Alle Artikel zum Thema Benchmarks
GPT-6 Astra kostet API-seitig exakt wie Fable 5.1. Doch 62,7 % vs. 99,9 % auf ARC-AGI-3 zeigen: Die Schlagzeilen-Zahl gehört dem Harness. Mit Lesestrategie und Entscheidungsmatrix für Agent-Builder.
Qwen3.8-27B läuft auf erstaunlich viel Hardware – aber wie schnell wirklich? Baseline- vs. Community-getunte Benchmarks (Stand 19.08.2026): RTX 3090 mit ~1.000 tok/s bei 64 parallelen Streams, RTX 5090 mit 148 tok/s, DGX Spark mit 210 tok/s aggregiert, DFlash 2 mit 3,4x auf der H200 – dazu RTX 5080 Laptop, Mac mini, MacBook Pro, Mac Studio und AMD Strix Halo mit Prefill, Decode und Concurrency.
Zwei API-Einstellungen hoben GPT-5.6 Sol bei ARC-AGI-3 von 13,3 % auf 38,3 % — ohne neue Gewichte. Warum das Harness und nicht das Modell den Score bestimmt.
GPT-5.6 Sol und Grok 4.5 kamen binnen 48 Stunden – beide günstiger als Fable 5. Was die Benchmark-Wende für Ihren Coding-Agenten bedeutet und warum Kosten pro Aufgabe zählen, nicht der Token-Preis.
Claude Mythos Preview erreicht 92,1 % auf Terminal-Bench 2.1 mit 4-Stunden-Timeout. Was dieser Anstieg über KI-Evaluierung aussagt — und was das für Enterprise-Teams bedeutet.