Zurück zum Trend des Tages: Der KI-Helfer von Meta, der Aufgaben erledigt, läuft jetzt auf Ihrer Smartwatch
Poly-Ranking · aus dem Trend des Tages

Bester KI-Agent-Benchmark 2026: Top 10 pro Dollar

Bei den unabhängigen GAIA-Neuberechnungen der Princeton University kostete Claude Opus 4.1 High 562 $ für 68,48%, Claude Sonnet 4.5 erreichte 74,55% für 178 $.

  • Nr. 1: Claude Sonnet 4.5 (HAL Generalist Agent)
  • 10 Plätze

01Endgültige Liste

Die führenden KIs haben unabhängig voneinander jeweils eine eigene Liste mit zehn Plätzen erstellt. Hier steht ein leicht prüfbares Ergebnis: Jeder Platz hat einen Grund, eine Quelle und die Liste der KIs, die ihn aufgenommen haben.

Reihenfolge: von größter bis geringster Übereinstimmung der KIs.

Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.

  1. 1

    Claude Sonnet 4.5 (HAL Generalist Agent)

    Höchste verifizierte GAIA-Wertung (74,55%) und höchste Wertung auf Level 3 (65,39%) für 178,20 $ pro Lauf. HAL markiert es als Pareto-optimal. Opus 4.1 High kostet dreimal so viel und erzielt weniger.

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 1 · ChatGPT: 1 · Kimi: 1

    Was jede KI angemerkt hat 3
    • ClaudePlatz 1

      Der einzige Lauf, der insgesamt 74% und auf Level 3 65% schafft, bei etwa 1,45 $ pro gelöster Frage. HAL markiert ihn als Pareto-optimal.

    • ChatGPTPlatz 1

      Es löste auf dem Validierungsset für 178,20 $ im gesamten Lauf fast drei Viertel aller Fragen und führt diese Liste auf Level 3 mit 65,39% an.

      Quelle ↗
    • KimiPlatz 1

      Beste verifizierte Genauigkeit der Tabelle (74,55%) UND beste Quote auf der schwersten Stufe (65,4%) – für etwa 1 $ pro Aufgabe.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  2. 2

    Claude 3.7 Sonnet High (HAL Generalist Agent)

    Ein Modell vom Februar 2025, das insgesamt 64,24% und auf Level 3 57,69% erreicht, für 122,49 $. Es schlägt das neuere Opus 4.1 High auf Level 3 bei etwa einem Fünftel der Kosten.

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 4 · ChatGPT: 2 · Kimi: 2

    Was jede KI angemerkt hat 3
    • ClaudePlatz 4

      Ein Modell vom Februar 2025 erreicht auf Level 3 noch immer 57,69%, vor GPT-5 Medium mit 46%, bei etwa 1,16 $ pro gelöster Frage.

      Quelle ↗
    • ChatGPTPlatz 2

      Es liegt 10,31 Punkte hinter dem Gesamtführenden, kostet pro geschätzter richtiger Antwort aber etwa 31% weniger und erreicht auf Level 3 57,69%.

      Quelle ↗
    • KimiPlatz 2

      Ein Modell vom Februar 2025, das das neuere Opus 4.1 High auf der schwersten Stufe schlägt (57,7% gegenüber 53,8%) – für ein Fünftel der Kosten.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  3. 3

    OpenAI o4-mini Low (HAL Generalist Agent)

    Pareto-optimal bei 73,26 $ pro Lauf. Auf Level 3 gleichauf mit dem Lauf von Opus 4.1 High für 562 $ (53,85%), liegt aber insgesamt 16 Punkte hinter dem Spitzenreiter.

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 2 · ChatGPT: 4 · Kimi: 3

    Was jede KI angemerkt hat 3
    • ClaudePlatz 2

      Er erreicht insgesamt 58% und auf der schwersten Stufe 53,85%, bei etwa 0,76 $ pro gelöster Frage – die beste Mischung aus Preis und Stärke auf Level 3 in der HAL-Tabelle.

      Quelle ↗
    • ChatGPTPlatz 4

      Die günstigste geschätzte erfolgreiche Antwort unter diesen zehn kostet etwa 0,76 $, allerdings liegt seine Gesamtwertung 16,37 Punkte hinter dem Spitzenreiter.

      Quelle ↗
    • KimiPlatz 3

      Gleichstand mit einem 562-$-Lauf von Claude Opus 4.1 High auf der schwersten Stufe (genau 53,85%), während der gesamte Lauf 73,26 $ kostet.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  4. 4

    Claude Sonnet 4.5 High, mit erweitertem Denken (HAL Generalist Agent)

    Erweitertes Denken kostet etwa so viel wie das Standard-Sonnet 4.5 (179,86 $ gegen 178,20 $). Insgesamt erzielt es 3,64 Punkte weniger und fällt auf Level 3 von 65,39% auf 46,15%.

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 7 · ChatGPT: 6 · Kimi: 9

    Was jede KI angemerkt hat 3
    • ClaudePlatz 7

      Das erweiterte Denken kostete fast dasselbe (179,86 $ gegenüber 178,20 $), senkte die Genauigkeit aber um 3,6 Punkte, und Level 3 fiel von 65% auf 46%.

      Quelle ↗
    • ChatGPTPlatz 6

      Hoher Aufwand kostet nur etwas mehr als der Standardlauf von Sonnet, erreicht aber insgesamt 3,64 Punkte weniger und auf Level 3 18,08 Punkte weniger.

      Quelle ↗
    • KimiPlatz 9

      Mehr Denkaufwand bringt Verluste: insgesamt 4 Punkte niedriger und auf der schwersten Stufe 19 Punkte niedriger als dasselbe Modell mit Standardaufwand – zum gleichen Preis.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  5. 5

    Claude Haiku 4.5 (HAL Generalist Agent)

    Das kleine Modell erreicht auf Level 3 61,54%, den zweitbesten Wert der Tabelle, und liegt über seinen eigenen 51,16% auf Level 2. Das ergibt etwa 1,41 $ pro gelöster Frage (Schätzung).

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 5 · ChatGPT: 3 · Kimi: 5

    Was jede KI angemerkt hat 3
    • ClaudePlatz 5

      Das günstige Claude-Modell erreicht auf Level 3 61,54% – das schlägt seine eigene Level-2-Quote von 51,16%.

      Quelle ↗
    • ChatGPTPlatz 3

      Seine 61,54% auf Level 3 sind der zweithöchste Wert hier, bei geschätzten 1,41 $ pro richtiger Antwort.

      Quelle ↗
    • KimiPlatz 5

      Das „kleine“ Modell der Familie erreicht den zweitschwersten Stufenwert der gesamten Tabelle: 61,5% auf Level 3.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  6. 6

    GPT-5 Medium (HF Open Deep Research)

    Liegt 3,41 Punkte über demselben Modell im HAL-Generalist-Agenten, kostet aber etwa 3,4-mal mehr (359,83 $). Das Gerüst verändert den Preis stärker als das Modell.

    Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 10 · ChatGPT: 9 · Kimi: 7

    Was jede KI angemerkt hat 3
    • ClaudePlatz 10

      Es erreicht 62,8%, was Platz 7 in der HAL-Tabelle entspricht, kostet aber 359,83 $ – also etwa das 3,4-Fache desselben Modells im HAL-Generalist-Agenten.

      Quelle ↗
    • ChatGPTPlatz 9

      Es übertrifft den HAL-Generalist-Lauf von GPT-5 Medium um 3,41 Prozentpunkte, die ausgewiesenen Kosten liegen aber etwa 3,4-mal höher.

      Quelle ↗
    • KimiPlatz 7

      Auf dem neueren, überwiegend nicht öffentlichen Index v5 liegt es 3 Punkte hinter dem 10,04-$-Spitzenreiter, bei 1,27 $ pro Aufgabe – ein Achtel des Preises.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  7. 7

    GPT-5 Medium (HAL Generalist Agent)

    59,39% für 104,75 $, etwa 1,07 $ pro gelöster Frage (Schätzung). Dasselbe Modell innerhalb von HF Open Deep Research kostet 359,83 $.

    Aufgenommen: Claude, Kimi. Nicht aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 3 · Kimi: 4

    Was jede KI angemerkt hat 2
    • ClaudePlatz 3

      Er kostet etwa 1,07 $ pro gelöster Frage, während dasselbe Modell innerhalb von HF Open Deep Research etwa 3,47 $ kostet. Das Gerüst verändert den Preis stärker als das Modell.

      Quelle ↗
    • KimiPlatz 4

      Der günstigste verifizierte Weg über 59%: 104,75 $ für den gesamten Lauf, rund 0,63 $ pro Aufgabe.

      Quelle ↗
    2 KIs setzten es hierher
    Quelle ↗
  8. 8

    OpenAI o4-mini High (HAL Generalist Agent)

    Pareto-optimal bei 59,39 $ und die günstigste Lösung pro gelöster Frage unter den starken Läufen, etwa 0,66 $ (Schätzung). Seine Wertung von 46,15% auf Level 3 hält es unter o4-mini Low.

    Aufgenommen: Claude, Kimi. Nicht aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Claude: 6 · Kimi: 6

    Was jede KI angemerkt hat 2
    • ClaudePlatz 6

      Es ist pro gelöster Frage mit etwa 0,66 $ das günstigste, aber seine Quote von 46% auf Level 3 ist der Hauptgrund, warum es hinter o4-mini Low liegt.

      Quelle ↗
    • KimiPlatz 6

      59,39 $ decken den gesamten 165-Aufgaben-Lauf – der günstigste pareto-optimale Eintrag, der noch über 54% kommt.

      Quelle ↗
    2 KIs setzten es hierher
    Quelle ↗
  9. 9

    Claude Opus 4.1 High (HAL Generalist Agent)

    562,24 $ für 68,48%, etwa 4,97 $ pro gelöster Frage (Schätzung). Das sind rund 3,4-mal so viel wie bei Sonnet 4.5 pro gelöster Frage, und die Genauigkeit ist niedriger.

    Aufgenommen: Claude, ChatGPT. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek.

    In ihren Listen: Claude: 9 · ChatGPT: 7

    Was jede KI angemerkt hat 2
    • ClaudePlatz 9

      Es erreicht 68,5%, kostet aber 562 $, etwa 5 $ pro gelöster Frage und rund das 3,4-Fache der Kosten pro gelöster Frage von Sonnet 4.5, bei geringerer Genauigkeit.

      Quelle ↗
    • ChatGPTPlatz 7

      Es liegt 5,06 Prozentpunkte unter Sonnet 4.5 und kostet für den vollen Lauf mehr als das Dreifache.

      Quelle ↗
    2 KIs setzten es hierher
    Quelle ↗
  10. 10

    Gemini 2.0 Flash (HAL Generalist Agent)

    Ein vollständiger GAIA-Lauf für 7,80 $, Pareto-optimal und etwa 23-mal günstiger als der Spitzenreiter. Bei schweren Aufgaben bricht es ein: 11,54% auf Level 3. Nur eine KI hat es gelistet.

    Aufgenommen: Kimi. Nicht aufgenommen: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    In ihren Listen: Kimi: 10

    Was jede KI angemerkt hat 1
    • KimiPlatz 10

      Ein vollständiger GAIA-Lauf für 7,80 $ – ein Dreiundzwanzigstel der Kosten des Spitzenreiters, bei 44% von dessen Genauigkeit.

      Quelle ↗
    1 KIs setzten es hierher
    Quelle ↗

Mehr über die ersten drei ↓

02Mehr über die ersten drei

Das Ranking steht oben. Hier mehr über die drei ersten Plätze: was sie sind, warum sie hier stehen und was man wissen sollte.

Alle drei stammen aus einer GAIA-Tabelle der Princeton University. Sie unterscheiden sich aber bei den Kosten pro Lauf und darin, wie gut sie auf der schwersten Stufe abschneiden. Gesamtergebnis und Preis ziehen deshalb in verschiedene Richtungen.

1Claude Sonnet 4.5 (HAL Generalist Agent)

Nr. 1 — Claude Sonnet 4.5 (HAL Generalist Agent). In den Listen von 3 von 9 KIs; mittlerer Platz dort: 1. Es hat den besten verifizierten GAIA-Wert und den besten Wert auf der schwersten Stufe und kostet deutlich weniger als Opus 4.1 High.

Schon gewusst?

  • Auf der GAIA-Bestenliste von HAL schlägt Claude Sonnet 4.5 ohne die Einstellung für mehr Nachdenken (74,55%) seine eigene „High“-Version (70,91%). Mehr Nachdenken hat hier also nicht zu einem besseren Ergebnis geführt. Opus 4.1 High kam mit 68,48% auf Platz drei.

    Quelle ↗
Was es ist
Claude Sonnet 4.5 von Anthropic, als allgemeiner Agent im GAIA-Test der Princeton University ausgeführt.
Seine Stärke
Höchstes Gesamtergebnis (74,55%) und höchster Wert auf Level 3 (65,39%) der drei.
Für wen
Passt für Leute, die das beste Ergebnis wollen. Nicht der günstigste Lauf, er kostet 178 $.
  • GAIA-Genauigkeit pro Dollar74,55% für 178,20 $

Wikidata

Warum es hier steht

  • Insgesamt erreichte es 74,55% und ist damit das Spitzenergebnis auf der GAIA-Bestenliste von HAL. — (voice only)

    Quelle ↗

  • Sein Wert auf Level 3 lag bei 65,39% und damit über den 57,69% von Claude 3.7 Sonnet High und den 53,85% von o4-mini Low. — (voice only)

    Quelle ↗
Geschichte

  • Der Start von Sonnet 4.5 im Jahr 2025 markierte einen deutlichen Sprung bei der Computernutzung: Anthropic meldete 61,4% bei OSWorld, vier Monate zuvor waren es für Sonnet 4 noch 42,2%. Mit dem Release wurde außerdem ein Baukasten zum Bau von KI-Agenten eingeführt, der auf Claude Code basiert. — (voice only)

    Quelle ↗
Gut zu wissen

  • Die 178,20 $ sind die Kosten für einen einzigen Lauf. HAL schreibt, dass die Angaben das Caching nicht berücksichtigen und zu hoch angesetzt sind. Die echten Preise könnten also niedriger liegen. Aufgeführt ist nur ein Lauf mit 165 öffentlichen Fragen.

    Quelle ↗

  • Ein anderer Cursor-Nutzer sagte, das Modell hinterlasse Code mit Fehlern und gebe bei manchen Aufgaben falsche Antworten. Das ist die Sicht eines einzelnen Nutzers, doch sie erinnert daran, dass ein Spitzenergebnis nicht heißt, dass jede Aufgabe gut läuft.

    Quelle ↗
Was die Leute sagen

  • "This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder

    Quelle ↗

Video: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (auf Englisch) · Eliot Prince

Die ersten drei vergleichen ↓

2Claude 3.7 Sonnet High (HAL Generalist Agent)

Nr. 2 — Claude 3.7 Sonnet High (HAL Generalist Agent). In den Listen von 3 von 9 KIs; mittlerer Platz dort: 2. Dieses ältere Modell schlägt das deutlich teurere Opus 4.1 High auf der schwersten Stufe und kostet dabei etwa ein Fünftel.

Schon gewusst?

  • Im Februar 2025 begann Claude 3.7 Sonnet, Pokémon Red zu spielen, live auf Twitch übertragen, und zog Tausende Zuschauer an. Das Modell, das bei diesem Agententest gut abschneidet, hat also auch öffentlich ein Videospiel gespielt.

    Quelle ↗
Was es ist
Claude 3.7 Sonnet, ein Modell vom Februar 2025, als allgemeiner Agent ausgeführt.
Seine Stärke
Kostet weniger als der Spitzenreiter (122,49 $) und erzielt auf Level 3 ein besseres Ergebnis als o4-mini.
Für wen
Passt für Leute, die einen Mittelweg zwischen Preis und Stärke bei schweren Aufgaben suchen.
  • GAIA-Genauigkeit pro Dollar64,24% für 122,49 $
Warum es hier steht

  • Insgesamt kam es auf 64,24% für 122,49 $, verglichen mit 68,48% für Opus 4.1 High bei 562,24 $. — (voice only)

    Quelle ↗

  • Sein Wert auf Level 3 lag bei 57,69% und damit über den 53,85% von Opus 4.1 High. Dabei kostete es weniger als ein Viertel: 122,49 $ gegenüber 562,24 $. — (voice only)

    Quelle ↗
Geschichte

  • Im Jahr 2025 brachte Anthropic zum Start von Claude 3.7 Sonnet Claude Code heraus, eine frühe Forschungsvorschau. Entwickler konnten damit Programmieraufgaben aus dem Terminal an Claude übergeben. Mit dem Start des Modells kam außerdem ein erweitertes, sichtbares Denken Schritt für Schritt hinzu. — Anthropic

    Quelle ↗
Weiterlesen

  • Öffnen Sie die GAIA-Bestenliste und suchen Sie unter HAL Generalist Agent die Zeile Claude 3.7 Sonnet High. Schauen Sie zuerst auf die Spalte Level 3 und vergleichen Sie dann die Kosten mit der Zeile Opus 4.1 High.

    Quelle ↗
Die ersten drei vergleichen ↓

3OpenAI o4-mini Low (HAL Generalist Agent)

Nr. 3 — OpenAI o4-mini Low (HAL Generalist Agent). In den Listen von 3 von 9 KIs; mittlerer Platz dort: 3. Es ist der günstigste Lauf und erreicht auf der schwersten Stufe das Niveau von Opus 4.1 High. Insgesamt liegt es aber hinter dem Spitzenreiter.

Schon gewusst?

  • Sam Altman von OpenAI wollte o4-mini zunächst in GPT-5 einbauen, statt es als eigenes Modell zu veröffentlichen. Es kam am 16. April 2025 heraus, kostenlose Nutzer bekamen es ab dem 24. April.

    Quelle ↗
Was es ist
o4-mini von OpenAI, auf der Einstellung Low als allgemeiner Agent ausgeführt.
Seine Stärke
Niedrigste Kosten der drei (73,26 $), bei gleichem Wert auf Level 3 wie Opus 4.1 High.
Für wen
Passt für Leute, die auf ihr Budget achten. Nicht geeignet für alle, die das höchste Gesamtergebnis brauchen.
  • GAIA-Genauigkeit pro Dollar58,18% für 73,26 $
Warum es hier steht

  • HAL markiert es als Pareto-optimal. Insgesamt erreichte es 58,18% für 73,26 $, die niedrigsten Kosten unter diesen drei. — (voice only)

    Quelle ↗

  • Sein Wert auf Level 3 lag bei 53,85% und entspricht damit Opus 4.1 High, das 562,24 $ kostete. o4-mini Low kostete 73,26 $. — (voice only)

    Quelle ↗
Schon gewusst?

  • o4-mini konnte neben Text auch mit Bildern arbeiten. Das Beispiel im Artikel: Es analysiert Whiteboard-Skizzen während seiner „Gedankenkette“ (chain-of-thought), dem Schritt-für-Schritt-Denken, das es vor der Antwort durchführt.

    Quelle ↗
Gut zu wissen

  • Im PersonQA-Test von OpenAI erfand o4-mini in 48% der Fälle Angaben. Dieser Test geht um Fakten über Personen, nicht um die GAIA-Agentenaufgaben. Er ist aber ein Grund, die Antworten doppelt zu prüfen.

    Quelle ↗
Weiterlesen

  • Suchen Sie auf derselben GAIA-Bestenliste unter HAL Generalist Agent die Zeile o4-mini Low, die als Pareto-optimal markiert ist. Vergleichen Sie ihre Kosten und ihren Wert auf Level 3 mit der Zeile Opus 4.1 High, um den Zielkonflikt zu sehen.

    Quelle ↗
Die ersten drei vergleichen ↓

Die ersten drei nebeneinander

Claude Sonnet 4.5 (HAL Generalist Agent)Claude 3.7 Sonnet High (HAL Generalist Agent)OpenAI o4-mini Low (HAL Generalist Agent)
In den KI-Listen3 / 93 / 93 / 9
GAIA-Genauigkeit pro Dollar74,55% für 178,20 $64,24% für 122,49 $58,18% für 73,26 $
Auf Platz 1 beiClaude, ChatGPT, Kimi——

Plätze mit gleich vielen KIs sind nach ihrem durchschnittlichen Platz in den Listen der KIs geordnet.

Weitere Rankings

03Wissenswert

Was den KIs beim Erstellen der Liste aufgefallen ist.

Die 94%-Krone und die verifizierte Wertung sind nicht dasselbe. Selbst eingereichte Ergebnisse auf dem GAIA-Testsatz erreichen höchstens 94,35% (Keen AgenticOS V1.1), und 51 Einreichungen liegen über der menschlichen Referenz von 92%. Die beste eigene Neuberechnung der Princeton University liegt bei 74,55%. Die Aufteilungen und Einstellungen unterscheiden sich, daher lassen sich die beiden Zahlen nicht gegeneinander reihen.

Bemerkt von:
Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

HAL warnt, dass einige veröffentlichte Laufkosten genau um das Doppelte überhöht sind, weil Protokollabschnitte doppelt gezählt wurden. Betroffene Zeilen wurden nicht neu berechnet und sind nicht einheitlich, daher könnte sich jede Platzierung pro Dollar verschieben. HAL hat außerdem das Hinzufügen neuer Modelle pausiert, die Tabelle besteht daher überwiegend aus Systemen von 2025.

Bemerkt von:
Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

Mehr Denkaufwand brachte keine besseren Ergebnisse. Sonnet 4.5 High erzielte auf Level 3 19 Punkte weniger als das Standard-Sonnet 4.5 bei gleichen Kosten. Opus 4.1 und Opus 4 High kosten mehr als das Dreifache von Sonnet 4.5 und erzielten trotzdem weniger.

Bemerkt von:
Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

Die zweite unabhängige Kostenquelle ist dünn. Artificial Analysis führt GAIA nicht erneut aus und berechnet die Preise versuchter Aufgaben in seinem eigenen Index, nicht gelöster GAIA-Aufgaben. Dort liegen die Kosten pro Aufgabe bei den zehn besten Modellen zwischen 0,96 $ und 13,04 $.

Bemerkt von:
Aufgenommen: Claude, ChatGPT, Kimi. Nicht aufgenommen: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

Ein Agent der Universität von Kalifornien, Berkeley, erreichte rund 98% auf dem öffentlichen Validierungssatz von GAIA, ohne eine einzige Aufgabe zu lösen. Er las die öffentlichen Antworten und nutzte die Antwortnormalisierung aus. Die oft zitierten GAIA-Wertungen von Manus waren Selbstangaben und wurden nie unabhängig neu berechnet.

Bemerkt von:
Aufgenommen: Claude, Kimi. Nicht aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

04So haben wir gezählt

In einfachen Worten, ohne Formeln.

1Die Frage

Die 10 KI-Agenten, die Aufgaben wirklich zu Ende bringen, sortiert nach Ergebnis pro Dollar

2Warum dieses Thema

Jede Rangliste zeigt Trefferquote oder Preis aus einem einzigen Lauf. Wer beides in zwei unabhängigen Quellen prüft, sieht, dass die Krone des „besten Agenten“ den Besitzer wechselt, sobald man die Kosten jeder abgeschlossenen Aufgabe mitrechnet.

3Wofür es gilt

weltweit, universelle KI-Agenten, bewertet an unabhängigen mehrstufigen Aufgaben-Benchmarks

4Worauf wir geachtet haben

  • Aufgabentrefferquote auf GAIA, aus der HAL-Rangliste der Princeton University
  • Kosten pro abgeschlossener Aufgabe, gegengeprüft anhand unabhängiger Wiederholungen von Artificial Analysis
  • Zuverlässigkeit auf der schwierigsten mehrstufigen Ebene, bereinigt um die Sättigung des Benchmarks
  • Princeton University HAL GAIA-Rangliste — Eigene Wiederholungsläufe der Princeton University für jeden Agenten mit den 165 öffentlichen GAIA-Validierungsfragen. Ausgewiesen werden die Gesamtgenauigkeit und die Genauigkeit auf Stufe 1/2/3, die gesamten API-Kosten (Caching nicht berücksichtigt) und wh
  • HAL AI Agent Reliability Tracker — Genauigkeit über wiederholte Läufe sowie Beständigkeit, Robustheit und Vorhersagbarkeit bei GAIA und τ-bench. Es gibt keine vergleichbaren Kosten pro Aufgabe.
  • Artificial Analysis Intelligence Index v5 — Unabhängige Wiederholungsläufe der Modelle bei 9 Bewertungen, mit Kosten in Dollar pro versuchter Indexaufgabe. GAIA wird nicht erneut durchlaufen, daher lässt sich damit nur der Preis gegenprüfen, nicht
  • Personal Agent Bench GAIA-Tracker — Selbst eingereichte GAIA-Testergebnisse von Hugging Face (4.116 Einreichungen Stand 6. November 2026). Es zeigt eine Sättigung. Kosten und Läufe sind nicht überprüft.

5Wer gerankt hat

Die führenden KIs: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.

6Wie die Plätze festgelegt wurden

Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.

05Die Liste jeder KI

🇺🇸 Claude10 Plätze · 4 Hinweise

Dieselbe Frage, allein von Claude beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Claude Sonnet 4.5 im HAL Generalist Agent (GAIA, Lauf 2025)

    Der einzige Lauf, der insgesamt 74% und auf Level 3 65% schafft, bei etwa 1,45 $ pro gelöster Frage. HAL markiert ihn als Pareto-optimal.

  2. 2
    o4-mini (Low) im HAL Generalist Agent

    Er erreicht insgesamt 58% und auf der schwersten Stufe 53,85%, bei etwa 0,76 $ pro gelöster Frage – die beste Mischung aus Preis und Stärke auf Level 3 in der HAL-Tabelle.

    Quelle ↗
  3. 3
    GPT-5 Medium im HAL Generalist Agent

    Er kostet etwa 1,07 $ pro gelöster Frage, während dasselbe Modell innerhalb von HF Open Deep Research etwa 3,47 $ kostet. Das Gerüst verändert den Preis stärker als das Modell.

    Quelle ↗
  4. 4
    Claude 3.7 Sonnet High im HAL Generalist Agent

    Ein Modell vom Februar 2025 erreicht auf Level 3 noch immer 57,69%, vor GPT-5 Medium mit 46%, bei etwa 1,16 $ pro gelöster Frage.

    Quelle ↗
  5. 5
    Claude Haiku 4.5 im HAL Generalist Agent

    Das günstige Claude-Modell erreicht auf Level 3 61,54% – das schlägt seine eigene Level-2-Quote von 51,16%.

    Quelle ↗
  6. 6
    o4-mini (High) im HAL Generalist Agent

    Es ist pro gelöster Frage mit etwa 0,66 $ das günstigste, aber seine Quote von 46% auf Level 3 ist der Hauptgrund, warum es hinter o4-mini Low liegt.

    Quelle ↗
  7. 7
    Claude Sonnet 4.5 High (erweitertes Denken) im HAL Generalist Agent

    Das erweiterte Denken kostete fast dasselbe (179,86 $ gegenüber 178,20 $), senkte die Genauigkeit aber um 3,6 Punkte, und Level 3 fiel von 65% auf 46%.

    Quelle ↗
  8. 8
    GPT-4.1 auf HF Open Deep Research

    Es ist ein etwa ein Jahr altes Modell ohne Denkschritte, das 50% der Fragen für etwa 1,32 $ je Frage löst, aber auf Level 3 schwach ist (34,6%).

    Quelle ↗
  9. 9
    Claude Opus 4.1 High im HAL Generalist Agent

    Es erreicht 68,5%, kostet aber 562 $, etwa 5 $ pro gelöster Frage und rund das 3,4-Fache der Kosten pro gelöster Frage von Sonnet 4.5, bei geringerer Genauigkeit.

    Quelle ↗
  10. 10
    GPT-5 Medium auf HF Open Deep Research

    Es erreicht 62,8%, was Platz 7 in der HAL-Tabelle entspricht, kostet aber 359,83 $ – also etwa das 3,4-Fache desselben Modells im HAL-Generalist-Agenten.

    Quelle ↗

Was Claude aufgefallen ist

Selbst eingereichte GAIA-Testergebnisse haben die menschliche Referenz von 92 überschritten. Keen AgenticOS V1.1 führt mit 94,35, und 51 Einreichungen liegen über 92. Der beste Wert im eigenen Nachlauf der Princeton University liegt bei 74,55% auf dem Validierungsset, bei etwa 178 $. Das sind unterschiedliche Aufteilungen und Setups, die beiden Werte sind deshalb nicht direkt vergleichbar.

Quelle ↗

Der Spitzenplatz bei GAIA wechselte am 22. September, 12. Oktober und 3. November den Besitzer, jedes Mal um etwa einen Drittelpunkt. Da die Top fünf innerhalb von etwa einem Punkt liegen, trennt die Tabelle sie nicht mehr. Nur Level 3 zeigt noch Streuung.

Quelle ↗

Bei HAL bedeutet mehr Denkarbeit nicht bessere Ergebnisse. Sonnet 4.5 High liegt bei gleichen Kosten unter dem Standard-Sonnet 4.5, und Opus 4.1 kostet etwa das Dreifache von Sonnet 4.5 und erreicht dabei weniger.

Quelle ↗

GAIA prüft, ob ein Agent eine Tatsache abrufen kann. Nichts wird gebucht, bezahlt oder verschickt, und zwischen den Fragen bleibt nichts im Gedächtnis. Die Übersicht verweist auf Gaia2, wo GPT-5 (high) 42% pass@1 erreicht.

Quelle ↗
🇺🇸 ChatGPT10 Plätze · 4 Hinweise

Dieselbe Frage, allein von ChatGPT beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    HAL Generalist Agent – Claude Sonnet 4.5 (September 2025)

    Es löste auf dem Validierungsset für 178,20 $ im gesamten Lauf fast drei Viertel aller Fragen und führt diese Liste auf Level 3 mit 65,39% an.

    Quelle ↗
  2. 2
    HAL Generalist Agent – Claude 3.7 Sonnet High (Februar 2025)

    Es liegt 10,31 Punkte hinter dem Gesamtführenden, kostet pro geschätzter richtiger Antwort aber etwa 31% weniger und erreicht auf Level 3 57,69%.

    Quelle ↗
  3. 3
    HAL Generalist Agent – Claude Haiku 4.5 (Oktober 2025)

    Seine 61,54% auf Level 3 sind der zweithöchste Wert hier, bei geschätzten 1,41 $ pro richtiger Antwort.

    Quelle ↗
  4. 4
    HAL Generalist Agent, Pareto-optimal – o4-mini Low (April 2025)

    Die günstigste geschätzte erfolgreiche Antwort unter diesen zehn kostet etwa 0,76 $, allerdings liegt seine Gesamtwertung 16,37 Punkte hinter dem Spitzenreiter.

    Quelle ↗
  5. 5
    HAL Generalist Agent – Claude 3.7 Sonnet (Februar 2025)

    Sein Laufpreis von 130,68 $ bringt eine Quote von 56,36% – damit liegt es bei der Gesamtgenauigkeit nahe bei Haiku, auf Level 3 aber 15,39 Punkte zurück.

    Quelle ↗
  6. 6
    HAL Generalist Agent – Claude Sonnet 4.5 High (September 2025)

    Hoher Aufwand kostet nur etwas mehr als der Standardlauf von Sonnet, erreicht aber insgesamt 3,64 Punkte weniger und auf Level 3 18,08 Punkte weniger.

    Quelle ↗
  7. 7
    HAL Generalist Agent – Claude Opus 4.1 High (August 2025)

    Es liegt 5,06 Prozentpunkte unter Sonnet 4.5 und kostet für den vollen Lauf mehr als das Dreifache.

    Quelle ↗
  8. 8
    HAL Generalist Agent – Claude Opus 4.1 (August 2025)

    Ohne die High-Einstellung sinken die ausgewiesenen Laufkosten um etwa 80 $, doch die Genauigkeit fällt um 4,24 Punkte und Level 3 auf 42,31%.

    Quelle ↗
  9. 9
    Hugging Face Open Deep Research – GPT-5 Medium (August 2025)

    Es übertrifft den HAL-Generalist-Lauf von GPT-5 Medium um 3,41 Prozentpunkte, die ausgewiesenen Kosten liegen aber etwa 3,4-mal höher.

    Quelle ↗
  10. 10
    HAL Generalist Agent – Claude Opus 4 High (Mai 2025)

    Es kostet 665,89 $ und erreicht trotzdem weniger als die viel günstigere Sonnet-4.5-Konfiguration, sowohl insgesamt als auch auf Level 3.

    Quelle ↗

Was ChatGPT aufgefallen ist

Der Spitzenreiter bei der Gesamtgenauigkeit ist nicht auch der Budget-Sieger: Der o4-mini-Eintrag von HAL kostet etwa 0,76 $ pro geschätzter richtiger Antwort, Sonnet 4.5 etwa 1,45 $, erreicht aber 16,37 Punkte weniger insgesamt und 11,54 Punkte weniger auf Level 3.

Quelle ↗

Die schwerere Stufe verändert das Bild: Haiku 4.5 erreicht auf Level 3 61,54% und liegt damit vor mehreren teureren Konfigurationen, obwohl es insgesamt nur 56,36% schafft.

Quelle ↗

HALs Live-Hinweis besagt, dass die Modell-Bestenliste pausiert ist und einige angezeigte Kosten um den Faktor 2 zu hoch angesetzt sind; der Hinweis kann die scheinbaren Wertungen verschieben, und HAL hat die betroffenen Zeilen noch nicht neu berechnet.

Quelle ↗

Die eigene Live-Übersicht von GAIA weist auf Sättigungsprobleme hin und warnt davor, einen Bestenlistenwert als vollständiges Maß für den Nutzen eines persönlichen Agenten zu nehmen.

Quelle ↗
🇺🇸 Gemini10 Plätze

Dieselbe Frage, allein von Gemini beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    OpenHands (All-Hands AI)

    Erreicht 72% GAIA-Genauigkeit bei nur 0,48 $ pro Aufgabe, indem es Open-Source-Gerüste mit Modellen mit Prompt-Caching kombiniert – bei der Preiseffizienz schlägt es 20-$-Läufe proprietärer Anbieter um den Faktor 40.

  2. 2
    Browser Use

    Hat das schlankste Web-Automatisierungsprofil im Netz: löst Browser-Navigationsabläufe mit durchschnittlich 0,18 $ pro Sitzung.

    Quelle ↗
  3. 3
    Manus AI

    Führt umfangreiche, mehrstündige Recherche- und Dokumentenabläufe in einer isolierten Sandbox aus, zu effektiven amortisierten Kosten von 0,65 $ pro fertigem Ergebnis.

  4. 4
    H2O GPTe

    Integriert Dokumentenextraktionsschleifen auf Unternehmensniveau, die 74,1% Genauigkeit halten, bei API-Ausgaben von unter 50 Cent pro Aufgabe.

    Quelle ↗
  5. 5
    Claude Computer Use (Anthropic)

    Setzt den Maßstab für GUI-Genauigkeit auf Level 2 und 3, doch der Betrieb seiner visuellen Prüfschleife treibt die Ausführungskosten auf 2,15 $ pro Aufgabe.

    Quelle ↗
  6. 6
    Microsoft Magentic-One (AutoGen)

    Koordiniert vier spezialisierte Unter-Agenten für komplexe Rechercheabläufe und tauscht dafür 1,90 $ an Mehrrunden-Token-Kosten gegen robuste Fehlerwiederherstellung.

    Quelle ↗
  7. 7
    AutoGPT (Forge Scaffold)

    Bleibt bei der Einstiegsausführung extrem günstig (0,32 $/Aufgabe), bricht aber stark ein, wenn Level-3-Abhängigkeiten mit langem Horizont in endlose Wiederholungsschleifen geraten.

  8. 8
    OpenAI Operator (CUA)

    Navigiert dynamische Verbraucher-Websites mit reibungslos ausgefüllten Formularen, doch die hohe Abrechnung für Bild-Token hebt die Grundkosten pro Aufgabe auf etwa 2,40 $.

    Quelle ↗
  9. 9
    Devin (Cognition Labs)

    Beherrscht automatisierte Softwareentwicklungsprobleme, doch eine eigene Cloud-Umgebung bringt die realen Laufkosten auf 6,50 bis 12,00 $ pro abgeschlossener Aufgabe.

    Quelle ↗
  10. 10
    Shadow Harness V8 (GAIA Optimizer)

    Klettert mit 94,0% GAIA-Genauigkeit auf Hugging Face an die Spitze der Bestenliste, verbraucht dafür aber mehr als 22,00 $ pro Aufgabe an ungekürzten rekursiven Denk-Token.

    Quelle ↗
🇨🇳 Kimi10 Plätze · 4 Hinweise

Dieselbe Frage, allein von Kimi beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Claude Sonnet 4.5 + HAL Generalist Agent (September 2025)

    Beste verifizierte Genauigkeit der Tabelle (74,55%) UND beste Quote auf der schwersten Stufe (65,4%) – für etwa 1 $ pro Aufgabe.

    Quelle ↗
  2. 2
    Claude 3.7 Sonnet High + HAL Generalist Agent (Februar 2025)

    Ein Modell vom Februar 2025, das das neuere Opus 4.1 High auf der schwersten Stufe schlägt (57,7% gegenüber 53,8%) – für ein Fünftel der Kosten.

    Quelle ↗
  3. 3
    OpenAI o4-mini Low + HAL Generalist Agent (April 2025)

    Gleichstand mit einem 562-$-Lauf von Claude Opus 4.1 High auf der schwersten Stufe (genau 53,85%), während der gesamte Lauf 73,26 $ kostet.

    Quelle ↗
  4. 4
    GPT-5 Medium + HAL Generalist Agent (August 2025)

    Der günstigste verifizierte Weg über 59%: 104,75 $ für den gesamten Lauf, rund 0,63 $ pro Aufgabe.

    Quelle ↗
  5. 5
    Claude Haiku 4.5 + HAL Generalist Agent (Oktober 2025)

    Das „kleine“ Modell der Familie erreicht den zweitschwersten Stufenwert der gesamten Tabelle: 61,5% auf Level 3.

    Quelle ↗
  6. 6
    OpenAI o4-mini High + HAL Generalist Agent (April 2025)

    59,39 $ decken den gesamten 165-Aufgaben-Lauf – der günstigste pareto-optimale Eintrag, der noch über 54% kommt.

    Quelle ↗
  7. 7
    GPT-6.1 Sol (max) – Gegenprüfung mit dem Artificial Analysis Intelligence Index v5

    Auf dem neueren, überwiegend nicht öffentlichen Index v5 liegt es 3 Punkte hinter dem 10,04-$-Spitzenreiter, bei 1,27 $ pro Aufgabe – ein Achtel des Preises.

    Quelle ↗
  8. 8
    Claude Opus 5.5 (max) – Spitzenreiter im Artificial Analysis Intelligence Index v5

    Das klügste Modell des neuesten Index – und die teuerste Art, einen Punkt zu kaufen, mit 10,04 $ pro Aufgabe.

    Quelle ↗
  9. 9
    Claude Sonnet 4.5 High + HAL Generalist Agent (September 2025)

    Mehr Denkaufwand bringt Verluste: insgesamt 4 Punkte niedriger und auf der schwersten Stufe 19 Punkte niedriger als dasselbe Modell mit Standardaufwand – zum gleichen Preis.

    Quelle ↗
  10. 10
    Gemini 2.0 Flash + HAL Generalist Agent (Februar 2025)

    Ein vollständiger GAIA-Lauf für 7,80 $ – ein Dreiundzwanzigstel der Kosten des Spitzenreiters, bei 44% von dessen Genauigkeit.

    Quelle ↗

Was Kimi aufgefallen ist

Zwei zutreffende Zahlen, 20 Punkte auseinander: Die selbst eingereichte GAIA-Bestenliste auf Hugging Face führt mit 94,35% (über der menschlichen Referenz von 92%), während der unabhängige Nachlauf der Princeton University mit Agenten, die sie kontrolliert, bei 74,55% endet. Die Sättigung der öffentlichen Liste ist real – 51 Einreichungen liegen jetzt über der menschlichen Linie –, deshalb stützt sich dieses Ranking auf unabhängige Nachläufe.

Quelle ↗

HAL der Princeton University selbst weist (5. Oktober 2026) darauf hin, dass einige veröffentlichte Laufkosten genau um das Doppelte zu hoch angegeben sind, weil Trace-Spannen doppelt gezählt wurden – und das Hinzufügen neuer Modelle ist ganz pausiert, sodass die Tabelle vor allem eine Momentaufnahme von Systemen aus 2025 ist.

Quelle ↗

Entscheidend ist der Kostenunterschied pro abgeschlossener Aufgabe, nicht der Listenpreis: Unter den zehn besten Modellen des Artificial Analysis v5 kostet das günstigste (GPT-6.1 Terra) 0,96 $ pro Aufgabe, das teuerste (Claude Fable 5.1) 13,04 $ – eine Lücke von mehr als dem 13-Fachen bei nur einstelligen Indexunterschieden.

Quelle ↗

Ein Team der Universität von Kalifornien, Berkeley erreichte auf GAIAs Validierungssplit rund 98%, ohne eine einzige Aufgabe zu lösen – indem es die öffentliche Antwortdatei las und den Antwortnormalisierer ausnutzte. Das ist das stärkste Argument, unabhängigen Nachläufen und zurückgehaltenen Testsets mehr zu vertrauen als jeder einzelnen Tabelle.

Quelle ↗