Zum Hauptinhalt springen

KI-Modelle nach Aufgabe

Öffentliche Nutzerstimmen, Aufgabe für Aufgabe, daneben unsere eigenen Tests, wie weit jedes Modell geht.

Stand 19. Okt. 2026 führen in öffentlichen Nutzerabstimmungen je Aufgabe: Wan 3.0 für Text-zu-Video, MiniMax H3 Max für Bild-zu-Video, Seedance 2.5 für Referenz-zu-Video, GPT Image 2.5 Sunburst für Text-zu-Bild und GPT Image 2.5 Sunburst für Bildbearbeitung.

Rangliste zur Sprachqualität

Unabhängige menschliche Hörbewertungen für Text-to-Speech. Diese Elo-Werte fließen nicht in den Spicy Index ein.

Erfasst am 29. Sept. 2026 · 5 Katalogmodelle aus einer Quellrangliste mit 92 Modellen.

  1. 1Gemini 3.8 Flash TTS
    1.267 Elo95% CI 1.251–1.283

    2.211 Hörbewertungen

  2. 2Gemini 3.8 Flash-Lite TTS
    1.241 Elo95% CI 1.225–1.257

    2.180 Hörbewertungen

  3. 3MiniMax Speech 2.8 HD
    1.171 Elo95% CI 1.160–1.182

    4.498 Hörbewertungen

  4. 4MiniMax Speech 2.8 Turbo
    1.151 Elo95% CI 1.140–1.162

    4.391 Hörbewertungen

  5. 5Chatterbox
    1.023 Elo95% CI 1.012–1.034

    4.603 Hörbewertungen

Die Rangfolge basiert auf Punktschätzungen. Überlappende 95%-Konfidenzintervalle belegen keinen eindeutigen Qualitätsunterschied.

Artificial Analysis

Aufgabenerfüllung bei langen Dokumenten

Sechs feste gemeinsame Dokumente mit je vier Fragen: Informationssuche, mehrstufiges Schlussfolgern, aktualisierte Fakten und fehlende Angaben. Der Wert verlangt richtige Antworten in strengem JSON und fließt nicht in den Spicy Index ein.

  1. Claude Opus 5.5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 47.180–47.180 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  2. DeepSeek V4 Flash

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 32.087–32.087 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  3. DeepSeek V4 Pro

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 32.087–32.087 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  4. GLM 5.2

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 38.336–38.429 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  5. GLM 5.3

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 38.336–38.429 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  6. GLM 5.3 Flash

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 38.336–38.429 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  7. Kimi K3

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 32.084–32.086 Tokens

    100,0 / 100

    24/24 Antworten im geforderten Format richtig

  8. Gemini 3.5 Flash-Lite

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 53.282–53.282 Tokens

    95,8 / 100

    23/24 Antworten im geforderten Format richtig

  9. Claude Opus 4.6

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 33.716–33.716 Tokens

    Proben: 0 verweigert · 1 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    83,3 / 100

    20/24 Antworten im geforderten Format richtig

  10. Gemini 3 Flash Preview

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 53.282–53.283 Tokens

    Proben: 0 verweigert · 1 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    83,3 / 100

    20/24 Antworten im geforderten Format richtig

  11. Grok 4.6

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 32.211–32.211 Tokens

    Proben: 0 verweigert · 1 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    83,3 / 100

    20/24 Antworten im geforderten Format richtig

  12. Claude Sonnet 5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 47.178–47.178 Tokens

    Proben: 0 verweigert · 2 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    66,7 / 100

    16/24 Antworten im geforderten Format richtig

  13. Gemini 3.1 Pro Preview

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 53.283–53.283 Tokens

    Proben: 0 verweigert · 2 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    66,7 / 100

    16/24 Antworten im geforderten Format richtig

  14. Grok 4.5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 32.211–32.211 Tokens

    Proben: 0 verweigert · 4 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    33,3 / 100

    8/24 Antworten im geforderten Format richtig

  15. Claude Opus 4.5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 33.716–33.745 Tokens

    Proben: 0 verweigert · 5 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    16,7 / 100

    4/24 Antworten im geforderten Format richtig

  16. Gemini 3.7 Flash

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 53.283–53.283 Tokens

    Proben: 0 verweigert · 5 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    16,7 / 100

    4/24 Antworten im geforderten Format richtig

  17. Claude Opus 5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 47.178–47.178 Tokens

    Proben: 6 verweigert · 6 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    0,0 / 100

    0/24 Antworten im geforderten Format richtig

  18. Claude Sonnet 4.5

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 33.745–33.745 Tokens

    Proben: 0 verweigert · 6 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    0,0 / 100

    0/24 Antworten im geforderten Format richtig

  19. Claude Sonnet 4.6

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 33.716–33.716 Tokens

    Proben: 0 verweigert · 6 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    0,0 / 100

    0/24 Antworten im geforderten Format richtig

  20. Gemini 2.5 Flash

    Aktualisiert am 30. Sept. 2026

    Gemessene Eingabe: 53.282–53.282 Tokens

    Proben: 0 verweigert · 6 JSON-Formatfehler · 0 am Ausgabelimit. Kategorien können sich überschneiden.

    0,0 / 100

    0/24 Antworten im geforderten Format richtig

Alle Modelle erhalten dieselben Texte: 31.998 Referenztokens pro Dokument (o200k_base, tiktoken 0.14.0), mit einem Ausgabelimit von 4.096 Tokens. Codeblöcke gelten als Formatfehler, auch bei richtigen Antworten. Veröffentlicht werden nur sechs abgeschlossene Proben. Dies misst weder die maximale Kontextlänge noch die vollständige Langkontext-Testreihe.

Testmethode

Transkription kurzer englischer Sprachaufnahmen

Sechs feste Vorleseausschnitte von sechs Personen: 53,6 Sekunden und 146 Referenzwörter. Dieser kleine Diagnosetest bewertet weder Liedtexte noch verrauschte Sprache oder die allgemeine Transkriptionsleistung. Er fließt nicht in den Spicy Index ein.

  • Grok STT

    Aktualisiert am 30. Sept. 2026

    2 Ersetzungen · 0 Auslassungen · 0 Einfügungen / 146 Referenzwörter

    1,37 % WER

    Niedriger ist besser

  • HeartMuLa Transcribe

    Aktualisiert am 30. Sept. 2026

    4 Ersetzungen · 0 Auslassungen · 2 Einfügungen / 146 Referenzwörter

    4,11 % WER

    Niedriger ist besser

Die Wortfehlerrate (WER) ist die Summe der Ersetzungen, Auslassungen und Einfügungen geteilt durch alle Referenzwörter. Großschreibung und Satzzeichen werden einheitlich normalisiert; Apostrophe innerhalb von Wörtern bleiben erhalten. Gezeigt werden nur vollständige Ergebnisse aus sechs Clips. Die WER kann über 100 % liegen.

Transkriptionsmethode

Fragen zur Rangliste