{"author":{"@type":"Person","name":"Alexander Bock","url":"https://abxk.ai/de/autor/alexander-bock/"},"categories":["AI Productivity"],"content":{"markdown":"Die meisten Menschen nutzen einen KI-Assistenten mit seinem Standardmodell für alles: E-Mails, Recherche, Tabellenformeln, lange Berichte. Das geht gut, bis eine Aufgabe mehr verlangt. Ein Modell, das bei schwierigen Analysen glänzt, kann für eine kurze Antwort zu langsam sein. Ein schnelles Modell kann an einer kniffligen Rechnung scheitern. Und das Modell an der Spitze einer Rangliste darf in Ihrem Unternehmen womöglich gar nicht genutzt werden.\n\nDies ist Teil 1 von Level 3 unseres Lernpfads AI Productivity. In Level 3 geht es darum, KI in Ihre Arbeit einzubauen und die Ergebnisse zu messen. Hier lernen Sie die sechs Unterschiede zwischen Sprachmodellen kennen und erfahren, wie Sie unsere LLM-Datenbank und ihre Rangliste lesen. Danach ordnen Sie Aufgaben den Stärken der Modelle zu und testen zwei oder drei Modelle an Ihrer eigenen Arbeit. Wenn Sie die Grundlagen auffrischen möchten: Level 0 erklärt, [was ein großes Sprachmodell ist](/de/ai-productivity/learn/what-is-a-large-language-model/).\n\n## Sechs Unterschiede zwischen Sprachmodellen\n\nAlle großen Sprachmodelle (Large Language Models, LLMs) tun im Kern dasselbe: Sie sagen Text voraus, Stück für Stück. Trotzdem unterscheiden sie sich in Punkten, die für Ihre Arbeit zählen. Sechs Unterschiede entscheiden die meisten Fragen.\n\n![Sechs Karten: allgemeine Leistung, Schlussfolgern, Programmieren, Tempo, Kontextfenster sowie offene oder geschlossene Gewichte, jeweils mit kurzer Erklärung](/images/learn/de/choose-the-right-llm-for-the-task-dimensions.webp \"Sechs Unterschiede zwischen Sprachmodellen. Welche davon zählen, hängt von Ihrer Aufgabe ab.\")\n\n- **Allgemeine Leistung.** Wie gut ein Modell viele verschiedene Arten von Aufgaben löst. Ein Gesamtindex fasst das in einer Zahl zusammen — mehr dazu unten.\n- **Schlussfolgern.** Viele aktuelle Modelle können schlussfolgern (englisch Reasoning), bevor sie antworten. Sie arbeiten zuerst Zwischenschritte durch, oft für Sie unsichtbar, und schreiben dann die Antwort. Das dauert länger und verbraucht mehr Tokens, hilft aber bei Analysen, Planung, Mathematik und Code. Viele Assistenten bieten dafür einen „Denkmodus“, den Sie einschalten können.\n- **Programmieren.** Manche Modelle schreiben und reparieren Code, Tabellenformeln und Skripte deutlich besser als andere.\n- **Tempo.** Große Modelle sind oft langsamer. Viele Anbieter haben neben einem großen Modell leichtere, schnellere Varianten; Namen wie Flash, Mini oder Haiku kennzeichnen meist die leichteren. Wenn Sie ein Modell über eine **API** (eine Schnittstelle für Software) nutzen, zahlen Sie pro Token. Leichtere Varianten kosten pro Token meist weniger.\n- **Kontextfenster.** Die Textmenge, die ein Modell auf einmal aufnehmen kann, gezählt in **Tokens** — kleinen Wortstücken. Es entscheidet, ob ein langer Bericht in einem Stück hineinpasst. Level 4 zeigt, wie Sie [mit langen Dokumenten arbeiten](/de/ai-productivity/learn/context-engineering-for-long-documents/).\n- **Offene oder geschlossene Gewichte.** Ein Modell mit offenen Gewichten (Open Weights) können Sie herunterladen und auf eigenen Servern betreiben. Ein geschlossenes Modell lässt sich nur über die Apps oder Schnittstellen seines Anbieters nutzen. Davon hängt ab, wohin Ihre Daten gehen.\n\nDie Kunst ist nicht, das eine „beste“ Modell zu finden. Sie besteht darin zu wissen, welche dieser sechs Punkte für Ihre Aufgabe zählen — und dort, wo sie nicht zählen, einen schwächeren Wert in Kauf zu nehmen.\n\n## So lesen Sie unsere LLM-Datenbank und die Rangliste\n\nUnsere [LLM-Datenbank](/de/llm/) führt {{\u003c stat \"models\" \u003e}} Sprachmodelle, von GPT-2 bis zu den Modellen von heute. Jede Zeile zeigt, wer das Modell gebaut hat, wann es erschienen ist und ob seine Gewichte offen sind. Dazu kommen der Gesamtindex, der Rang des Modells und die Zahl der Benchmarks mit Ergebnissen. Sie können nach Organisation, Jahr und Zugang filtern und nach Datum oder Index sortieren. Kreuzen Sie zwei bis vier Modelle an, sehen Sie alle ihre Ergebnisse nebeneinander. Von der Startseite aus sind zwei weitere Ansichten einen Klick entfernt. Die Rangliste stellt alle Modelle mit Index auf eine Skala. Die Benchmark-Seite zeigt die Rekorde jedes Tests im Zeitverlauf.\n\nDer Gesamtindex ist der **Epoch Capabilities Index** (ECI). Er stammt von Epoch AI, der Forschungsorganisation, auf deren Daten unsere LLM-Seiten beruhen. Der ECI fasst viele Benchmark-Ergebnisse zu einer Zahl je Modell zusammen. Diese acht Modelle führen ihn derzeit an:\n\n{{\u003c llm-top bench=\"eci\" n=\"8\" \u003e}}\n\nLesen Sie eine solche Liste mit drei Fragen. Wie groß ist der Abstand? Der Index ist eine Schätzung mit Fehlerspanne. Unsere Rangliste weist darauf hin, dass Unterschiede von ein bis zwei Punkten innerhalb dieser Spanne liegen. Wann ist das Modell erschienen? Ein ganz neues Modell hat womöglich noch nicht in jedem Test Ergebnisse. Dürfen Sie es nutzen? Ein Spitzenmodell hilft nicht, wenn Ihr Unternehmen es nicht freigegeben hat oder wenn es für Ihre Aufgabe zu langsam ist.\n\nDie Spalten der Datenbank sagen mehr als der Rang:\n\n| Spalte | Was sie zeigt | Worauf Sie achten sollten |\n|---|---|---|\n| Erschienen | Wann das Modell herauskam | Ganz neuen Modellen fehlen womöglich noch Ergebnisse in manchen Tests |\n| Zugang | Offene Gewichte oder geschlossen (API oder App) | Auch offene Gewichte können Lizenzgrenzen haben |\n| ECI und Rang | Gesamtleistung auf einer Skala | Abstände von ein bis zwei Punkten liegen innerhalb der Fehlerspanne |\n| Benchmarks | In wie vielen unserer Tests das Modell Ergebnisse hat | Eine kleine Zahl bedeutet weniger Belege, kein schwächeres Modell |\n| Direktvergleich | Alle Ergebnisse von zwei bis vier Modellen | Werte nur innerhalb desselben Benchmarks vergleichen |\n\n## Die Aufgabe den Stärken des Modells zuordnen\n\nDer Gesamtindex ist ein guter erster Filter, aber er ist ein Durchschnitt. Für eine konkrete Aufgabe schauen Sie auf den Test, der ihr am nächsten kommt. Die Tabelle ordnet typische Büroaufgaben zu: was jeweils am meisten zählt und wo Sie es in unseren Daten prüfen können.\n\n| Ihre Aufgabe | Was am meisten zählt | Wo Sie in unseren Daten nachsehen | Ein guter Startpunkt |\n|---|---|---|---|\n| E-Mails, Zusammenfassungen, Umformulierungen | Tempo, Ton, Ihre Sprache | Kein Test passt gut — Ihr eigener Test entscheidet | Ein schnelles, leichtes Modell |\n| Analysen, Planung, knifflige Fragen | Schlussfolgern | GPQA Diamond, Humanity's Last Exam | Ein großes Modell oder ein Denkmodus |\n| Fakten und Recherche | Richtige Fakten, echte Quellen | SimpleQA Verified (beantwortet ohne Websuche) | Ein Assistent mit Websuche, der seine Quellen zeigt |\n| Formeln, Skripte, Code | Programmieren | SWE-bench Verified, Aider Polyglot | Ein Modell, das in diesen Tests gut abschneidet |\n| Berechnungen | Mehrstufige Mathematik | FrontierMath, MATH Level 5 | Ein Denkmodus — danach die Zahlen prüfen |\n| Lange Dokumente | Kontextfenster | Nicht in unseren Daten — siehe Dokumentation des Anbieters | Ein Modell mit großem Fenster |\n| Lange Aufgaben mit vielen Schritten | Selbstständiges Arbeiten | METR Time Horizon | Ein Spitzenmodell, eng beaufsichtigt |\n\nFür schwierige Fachfragen ist GPQA Diamond ein guter Wegweiser. Diese fünf Modelle führen den Test an:\n\n{{\u003c llm-top bench=\"gpqa-diamond\" n=\"5\" \u003e}}\n\nVergleichen Sie diese Liste mit dem Gesamtindex oben: Die Reihenfolge ist nicht dieselbe. Zusätze wie „(high)“ oder „(max)“ hinter einem Namen nennen die Einstellung des Testlaufs — meist mehr Denkzeit. Prüfen Sie also, welche Einstellung Sie tatsächlich nutzen werden: Ein Ergebnis mit maximaler Denkzeit sagt wenig über dasselbe Modell im schnellen Modus. Die Abbildung zeigt die Spitzenreiter von sechs unserer Tests nebeneinander.\n\n![Sechs Aufgaben, jeweils mit dem passenden Benchmark und seinem aktuellen Spitzenmodell, Organisation und Erscheinungsdatum: Gesamtleistung, Fachfragen, Fakten ohne Websuche, Mathematik, Code reparieren und lange Aufgaben](/images/learn/de/choose-the-right-llm-for-the-task-leaders.webp \"Das beste Modell in sechs Benchmarks unserer LLM-Datenbank. Daten: Epoch AI, CC BY 4.0.\")\n\nDas Modell an der Spitze des Gesamtindex gewinnt nicht jeden Test. Manche Spitzenreiter sind womöglich ältere Modelle. Das heißt nicht immer, dass die neueren schwächer sind. Vielleicht haben sie in diesem Test einfach noch keine Ergebnisse. Der Teil aus Level 4 über [Benchmarks lesen wie ein Profi](/de/ai-productivity/learn/read-llm-benchmarks-like-an-expert/) erklärt diese und weitere Fallen ausführlich.\n\n## Offene oder geschlossene Gewichte: wohin Ihre Daten gehen\n\nBei einem geschlossenen Modell gehen Ihre Prompts und Dateien auf Server des Anbieters oder eines Cloud-Anbieters, der das Modell bereitstellt. Bei einem Modell mit offenen Gewichten entscheiden Sie, wo es läuft: auf eigenen Servern oder bei einem Hosting-Anbieter Ihrer Wahl. Deshalb ist „offen oder geschlossen?“ oft eine Frage des Datenschutzes, nicht nur der Qualität.\n\nIn unserer Datenbank haben {{\u003c stat \"models-open\" \u003e}} Modelle offene Gewichte, {{\u003c stat \"models-closed\" \u003e}} sind geschlossen; bei den übrigen ist der Zugang unbekannt. Das linke Diagramm zeigt, wie viele Modelle jeder Art pro Jahr erschienen sind. Das rechte zeigt den Gesamtindex des stärksten offenen und des stärksten geschlossenen Modells jedes Jahres.\n\n![Links: Balkendiagramm der Modelle mit offenen Gewichten und der geschlossenen Modelle je Erscheinungsjahr in unserer LLM-Datenbank. Rechts: der höchste Gesamtindex (ECI) eines offenen und eines geschlossenen Modells je Jahr](/images/learn/de/choose-the-right-llm-for-the-task-open-closed.webp \"Offene und geschlossene Modelle je Jahr und der beste Gesamtindex jeder Art. Modelle mit unbekanntem Zugang fehlen. Daten: Epoch AI, CC BY 4.0.\")\n\nDer Abstand zwischen den beiden Punkten eines Jahres zeigt ungefähr, wie viel Gesamtleistung Sie aufgeben, wenn Sie offene Gewichte brauchen. Bedenken Sie: Die Datenbank führt nur Modelle mit Benchmark-Ergebnissen, sie ist also keine vollständige Zählung aller Modelle. Hier stehen zwei geschlossene Modelle von der Spitze des Index neben zwei starken Modellen mit offenen Gewichten:\n\n{{\u003c llm-models \"claude-opus-5-5 gpt-6-astra kimi-k3 deepseek-v4-pro-0813\" \u003e}}\n\nOffene Gewichte bringen mehr als Datenschutz. Die Kopie, die Sie betreiben, bleibt unverändert: Der Anbieter kann sie weder ändern noch abschalten. Sie können das Modell außerdem an Ihre eigenen Daten anpassen. Die Kosten sind aber real: Sie brauchen passende Hardware, Fachleute, die das Modell betreiben, und Zeit für Updates. Und offene Gewichte heißen nicht immer freie Nutzung: Manche Lizenzen verbieten den kommerziellen Einsatz oder setzen andere Grenzen. Lesen Sie die Lizenz, bevor Sie auf einem Modell aufbauen.\n\nWo ein Modell läuft, entscheidet auch, wer Ihre Daten sehen kann. In der Praxis begegnen Ihnen drei Wege, ein Modell zu nutzen:\n\n![Drei Spalten: ein privates Konto in einer App, ein Business-Tarif oder eine API und offene Gewichte auf eigenen Servern — jeweils mit dem Weg der Daten und dem, was zu prüfen ist](/images/learn/de/choose-the-right-llm-for-the-task-hosting.webp \"Drei Wege, ein Sprachmodell zu nutzen. Welcher passt, entscheiden Ihre Daten, nicht eine Rangliste.\")\n\n{{\u003c callout type=\"warning\" \u003e}}\nEin hoher Rang ersetzt nie die Freigabe. Nutzen Sie nur Modelle und Tarife, die Ihr Unternehmen für diese Art von Daten freigegeben hat. Das gilt vor allem für personenbezogene Daten, Kundendaten und vertrauliche Zahlen.\n{{\u003c /callout \u003e}}\n\n## Zwei oder drei Modelle an Ihrer eigenen Aufgabe testen\n\nBenchmarks grenzen das Feld ein; Ihr eigener Test entscheidet. Dafür brauchen Sie kein Labor. Ein Nachmittag und ein gemeinsames Dokument genügen.\n\n![Vier Schritte: eine Aufgabe und fünf bis zehn echte Eingaben wählen, denselben Prompt mit zwei oder drei Modellen ausführen, die Antworten blind bewerten, entscheiden und das Datum notieren](/images/learn/de/choose-the-right-llm-for-the-task-test.webp \"Ein Modelltest in vier Schritten. Das schnellste Modell, das besteht, ist oft die beste Wahl.\")\n\n1. **Wählen Sie eine echte Aufgabe und fünf bis zehn Eingaben.** Nehmen Sie eine Aufgabe, die jede Woche wiederkommt, etwa die Antwort auf eine bestimmte Art von Kunden-E-Mail. Entfernen Sie Namen, Zahlen und alles Vertrauliche aus den Eingaben.\n2. **Führen Sie denselben Prompt mit zwei oder drei Modellen aus.** Halten Sie alles andere gleich: dieselben Dateien, dieselben Anweisungen, derselbe Modus — alle mit oder alle ohne Denkmodus.\n3. **Bewerten Sie blind.** Kopieren Sie die Antworten in ein Dokument und beschriften Sie sie in zufälliger Reihenfolge mit A, B und C. Beurteilen Sie sie, bevor Sie nachsehen, welches Modell was geschrieben hat. Notieren Sie Fehler, die Minuten für die Korrektur jeder Antwort und die Wartezeit.\n4. **Entscheiden Sie und notieren Sie das Datum.** Anbieter aktualisieren Modelle und stellen sie ein. Wenn sich Ihr Modell ändert, wiederholen Sie denselben Test.\n\nEine Regel erleichtert die Entscheidung: Nehmen Sie das schnellste Modell, das Ihren Test besteht, nicht automatisch das stärkste. Einen ersten Test können Sie in Assistenten machen, die Sie vielleicht schon nutzen. Jeder läuft mit den Modellen seines Anbieters, ergänzt aber auch eigene Anweisungen und Werkzeuge wie die Websuche. Sie vergleichen also Produkte, nicht nur Modelle.\n\n{{\u003c tools \"chatgpt google-gemini meta-ai\" \u003e}}\n\n{{\u003c callout type=\"try\" title=\"Ihr erster Blindtest\" \u003e}}\nNehmen Sie eine E-Mail, die Sie diese Woche beantworten müssen, und ersetzen Sie die Namen durch Platzhalter. Schicken Sie denselben Prompt an zwei Assistenten:\n\n*„Schreib eine Antwort auf die folgende E-Mail. Freundlich, höchstens 120 Wörter. Beantworte jede Frage darin. Versprich nichts, was nicht in der E-Mail steht. E-Mail: [Text]“*\n\nFügen Sie beide Antworten in zufälliger Reihenfolge als A und B in ein Dokument ein. Fragen Sie eine Kollegin oder einen Kollegen, welche Antwort sie oder er abschicken würde. Verraten Sie erst danach, welches Modell welche Antwort geschrieben hat.\n{{\u003c /callout \u003e}}\n\nLevel 4 macht daraus eine vollständige Methode mit Testsatz, Bewertungsraster und Wiederholungstests nach jeder Änderung: [Prompts testen und bewerten](/de/ai-productivity/learn/test-and-evaluate-your-prompts/).\n\n## Typische Fehler bei der Modellwahl\n\n| Fehler | Warum er schadet | Besser |\n|---|---|---|\n| Das Spitzenmodell der Rangliste für alles nutzen | Für einfache Aufgaben langsamer, oft teurer und energiehungriger als nötig | Mit einem schnellen Modell beginnen; nur wechseln, wenn es Ihren Test nicht besteht |\n| Nach einem einzigen Benchmark wählen | Jeder Test misst eine Fähigkeit | Auf den Test schauen, der Ihrer Aufgabe am nächsten kommt, und auf mehrere |\n| Mit einem einzigen Beispiel testen | Eine gute Antwort kann Glück sein | Fünf bis zehn echte Eingaben nutzen |\n| Wissen, welches Modell welche Antwort schrieb | Sie bevorzugen den Namen, den Sie vorn erwarten | Blind bewerten, dann auflösen |\n| Datenregeln zuletzt prüfen | Das beste Modell nützt nichts, wenn Sie es nicht nutzen dürfen | Freigabe und Betrieb zuerst prüfen |\n| Nie wieder testen | Anbieter aktualisieren Modelle und stellen sie ein | Den Test wiederholen, wenn sich das Modell ändert |\n\nBewahren Sie Ihre Testeingaben, den Prompt und Ihre Bewertungen an einem Ort auf. Wenn das nächste Modell erscheint, wiederholen Sie den Test in einer Stunde, statt von vorn anzufangen.\n\nEin kleineres Modell, das Ihren Test besteht, ist auch für die Umwelt die bessere Wahl: Es braucht für jede Antwort weniger Rechenleistung. Level 0 zeigt, wie groß der Energie- und Wasserbedarf von KI geworden ist: [Was KI im Arbeitsalltag kann](/de/ai-productivity/learn/what-ai-can-do-for-your-everyday-work/).","text":"Die meisten Menschen nutzen einen KI-Assistenten mit seinem Standardmodell für alles: E-Mails, Recherche, Tabellenformeln, lange Berichte. Das geht gut, bis eine Aufgabe mehr verlangt. Ein Modell, das bei schwierigen Analysen glänzt, kann für eine kurze Antwort zu langsam sein. Ein schnelles Modell kann an einer kniffligen Rechnung scheitern. Und das Modell an der Spitze einer Rangliste darf in Ihrem Unternehmen womöglich gar nicht genutzt werden.\nDies ist Teil 1 von Level 3 unseres Lernpfads AI Productivity. In Level 3 geht es darum, KI in Ihre Arbeit einzubauen und die Ergebnisse zu messen. Hier lernen Sie die sechs Unterschiede zwischen Sprachmodellen kennen und erfahren, wie Sie unsere LLM-Datenbank und ihre Rangliste lesen. Danach ordnen Sie Aufgaben den Stärken der Modelle zu und testen zwei oder drei Modelle an Ihrer eigenen Arbeit. Wenn Sie die Grundlagen auffrischen möchten: Level 0 erklärt, was ein großes Sprachmodell ist.\nSechs Unterschiede zwischen Sprachmodellen Alle großen Sprachmodelle (Large Language Models, LLMs) tun im Kern dasselbe: Sie sagen Text voraus, Stück für Stück. Trotzdem unterscheiden sie sich in Punkten, die für Ihre Arbeit zählen. Sechs Unterschiede entscheiden die meisten Fragen.\nSechs Unterschiede zwischen Sprachmodellen. Welche davon zählen, hängt von Ihrer Aufgabe ab. Allgemeine Leistung. Wie gut ein Modell viele verschiedene Arten von Aufgaben löst. Ein Gesamtindex fasst das in einer Zahl zusammen — mehr dazu unten. Schlussfolgern. Viele aktuelle Modelle können schlussfolgern (englisch Reasoning), bevor sie antworten. Sie arbeiten zuerst Zwischenschritte durch, oft für Sie unsichtbar, und schreiben dann die Antwort. Das dauert länger und verbraucht mehr Tokens, hilft aber bei Analysen, Planung, Mathematik und Code. Viele Assistenten bieten dafür einen „Denkmodus“, den Sie einschalten können. Programmieren. Manche Modelle schreiben und reparieren Code, Tabellenformeln und Skripte deutlich besser als andere. Tempo. Große Modelle sind oft langsamer. Viele Anbieter haben neben einem großen Modell leichtere, schnellere Varianten; Namen wie Flash, Mini oder Haiku kennzeichnen meist die leichteren. Wenn Sie ein Modell über eine API (eine Schnittstelle für Software) nutzen, zahlen Sie pro Token. Leichtere Varianten kosten pro Token meist weniger. Kontextfenster. Die Textmenge, die ein Modell auf einmal aufnehmen kann, gezählt in Tokens — kleinen Wortstücken. Es entscheidet, ob ein langer Bericht in einem Stück hineinpasst. Level 4 zeigt, wie Sie mit langen Dokumenten arbeiten. Offene oder geschlossene Gewichte. Ein Modell mit offenen Gewichten (Open Weights) können Sie herunterladen und auf eigenen Servern betreiben. Ein geschlossenes Modell lässt sich nur über die Apps oder Schnittstellen seines Anbieters nutzen. Davon hängt ab, wohin Ihre Daten gehen. Die Kunst ist nicht, das eine „beste“ Modell zu finden. Sie besteht darin zu wissen, welche dieser sechs Punkte für Ihre Aufgabe zählen — und dort, wo sie nicht zählen, einen schwächeren Wert in Kauf zu nehmen.\nSo lesen Sie unsere LLM-Datenbank und die Rangliste Unsere LLM-Datenbank führt 343 Sprachmodelle, von GPT-2 bis zu den Modellen von heute. Jede Zeile zeigt, wer das Modell gebaut hat, wann es erschienen ist und ob seine Gewichte offen sind. Dazu kommen der Gesamtindex, der Rang des Modells und die Zahl der Benchmarks mit Ergebnissen. Sie können nach Organisation, Jahr und Zugang filtern und nach Datum oder Index sortieren. Kreuzen Sie zwei bis vier Modelle an, sehen Sie alle ihre Ergebnisse nebeneinander. Von der Startseite aus sind zwei weitere Ansichten einen Klick entfernt. Die Rangliste stellt alle Modelle mit Index auf eine Skala. Die Benchmark-Seite zeigt die Rekorde jedes Tests im Zeitverlauf.\nDer Gesamtindex ist der Epoch Capabilities Index (ECI). Er stammt von Epoch AI, der Forschungsorganisation, auf deren Daten unsere LLM-Seiten beruhen. Der ECI fasst viele Benchmark-Ergebnisse zu einer Zahl je Modell zusammen. Diese acht Modelle führen ihn derzeit an:\nEpoch Capabilities Index: die 8 besten Modelle #ModellErschienenErgebnis 1Claude Opus 5.5 Anthropic22.09.2026166,8 2GPT-6 Astra OpenAI03.09.2026166,4 3GPT-6.1 Sol OpenAI29.09.2026166,3 4Claude Fable 5.1 Anthropic01.09.2026164,7 5Gemini 4 Argon Google DeepMind30.09.2026164,6 6Claude Sonnet 5.5 Anthropic28.09.2026164,4 7Claude Opus 5 Anthropic24.07.2026162,6 8GPT-6 Sol OpenAI22.09.2026162,6 Fasst die Ergebnisse von mehr als 50 Benchmarks zu einer Zahl je Modell zusammen, sodass sich Modelle vergleichen lassen, auch wenn sie nie auf denselben Benchmarks geprüft wurden. Ein Index, kein Prozentwert: Epoch AI skaliert ihn so, dass Claude 3.5 Sonnet bei 130 und GPT-5 bei 150 steht. Daten: Epoch AI, abgerufen am 17.10.2026, Lizenz CC BY 4.0. Alle Modelle: LLM-Datenbank.\nLesen Sie eine solche Liste mit drei Fragen. Wie groß ist der Abstand? Der Index ist eine Schätzung mit Fehlerspanne. Unsere Rangliste weist darauf hin, dass Unterschiede von ein bis zwei Punkten innerhalb dieser Spanne liegen. Wann ist das Modell erschienen? Ein ganz neues Modell hat womöglich noch nicht in jedem Test Ergebnisse. Dürfen Sie es nutzen? Ein Spitzenmodell hilft nicht, wenn Ihr Unternehmen es nicht freigegeben hat oder wenn es für Ihre Aufgabe zu langsam ist.\nDie Spalten der Datenbank sagen mehr als der Rang:\nDas richtige LLM für die Aufgabe wählen Spalte Was sie zeigt Worauf Sie achten sollten Erschienen Wann das Modell herauskam Ganz neuen Modellen fehlen womöglich noch Ergebnisse in manchen Tests Zugang Offene Gewichte oder geschlossen (API oder App) Auch offene Gewichte können Lizenzgrenzen haben ECI und Rang Gesamtleistung auf einer Skala Abstände von ein bis zwei Punkten liegen innerhalb der Fehlerspanne Benchmarks In wie vielen unserer Tests das Modell Ergebnisse hat Eine kleine Zahl bedeutet weniger Belege, kein schwächeres Modell Direktvergleich Alle Ergebnisse von zwei bis vier Modellen Werte nur innerhalb desselben Benchmarks vergleichen Die Aufgabe den Stärken des Modells zuordnen Der Gesamtindex ist ein guter erster Filter, aber er ist ein Durchschnitt. Für eine konkrete Aufgabe schauen Sie auf den Test, der ihr am nächsten kommt. Die Tabelle ordnet typische Büroaufgaben zu: was jeweils am meisten zählt und wo Sie es in unseren Daten prüfen können.\nDas richtige LLM für die Aufgabe wählen (2) Ihre Aufgabe Was am meisten zählt Wo Sie in unseren Daten nachsehen Ein guter Startpunkt E-Mails, Zusammenfassungen, Umformulierungen Tempo, Ton, Ihre Sprache Kein Test passt gut — Ihr eigener Test entscheidet Ein schnelles, leichtes Modell Analysen, Planung, knifflige Fragen Schlussfolgern GPQA Diamond, Humanity\u0026rsquo;s Last Exam Ein großes Modell oder ein Denkmodus Fakten und Recherche Richtige Fakten, echte Quellen SimpleQA Verified (beantwortet ohne Websuche) Ein Assistent mit Websuche, der seine Quellen zeigt Formeln, Skripte, Code Programmieren SWE-bench Verified, Aider Polyglot Ein Modell, das in diesen Tests gut abschneidet Berechnungen Mehrstufige Mathematik FrontierMath, MATH Level 5 Ein Denkmodus — danach die Zahlen prüfen Lange Dokumente Kontextfenster Nicht in unseren Daten — siehe Dokumentation des Anbieters Ein Modell mit großem Fenster Lange Aufgaben mit vielen Schritten Selbstständiges Arbeiten METR Time Horizon Ein Spitzenmodell, eng beaufsichtigt Für schwierige Fachfragen ist GPQA Diamond ein guter Wegweiser. Diese fünf Modelle führen den Test an:\nGPQA Diamond: die 5 besten Modelle #ModellErschienenErgebnis 1Gemini 4 Argon (high) Google DeepMind30.09.202696,4 % 2GPT-6 Astra (max) OpenAI03.09.202695,8 % 3Claude Sonnet 5.5 (max) Anthropic28.09.202695,6 % 4Gemini 3.8 Flash (high) Google DeepMind02.09.202695,4 % 5GPT-6.1 Sol (max) OpenAI29.09.202695,4 % 198 Multiple-Choice-Fragen aus Biologie, Physik und Chemie auf Graduiertenniveau, so gebaut, dass Fachfremde selbst mit Webzugang scheitern. Raten ergibt 25 %. Daten: Epoch AI, abgerufen am 17.10.2026, Lizenz CC BY 4.0. Alle Modelle: LLM-Datenbank.\nVergleichen Sie diese Liste mit dem Gesamtindex oben: Die Reihenfolge ist nicht dieselbe. Zusätze wie „(high)“ oder „(max)“ hinter einem Namen nennen die Einstellung des Testlaufs — meist mehr Denkzeit. Prüfen Sie also, welche Einstellung Sie tatsächlich nutzen werden: Ein Ergebnis mit maximaler Denkzeit sagt wenig über dasselbe Modell im schnellen Modus. Die Abbildung zeigt die Spitzenreiter von sechs unserer Tests nebeneinander.\nDas beste Modell in sechs Benchmarks unserer LLM-Datenbank. Daten: Epoch AI, CC BY 4.0. Das Modell an der Spitze des Gesamtindex gewinnt nicht jeden Test. Manche Spitzenreiter sind womöglich ältere Modelle. Das heißt nicht immer, dass die neueren schwächer sind. Vielleicht haben sie in diesem Test einfach noch keine Ergebnisse. Der Teil aus Level 4 über Benchmarks lesen wie ein Profi erklärt diese und weitere Fallen ausführlich.\nOffene oder geschlossene Gewichte: wohin Ihre Daten gehen Bei einem geschlossenen Modell gehen Ihre Prompts und Dateien auf Server des Anbieters oder eines Cloud-Anbieters, der das Modell bereitstellt. Bei einem Modell mit offenen Gewichten entscheiden Sie, wo es läuft: auf eigenen Servern oder bei einem Hosting-Anbieter Ihrer Wahl. Deshalb ist „offen oder geschlossen?“ oft eine Frage des Datenschutzes, nicht nur der Qualität.\nIn unserer Datenbank haben 172 Modelle offene Gewichte, 160 sind geschlossen; bei den übrigen ist der Zugang unbekannt. Das linke Diagramm zeigt, wie viele Modelle jeder Art pro Jahr erschienen sind. Das rechte zeigt den Gesamtindex des stärksten offenen und des stärksten geschlossenen Modells jedes Jahres.\nOffene und geschlossene Modelle je Jahr und der beste Gesamtindex jeder Art. Modelle mit unbekanntem Zugang fehlen. Daten: Epoch AI, CC BY 4.0. Der Abstand zwischen den beiden Punkten eines Jahres zeigt ungefähr, wie viel Gesamtleistung Sie aufgeben, wenn Sie offene Gewichte brauchen. Bedenken Sie: Die Datenbank führt nur Modelle mit Benchmark-Ergebnissen, sie ist also keine vollständige Zählung aller Modelle. Hier stehen zwei geschlossene Modelle von der Spitze des Index neben zwei starken Modellen mit offenen Gewichten:\nModelle aus unserer LLM-Datenbank ModellErschienenGewichteECIRang Claude Opus 5.5 Anthropic22.09.2026geschlossen166,81 GPT-6 Astra OpenAI03.09.2026geschlossen166,42 Kimi K3 Moonshot16.07.2026offen157,417 DeepSeek V4 Pro 0813 DeepSeek13.08.2026offen155,332 ECI = Epoch Capabilities Index, ein Gesamtwert über viele Benchmarks; Rang unter allen Modellen mit ECI. Daten: Epoch AI, abgerufen am 17.10.2026, Lizenz CC BY 4.0. Alle Modelle: LLM-Datenbank.\nOffene Gewichte bringen mehr als Datenschutz. Die Kopie, die Sie betreiben, bleibt unverändert: Der Anbieter kann sie weder ändern noch abschalten. Sie können das Modell außerdem an Ihre eigenen Daten anpassen. Die Kosten sind aber real: Sie brauchen passende Hardware, Fachleute, die das Modell betreiben, und Zeit für Updates. Und offene Gewichte heißen nicht immer freie Nutzung: Manche Lizenzen verbieten den kommerziellen Einsatz oder setzen andere Grenzen. Lesen Sie die Lizenz, bevor Sie auf einem Modell aufbauen.\nWo ein Modell läuft, entscheidet auch, wer Ihre Daten sehen kann. In der Praxis begegnen Ihnen drei Wege, ein Modell zu nutzen:\nDrei Wege, ein Sprachmodell zu nutzen. Welcher passt, entscheiden Ihre Daten, nicht eine Rangliste. !Achtung\nEin hoher Rang ersetzt nie die Freigabe. Nutzen Sie nur Modelle und Tarife, die Ihr Unternehmen für diese Art von Daten freigegeben hat. Das gilt vor allem für personenbezogene Daten, Kundendaten und vertrauliche Zahlen.\nZwei oder drei Modelle an Ihrer eigenen Aufgabe testen Benchmarks grenzen das Feld ein; Ihr eigener Test entscheidet. Dafür brauchen Sie kein Labor. Ein Nachmittag und ein gemeinsames Dokument genügen.\nEin Modelltest in vier Schritten. Das schnellste Modell, das besteht, ist oft die beste Wahl. Wählen Sie eine echte Aufgabe und fünf bis zehn Eingaben. Nehmen Sie eine Aufgabe, die jede Woche wiederkommt, etwa die Antwort auf eine bestimmte Art von Kunden-E-Mail. Entfernen Sie Namen, Zahlen und alles Vertrauliche aus den Eingaben. Führen Sie denselben Prompt mit zwei oder drei Modellen aus. Halten Sie alles andere gleich: dieselben Dateien, dieselben Anweisungen, derselbe Modus — alle mit oder alle ohne Denkmodus. Bewerten Sie blind. Kopieren Sie die Antworten in ein Dokument und beschriften Sie sie in zufälliger Reihenfolge mit A, B und C. Beurteilen Sie sie, bevor Sie nachsehen, welches Modell was geschrieben hat. Notieren Sie Fehler, die Minuten für die Korrektur jeder Antwort und die Wartezeit. Entscheiden Sie und notieren Sie das Datum. Anbieter aktualisieren Modelle und stellen sie ein. Wenn sich Ihr Modell ändert, wiederholen Sie denselben Test. Eine Regel erleichtert die Entscheidung: Nehmen Sie das schnellste Modell, das Ihren Test besteht, nicht automatisch das stärkste. Einen ersten Test können Sie in Assistenten machen, die Sie vielleicht schon nutzen. Jeder läuft mit den Modellen seines Anbieters, ergänzt aber auch eigene Anweisungen und Werkzeuge wie die Websuche. Sie vergleichen also Produkte, nicht nur Modelle.\nChatGPT (GPT Image)Text-to-Image · KI ist der KernAssistent von OpenAI; erzeugt und bearbeitet Bilder per Texteingabe direkt im Chat. Google Gemini (Nano Banana)Text-to-Image · KI ist der KernAssistent von Google; erzeugt und bearbeitet Bilder mit den Nano-Banana-Modellen. Meta AIText-to-Image · KI ist der KernAssistent von Meta; erzeugt Bilder in den Meta-Apps und im Web. Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.\n▸Ihr erster Blindtest\nNehmen Sie eine E-Mail, die Sie diese Woche beantworten müssen, und ersetzen Sie die Namen durch Platzhalter. Schicken Sie denselben Prompt an zwei Assistenten:\n„Schreib eine Antwort auf die folgende E-Mail. Freundlich, höchstens 120 Wörter. Beantworte jede Frage darin. Versprich nichts, was nicht in der E-Mail steht. E-Mail: [Text]“\nFügen Sie beide Antworten in zufälliger Reihenfolge als A und B in ein Dokument ein. Fragen Sie eine Kollegin oder einen Kollegen, welche Antwort sie oder er abschicken würde. Verraten Sie erst danach, welches Modell welche Antwort geschrieben hat.\nLevel 4 macht daraus eine vollständige Methode mit Testsatz, Bewertungsraster und Wiederholungstests nach jeder Änderung: Prompts testen und bewerten.\nTypische Fehler bei der Modellwahl Das richtige LLM für die Aufgabe wählen (3) Fehler Warum er schadet Besser Das Spitzenmodell der Rangliste für alles nutzen Für einfache Aufgaben langsamer, oft teurer und energiehungriger als nötig Mit einem schnellen Modell beginnen; nur wechseln, wenn es Ihren Test nicht besteht Nach einem einzigen Benchmark wählen Jeder Test misst eine Fähigkeit Auf den Test schauen, der Ihrer Aufgabe am nächsten kommt, und auf mehrere Mit einem einzigen Beispiel testen Eine gute Antwort kann Glück sein Fünf bis zehn echte Eingaben nutzen Wissen, welches Modell welche Antwort schrieb Sie bevorzugen den Namen, den Sie vorn erwarten Blind bewerten, dann auflösen Datenregeln zuletzt prüfen Das beste Modell nützt nichts, wenn Sie es nicht nutzen dürfen Freigabe und Betrieb zuerst prüfen Nie wieder testen Anbieter aktualisieren Modelle und stellen sie ein Den Test wiederholen, wenn sich das Modell ändert Bewahren Sie Ihre Testeingaben, den Prompt und Ihre Bewertungen an einem Ort auf. Wenn das nächste Modell erscheint, wiederholen Sie den Test in einer Stunde, statt von vorn anzufangen.\nEin kleineres Modell, das Ihren Test besteht, ist auch für die Umwelt die bessere Wahl: Es braucht für jede Antwort weniger Rechenleistung. Level 0 zeigt, wie groß der Energie- und Wasserbedarf von KI geworden ist: Was KI im Arbeitsalltag kann.\n","words":2287},"date":"2026-10-14","description":"Worin sich Sprachmodelle bei Denken, Code, Tempo, Kontext und Offenheit unterscheiden — und wie Sie zwei oder drei an Ihrer eigenen Aufgabe testen.","image":"https://abxk.ai/images/cover/choose-the-right-llm-for-the-task.webp","json":"https://abxk.ai/de/ai-productivity/learn/choose-the-right-llm-for-the-task/index.json","kind":"page","language":"de","learning_path":{"category":"ai-productivity","level":3,"level_name":"Profi"},"modified":"2026-10-14","related_tools":["ChatGPT (GPT Image)","Google Gemini (Nano Banana)","Meta AI","Nouswise"],"section":"ai-productivity","tags":["llm","modellwahl","offene-gewichte","evaluation","fortgeschritten"],"title":"Das richtige LLM für die Aufgabe wählen","translations":[{"json":"https://abxk.ai/en/ai-productivity/learn/choose-the-right-llm-for-the-task/index.json","language":"en","url":"https://abxk.ai/en/ai-productivity/learn/choose-the-right-llm-for-the-task/"}],"url":"https://abxk.ai/de/ai-productivity/learn/choose-the-right-llm-for-the-task/"}