Zum Inhalt springen
PromptLab by FEHMER TECH
DEEN

KI-Ranking: Humanity's Last Exam (HLE), live

Wie gut sind die besten KI-Modelle auf extrem schweren Expertenfragen? Das Diagramm und die Rangliste kommen live aus dem Benchmark-Dashboard der Autoren (Center for AI Safety und Scale AI) und werden stündlich aktualisiert.

LiveZuletzt aktualisiert: · Daten: Center for AI Safety / Scale AI (dashboard.safe.ai, agi.safe.ai)

Bestes Modell
55.6 %
Gemini 4 Argon · Google
Modelle über 50 %
7
von 64
Neuestes Modell im Ranking
Gemini 4 Argon
13. Oktober 2026
Modelle im Ranking
64
15 Rekordmodelle

Fortschritt der KI auf HLE

Jeder Punkt ist ein Modell (Veröffentlichungsdatum gegen Genauigkeit). Die Linie zeigt die Spitze: das jeweils beste Standardmodell.

0%10%20%30%40%50%60%Jän. 25Apr. 25Juli 25Okt. 25Jän. 26Apr. 26Juli 26Okt. 26GPT-4o (OpenAI): 2.7 %, 20.11.2024o1 (OpenAI): 8.0 %, 5.12.2024DeepSeek R1 (DeepSeek): 8.5 %, 20.1.2025o3-mini (OpenAI): 13.4 %, 31.1.2025Sonnet 3.7 (Anthropic): 8.0 %, 24.2.2025Gemini 2.5 Pro-Exp (Google): 18.8 %, 25.3.2025o3 (OpenAI): 20.3 %, 16.4.2025o4-mini (OpenAI): 18.1 %, 16.4.2025Sonnet 4 (Anthropic): 9.6 %, 22.5.2025Gemini 2.5 Pro (Google): 21.6 %, 17.6.2025Gemini 2.5 Flash (Google): 12.1 %, 17.6.2025Gemini 2.5 Flash-Lite (Google): 6.7 %, 17.6.2025Grok 4 (xAI): 24.5 %, 9.7.2025GPT-5 (OpenAI): 25.3 %, 7.8.2025GPT-5-mini (OpenAI): 19.4 %, 7.8.2025GPT-5-Nano (OpenAI): 8.2 %, 7.8.2025Grok 4 Fast (xAI): 17.8 %, 19.9.2025Sonnet 4.5 (Anthropic): 14.7 %, 29.9.2025Haiku 4.5 (Anthropic): 9.7 %, 15.10.2025Kimi K2 (Moonshot): 21.4 %, 6.11.2025Gemini 3 Pro (Google): 38.3 %, 12.11.2025GPT-5.1 (OpenAI): 27.2 %, 12.11.2025Grok 4.1 Fast (xAI): 18.4 %, 19.11.2025Opus 4.5 (Anthropic): 25.8 %, 24.11.2025DeepSeek 3.2 (DeepSeek): 21.8 %, 1.12.2025GPT-5.2 (OpenAI): 29.9 %, 11.12.2025Gemini 3 Flash (Google): 36.6 %, 17.12.2025Kimi K2.5 (Moonshot): 25.4 %, 29.1.2026Opus 4.6 (Anthropic): 34.2 %, 5.2.2026Sonnet 4.6 (Anthropic): 21.1 %, 17.2.2026Gemini 3.1 Pro (Google): 45.9 %, 19.2.2026GPT-5.4 (OpenAI): 40.3 %, 3.3.2026Gemini 3.1 Flash-Lite (Google): 17.4 %, 3.3.2026Grok 4.2 (xAI): 30.2 %, 9.3.2026GPT-5.4-mini (OpenAI): 23.5 %, 17.3.2026GPT-5.4-Nano (OpenAI): 18.6 %, 17.3.2026GLM 5.1 (Z.ai (Zhipu)): 25.6 %, 6.4.2026Opus 4.7 (Anthropic): 39.0 %, 16.4.2026Grok 4.3 (xAI): 33.1 %, 17.4.2026Kimi K2.6 (Moonshot): 35.5 %, 20.4.2026GPT-5.5 (OpenAI): 43.8 %, 23.4.2026DeepSeek 4 Pro (DeepSeek): 32.4 %, 24.4.2026Gemini 3.5 Flash (Google): 42.5 %, 20.5.2026Opus 4.8 (Anthropic): 42.2 %, 30.5.2026Fable 5 (Anthropic): 52.7 %, 9.6.2026GLM 5.2 (Z.ai (Zhipu)): 41.4 %, 16.6.2026Grok 4.5 (xAI): 39.3 %, 8.7.2026Muse Spark 1.1 (Meta (Muse)): 49.4 %, 9.7.2026GPT-5.6 Sol (OpenAI): 45.5 %, 9.7.2026GPT-5.6 Terra (OpenAI): 35.9 %, 9.7.2026GPT-5.6 Luna (OpenAI): 31.8 %, 9.7.2026Kimi K3 (Moonshot): 41.1 %, 16.7.2026Opus 5 (Anthropic): 51.0 %, 24.7.2026Gemini 3.7 Flash (Google): 45.6 %, 1.8.2026Grok 4.6 (xAI): 39.7 %, 12.8.2026GLM 5.3 (Z.ai (Zhipu)): 39.1 %, 14.8.2026Fable 5.1 (Anthropic): 54.6 %, 1.9.2026Gemini 3.8 Flash (Google): 46.2 %, 2.9.2026GPT-6 Astra (OpenAI): 53.6 %, 3.9.2026Muse Spark 1.3 (Meta (Muse)): 43.2 %, 4.9.2026Opus 5.5 (Anthropic): 55.4 %, 22.9.2026GPT-6.1 Sol (OpenAI): 51.3 %, 29.9.2026Muse Wonder (Meta (Muse)): 47.6 %, 12.10.2026Gemini 4 Argon (Google): 55.6 %, 13.10.2026GPT-4oDeepSeek R1Gemini 2.5 Pro-ExpGemini 2.5 ProGPT-5Gemini 3.1 ProFable 5Fable 5.1Opus 5.5Gemini 4 Argon
GoogleAnthropicOpenAIMeta (Muse)Z.ai (Zhipu)MoonshotxAIDeepSeek

● Standard · ○ Mini / Nano

Rangliste (HLE-Genauigkeit)

#ModellAnbieterHLEVeröffentlichtGröße
1Gemini 4 ArgonGoogle55.6 %Standard
2Opus 5.5Anthropic55.4 %Standard
3Fable 5.1Anthropic54.6 %Standard
4GPT-6 AstraOpenAI53.6 %Standard
5Fable 5Anthropic52.7 %Standard
6GPT-6.1 SolOpenAI51.3 %Standard
7Opus 5Anthropic51.0 %Standard
8Muse Spark 1.1Meta (Muse)49.4 %Standard
9Muse WonderMeta (Muse)47.6 %Standard
10Gemini 3.8 FlashGoogle46.2 %Mini
11Gemini 3.1 ProGoogle45.9 %Standard
12Gemini 3.7 FlashGoogle45.6 %Mini
13GPT-5.6 SolOpenAI45.5 %Standard
14GPT-5.5OpenAI43.8 %Standard
15Muse Spark 1.3Meta (Muse)43.2 %Standard
16Gemini 3.5 FlashGoogle42.5 %Mini
17Opus 4.8Anthropic42.2 %Standard
18GLM 5.2Z.ai (Zhipu)41.4 %Standard
19Kimi K3Moonshot41.1 %Standard
20GPT-5.4OpenAI40.3 %Standard
21Grok 4.6xAI39.7 %Standard
22Grok 4.5xAI39.3 %Standard
23GLM 5.3Z.ai (Zhipu)39.1 %Standard
24Opus 4.7Anthropic39.0 %Standard
25Gemini 3 ProGoogle38.3 %Standard
26Gemini 3 FlashGoogle36.6 %Mini
27GPT-5.6 TerraOpenAI35.9 %Mini
28Kimi K2.6Moonshot35.5 %Standard
29Opus 4.6Anthropic34.2 %Standard
30Grok 4.3xAI33.1 %Standard

Weitere Benchmarks

Dieselbe Quelle liefert weitere Tests. Nicht jedes Modell wurde in jedem Test geprüft.

ARC-AGI-2

  1. 1.GPT-5.577.5 %
  2. 2.Gemini 3.1 Pro73.3 %
  3. 3.Opus 4.867.5 %
  4. 4.GPT-5.465.0 %
  5. 5.Gemini 3.5 Flash63.3 %
  6. 6.Grok 4.255.0 %
  7. 7.Opus 4.750.8 %
  8. 8.Opus 4.644.3 %

SWE-bench Pro

  1. 1.Fable 577.4 %
  2. 2.Opus 4.865.4 %
  3. 3.Opus 4.760.9 %
  4. 4.Grok 4.560.3 %
  5. 5.GPT-5.6 Sol57.9 %
  6. 6.Opus 4.656.7 %
  7. 7.Muse Spark 1.154.3 %
  8. 8.Gemini 3.5 Flash53.9 %

HLE Diamond

  1. 1.GPT-6 Astra59.9 %
  2. 2.Gemini 4 Argon56.9 %
  3. 3.Opus 5.554.6 %
  4. 4.GPT-6.1 Sol53.2 %
  5. 5.Fable 5.151.6 %
  6. 6.Fable 545.6 %
  7. 7.Opus 538.1 %
  8. 8.Muse Wonder34.7 %

Was ist Humanity's Last Exam?

HLE ist ein Benchmark aus 2.500 sehr schweren Fachfragen, entwickelt vom Center for AI Safety und Scale AI mit Fachleuten aus aller Welt. Er soll messen, wie nah KI-Modelle am Wissen menschlicher Experten sind, nachdem ältere Tests wie MMLU gesättigt waren.

agi.safe.aidashboard.safe.aiarXiv 2501.14249

Wie lese ich die Werte?

Die Zahl ist der Anteil richtig beantworteter Fragen. Ergebnisse unterscheiden sich je nach Messweise: mit oder ohne Werkzeuge, mit oder ohne Bilder. Diese Seite zeigt die Werte des Dashboards unverändert; Herstellerangaben können abweichen.

Häufige Fragen zum HLE-Ranking

Was ist Humanity's Last Exam (HLE)?

HLE ist ein Benchmark aus 2.500 sehr schweren Fachfragen, entwickelt vom Center for AI Safety und Scale AI mit Fachleuten aus aller Welt. Er soll zeigen, wie nah KI-Modelle an das Wissen menschlicher Experten herankommen.

Welches KI-Modell führt aktuell das HLE-Ranking an?

Laut dem Dashboard der Benchmark-Autoren führt aktuell Gemini 4 Argon von Google mit 55.6 % (Stand der Daten: 14. Oktober 2026). 7 Modelle liegen über 50 %.

Warum weichen HLE-Werte zwischen Quellen ab?

Die Messweise unterscheidet sich: mit oder ohne Werkzeuge (Websuche, Code), mit oder ohne Bildfragen, unterschiedliche Bewertungsmodelle. Diese Seite zeigt die Werte des Dashboards unverändert; Herstellerangaben können höher liegen.

Wie oft wird das Ranking aktualisiert?

Das Ranking wird stündlich live aus dem Dashboard geladen. Fällt die Quelle aus, zeigt die Seite den zuletzt gespeicherten Stand und kennzeichnet ihn.