | 86 | 95 | 92 | 56 | 28 | 71 | 85 | 60 | 52 |
| 9 | GPT-6 Sol OpenAI | 70 | 82 | 96 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 10 |  Kimi K3.1 Pro Moonshot AI | 69 | 85 | 91 | 90 | 52 | 25 | - | 84 | 61 | 67 |
Seite 1 von 3
Kosten$8.00
Latenz3.15s
Kontext1M
TTFT3.15s
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
Latenz3.90s
Kontext1M
TTFT3.90s
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
Latenz3.50s
Kontext1M
TTFT3.50s
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
Latenz1.27s
Kontext1M
TTFT1.27s
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
Latenz3.33s
Kontext1M
TTFT3.33s
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
Latenz4.98s
Kontext1M
TTFT4.98s
AIM-Agentic-RAG
94
AIM-AI-Bias
98
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Kosten$2.00
Latenz2.02s
Kontext1M
TTFT2.02s
AIM-Agentic-RAG
84
AIM-AI-Bias
95
AIM-FinanceReasoning
87
AIM-Text-to-SQL
57
CritPt
28
FrontierMath
93
MMMU-Pro
85
SciCode
55
Terminal-Bench 4.0
56
Kosten$8.00
Latenz35.22s
Kontext1M
TTFT35.22s
AIM-Agentic-RAG
86
AIM-AI-Bias
95
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
MMMU-Pro
85
SciCode
60
Terminal-Bench 4.0
52
Kosten$4.00
Latenz2.46s
Kontext1M
TTFT2.46s
AIM-Agentic-RAG
82
AIM-AI-Bias
96
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Kosten$4.00
Latenz49.60s
Kontext1M
TTFT49.60s
AIM-Agentic-RAG
85
AIM-AI-Bias
91
AIM-FinanceReasoning
90
AIM-Text-to-SQL
52
CritPt
25
MMMU-Pro
84
SciCode
61
Terminal-Bench 4.0
67
Seite 1 von 3
Entwicklung im Zeitverlauf
LLM-Index nach Modell-Veröffentlichungsdatum
Modell × Benchmark
Top-Modelle bei ausgewählten Benchmarks
Kosten vs. Leistung
Gemischte Kosten im Verhältnis zum LLM-Index
AIM LLM Index Methodology
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. Die MMMU-Pro-Ergebnisse stammen aus 2 separaten Quellen.
Verwendete Benchmarks
AIMultiple
AIM-Agentic-RAGMulti-Datenbank-Routing und SQL-Abfragegenerierung über 11 Datenbanken hinweg (BIRD-SQL, 759 Fragen).AIMultiple
AIM-AI-BiasBias-Bewertung im Multiple-Choice-Format: 64 Fragen in 12 Bias-Kategorien, jede 5-mal in zwei Durchläufen (v1 und v2) gestellt, über 109 Modelle. Der Score ist der Anteil der Antworten, die die unvoreingenommene Option wählen, gemittelt über beide Durchläufe.AIMultiple
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.Alle Daten herunterladen
Rohergebnisse von 73.9 Tausend Datenpunkten aus den AIMultiple-Benchmarks, auf denen dieser Index beruht. Laden Sie sie als ZIP-Datei herunter, die 4 CSV-Dateien und eine README enthält.
Zuletzt aktualisiert: 30. Oktober 2026
HerunterladenMöchten Sie die granularen Daten dahinter? Premium beitreten
Änderungsprotokoll
62 Aktualisierungen- v1.10
2 Modelle sind in den AIM LLM Index aufgenommen worden: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
113 Modelle wurden dem Datensatz hinzugefügt: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B und 108 weitere.
- v1.10
Qwen3.6 35B A3B wurde dem Datensatz hinzugefügt.
- v1.10
3 Modelle sind in den AIM LLM Index aufgenommen worden: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
3 Modelle wurden dem Datensatz hinzugefügt: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
2 Modelle wurden dem Datensatz hinzugefügt: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Muse Wonder ist in den AIM LLM Index aufgenommen worden.
- v1.10
Muse Wonder wurde dem Datensatz hinzugefügt.
- v1.10
Gemini 4 Argon ist in den AIM LLM Index aufgenommen worden.
- v1.10
Gemini 4 Argon wurde dem Datensatz hinzugefügt.
LLM-VeröffentlichungszeitleisteDas Tempo der KI-Innovation
KI-Labore
Gemini 3.8 Flash Lite TTS +1 weitereGemini 3.8 Flash Lite TTSGemini 3.8 Flash TTS
23 SepGemini 3.5 Transcribe
25 SepNano Banana 2.1
06 OktGemini 4 Argon
13 OktGemini Omni 1.1 Flash
04 NovGemini Omni 1.2 Flash
05 NovGPT Image 2.5 Flare +1 weitereGPT Image 2.5 FlareGPT Image 2.5 Sunburst
09 SepGPT-6 Luna +1 weitereGPT-6 LunaGPT-6 Sol
22 SepGPT-6.1 Sol
29 SepGPT-6 Luna Decisions
06 OktGPT-6.1 Terra
26 OktGPT Image 2.6 Flare +1 weitereGPT Image 2.6 FlareGPT Image 2.6 Sunburst
04 Nov
GLM 5.3 FlashX
18 SepGLM 5.3 Prime
23 SepGLM 5.3 FlashX Legal
02 NovKimi K3.1 Pro
23 Okt
MiniMax M3.1 Flash
19 Okt
DeepSeek V4.1 Flash
10 SepDeepSeek V4.1 Flash 1017
17 Okt
Qwen3.8 Omni Flash
21 SepQwen3.8 Max Prime
23 SepQwen Image 2.1 Pro +1 weitereQwen Image 2.1 ProQwen Image 2.1 Turbo
16 OktMuse Voice Transcribe 1.0
11 SepMuse Wonder
12 OktMuse Spark Open
15 Okt
Solar Mini 4
23 SepSolar Decide
28 SepSolar Decide Flash
08 OktClaude Opus 5.5
22 SepClaude Sonnet 5.5
28 SepClaude Haiku 5.5
07 Okt
Grok 4.7
21 SepGrok Imagine Video 1.5 Lite
06 Okt
MiMo-V2.6-Flash +2 weitereMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 SepLLM Anwendungsfälle, Analysen & Benchmarks erkunden
- LLMBenchmark6. Okt
Large 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…
- LLMEinblick21. Sep
LLM 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…
- LLMBenchmark18. Sep
Agentic 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…
- LLMBenchmark17. Sep
AIM 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…
- LLMEinblick15. Sep
LLM 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…
- LLMBenchmark15. Sep
Zielgruppensimulation: Können LLMs menschliches Verhalten vorhersagen?
Im Marketing ist die Bewertung, wie genau LLMs menschliches Verhalten vorhersagen, entscheidend, um ihre Wirksamkeit dabei zu beurteilen, die Bedürfnisse des Publikums zu antizipieren und die Risiken von Fehlausrichtung, ineffektiver Kommunikation oder unbeabsichtigter Beeinflussung zu erkennen. Zielgruppensimulation mit LLMs ermöglicht die Modellierung virtueller Zielgruppen und hilft Unternehmen, Reaktionen auf Inhalte oder Produkte zu antizipieren, ohne…
- LLMEinblick2. Sep
LLM Observability-Tools: Weights & Biases, Langsmith
LLM-Anwendungen haben sich von Single-Turn-Chats zu mehrstufigen Agenten entwickelt, die Tools verwenden, Datenbanken abfragen und mit anderen Modellen koordinieren, wodurch ihr Verhalten schwieriger zu interpretieren ist. LLM-Observability bietet kontinuierliche Transparenz über diese komplexen Workflows und hilft Unternehmen, die Qualität zu überwachen, Fehler zu erkennen, Probleme zu beheben sowie Leistung und Kosten zu verwalten. W&B Weave…
- LLMEinblick1. Sep
LLM Fine-Tuning-Leitfaden für Unternehmen
Folgen Sie den Links für die spezifischen Lösungen zu Ihren LLM-Ausgabeherausforderungen. Wenn Ihr LLM: Die zunehmende Verbreitung großer Sprachmodelle (LLMs) hat unsere Fähigkeit verbessert, menschliche Sprache zu verarbeiten. Ihr allgemeines Training führt jedoch oft zu suboptimaler Leistung bei bestimmten Aufgaben. Um diese Einschränkung zu überwinden, werden Feinabstimmungsmethoden eingesetzt, um LLMs an die einzigartigen Anforderungen verschiedener…
Filter