Alle Leistungsvergleiche

GPQA Diamond

GPQA Diamond ist ein Multiple-Choice-Leistungstest auf Graduiertenniveau in Biologie, Physik und Chemie. Jede Frage wird von einem Fachexperten verfasst und so konzipiert, dass selbst Spezialisten des jeweiligen Fachgebiets sorgfältig nachdenken müssen, um die richtige Antwort zu finden. Wir führen denselben festen Fragensatz auf den Endpunkten der Anbieter aus, um die Leistungsfähigkeit der Modelle, das Routing und die tatsächlichen Kosten für die Lösung schwieriger wissenschaftlicher Probleme zu vergleichen.

Letzter Vergleichstestlauf

Welches Modell führt im GPQA Diamond-Leistungstest?

Google: Gemini 4 Argon führt GPQA Diamond mit 96,5 % zum Stand vom 15.11.2026, 02:47 UTC an. Derselbe feste GPQA-Diamond-Fragensatz und dieselbe Bewertung bleiben über alle produktiven Anbieter-Endpunkte hinweg unverändert. Die hervorgehobene Zeile verwendet das Standard-Routing, sofern verfügbar; andernfalls verwendet sie ein repräsentatives Anbieterergebnis.

Modellvergleich

Am genauesten

Bestes Preis-Leistungs-Verhältnis

Favicon für openai
OpenAI: GPT-6.1 Sol

0,021 $/Frage

Genauigkeit
Genauigkeit im repräsentativen Durchlauf, beste zuerst.
Kosten pro Frage
Durchschnittliche Kosten pro Frage, günstigste zuerst.
Zeit pro Frage
Durchschnittliche Gesamtdauer pro Frage, schnellste zuerst.

Kosteneffizienz

Genauigkeit vs. Kosten (Pareto-Grenze)
Ein Punkt pro Modell, nach Möglichkeit mit Standardrouting (ohne Bindung an einen Anbieter). Die Linie ist die Pareto-Grenze: Kein Modell übertrifft diese Modelle sowohl bei der Genauigkeit als auch bei den Kosten.

Rangliste

Zeilen der obersten Ebene verwenden das Standard-Routing, sofern verfügbar; klicken Sie auf eine Zeile, um die Ergebnisse mit festgelegtem Anbieter aufzuklappen.

GPQA Diamond-Rangliste: Modellgenauigkeit, Kosten, Zeit und Ausgabe-Token pro Frage nach Anbieter
#ModellStandardabw.
196,5 %--0,095 $1,7m8,44k
295,6 %--0,068 $2,2m18k
395,5 %--0,33 $75s4,53k
494,9 %--0,084 $26s1,87k
594,5 %±0,1Prozentpunkte0,20 $2,2m16,7k
694,4 %--0,11 $57s2,11k
794,4 %--0,021 $52s1,98k
894,1 %--0,15 $1,6m11,6k
993,9 %±0,3Prozentpunkte0,31 $2,5m10,3k
1093,9 %±0,4Prozentpunkte0,029 $59s7,68k
1192,9 %--0,088 $86s8,6k
1292,8 %±0,4Prozentpunkte0,12 $6,0m20,3k
1392,8 %±0,6Prozentpunkte0,025 $20s2,28k
1492,8 %±0,5Prozentpunkte0,044 $62s11,7k
1592,4 %±0,0Prozentpunkte0,039 $63s3,71k
1692,3 %±0,1Prozentpunkte0,14 $90s15,8k
1792,0 %±1,0Prozentpunkte0,13 $4,0m10,7k
1891,9 %--0,025 $32s2,37k
19
Amazon Bedrock
91,9 %--0,22 $13,4m36,1k
2091,1 %--0,011 $28s2,13k
2191,1 %--0,031 $1,6m30,6k
2290,9 %--0,22 $5,0m29,4k
2390,5 %±1,6Prozentpunkte0,11 $9,0m37,5k
2490,2 %±0,0Prozentpunkte0,14 $2,5m9,46k
2590,2 %±0,5Prozentpunkte0,054 $30s2,5k
2690,2 %±1,9Prozentpunkte0,035 $5,2m30,5k
2790,2 %±0,4Prozentpunkte0,074 $2,3m17,1k
2890,1 %±0,7Prozentpunkte0,011 $2,0m19,4k
2989,9 %±0,7Prozentpunkte0,13 $31s2,4k
3089,8 %±0,6Prozentpunkte0,12 $13,8m47,5k
3189,7 %±1,1Prozentpunkte0,20 $1,6m7,86k
3289,6 %±0,3Prozentpunkte0,038 $2,4m27k
3389,5 %±1,0Prozentpunkte0,23 $1,8m9,01k
3489,1 %±0,8Prozentpunkte0,023 $4,1m30,7k
3588,8 %±0,4Prozentpunkte0,033 $12,5m38k
3688,6 %±0,3Prozentpunkte0,22 $1,8m8,64k
3788,6 %--0,021 $11,2m45,5k
3888,5 %±0,1Prozentpunkte0,13 $4,2m43,9k
3988,4 %±0,0Prozentpunkte0,041 $55s3,32k
4088,4 %--0,008 $73s13,1k
4188,4 %±0,0Prozentpunkte0,015 $71s13,6k
4288,0 %±1,1Prozentpunkte0,023 $3,9m25,3k
4387,9 %±1,9Prozentpunkte0,13 $62s4,87k
4487,9 %--0,044 $9,8m34,2k
4587,8 %±3,7Prozentpunkte0,18 $45s3,49k
4687,6 %±0,9Prozentpunkte0,014 $2,9m26k
4787,6 %±0,6Prozentpunkte0,009 $83s7,69k
4887,4 %±1,4Prozentpunkte0,091 $3,3m14,8k
4987,4 %--0,003 $50s5,75k
5087,3 %±1,8Prozentpunkte0,047 $11,2m36k
5186,8 %±1,0Prozentpunkte0,022 $8,7m46,3k
5286,7 %±0,5Prozentpunkte0,004 $39s7,89k
5386,7 %±4,2Prozentpunkte0,16 $15,9m56,1k
5486,7 %±0,0Prozentpunkte0,22 $4,4m22,2k
5586,7 %±2,7Prozentpunkte0,008 $6,9m26,9k
5686,6 %±1,8Prozentpunkte0,10 $7,6m26,9k
5786,6 %±1,4Prozentpunkte0,75 $8,4m30k
5886,6 %±0,8Prozentpunkte0,025 $3,9m20,8k
5986,5 %±1,0Prozentpunkte0,84 $6,8m33,5k
6086,0 %±2,8Prozentpunkte0,082 $6,1m23,7k
6185,9 %±0,8Prozentpunkte0,006 $9,3m32,3k
6285,9 %--0,020 $2,0m15,4k
6385,7 %±0,3Prozentpunkte0,21 $4,4m20,9k
6485,5 %±2,1Prozentpunkte0,044 $10,0m37,9k
6585,4 %±1,3Prozentpunkte0,10 $7,6m31,8k
6685,3 %±4,9Prozentpunkte0,17 $2,8m16,8k
6785,2 %±1,4Prozentpunkte0,14 $7,3m49,9k
6884,9 %±1,0Prozentpunkte0,055 $4,2m23,1k
6984,8 %--0,001 $88s17,5k
7084,5 %±4,9Prozentpunkte0,096 $20,9m37,9k
7184,4 %±0,9Prozentpunkte0,036 $53s14,5k
7284,1 %±2,4Prozentpunkte0,014 $8,8m40,1k
7383,8 %±3,0Prozentpunkte0,090 $12,9m31,8k
7483,8 %±0,6Prozentpunkte0,062 $75s13,6k
7583,4 %±1,1Prozentpunkte0,095 $4,9m23,4k
7683,2 %--0,064 $8,2m51,2k
7782,7 %±1,9Prozentpunkte0,093 $18,5m45,2k
7882,6 %±1,6Prozentpunkte0,26 $3,9m26k
7982,3 %±1,4Prozentpunkte0,008 $7,3m18,6k
8082,2 %±6,7Prozentpunkte0,030 $12,5m30,5k
8182,1 %±2,4Prozentpunkte0,041 $83s27k
8281,9 %±1,4Prozentpunkte0,034 $3,5m13,9k
8381,7 %±2,0Prozentpunkte0,009 $9,6m19,5k
8481,6 %±1,3Prozentpunkte0,027 $4,6m25,4k
8581,6 %±1,1Prozentpunkte0,31 $4,8m20,7k
8681,3 %--0,008 $5,9m33,9k
8781,0 %±1,8Prozentpunkte0,24 $18,0m63,9k
8881,0 %±2,2Prozentpunkte0,045 $3,5m22,4k
8980,8 %--0,053 $6,8m43,9k
9080,8 %±1,4Prozentpunkte0,022 $4,1m17,5k
9179,8 %±4,3Prozentpunkte0,043 $8,6m42,6k
9279,1 %±3,4Prozentpunkte0,16 $14,8m66,9k
9378,9 %±2,3Prozentpunkte0,029 $7,1m25,9k
9478,6 %--0,26 $3,0m17,4k
9578,6 %--0,058 $10,6m23,1k
9677,7 %±0,4Prozentpunkte0,013 $64s10,3k
9777,4 %±2,0Prozentpunkte0,006 $11,8m37,6k
9877,2 %±4,8Prozentpunkte0,014 $14,9m40,6k
9977,2 %±0,3Prozentpunkte0,018 $7,5m17,5k
10077,1 %±3,3Prozentpunkte0,063 $17,0m30,9k
10176,7 %±4,1Prozentpunkte0,053 $14,9m23,3k
10275,8 %--0,015 $2,9m24k
10375,1 %±1,1Prozentpunkte0,015 $1,8m14,5k
10474,9 %±1,9Prozentpunkte0,003 $2,8m31k
10574,2 %±2,3Prozentpunkte0,006 $6,2m24,1k
10673,2 %±2,4Prozentpunkte0,016 $11,2m60,9k
10773,2 %±0,8Prozentpunkte0,19 $4,0m37,9k
10872,8 %±0,4Prozentpunkte0,061 $2,0m24,2k
10972,7 %±1,6Prozentpunkte0,006 $5,4m8,11k
11072,1 %±13,3Prozentpunkte0,62 $10,7m41k
11171,8 %±0,3Prozentpunkte0,011 $85s10,5k
11270,6 %±2,6Prozentpunkte0,009 $6,2m45,1k
11370,5 %±0,4Prozentpunkte0,013 $3,9m33,3k
11469,5 %±0,8Prozentpunkte0,007 $4,9m5,94k
11569,3 %±4,4Prozentpunkte0,015 $15,5m50,7k
11666,8 %--0,014 $5,4m15,3k
11766,3 %±0,5Prozentpunkte0,003 $81s2,99k
11865,7 %--0,015 $28,6m64,4k
11965,2 %±1,3Prozentpunkte0,004 $27s2,41k
12065,2 %±2,5Prozentpunkte0,006 $10,7m41,8k
12164,9 %±0,6Prozentpunkte0,003 $2,8m10,3k
12264,2 %±1,4Prozentpunkte0,007 $3,9m11,5k
12363,7 %±0,4Prozentpunkte0,016 $15s1,75k
12463,7 %±13,9Prozentpunkte0,014 $6,9m12k
12563,2 %±2,2Prozentpunkte0,018 $11,2m89,4k
12662,1 %±1,2Prozentpunkte0,002 $65s2,17k
12760,9 %±1,0Prozentpunkte0,008 $5,6m17,3k
12860,9 %--0,008 $5,0m15,4k
12960,4 %±0,5Prozentpunkte0,004 $35s2,12k
13059,2 %±0,3Prozentpunkte0,003 $8,7m11,7k
13155,2 %±0,5Prozentpunkte0,018 $1,9m44,3k
13254,6 %±8,7Prozentpunkte0,006 $2,1m5,65k
13353,9 %--0,005 $2,0m11,8k
13452,0 %±0,3Prozentpunkte0,018 $16s1,56k
13551,7 %±0,5Prozentpunkte0,016 $10,6m40,5k
13651,1 %±0,1Prozentpunkte0,013 $13s1,12k
13750,5 %--0,010 $11,7m64,8k
13849,1 %±0,9Prozentpunkte0,00084 $23s1,9k
13947,5 %±1,0Prozentpunkte0,001 $86s2,36k
14046,0 %±1,3Prozentpunkte0,001 $1,6m1,85k
14143,6 %±0,7Prozentpunkte0,001 $22s1,48k
14242,9 %--0,002 $59s1,66k
14338,9 %--0,00023 $9s711
14438,0 %±1,2Prozentpunkte0,00038 $52s2,26k
14528,6 %--0,00059 $15s1,64k
14627,7 %±2,2Prozentpunkte0,001 $2,5m15,5k
14727,7 %±0,1Prozentpunkte0,000062 $9s580
14827,1 %--0,00011 $11s1,8k
14921,4 %--0,18 $78s14,6k
15010,3 %±0,0Prozentpunkte0,018 $22s11,8k

Beispielaufgaben

GPQA verwendet Fragen mit vier Antwortmöglichkeiten, die mehr erfordern als das Abrufen einer Definition. Diese repräsentativen Beispiele zeigen das Format und die Bandbreite wissenschaftlicher Fachgebiete, ohne Fragen aus dem geschützten Fragenpool des Leistungstests wiederzugeben.

Biology

A researcher observes that a membrane protein is synthesized on ribosomes attached to the rough endoplasmic reticulum. Which destination is most consistent with this protein entering the secretory pathway?

  1. A.The cytosol, where it remains soluble
  2. B.The nucleus, after import through a nuclear pore
  3. C.A membrane of the endomembrane system or the cell surface
  4. D.The mitochondrial matrix through a TOM/TIM complex

Antwort: C

Ribosomes on the rough ER synthesize proteins destined for secretion or insertion into the endomembrane system, including the plasma membrane.

Physics

A spacecraft is far from other bodies and fires its engine in the direction opposite to its velocity. Ignoring mass loss during the brief burn, what happens immediately to its speed?

  1. A.It increases because the exhaust carries away backward momentum
  2. B.It decreases because the thrust points opposite to its velocity
  3. C.It remains unchanged because thrust only changes direction
  4. D.It becomes zero because the spacecraft is in free space

Antwort: B

An impulse opposite the velocity vector reduces the spacecraft’s momentum and therefore its speed during the burn.

Chemistry

Why does adding a small amount of a common ion generally reduce the solubility of a sparingly soluble ionic solid in water?

  1. A.The common ion increases the solid’s lattice energy
  2. B.The common ion shifts the dissolution equilibrium toward the solid
  3. C.The common ion converts every dissolved ion into a neutral molecule
  4. D.The common ion removes solvent molecules from the solution

Antwort: B

The added ion raises the concentration of a dissolution product, so Le Chatelier’s principle shifts the equilibrium toward the undissolved solid.

Warum wir diesen Leistungsvergleich durchführen

GPQA ist ein breit angelegter Test des logischen Denkens auf Graduiertenniveau in Biologie, Physik und Chemie und liefert uns daher ein kostengünstiges Signal mit hohem Mindestniveau dafür, dass eine Bereitstellung ordnungsgemäß funktioniert. Wenn ein Modell diese Fragen normalerweise bewältigt, aber plötzlich deutlich schlechter abschneidet, deutet dies meist auf einen Fehler im Endpunkt oder Routing hin und nicht auf die Fragen selbst.

Da wir denselben festen Fragensatz über Anbieter-Endpunkte hinweg ausführen, lassen sich anhand großer Genauigkeitsunterschiede zwischen Anbietern desselben Modells falsch konfigurierte oder beeinträchtigte Endpunkte schnell erkennen. Die Spalten für Kosten und Latenz zeigen, was die Bereitstellung dieser Qualität des logischen Denkens kostet.

Was die Bewertungen aussagen können und was nicht

GPQA ist eine eng gefasste Evaluation mit hohem Schwierigkeitsgrad und kein umfassendes Maß für allgemeine Intelligenz oder Nützlichkeit. Ein Ergebnis spiegelt die Leistung bei wissenschaftlichen Multiple-Choice-Fragen wider, die von Fachleuten verfasst wurden, und sollte zusammen mit Evaluationen zu Programmierung, Befolgung von Anweisungen, Faktentreue und anderen Bereichen betrachtet werden.

Ergebnisse können empfindlich auf Sampling-Einstellungen, den Umgang mit Antwortpositionen und die Anzahl wiederholter Durchläufe reagieren. Kleine Unterschiede sind bei Modellen mit ähnlichen Stichprobenumfängen möglicherweise nicht aussagekräftig, weshalb die Rangliste die Schwankungen zwischen Durchläufen und den Kostenkontext einbezieht, statt nur die Genauigkeit darzustellen.

Der Vergleichstest ist öffentlich beschrieben, und einige Fragen könnten irgendwann in Trainingsdaten auftauchen. Wir verzichten hier darauf, den privaten Fragenpool wiederzugeben, doch kein öffentlicher Vergleichstest kann garantieren, dass jede künftige Evaluationsaufgabe frei von Kontamination ist.

Methodik

Die Bewertungen aggregieren erfolgreiche Durchläufe der letzten 90 Tage, gewichtet nach Fragenanzahl, mit einer Mindeststichprobengröße pro Modell-Anbieter-Paar. Die Hauptbewertung eines Modells verwendet das Standard-Routing, sofern verfügbar; andernfalls wird der Median der Anbieter verwendet. Kosten, Zeit und Ausgabe-Token sind Durchschnittswerte pro Frage aus denselben Durchläufen. Das beste Preis-Leistungs-Verhältnis bietet das günstigste Pareto-optimale Modell innerhalb von fünf Prozentpunkten der höchsten Bewertung.

GPQA Diamond wird beschrieben in der Originalpublikation. Details zum Routing finden Sie in der Dokumentation , oder durchsuchen Sie alle Modelle , um eines auszuprobieren.

API-Zugriff

Diese Bewertungen sind über die öffentliche API für Leistungsvergleiche von OpenRouter verfügbar, sodass Sie dieselben Ergebnisse auf Modellebene programmatisch abrufen können.

GET https://dynamicsinfo.com/api/v1/benchmarks?source=openrouter
Authorization: Bearer <API key>

Verwenden Sie task_type=intelligence zum Filtern nach gpqa_diamond. Jeder Eintrag steht für ein Modell und enthält accuracy, accuracy_stddev, avg_cost_per_task, total_tasks und last_run_timestamp. Sehen Sie sich die API-Dokumentation zu Leistungsvergleichen an.

Herunterladen und zitieren

Ein Schnappschuss dieser Rangliste wird im benchmark-leaderboard offenen Datensatz veröffentlicht (filtern Sie anhand von benchmark als Spalte) und daily neu erstellt, ohne dass ein API-Schlüssel erforderlich ist. Der aktuelle Snapshot wurde erstellt am . Es steht unter der Lizenz CC BY 4.0, sodass Sie es mit Quellenangabe zu OpenRouter wiederverwenden und erneut veröffentlichen können.

Spaltendefinitionen, Methodik und Schwärzungsregeln finden Sie in der README des Datensatzes.

Diese Rangliste zitieren

OpenRouter (2026). GPQA-Diamond-Ergebnisse auf OpenRouter, Stand: 2026-11-15. https://dynamicsinfo.com/benchmarks/gpqa-diamond. Lizenziert unter CC BY 4.0.

Häufig gestellte Fragen