Bestenliste
Nicht belegt — die Recherche enthält zu „Bestenliste“ noch keine Aussage.
Fachwort: leaderboard / benchmark
Im Netz
Was das Netz dazu sagt
Arena (vormals LMArena, heute arena.ai) zeigt zwei anonyme Modelle; Nutzer wählen „your preferred response“, erst danach werden die Namen gezeigt — gemessen wird Vorliebe, nicht Richtigkeit.
Stand 16.10.2026belegtArena Intelligence (vormals LMArena) · How it works
Der Artificial Analysis Intelligence Index v4.3.2 bündelt 10 Tests in vier Gruppen: Agenten 30 %, Programmieren 20 %, wissenschaftliches Denken 20 %, Allgemeines 30 %.
Stand 16.10.2026belegtArtificial Analysis · Intelligence Benchmarking Methodology
Artificial Analysis schreibt selbst: der Index ist „a primarily text-based, English-language evaluation suite“ und „may not apply directly to every use case“.
Stand 16.10.2026belegtArtificial Analysis · Intelligence Benchmarking Methodology
Chiang u. a. (UC Berkeley, 07.03.2024) beschreiben Chatbot Arena als „open platform for evaluating LLMs based on human preferences“: paarweiser Vergleich, Stimmen per Crowdsourcing, damals „over 240K votes“.
Stand 07.03.2024belegtChiang, Zheng, Sheng u. a. (UC Berkeley) · Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference (arXiv:2403.04132)
Arena schreibt, der Arena Score bestehe aus den „Bradley-Terry coefficients, which we formerly called the Elo score“.
Stand 13.06.2025AnbieterangabeArena (vormals LMArena) · Does Style Matter? Disentangling style and substance in Chatbot Arena
Mit „style control“ rechnet Arena vier Stilmerkmale aus dem Score heraus: Antwortlänge in Token sowie die Zahl der Markdown-Überschriften, der fett gesetzten Stellen und der Listen.
Stand 13.06.2025AnbieterangabeArena (vormals LMArena) · Does Style Matter? Disentangling style and substance in Chatbot Arena
Artificial Analysis bewertet alle Modelle „under identical conditions“, mit Temperatur 0 für Modelle ohne und 0,6 für Modelle mit Denkschritt, sofern das Labor nichts anderes empfiehlt.
Stand 16.10.2026AnbieterangabeArtificial Analysis · Artificial Analysis Intelligence Index v4.3.2 – Methodology
Die Zahl der Läufe je Test ist verschieden: Terminal-Bench 4.0 mittelt über 3 Wiederholungen, GDP.pdf versucht jede Aufgabe 5-mal, HLE und AA-Omniscience laufen je einmal.
Stand 16.10.2026AnbieterangabeArtificial Analysis · Artificial Analysis Intelligence Index v4.3.2 – Methodology