KI Weekly
Ranking

Im Aufgabenvergleich findest du die stärksten Modelle nach Coding-Index. Er basiert auf Terminal-Bench 4.0 und SciCode. Für Programmieraufgaben ist dieser Teilwert hilfreicher als der Gesamtplatz. Teste Favoriten mit einer Aufgabe aus deinem Projekt.

Im Aufgabenvergleich zeigt der Reiter Lange Dokumente die höchsten AA-LCR-Werte. Dieser Benchmark prüft Fragen, deren Antwort über lange Texte verteilt ist. Das Kontextfenster zeigt dagegen nur, wie viel Text in eine Anfrage passt.

Die Verlässlichkeitsübersicht zeigt, wie häufig Modelle in AA-Omniscience Fakten erfinden. Der Index belohnt richtige Antworten und bestraft erfundene; Enthaltungen zählen neutral. Der Test bewertet keine aktuelle Web-Recherche.

Die Preis-Leistungs-Übersicht vergleicht Intelligenz und API-Tokenpreise. Der OpenAI-API-Rechner schätzt Kosten für dein Anfragevolumen. Abotarife für die ChatGPT-App findest du im ChatGPT-Kostenvergleich. Der KI Weekly Score selbst berücksichtigt keine Kosten.

Das gewichtete geometrische Mittel aus AA Intelligence und zwei von KI Weekly berechneten Teilwerten: Intelligenz (70 %), Coding (15 %) und Agenten (15 %). Coding und Agenten überlappen mit Intelligence und werden bewusst zusätzlich betont. AA Intelligence in Version 4.3 und beide abgeleiteten Werte sind Pflicht. Preis und Tempo verändern den Gesamtscore nicht. Die Gewichte sind eine redaktionelle Entscheidung, keine objektive Erfolgswahrscheinlichkeit.

Alle Benchmark-, Preis- und Tempo-Daten stammen von Artificial Analysis — einem unabhängigen Institut, das Modelle standardisiert und kontinuierlich vermisst. Anbieter können dort weder für Ergebnisse noch für Listungen bezahlen. Die Score-Berechnung, Gewichtung und Aufbereitung darüber ist von KI Weekly.

Täglich. Ein automatischer Abgleich holt jede Nacht die neuesten Messwerte, berechnet alle Scores neu und aktualisiert sämtliche Seiten — ohne manuelles Zutun. Neue Modelle tauchen in der Regel innerhalb von 24 bis 48 Stunden nach Release auf.

Ein Score verlangt AA Intelligence v4.3 sowie Coding aus Terminal-Bench 4.0 und SciCode und Agenten aus AA-Briefcase, GDPval-AA und AutomationBench. Fehlt ein Baustein, bleibt der Gesamtscore offen. Fehlendes Tempo oder fehlende Preise sind kein Ausschlussgrund. Der Free-Zugang liefert keinen Messstatus; unbekannt bedeutet nicht vollständig gemessen.

Ein Mischpreis aus Input- und Output-Token im Verhältnis 3:1 — das entspricht typischer Nutzung, bei der Prompts länger sind als Antworten. Ein Modell mit 1 $ Input- und 4 $ Output-Preis hat also einen Blended-Preis von 1,75 $ pro 1 Mio. Token.

Viele Modelle werden in mehreren Reasoning-Stufen vermessen — GPT-5.5 etwa von „low“ bis „xhigh“. Im Leaderboard zählt die beste Konfiguration je Modell; auf den Detailseiten sind alle Varianten einzeln aufgeführt und vergleichbar.

Modelle, deren Gewichte zum Download verfügbar sind — sie lassen sich selbst hosten und feintunen. Lizenzen mit Forschungs- oder Nicht-kommerziell-Klauseln kennzeichnen wir als eingeschränkt. Streng genommen heißt das „Open Weights“, wir verwenden den geläufigeren Begriff Open Source.