SprachmodellAktiv

GPT-4o

OpenAI

Veröffentlicht: 13. Mai 2024
Datenstand: 8. September 2026

Intelligenz: Nicht gerankt
Gesamtwertung
Geschwindigkeit: 154 Token/s
Ausgabe-Tempo
Preis: 2,5 $ · 10 $
Eingabe · Ausgabe / 1 Mio. Token
Eingabe: Text, Bild
Ausgabe: Text

Für dieses Modell liegt keine veröffentlichte, kategorieweit vergleichbare Gesamtwertung vor.

Einträge 1-12 von 166. Seite 1 von 14.

Veröffentlichte Benchmarks

Die Charts vergleichen Modelle im selben dokumentierten Test. Das aktuelle Modell ist hervorgehoben.

Reasoning

8 Messreihen

LongBench v2

Easy

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Pro75 %

2.Gemini 2.5 Flash72,3 %

3.o166,8 %

4.DeepSeek-R166,1 %

5.GPT-4o54,2 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-easy
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-bfa6246ba625. Prüfsumme der Quelldaten: bfa6246ba62584289e0204aefc1865fb285a328eef654dcce4382a41b68a3804. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

LongBench v2

Hard

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Pro56,1 %

2.Gemini 2.5 Flash55,8 %

3.DeepSeek-R153,4 %

4.o152,1 %

5.GPT-4o49,7 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-hard
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-185c2fd32a7b. Prüfsumme der Quelldaten: 185c2fd32a7bedc4dcf0643d2e27095af0b394e9b8a14d95e0c6b0feb36245ac. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

LongBench v2

Long, 128,000 to 2 million words

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Pro71 %

2.DeepSeek-R159,3 %

3.o158,1 %

4.Gemini 2.5 Flash55,7 %

5.GPT-4o43,5 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-long
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-221d7b98957d. Prüfsumme der Quelldaten: 221d7b98957db163a9e154e9a456439363305e450a9acf020a33ad2fce54bf28. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

LongBench v2

Medium, 32,000 to 128,000 words

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Flash60 %

2.Gemini 2.5 Pro56,3 %

3.DeepSeek-R154,4 %

4.o153,5 %

5.GPT-4o48,6 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-medium
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-d97a751d30a9. Prüfsumme der Quelldaten: d97a751d30a9e32384a7ce4bdbc341c9dd8f97266490b537b19b7b3026c0fb43. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

LongBench v2

Overall

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Pro63,3 %

2.Gemini 2.5 Flash62,1 %

3.DeepSeek-R158,3 %

4.o157,7 %

5.GPT-4o51,4 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-overall
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-69320d71d1be. Prüfsumme der Quelldaten: 69320d71d1be0f7687a4c525303c3abb0ca327d9b7fd521d884acd561a44656d. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

LongBench v2

Short, up to 32,000 words

Was der Benchmark prüft: 503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab.

Einordnung: Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Mehr ist besser5 ModelleGPT-4o: Platz 5 von 5Datenstand: 2. September 2026

1.Gemini 2.5 Flash68,3 %

2.Gemini 2.5 Pro67,2 %

3.o162,6 %

4.DeepSeek-R162,2 %

5.GPT-4o59,6 %

Skala: 0 % - 100 %

Quelle: LongBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: longbench-v2-cot-short
Messgröße: accuracy with chain of thought
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-7555ce91dc0b. Prüfsumme der Quelldaten: 7555ce91dc0bbf8b98caf76a0a7c5981a69b3ee6a8ecc938a1915be2133d61cd. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: LongBench

GPQA Diamond

Few-Shot CoT

Mehr ist besser2 ModelleGPT-4o: Platz 1 von 2Datenstand: 11. August 2026

1.GPT-4o54,04 %

2.GPT-4o mini44,95 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-gpqa:1:diamond_few_shot_cot
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 15.717. Standardfehler: 3.542. Kosten je Aufgabe in USD: 0.011827. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-08-11-d3325290a404. Prüfsumme der Quelldaten: d3325290a40411054e05ecb86812143465b4d8eee24a0f71f6cf5dfee5b232a1. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

GPQA Diamond

Zero-Shot CoT

Mehr ist besser2 ModelleGPT-4o: Platz 1 von 2Datenstand: 11. August 2026

1.GPT-4o53,54 %

2.GPT-4o mini43,43 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-gpqa:1:diamond_zero_shot_cot
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 14.131. Standardfehler: 3.55. Kosten je Aufgabe in USD: 0.007103. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-08-11-d3325290a404. Prüfsumme der Quelldaten: d3325290a40411054e05ecb86812143465b4d8eee24a0f71f6cf5dfee5b232a1. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

TutorBench

Overall

Was der Benchmark prüft: 1.490 Aufgaben prüfen adaptive Erklärungen, Feedback und Hinweise in sechs MINT-Fächern.

Einordnung: Ein Claude-4-Sonnet-Juror bewertet gewichtete Rubriken. Gute Testwerte beweisen keine sichere Betreuung echter Lernender.

Mehr ist besser8 ModelleGPT-4o: Platz 8 von 8Datenstand: 26. August 2026

1.GPT-5.4 Pro56,62 %

2.Gemini 2.5 Pro55,65 %

3.GPT-555,33 %

4.o3-pro54,62 %

5.Gemini 3.1 Pro Preview52,99 %

6.Gemini 3.1 Flash-Lite51,5 %

7.Llama 4 Maverick40,2 %

8.GPT-4o36,12 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: scale-tutorbench-overall
Messgröße: weighted rubric score
Skala: 0-100
Teilnehmer: 8
Methodik und Einordnung: 1.490 Aufgaben mit gewichteten Rubriken und Claude 4 Sonnet als Juror.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Angezeigter Wert: 36,12 % ± 0,96. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-2d47f3f45c11. Prüfsumme der Quelldaten: 2d47f3f45c11d5dfb09f242e535afc28a9fd65f5672d1a6a41964d0c2ec8c719. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

Programmieren

3 Messreihen

LiveCodeBench v6

Easy

Mehr ist besser2 ModelleGPT-4o: Platz 1 von 2Datenstand: 11. August 2026

1.GPT-4o86,03 %

2.GPT-4o mini60,87 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:easy
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 2.741. Standardfehler: 1.932. Kosten je Aufgabe in USD: 0.00269. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

LiveCodeBench v6

Hard

Mehr ist besser2 ModelleGPT-4o: Platz 1 von 2Datenstand: 11. August 2026

1.GPT-4o5,14 %

2.GPT-4o mini1,43 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:hard
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 5.656. Standardfehler: 1.181. Kosten je Aufgabe in USD: 0.005244. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

LiveCodeBench v6

Medium

Mehr ist besser2 ModelleGPT-4o: Platz 1 von 2Datenstand: 11. August 2026

1.GPT-4o39,16 %

2.GPT-4o mini16,97 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:medium
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 4.643. Standardfehler: 2.494. Kosten je Aufgabe in USD: 0.004063. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

Dokumentierte Messdetails

Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.

LongBench v2: Easy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 54.2
Bewertung: 54.2
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: easy
Aufgabenbezeichnung: Easy
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-easy
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-bfa6246ba625. Prüfsumme der Quelldaten: bfa6246ba62584289e0204aefc1865fb285a328eef654dcce4382a41b68a3804. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

LongBench v2: Hard (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 49.7
Bewertung: 49.7
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: hard
Aufgabenbezeichnung: Hard
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-hard
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-185c2fd32a7b. Prüfsumme der Quelldaten: 185c2fd32a7bedc4dcf0643d2e27095af0b394e9b8a14d95e0c6b0feb36245ac. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

LongBench v2: Long, 128,000 to 2 million words (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 43.5
Bewertung: 43.5
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: long
Aufgabenbezeichnung: Long, 128,000 to 2 million words
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-long
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-221d7b98957d. Prüfsumme der Quelldaten: 221d7b98957db163a9e154e9a456439363305e450a9acf020a33ad2fce54bf28. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

LongBench v2: Medium, 32,000 to 128,000 words (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 48.6
Bewertung: 48.6
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: medium
Aufgabenbezeichnung: Medium, 32,000 to 128,000 words
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-medium
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-d97a751d30a9. Prüfsumme der Quelldaten: d97a751d30a9e32384a7ce4bdbc341c9dd8f97266490b537b19b7b3026c0fb43. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

LongBench v2: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 51.4
Bewertung: 51.4
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-overall
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-69320d71d1be. Prüfsumme der Quelldaten: 69320d71d1be0f7687a4c525303c3abb0ca327d9b7fd521d884acd561a44656d. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

LongBench v2: Short, up to 32,000 words (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 59.6
Bewertung: 59.6
Messgröße: accuracy with chain of thought
Einheit: %
Benchmark-Version: v2
Kategorie: reasoning
Aufgabe: short
Aufgabenbezeichnung: Short, up to 32,000 words
Richtung: Mehr ist besser
Vergleichskohorte: longbench-v2-cot-short
Quellentyp: official-leaderboard
Auswertung: LongBench
Status: active
Abrufdatum: 2026-09-02
Methodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: LongBench. Datensatztyp: public. Stand der Rangliste: 2024-11-20. Versuche: pass@1. Reasoning-Stufe: chain of thought. Quellenkennung: longbench. Kennung der Evidenzaufnahme: curated-longbench-2026-09-02-7555ce91dc0b. Prüfsumme der Quelldaten: 7555ce91dc0bbf8b98caf76a0a7c5981a69b3ee6a8ecc938a1915be2133d61cd. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 503 Multiple-Choice-Aufgaben mit vorgegebenem Reasoning-Prompt.

Quelle LongBench

TutorBench: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 36.12
Bewertung: 36.12
Messgröße: weighted rubric score
Einheit: %
Benchmark-Version: 1,490-task release
Kategorie: education
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: scale-tutorbench-overall
Konfidenzintervall: 0.96
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-08-26
Methodik: 1.490 Aufgaben mit gewichteten Rubriken und Claude 4 Sonnet als Juror.. Kennung des Quellmodells: curated/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Angezeigter Wert: 36,12 % ± 0,96. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-2d47f3f45c11. Prüfsumme der Quelldaten: 2d47f3f45c11d5dfb09f242e535afc28a9fd65f5672d1a6a41964d0c2ec8c719. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 1.490 Aufgaben mit gewichteten Rubriken und Claude 4 Sonnet als Juror.

Quelle Scale AI

GPQA Diamond: Few-Shot CoT (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 54.04
Bewertung: 54.04
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: reasoning
Aufgabe: diamond_few_shot_cot
Aufgabenbezeichnung: Few-Shot CoT
Richtung: Mehr ist besser
Vergleichskohorte: vals-gpqa:1:diamond_few_shot_cot
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 15.717. Standardfehler: 3.542. Kosten je Aufgabe in USD: 0.011827. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-08-11-d3325290a404. Prüfsumme der Quelldaten: d3325290a40411054e05ecb86812143465b4d8eee24a0f71f6cf5dfee5b232a1. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Quelle Vals AI

GPQA Diamond: Zero-Shot CoT (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 53.535
Bewertung: 53.535
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: reasoning
Aufgabe: diamond_zero_shot_cot
Aufgabenbezeichnung: Zero-Shot CoT
Richtung: Mehr ist besser
Vergleichskohorte: vals-gpqa:1:diamond_zero_shot_cot
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 14.131. Standardfehler: 3.55. Kosten je Aufgabe in USD: 0.007103. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-08-11-d3325290a404. Prüfsumme der Quelldaten: d3325290a40411054e05ecb86812143465b4d8eee24a0f71f6cf5dfee5b232a1. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Quelle Vals AI

LiveCodeBench v6: Easy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 86.025
Bewertung: 86.025
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: easy
Aufgabenbezeichnung: Easy
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:easy
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 2.741. Standardfehler: 1.932. Kosten je Aufgabe in USD: 0.00269. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Quelle Vals AI

LiveCodeBench v6: Hard (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 5.143
Bewertung: 5.143
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: hard
Aufgabenbezeichnung: Hard
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:hard
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 5.656. Standardfehler: 1.181. Kosten je Aufgabe in USD: 0.005244. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Quelle Vals AI

LiveCodeBench v6: Medium (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 39.164
Bewertung: 39.164
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: medium
Aufgabenbezeichnung: Medium
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:medium
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-4o-2024-11-20. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-11-20. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 4.643. Standardfehler: 2.494. Kosten je Aufgabe in USD: 0.004063. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Quelle Vals AI

Eigene Modelltests

Community-Tests zum Anschauen

Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

GPT-4o

Noch nicht getestet

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

Nachweise

Quellen und Datenstand

Alle Angaben verweisen auf die zugrunde liegende Dokumentation oder das jeweilige Leaderboard.

Geschwindigkeit: OpenAI, Nov. Ausgabetempo nach dem ersten empfangenen Textabschnitt, nicht die gesamte Antwortzeit. Bei Artificial Analysis als veraltet eingeordnet. Artificial Analysis pflegt dort nur noch den Standard-Workload mit 10.000 Eingabe-Token. Abgerufen am 8. September 2026.
Artificial Analysis Messmethode
Preis: API-Basispreise ohne Cache- oder Batch-Rabatt. Höhere Kontextstufen und weitere Tarife stehen unter Kosten.
Preise
Eingabe: Dokumentierte Modalitäten. Abgerufen am 8. September 2026.
Modelldokumentation
Ausgabe: Dokumentierte Modalitäten. Abgerufen am 8. September 2026.
Modelldokumentation

Recherchestand 8. September 2026. 6 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.

Offene Nachweise und Recherchehinweise (Originalwortlaut)

In den geprüften Quellen nicht gefunden

independent-benchmarks. The recorded GPT-4o benchmark rows are official vendor evaluations; no independent evaluator row was merged.

In den geprüften Quellen nicht gefunden

parameters-billions. OpenAI does not publish parameter counts.

ModellmetadatenQuelle
Kontextfenster-DatenQuelle
API-Preise (abgerufen 8. September 2026)Quelle
LongBench (abgerufen 2. September 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
Vals AI (abgerufen 11. August 2026; 4. September 2026)Quelle
OpenAI (abgerufen 8. September 2026)Quelle
OpenAI (abgerufen 8. September 2026)Quelle
Artificial Analysis (abgerufen 8. September 2026)Quelle
Messmethode der GeschwindigkeitQuelle

GPT-4o

Veröffentlichte Benchmarks

Reasoning

LongBench v2

LongBench v2

LongBench v2

LongBench v2

LongBench v2

LongBench v2

GPQA Diamond

GPQA Diamond

TutorBench

Programmieren

LiveCodeBench v6

LiveCodeBench v6

LiveCodeBench v6

Dokumentierte Messdetails

Community-Tests zum Anschauen

Pelikan auf dem Fahrrad

Technische Daten und Zugang

Weitere Quellenangaben

Veröffentlichte Preise

100 API-Anfragen

Dieses Modell im Vergleich

Quellen und Datenstand