Live-Ranking, alle 2 Tage aktualisiert
Die besten KI-Modelle für schwierige Prompts
Im KI-Ranking ist Stand 8. Oktober 2026 gemini-4-argon-high von Google das bestplatzierte Modell bei LMArena Text-Leaderboard, Kategorie Schwierige Prompts mit einem Score von 1.551, 18 Punkte vor claude-opus-5.5-high von Anthropic.
Aktualisiert 13. Oktober 2026. Angezeigt wird die zuletzt gespeicherte Kopie des Leaderboards vom 8. Oktober 2026, da die Live-Quelle nicht erreichbar war.
Ranking: Top 10 Modelle
Die Scores stammen aus blinden Direktvergleichen zu LMArena Text-Leaderboard, Kategorie Schwierige Prompts. Der Rang ist der von LMArena veröffentlichte Rang, der Konfidenzintervalle berücksichtigt, sodass sich mehrere Modelle einen Rang teilen können. Unten sehen Sie die Top 10, die Ränge 11 bis 40 folgen in der aufklappbaren Liste.
| Rang | Modell | Labor | Score | Stimmen | Lizenz |
|---|---|---|---|---|---|
| 1 | gemini-4-argon-high | 1.551 ±11 | 3.118 | Proprietär | |
| 2 | claude-opus-5.5-high | Anthropic | 1.533 ±10 | 3.901 | Proprietär |
| 3 | claude-opus-4-6-high | Anthropic | 1.533 ±4 | 50.602 | Proprietär |
| 4 | claude-fable-5-high | Anthropic | 1.530 ±5 | 26.112 | Proprietär |
| 5 | claude-opus-4-6 | Anthropic | 1.527 ±4 | 54.602 | Proprietär |
| 6 | claude-opus-4-7-high | Anthropic | 1.525 ±5 | 43.711 | Proprietär |
| 7 | claude-fable-5.1-max | Anthropic | 1.520 ±8 | 7.642 | Proprietär |
| 8 | claude-opus-4-7 | Anthropic | 1.519 ±5 | 44.480 | Proprietär |
| 9 | gemini-3.8-flash-high | 1.517 ±6 | 20.342 | Proprietär | |
| 10 | kimi-k3-max | Moonshot AI | 1.517 ±5 | 19.507 | Offene Gewichte |
Ränge 11 bis 40 anzeigen
Rang Modell Labor Score Lizenz 11 muse-spark-1.3-max Meta 1.517 ±7 Proprietär 12 claude-opus-5-high Anthropic 1.515 ±5 Proprietär 13 claude-opus-5-max Anthropic 1.514 ±6 Proprietär 14 claude-opus-4-8-high Anthropic 1.513 ±5 Proprietär 15 gpt-5.6-sol-xhigh OpenAI 1.512 ±5 Proprietär 16 muse-spark-1.1 Meta 1.511 ±5 Proprietär 17 gemini-3.1-pro-preview Google 1.508 ±4 Proprietär 18 muse-spark-1.2 (xHigh) Meta 1.508 ±10 Proprietär 19 claude-sonnet-5.5-xhigh Anthropic 1.507 ±11 Proprietär 20 gpt-6.1-sol-max OpenAI 1.507 ±12 Proprietär 21 gemini-3.7-flash-high Google 1.506 ±6 Proprietär 22 muse-spark Meta 1.506 ±7 Proprietär 23 mimo-v2.6-pro Xiaomi 1.506 ±12 Offene Gewichte 24 claude-opus-4-8 Anthropic 1.505 ±5 Proprietär 25 qwen3.8-max Alibaba (Qwen) 1.504 ±6 Proprietär 26 glm-5.3-max Z.ai (Zhipu) 1.504 ±6 Offene Gewichte 27 claude-sonnet-4-6 Anthropic 1.503 ±4 Proprietär 28 gemini-3-pro Google 1.502 ±5 Proprietär 29 gpt-5.5-high OpenAI 1.501 ±4 Proprietär 30 glm-5.3-flash Z.ai (Zhipu) 1.501 ±6 Offene Gewichte 31 claude-opus-4-5-20251101-high-32k Anthropic 1.501 ±5 Proprietär 32 gemini-3.6-flash-high Google 1.501 ±5 Proprietär 33 gpt-6-astra-max OpenAI 1.500 ±8 Proprietär 34 deepseek-v4.1-flash-max DeepSeek 1.499 ±8 Offene Gewichte 35 gpt-5.5 OpenAI 1.499 ±4 Proprietär 36 claude-opus-4-5-20251101 Anthropic 1.498 ±4 Proprietär 37 gpt-5.2-chat-latest-20260210 OpenAI 1.497 ±5 Proprietär 38 gpt-5.4-high OpenAI 1.496 ±5 Proprietär 39 mimo-v2.5-pro Xiaomi 1.496 ±4 Offene Gewichte 40 qwen3.7-max-preview Alibaba (Qwen) 1.496 ±12 Proprietär
Angezeigt werden die Top 40 von 414 Modellen in diesem Leaderboard. Daten vom 8. Oktober 2026.
Bestes Modell je Labor
Das jeweils höchstplatzierte Modell jedes Labors in diesem Leaderboard und sein Abstand zur Spitze.
| Labor | Bestes Modell | Rang | Score | Rückstand auf Platz 1 |
|---|---|---|---|---|
| gemini-4-argon-high | 1 | 1.551 | Spitzenreiter | |
| Anthropic | claude-opus-5.5-high | 2 | 1.533 | 18 Pkt. |
| Moonshot AI | kimi-k3-max | 10 | 1.517 | 34 Pkt. |
| Meta | muse-spark-1.3-max | 11 | 1.517 | 34 Pkt. |
| OpenAI | gpt-5.6-sol-xhigh | 15 | 1.512 | 39 Pkt. |
| Xiaomi | mimo-v2.6-pro | 23 | 1.506 | 45 Pkt. |
| Alibaba (Qwen) | qwen3.8-max | 25 | 1.504 | 47 Pkt. |
| Z.ai (Zhipu) | glm-5.3-max | 26 | 1.504 | 47 Pkt. |
Welches KI-Labor führt?
Das Labor mit den meisten Modellen an der Spitze des Boards verfügt über die größte Breite, nicht nur über das einzelne beste Modell.
Anthropic stellt 7 der Top 10 Modelle (70 %).
Modelle in den Top 10 nach Labor
Datentabelle anzeigen
| Labor | Top 10 |
|---|---|
| Anthropic | 7 |
| 2 | |
| Moonshot AI | 1 |
Open vs. proprietär: Wie groß ist der Abstand?
Das beste Open-Weight-Modell ist kimi-k3-max von Moonshot AI mit 1.517. Es liegt 34 Punkte hinter dem besten proprietären Modell, gemini-4-argon-high von Google mit 1.551. Die 95-%-Konfidenzintervalle überlappen sich nicht, der Abstand ist also statistisch aussagekräftig.
9 proprietäre Modelle liegen vor dem besten Open-Weight-Modell, und 1 der Top 20 ist Open-Weight.
Open-Weight bedeutet hier jede Lizenz außer „Proprietary“, einschließlich Lizenzen mit Nutzungsbeschränkungen. Das ist eine weitere Definition als die der OSI.
Weitere Leaderboards
LMArena betreibt separate Arenen für verschiedene Aufgaben. Das beste Modell für die eine ist oft nicht das beste für die andere.
Weitere Arenen
- Text (gesamt)
- WebDev: claude-opus-5.5-max von Anthropic, 1.811
- Vision: claude-fable-5-high von Anthropic, 1.308
- Suche: gpt-5.6-sol-xhigh von OpenAI, 1.256
- Dokument: claude-fable-5 von Anthropic, 1.499
- Text zu Bild: gpt-image-2.5-sunburst von OpenAI, 1.425
- Bildbearbeitung: gpt-image-2.5-sunburst von OpenAI, 1.524
- Text zu Video: gemini-omni-1.1-flash von Google, 1.516
Text-Arena nach Kategorie
Text-Arena nach Sprache
So lesen Sie dieses Leaderboard
Diese Kategorie enthält die Prompts, die LMArena als schwierig einstuft: komplex, spezifisch und anspruchsvoll. Sie trennt Modelle, die Alltagsfragen meistern, von denen, die auch schwierige lösen.
- Die Scores basieren auf Blindabstimmungen
- LMArena zeigt einer Person zwei anonyme Antworten auf denselben Prompt und fragt, welche besser ist. Diese direkten Duelle werden mit einem Bradley-Terry-Modell, dem statistischen Nachfolger von Elo, ausgewertet, sodass jedes Modell einen Arena-Score erhält. Auf der von LMArena verwendeten Elo-Skala gewinnt das Modell mit 100 Punkten Vorsprung erwartungsgemäß rund 64 % der Duelle.
- Konfidenzintervalle entscheiden bei Gleichstand
- Jeder Score hat ein 95-%-Konfidenzintervall. Überlappen sich zwei Intervalle, ist die Reihenfolge dieser beiden Modelle nicht gesichert. Die Rangspalte von LMArena berücksichtigt das bereits, weshalb mehrere Modelle denselben Rang belegen können.
- Warum sich das vom Nutzungsanteil unterscheidet
- Ein hoher Rang heißt nicht, dass viele Menschen ein Modell nutzen. Die Nutzung hängt von Preis, Verbreitung und Gewohnheit ab. Wenn es um Verbreitung statt Qualität geht, siehe KI-Marktanteil.
Methodik und Quelle
Alle Rankings stammen aus dem LMArena-Leaderboard-Datensatz auf Hugging Face, veröffentlicht von LMArena (früher Chatbot Arena) unter der Lizenz Creative Commons Attribution 4.0. Die Urheberschaft der zugrunde liegenden Stimmen, Scores und Konfidenzintervalle liegt bei LMArena. Essentras ist nicht mit LMArena verbunden.
Diese Seite liest die Teilmenge text_style_control, Kategorie hard_prompts, aus dem neuesten Split des Datensatzes. Scores, Intervalle, Ränge, Stimmenzahlen und Lizenzangaben werden wie veröffentlicht angezeigt. Essentras ergänzt die Gruppierung nach Labor und die abgeleiteten Werte auf dieser Seite: Abstände, Anteile der Labore, Open vs. proprietär und, auf der Hauptseite, den Verlauf, wer Platz 1 innehatte.
Die Daten werden automatisch alle 2 Tage aktualisiert. Ist die Quelle nicht erreichbar, greift die Seite auf die zuletzt gespeicherte Kopie zurück und weist oben darauf hin. Modelle werden nie zusammengeführt oder umbenannt; Modell- und Labornamen erscheinen genau so, wie LMArena sie veröffentlicht.
Open-Weight bedeutet jede Lizenz außer Proprietary. Der Verlauf beschränkt sich auf das, was der Datensatz erfasst: das stilkontrollierte Text-Leaderboard ab 28. August 2024. Andere Ranking-Seiten scrapen wir nicht.
Verfolgen Sie mit unserem KI-SEO-Service, wie KI-Modelle Ihre Marke einordnen und beschreiben. Sollen diese Modelle Ihre Marke nennen? Lesen Sie unseren Leitfaden zu LLM SEO.
Häufig gestellte Fragen
Welches ist das beste KI-Modell für schwierige Prompts?
Stand 8. Oktober 2026 führt gemini-4-argon-high von Google das Ranking auf LMArena Text-Leaderboard, Kategorie Schwierige Prompts mit einem Score von 1.551 an. Die Platzierungen verändern sich, sobald neue Modelle und Stimmen hinzukommen. Die aktuelle Reihenfolge finden Sie in der Tabelle oben.
Welches KI-Labor führt bei schwierige Prompts?
Anthropic stellt 7 der Top-10-Modelle (70 %), vor Google (2) und Moonshot AI (1).
Liegt das beste Open-Source-Modell nah am besten proprietären Modell?
Das beste Open-Weight-Modell ist kimi-k3-max von Moonshot AI mit 1.517. Es liegt 34 Punkte hinter dem besten proprietären Modell, gemini-4-argon-high von Google mit 1.551. 9 proprietäre Modelle liegen vor dem besten Open-Weight-Modell, und 1 der Top 20 ist Open-Weight. Die 95-%-Konfidenzintervalle überlappen sich nicht, der Abstand ist also statistisch aussagekräftig. „Open“ bedeutet hier jede Lizenz außer Proprietary und ist damit weiter gefasst als die OSI-Definition.
Was misst dieses Leaderboard?
Diese Kategorie enthält die Prompts, die LMArena als schwierig einstuft: komplex, spezifisch und anspruchsvoll. Sie trennt Modelle, die Alltagsfragen meistern, von denen, die auch schwierige lösen.
Wie oft wird dieses Leaderboard aktualisiert?
Diese Seite liest den Datensatz von LMArena alle 2 Tage neu ein. LMArena veröffentlicht einen neuen Snapshot, sobald genug Stimmen gesammelt oder Modelle hinzugefügt wurden. Das Datum oben zeigt daher den neuesten veröffentlichten Stand.
Modelle bewerten sich selbst. Was sagen sie über Sie?
Ein Leaderboard zeigt, welche KI-Modelle am stärksten sind. Es zeigt nicht, was diese Modelle Ihren Kunden über Ihr Unternehmen erzählen. Starten Sie den kostenlosen Check und sehen Sie die Antworten.