Teil 2 zeigt die kompletten Rohdaten: alle 42 Modelle mit Einzelnoten in den fünf Bewertungsdimensionen, ein Lab-Vergleich über elf Anbieter, der direkte Lokal-vs-Cloud-Vergleich (inklusive einer Messanomalie, die wir offenlegen) und die statistische Verteilung. Wer die Zahlen hinter Teil 1 sehen will, ist hier richtig.
In Teil 1 ging es um die großen Linien: Claude vorn, teuer ≠ besser, lokale KI auf Augenhöhe. Dieser Teil legt die vollständige Datengrundlage offen — Modell für Modell, Dimension für Dimension. Die Methodik dahinter (wie bewertet wurde, welche Daten die Modelle sahen) steht in Teil 3.
Die Kategorie-Sieger auf einen Blick
Vier Modelle stehen exemplarisch für je eine Stärke — bewertet in fünf Dimensionen auf einer 5-Sterne-Skala. Die Sterne sind exakt gefüllt (4,75 = dreiviertel des fünften Sterns), die Zahl steht jeweils daneben:
Das vollständige Ranking — alle 42 Modelle
Und hier die komplette Matrix: jedes Modell, jede Dimension als Sternchen-Bewertung mit exaktem Zahlenwert. Bewertet wurde in fünf Dimensionen zu je maximal 5 Punkten: Fakt (Faktentreue), Empf (Empfehlungsqualität), Voll (Vollständigkeit), Klar (Klarheit) und Ehrl (Ehrlichkeit/Kalibrierung). Summe maximal 25. (Auf dem Smartphone seitlich scrollbar.)
| # | Modell | Σ /25 | Fakt | Empf | Voll | Klar | Ehrl | Preis $/M |
|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.7 | 23,5 | 5,00 | |||||
| 2 | Claude Sonnet 4.6 | 23,25 | 3,00 | |||||
| 3 | Claude Opus 4.8 | 22,5 | 5,00 | |||||
| 4 | Claude Sonnet 4.5 | 22,25 | 3,00 | |||||
| 5 | Claude Haiku 4.5 | 22,0 | 1,00 | |||||
| 6 | GPT-5.4 | 22,0 | 2,50 | |||||
| 7 | Nemotron Super 120B | 22,0 | 0,09 | |||||
| 8 | Qwen3.5-35B (lokal, Intel Arc) | 22,0 | lokal | |||||
| 9 | OpenAI o3-Pro | 21,75 | 20,00 | |||||
| 10 | DeepSeek V3.5 (671B MoE) | 21,75 | 0,27 | |||||
| 11 | Mistral Medium 3.1 | 21,5 | 0,40 | |||||
| 12 | GPT-5.5 | 21,25 | 5,00 | |||||
| 13 | Grok 4.20 Multi-Agent | 21,0 | 1,25 | |||||
| 14 | Grok 4.20 | 20,75 | 1,25 | |||||
| 15 | OpenAI o3 | 20,75 | 2,00 | |||||
| 16 | Gemma 4 26B MoE (a4b) | 20,75 | 0,06 | |||||
| 17 | Mistral Large 2512 | 20,75 | 2,00 | |||||
| 18 | Gemma 4 31B IT | 20,75 | 0,12 | |||||
| 19 | Grok 4.3 | 20,5 | 1,25 | |||||
| 20 | Qwen3-Max Thinking | 20,5 | 0,78 | |||||
| 21 | DeepSeek R1 | 20,25 | 0,70 | |||||
| 22 | Qwen3-Max | 20,25 | 0,78 | |||||
| 23 | Cohere Command A | 19,75 | 2,50 | |||||
| 24 | GPT-4o | 19,75 | 2,50 | |||||
| 25 | Hermes 4 (Llama 405B) | 19,25 | 0,80 | |||||
| 26 | gemma3:27b (lokal, NAS-CPU) | 19,0 | lokal | |||||
| 27 | Llama 4 Maverick | 18,75 | 0,15 | |||||
| 28 | Nemotron 3 Ultra 550B | 18,5 | 0,50 | |||||
| 29 | qwen2.5:32b (lokal, NAS-CPU) | 18,25 | lokal | |||||
| 30 | Llama 4 Scout | 18,0 | 0,10 | |||||
| 31 | GPT-OSS 120B (lokal) | 17,75 | lokal | |||||
| 32 | gemma3:4b (lokal, Mac) | 16,5 | lokal | |||||
| 33 | llama3.3:70b (lokal, NAS-CPU) | 16,5 | lokal | |||||
| 34 | GPT-4o-mini | 16,25 | 0,15 | |||||
| 35 | mistral:7b (lokal, Mac) | 15,5 | lokal | |||||
| 36 | llama3.2:3b (lokal, Mac) | 14,5 | lokal | |||||
| 37 | phi3.5:3.8b (lokal, Mac) | 13,5 | lokal | |||||
| 38 | qwen2.5:7b (lokal, Mac) | 13,5 | lokal | |||||
| 39 | Qwen3.5-35B Cloud | 12,5 | 0,14 | |||||
| 40 | qwen2.5:3b (lokal, Mac) | 12,0 | lokal | |||||
| 41 | Gemini 2.5 Pro | 5,25 | 1,25 | |||||
| 42 | GPT-5-Pro | 5,0 | 15,00 |
Anbieter-Vergleich: elf Labs nebeneinander
Aggregiert man die Modelle nach Anbieter, zeigt sich, wie unterschiedlich die Labs aufgestellt sind — und wie stark manche streuen:
| Lab | Modelle | Bester Score | Bestes Modell | Lab-Schnitt |
|---|---|---|---|---|
| Anthropic | 5 | 23,5 | Claude Opus 4.7 | 22,7 |
| OpenAI | 7 | 22,0 | GPT-5.4 | 18,11 |
| Alibaba (Qwen) | 7 | 22,0 | Qwen3.5-35B (lokal) | 17,0 |
| NVIDIA | 2 | 22,0 | Nemotron Super 120B | 20,25 |
| DeepSeek | 2 | 21,75 | DeepSeek V3.5 (671B) | 21,0 |
| Mistral | 3 | 21,5 | Mistral Medium 3.1 | 19,25 |
| xAI | 3 | 21,0 | Grok 4.20 Multi-Agent | 20,75 |
| 3 | 20,75 | Gemma 4 26B MoE | 15,58 | |
| Cohere | 1 | 19,75 | Cohere Command A | 19,75 |
| Meta (Llama) | 5 | 19,25 | Hermes 4 (Llama 405B) | 17,4 |
| Sonstige (lokal) | 4 | 19,0 | gemma3:27b (lokal) | 16,69 |
Anthropic ist das einzige Lab mit konstant hohem Schnitt (22,7) — alle fünf Modelle liegen eng beieinander an der Spitze. OpenAI hat zwar mit GPT-5.4 ein starkes Modell (Platz 6), zieht den Schnitt aber durch GPT-5-Pro (Platz 42) nach unten. Googles riesige Streuung (Schnitt 15,58) geht ebenfalls auf Gemini 2.5 Pro zurück, das die Aufgabe praktisch nicht löste.
Die große Anomalie: lokal vs. Cloud
Der spannendste Einzeltest: dasselbe Modell — Qwen3.5-35B-A3B — einmal lokal auf eigener Hardware (Intel-Arc-GPU, Q4_K_M-quantisiert) und einmal über einen Cloud-Anbieter (volle Präzision, Rechenzentrums-GPU). Beide bekamen identische Eingaben. Das Ergebnis:
| Dimension | Lokal | Cloud | Differenz |
|---|---|---|---|
| Faktentreue | 5,0 | 3,0 | +2,0 |
| Empfehlung | 4,5 | 2,5 | +2,0 |
| Vollständigkeit | 3,75 | 1,75 | +2,0 |
| Klarheit | 4,75 | 2,5 | +2,25 |
| Ehrlichkeit | 4,0 | 2,75 | +1,25 |
| Σ Gesamt | 22,0 | 12,5 | +9,5 |
Aufgeklärt: Es ist kein Qualitätsunterschied, sondern ein Konfigurationsfehler. Die naheliegende Schlagzeile wäre „Lokale KI schlägt die Cloud um 9,5 Punkte!“ — und sie wäre falsch. Ein Sprung dieser Größe bei identischen Modellgewichten ist durch Quantisierung nicht erklärbar (komprimierte Modelle verlieren Bruchteile von Punkten, keine 9,5). Wir sind den Rohdaten nachgegangen — und die Ursache ist eindeutig: Der Cloud-Anbieter servierte Qwen3.5 im Reasoning-Modus („Thinking“). Das Modell verbrauchte sein Antwort-Budget fürs interne Nachdenken, das nicht in der sichtbaren Antwort landete.
Was in den vier Cloud-Antworten tatsächlich ankam:
- Frage 1 — 3.142 Tokens verbraucht, nur ein abgeschnittener Rest-Satz
- Frage 2 — 500 Tokens (Limit), Antwort komplett leer
- Frage 3 — 500 Tokens (Limit), Antwort komplett leer
- Frage 4 — 3.863 Tokens verbraucht, nur ein abgeschnittener Rest-Satz
Zwei leere und zwei halbe Antworten — daraus errechnet der Judge die 12,5. Lokal lief exakt dasselbe Modell im Direkt-Modus (ohne „Thinking“): vier vollständige Antworten mit je 168–195 Tokens, keine einzige leer. Gleiche Gewichte, andere Bereitstellung: Die 12,5 messen die kaputte Konfiguration, nicht das Modell. Dieselbe Falle — Reasoning-Modus trifft hartes Token-Limit — erwischte im Test übrigens auch die Premium-Modelle GPT-5-Pro und Gemini 2.5 Pro (Plätze 41 und 42). Die belastbare Aussage bleibt: Sauber konfiguriert liefert Qwen3.5-35B-A3B reproduzierbar Spitzenqualität (22,0) — und genau darum sollte man Benchmark-Zahlen nie ungeprüft glauben.
Statistische Verteilung
Über alle 42 Modelle hinweg ergibt sich folgendes Bild:
| Kennzahl | Wert | Bedeutung |
|---|---|---|
| Maximum | 23,5 | Claude Opus 4.7 |
| Minimum | 5,0 | GPT-5-Pro |
| Mittelwert | 18,62 | Durchschnitt aller Modelle |
| Median | 20,25 | 50 %-Perzentil |
| Oberes Quartil | 21,5 | Top 25 % liegen darüber |
| Unteres Quartil | 16,5 | Untere 25 % liegen darunter |
Bemerkenswert: Median (20,25) liegt deutlich über dem Mittelwert (18,62). Das verrät eine linksschiefe Verteilung — das Gros der Modelle drängt sich im oberen Bereich, einige wenige Ausreißer (Gemini 2.5 Pro, GPT-5-Pro mit je rund 5 Punkten) ziehen den Schnitt nach unten. Anders gesagt: Die meisten modernen Modelle lösen die Aufgabe ordentlich; das Feld trennt sich nicht an der Spitze, sondern am unteren Rand.
Drei Lesarten der Rohdaten
Die Spitze ist dicht
Zwischen Platz 1 (23,5) und Platz 11 (21,5) liegen nur zwei Punkte. Elf Modelle von vier verschiedenen Anbietern — plus unser lokales — sind praktisch gleichwertig. Bei vier Testfragen ist ein Abstand von 0,25 Punkten Rauschen, keine Rangfolge. Wer eines dieser elf Modelle wählt, trifft keine schlechte Wahl.
Vollständigkeit ist der Trennfaktor
Schaut man in die Spalten, fällt auf: Bei Faktentreue erreichen fast alle Top-30 Werte um 4,5–5,0. Die Spalte Vollständigkeit dagegen schwankt massiv — von 5,0 hinunter bis 1,75. Genau hier entscheidet sich die Platzierung. „Bezieht das Modell alle relevanten Datenpunkte ein oder pickt es sich einen heraus?“ ist die eigentliche Königsdisziplin.
Die teuren Ausreißer
Die beiden Schlusslichter sind keine Billigmodelle, sondern Premium-Angebote: GPT-5-Pro (15 $/M) und Gemini 2.5 Pro. Ihr Totalausfall (je 1,0 in fast allen Dimensionen) deutet nicht auf mangelnde Fähigkeit hin, sondern auf ein Format- oder Abbruchproblem im Test — ein gutes Beispiel dafür, dass ein Benchmark immer auch das Setup misst, nicht nur das Modell. Auch das gehört zur ehrlichen Berichterstattung dazu.
Wie genau getestet wurde — die Pipeline, die Bewertungsmethodik und die exakten Daten, die jedes Modell gesehen hat — steht in Teil 3.
Transparenzhinweis: Dieser Vergleich entstand aus eigenem Antrieb und wurde vollständig selbst finanziert. Es besteht keine Kooperation, Bezahlung oder Partnerschaft mit einem der genannten Anbieter. Cloud-Zugänge und Hardware wurden selbst bezahlt. Alle Zahlen stammen aus unserem eigenen Testlauf vom Juni 2026; einzelne Werte (insbesondere die Cloud-Anomalie bei Platz 39) sind als vorläufig zu betrachten. Der Artikel wurde mit KI-Unterstützung (Claude) recherchiert und geschrieben; Fakten und Zahlen stammen aus unseren eigenen Testläufen, die redaktionelle Verantwortung liegt bei Marco Fuhrmann.