SprachmodellAktiv

GPT-4o

OpenAI

Veröffentlicht: 13. Mai 2024
Datenstand: 8. September 2026
Nachfolgermodell: GPT-4.1

Benchmark-Meta-Score: Nicht berechenbar
Weniger als acht Testreihen
Geschwindigkeit: 154 Token/s
Ausgabe-Tempo
Preis: 2,5 $ · 10 $
Eingabe · Ausgabe / 1 Mio. Token
Eingabe: Text, Bild
Ausgabe: Text

Das Besondere an GPT-4o war die gemeinsame Verarbeitung von Text, Bild und Audio in einem Modell. Frühere Sprachinteraktionen liefen über getrennte Modelle für Transkription, Textantwort und Sprachausgabe. GPT-4o sollte dadurch auch Tonfall und weitere Informationen aus dem Audio berücksichtigen können.

Dieses multimodale Modellkonzept ging über die hier erfasste API-Version mit Text- und Bildeingaben hinaus. GPT-4.1 setzte später andere Schwerpunkte, vor allem Coding, Instruktionsbefolgung und einen deutlich längeren Kontext.

Technische Daten und Zugang

Angabe	Wert und Quelle
Gewichte	ProprietärQuelle
Zugang	APIQuelle
Parameter	200 Mrd. (geschätzt)Quelle
Kontextfenster	128.000 TokenQuelle
Knowledge Cutoff	Oktober 2023Quelle
Hinweise	EpochAI schätzt ~200B ParameterQuelle
API-Modellkennung	gpt-4oQuelle
Maximale Ausgabe	16.384 TokenQuelle
Wissensstand	2023-10-01Quelle
Eingabe	Text, BildQuelle
Ausgabe	TextQuelle
Reasoning-Modus	noneQuelle
API-Schnittstellen	Responses API, Chat Completions APIQuelle
Werkzeugaufrufe	JaQuelle
Strukturierte Ausgabe	JaQuelle
Veröffentlichung	2024-05-13Quelle

Benchmark-Metaanalyse

Gesamt- und Bereichsscores

Diese Gradually-Indizes ordnen ausgewählte veröffentlichte Messwerte auf einer Skala von 0 bis 100 ein. Sie sind keine Prozentgenauigkeit und keine Garantie für ein Ergebnis in deiner Anwendung.

Abrufstände der verwendeten Quellen 2026-08-26 - 2026-10-19

Gesamtindex

Noch nicht genug unabhängige Werte für einen Score

Ein Gesamtwert braucht mindestens acht Testreihen.

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Testreihen: 4
Testfamilien: 3 / 65
Quellen: 3
Anteil am festen Testpanel (informativ): 6 %

Programmieren

Index unter 1 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 0,0
95-%-Intervall: 0,0 bis 0,0
Testreihen: 1
Testfamilien: 1 / 15
Quellen: 1
Anteil am festen Testpanel (informativ): 7 %

Allgemein

Index unter 1 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 0,0
95-%-Intervall: 0,0 bis 0,0
Testreihen: 1
Testfamilien: 1 / 5
Quellen: 1
Anteil am festen Testpanel (informativ): 20 %

Gesundheit

Index unter 1 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 0,0
95-%-Intervall: 0,0 bis 0,0
Testreihen: 1
Testfamilien: 1 / 3
Quellen: 1
Anteil am festen Testpanel (informativ): 33 %

Bildung

Index unter 1 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 0,0
95-%-Intervall: 0,0 bis 0,0
Testreihen: 1
Testfamilien: 1 / 2
Quellen: 1
Anteil am festen Testpanel (informativ): 50 %

Dokumentierte Methode · Einbezogene Testfamilien und Messwerte

Methodenfassung: benchmark-meta-score-v3

Es zählen aktive Messwerte aus geprüften Primärquellen, wenn mindestens fünf Modelle im selben dokumentierten Vergleichsschnitt aus Datensatz, Harness, Agent, Werkzeugen und Versuchsanzahl verglichen werden. Pro Benchmark-Reihe und Auswerter zählt ein gemeinsamer Setup-Schnitt aus dem neuesten Abruf. Bei mehreren ausdrücklich erfassten Reasoning-Stufen derselben Quelle und Testreihe zählt die höchste dokumentierte Stufe (none bis max), nicht der höchste Ergebniswert. Die ausdrückliche Quellenangabe „Non-reasoning“ entspricht none. Unbekannte oder mehrdeutige Stufen führen zum Ausschluss des Modells aus der betreffenden Reihe. Innerhalb jeder Reihe werden Prozentwerte und Quoten logit-transformiert, andere Einheiten bleiben unverändert, und anschließend werden alle Werte standardisiert. Ein Ein-Faktor-Modell schätzt daraus eine gemeinsame Leistungsstärke je Modell und je Reihe, wie deutlich sie zwischen den Modellen trennt. Bereichswerte weichen davon nur so weit ab, wie die eigenen Ergebnisse im Bereich es belegen. Der Gesamtwert gewichtet die Kernbereiche mit 75 % und Finanzen, Recht und Gesundheit mit 25 %. Er erfordert mindestens acht Testreihen aus zwei Quellen und drei Bereichen. Die Skala von 0 bis 100 bezieht sich auf eine feste Referenzgruppe aus 29 Sprachmodellen, deren Durchschnitt bei 50 liegt.

Veröffentlichte modellabhängige Parameter können abweichen. Das ist kein kontrolliertes Experiment; solche Vergleiche werden als vorläufig gekennzeichnet.

Nicht gemessene Reihen werden nicht als Nullwert eingesetzt. Fehlen einem Modell eigene Werte in einem Kernbereich, steht dort seine Gesamtstärke, und der Hinweis „geschätzt, ohne eigene Werte in …“ nennt den Bereich. Weniger Testreihen führen zu einem größeren Standardfehler.

Das 95-%-Intervall folgt aus dem Standardfehler von 200 Neuberechnungen mit zufällig neu gezogenen Testfamilien. Es beschreibt, wie genau die erfassten Testreihen den Wert festlegen. Es ist keine Prognose für künftige Aufgaben oder spätere Neuberechnungen mit anderen Teilnehmern.

Die Quellenzahl ist keine Anzahl unabhängiger Experimente.

OECD-Handbuch zu zusammengesetzten Indikatoren

Alle 4 Testfamilien und 4 von 4 Rohmesswerten sind hier aufgeführt. Die vollständige Rechnung für alle Modelle enthält der JSON-Export.

Testfamilie: IFBench
Allgemein · Mittleres Rangperzentil der Familie: 14,5 / 100
Gewicht der Familie im festen Testpanel (informativ): 2,14 % · Abdeckung dieser Testfamilie: 100 %
- Artificial Analysis
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  artificial-analysis-ifbench
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  2,14 %
  Rohwert:
  34,285714285714306 %
  Messgröße:
  IFBench prompt-level loose accuracy (pass@1)
  Version:
  AA test set: 294 questions
  Teilnehmende Modelle:
  70
  Rangperzentil innerhalb der Kohorte:
  14,5 %
  Abgerufen:
  2026-10-19
  Vergleichskohorte:
  artificial-analysis-ifbench:AA test set: 294 questions:standalone:non-reasoning:tokens=0:suffix=unspecified
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  ["artificial-analysis-ifbench","AA test set: 294 questions","aa-model-page-2026-10-19-8a022369738c"]
  Datensatztyp:
  artificial-analysis-evaluation
  Werkzeugregeln:
  Single-turn answer evaluated with the official IFBench source code
  Versuche:
  pass@1, 5 repeats per question
  Setup- und Modellparameter
  Exakte AA-Konfiguration: GPT-4o (Nov '24) (Release gpt-4o, Zeile gpt-4o, UUID c1045dc0-4fd3-4adb-9548-18763e0d051f, reasoning=false, source reasoning-token configuration budget=0, suffix=nicht angegeben). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Artificial Analysis führt 294 Fragen aus dem IFBench-Testdatensatz mit fünf Wiederholungen je Frage aus. Der offizielle Evaluator bewertet die Genauigkeit je Prompt im Modus loose als pass@1.. Werkzeugrichtlinie: Single-turn answer evaluated with the official IFBench source code. Versuche: pass@1, 5 repeats per question. Reasoning: non-reasoning
  Exakte AA-Konfiguration: GPT-4o (Nov '24) (Release gpt-4o, Zeile gpt-4o, UUID c1045dc0-4fd3-4adb-9548-18763e0d051f, reasoning=false, source reasoning-token configuration budget=0, suffix=nicht angegeben). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Artificial Analysis führt 294 Fragen aus dem IFBench-Testdatensatz mit fünf Wiederholungen je Frage aus. Der offizielle Evaluator bewertet die Genauigkeit je Prompt im Modus loose als pass@1.. Kennung des Quellmodells: artificial-analysis/c1045dc0-4fd3-4adb-9548-18763e0d051f/gpt-4o/gpt-4o. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: GPT-4o (Nov '24). Evaluator: Artificial Analysis. Datensatztyp: artificial-analysis-evaluation. Werkzeugrichtlinie: Single-turn answer evaluated with the official IFBench source code. Versuche: pass@1, 5 repeats per question. Reasoning: non-reasoning. Angezeigter Wert: 34,3 %. Quellenkennung: artificial-analysis. Kennung der Evidenzaufnahme: aa-model-page-2026-10-19-8a022369738c. Prüfsumme der Quelldaten: 8a022369738cbe2a0e2f9bf486a2882865dbb0c6f1396dfec84059a802560e3c. Parserversion: artificial-analysis-rsc-models-v2. Importiert am: 2026-10-19
Testfamilie: TutorBench
Bildung · Mittleres Rangperzentil der Familie: 0,0 / 100
Gewicht der Familie im festen Testpanel (informativ): 0 % · Abdeckung dieser Testfamilie: 100 %
- Scale AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  tutorbench
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  0 %
  Rohwert:
  36,12 %
  Messgröße:
  weighted rubric score
  Version:
  1,490-task release
  Teilnehmende Modelle:
  10
  Rangperzentil innerhalb der Kohorte:
  0,0 %
  Abgerufen:
  2026-08-26
  Vergleichskohorte:
  scale-tutorbench-overall
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  scale-tutorbench-overall
  Datensatztyp:
  public
  Versuche:
  pass@1
  Setup- und Modellparameter
  1.490 Aufgaben mit gewichteten Rubriken und Claude 4 Sonnet als Juror.. Versuche: pass@1
  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: 2026-10-15
Testfamilie: LiveCodeBench v6
Programmieren · Mittleres Rangperzentil der Familie: 9,1 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 100 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-lcb
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  0,71 %
  Rohwert:
  43,444 %
  Messgröße:
  accuracy
  Version:
  1
  Teilnehmende Modelle:
  78
  Rangperzentil innerhalb der Kohorte:
  9,1 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-lcb:1:overall
  Reasoning-Stufe:
  high
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-lcb:1:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384
  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: 2026-09-01. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 4.347. Standardfehler: 1.123. Kosten je Aufgabe in USD: 0.003999. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Testfamilie: MedQA
Gesundheit · Mittleres Rangperzentil der Familie: 35,9 / 100
Gewicht der Familie im festen Testpanel (informativ): 2,78 % · Abdeckung dieser Testfamilie: 100 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-medqa
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  2,78 %
  Rohwert:
  88,161 %
  Messgröße:
  accuracy
  Version:
  1
  Teilnehmende Modelle:
  40
  Rangperzentil innerhalb der Kohorte:
  35,9 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-medqa:1:overall
  Reasoning-Stufe:
  high
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-medqa:1:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384
  Kennung des Quellmodells: openai/gpt-4o-2024-08-06. Name des Quellmodells: GPT-4o. Anbieter laut Quelle: OpenAI. Modellstand: gpt-4o-2024-08-06. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-04-16. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 3.392. Standardfehler: 0.578. Kosten je Aufgabe in USD: 0.002787. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-medqa-2026-10-15-d67905978d93. Prüfsumme der Quelldaten: d67905978d932f64698ebe9e230d9519e5bae1c9d7176dda8379dc3874b6f90f. Parserversion: vals-astro-v3. Importiert am: 2026-10-15

Benchmarkquellen im Überblick

Jeder Auswerter misst andere Fähigkeiten unter eigenen Bedingungen. Testreihen, Gesamtindizes und ihre Komponenten bleiben getrennt. Die Ergebnisse darunter behalten ihre Skalen, Konfigurationen und Quelldaten.

Auswerter	Testreihen	Gesamtindizes	Erfasste aktive Messwerte
Artificial Analysis	2	1	11
Vals AI	13	0	114
Scale AI Evals	1	0	1

Die Abdeckung ist keine Qualitätsrangliste. Überschneidende Tests und mehrere Einstellungen zählen nicht als unabhängige Versuche. Herstellerangaben, historische und strittige Ergebnisse bleiben außerhalb dieser Übersicht und sind in den Detailbelegen gekennzeichnet.

Bei 6 Messwerten dieser Quellen ist die Zuordnung zu einer Testreihe noch offen. Sie erhöhen die Zahl der Testreihen nicht.

Veröffentlichte Benchmarks

Reasoning

LongBench v2

503 Aufgaben mit Kontexten von 8.000 bis 2 Millionen Wörtern decken Dokumente, Dialoge, Code-Repositories und strukturierte Daten ab. Die Werte mit Chain of Thought sind nicht mit direkten Antworten ohne Reasoning gleichzusetzen.

Teilaufgabe	GPT-4o (Dieses Modell)	Gemini 2.5 Pro	Gemini 2.5 Flash	o1	DeepSeek-R1
Easy	54,2 %	75 % (bester Wert dieser Zeile)	72,3 %	66,8 %	66,1 %
Hard	49,7 %	56,1 % (bester Wert dieser Zeile)	55,8 %	52,1 %	53,4 %
Long, 128,000 to 2 million words	43,5 %	71 % (bester Wert dieser Zeile)	55,7 %	58,1 %	59,3 %
Medium, 32,000 to 128,000 words	48,6 %	56,3 %	60 % (bester Wert dieser Zeile)	53,5 %	54,4 %
Overall	51,4 %	63,3 % (bester Wert dieser Zeile)	62,1 %	57,7 %	58,3 %
Short, up to 32,000 words	59,6 %	67,2 %	68,3 % (bester Wert dieser Zeile)	62,6 %	62,2 %

höhere Werte sind besserStand 2. September 2026Quelle: LongBenchBalken je Zeile skaliert, nicht über Zeilen hinweg

Methodik und Einordnung

Messgröße: accuracy with chain of thought

GPQA Diamond

Teilaufgabe	GPT-4o (Dieses Modell)	GPT-4o mini
Few-Shot CoT	54,04 % (bester Wert dieser Zeile)	44,95 %
Zero-Shot CoT	53,54 % (bester Wert dieser Zeile)	43,43 %
Overall	53,79 % (bester Wert dieser Zeile)	44,19 %

höhere Werte sind besserStand 15. Oktober 2026Quelle: Vals AIBalken je Zeile skaliert, nicht über Zeilen hinweg

Methodik und Einordnung

Messgröße: accuracy

TutorBench

Overall

1.490 Aufgaben prüfen adaptive Erklärungen, Feedback und Hinweise in sechs MINT-Fächern. Ein Claude-4-Sonnet-Juror bewertet gewichtete Rubriken. Gute Testwerte beweisen keine sichere Betreuung echter Lernender.

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 %

höhere Werte sind besserStand 26. August 2026Skala: 0 % - 100 %

Quelle: Scale AI

|

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: 2026-10-15

Quelle: Scale AI

Dokumentierte Messdetails

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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-951eb5224097. Prüfsumme der Quelldaten: 951eb5224097733a9d09d06c14908ae2980e2e640e539f2c284877c5092d7077. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-951eb5224097. Prüfsumme der Quelldaten: 951eb5224097733a9d09d06c14908ae2980e2e640e539f2c284877c5092d7077. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

GPQA Diamond: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 53.788
Bewertung: 53.788
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: reasoning
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-gpqa:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-10-15
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: 2026-09-01. Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384. Latenz in Sekunden: 14.924. Standardfehler: 2.507. Kosten je Aufgabe in USD: 0.009465. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-10-15-951eb5224097. Prüfsumme der Quelldaten: 951eb5224097733a9d09d06c14908ae2980e2e640e539f2c284877c5092d7077. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: high. Temperatur: 1. Maximale Ausgabetoken: 16384

Seite 1 von 15

Vorgänger und Nachfolger

Quellen und Datenstand

Art	Nachweis und Datenstand
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. Quelle: Artificial Analysis · Artificial Analysis (abgerufen 8. September 2026)Messmethode der Geschwindigkeit
Preis	API-Basispreise ohne Cache- oder Batch-Rabatt. Höhere Kontextstufen und weitere Tarife stehen unter Kosten. Quelle: Preise · API-Preise (abgerufen 8. September 2026) · GPT-4o API model documentation · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Eingabe	Dokumentierte Modalitäten. Abgerufen am 8. September 2026. Quelle: Modelldokumentation · API-Preise (abgerufen 8. September 2026) · GPT-4o API model documentation · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Ausgabe	Dokumentierte Modalitäten. Abgerufen am 8. September 2026. Quelle: Modelldokumentation · API-Preise (abgerufen 8. September 2026) · GPT-4o API model documentation · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Recherchestand	Recherchestand 8. September 2026. 6 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
In den geprüften Quellen nicht gefunden	independent-benchmarks Originalwortlaut The recorded GPT-4o benchmark rows are official vendor evaluations; no independent evaluator row was merged.
In den geprüften Quellen nicht gefunden	parameters-billions Originalwortlaut OpenAI does not publish parameter counts.
Weitere Quelle	Modellmetadaten
Weitere Quelle	Kontextfenster-Daten
Weitere Quelle	Artificial Analysis (abgerufen 19. Oktober 2026)
Weitere Quelle	Artificial Analysis (abgerufen 19. Oktober 2026)
Weitere Quelle	LongBench (abgerufen 2. September 2026)
Weitere Quelle	Scale AI (abgerufen 26. August 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	OpenAI (abgerufen 8. September 2026) · Hello GPT-4o · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere Quelle	OpenAI (abgerufen 8. September 2026)
Weitere Quelle	OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Ollama: kumulierte Downloads für den Beliebtheitsindex
Weitere Quelle	Replicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere Quelle	Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere Quelle	Creative Commons Attribution 4.0
Weitere Quelle	Introducing GPT-4.1 in the API (2026-09-19)