Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch29. August 2025 · Q006127

GPT-5 and GPT-4 were both major leaps in benchmarks from the previous generation

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI vertritt die Auffassung, dass sowohl GPT-4 gegenüber GPT-3 als auch GPT-5 gegenüber GPT-4 in ausgewählten Benchmarks große Fortschritte zeigten. Viele Zwischenveröffentlichungen zwischen GPT-4 und GPT-5 könnten den Eindruck eines einzelnen großen Sprungs abgeschwächt haben; die Benchmarks sind laut Beitrag jedoch nicht direkt vergleichbar und bilden keinen objektiven Gesamtmaßstab.

Mittel

Epoch AI vergleicht die Fortschritte von GPT-3 zu GPT-4 mit denen von GPT-4 zu GPT-5. Der Beitrag argumentiert, GPT-4 sei als deutlicher Sprung wahrgenommen worden; trotz gemischterer Reaktionen auf GPT-5 zeigten ausgewählte Benchmarks auch für GPT-5 große Fortschritte gegenüber GPT-4. Als Beispiele nennt die beigefügte Tabelle für GPT-5 (High) 98 Punkte bei MATH Level 5 und 91 beim Mock-AIME 2024–25. GPT-4 erreichte beim schwierigsten MATH-Level zunächst 23,1 Punkte; GPT-4 Turbo kam beim Mock-AIME auf 7.

Eine mögliche Erklärung für die unterschiedliche Wahrnehmung sieht der Beitrag im Veröffentlichungstempo: Zwischen GPT-3 und GPT-4 gab es vergleichsweise wenige große Zwischenupdates, während zwischen GPT-4 und GPT-5 viele Modelle erschienen. Dadurch könnten sich Fortschritte auf mehrere Veröffentlichungen verteilt haben. Der Beitrag schränkt ein, dass es kein einzelnes objektives Maß für langfristigen KI-Fortschritt gibt und die Benchmark-Zuwächse nicht direkt vergleichbar sind. Die Abbildung umfasst nur OpenAI-Modelle; viele Tabellenwerte fehlen.

Ausführlich lesen

Der Beitrag von Epoch AI vergleicht die Fortschritte von GPT-3 zu GPT-4 mit denen von GPT-4 zu GPT-5. Seine zentrale These lautet, dass GPT-4 bei seiner Veröffentlichung als deutlicher Sprung gegenüber GPT-3 wahrgenommen wurde und GPT-5 zwar gemischter aufgenommen worden sei, in wichtigen Benchmarks aber ebenfalls große Fortschritte gegenüber GPT-4 zeige. Der Beitrag folgert daraus, dass beide Generationen erhebliche Fortschritte gegenüber ihren Vorgängern darstellten. Er betont zugleich, dass die Verbesserungen nicht unmittelbar miteinander vergleichbar sind.

Als Belege führt der Beitrag Benchmark-Ergebnisse aus den jeweiligen Zeiträumen an. In der beigefügten Tabelle erreicht GPT-4 im schwierigsten Teilbereich MATH Level 5 zunächst 23,1 Punkte; spätere Modelle der GPT-4-Reihe und Reasoning-Modelle erzielen höhere Werte. Für GPT-5 (High) sind 98 Punkte bei MATH Level 5 und 91 beim Mock-AIME-Benchmark 2024–25 aufgeführt. GPT-4 Turbo kommt beim Mock-AIME auf 7 Punkte. Der Beitrag erklärt, dass MATH Level 5 der schwierigste Teil des ursprünglichen MATH-Benchmarks ist. Die Abbildung umfasst laut Hinweis nur OpenAI-Modelle.

Als Erklärung für die unterschiedliche öffentliche Wahrnehmung nennt der Beitrag das Tempo der Veröffentlichungen: Zwischen GPT-3 und GPT-4 habe es vergleichsweise wenige große Updates gegeben, insbesondere GPT-3.5. Zwischen GPT-4 und GPT-5 seien dagegen viele Zwischenmodelle erschienen. Laut Beitrag könnten diese gestaffelten Veröffentlichungen den Eindruck eines einzelnen, dramatischen Sprungs abgeschwächt haben, weil sich Leistungsgewinne über mehrere Modelle verteilten.

Die belegten Grenzen sind wesentlich: Der Beitrag räumt ein, dass es kein einzelnes objektives Maß für langfristigen KI-Fortschritt gibt und dass die verglichenen Benchmark-Zuwächse nicht direkt vergleichbar sind. Die Tabelle enthält zudem für viele Modelle und Messgrößen keine Werte. Sie zeigt ausgewählte Benchmark-Ergebnisse, aber der vorliegende Text erläutert weder die Testbedingungen noch eine umfassende Bewertung außerhalb dieser Benchmarks. Die Schlussfolgerung ist daher als Einordnung des Beitrags auf Basis ausgewählter Tests zu verstehen, nicht als allgemeingültige Messung des gesamten Modellfortschritts.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern korrekt; die Tabellenwerte für GPT-5 (98 bei MATH Level 5, 91 bei Mock AIME) und GPT-4 (23,1 bei MATH Level 5, 7 für GPT-4 Turbo bei Mock AIME) stimmen mit dem Bericht überein. Die Einordnung stützt sich nur auf den vorliegenden Text und die Tabelle, nicht auf Lunas Stufen oder Anteile.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Beitrag stützt den Vergleich GPT-3 zu GPT-4 auf damals gängige Benchmarks wie MMLU, MATH, TruthfulQA und HumanEval; die Zusammenfassung nennt diese Belege nicht.
  • Die Benchmarks wurden jeweils nach ihrer Relevanz in der jeweiligen Zeitspanne gewählt, was der Beitrag als Grund für den Vergleich angibt.
  • Der Beitrag beschreibt GPT-5 als inkrementelles Update an der Spitze, aber als großen Sprung gegenüber GPT-4; diese Doppelbewertung fehlt in der Zusammenfassung.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 42 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 35 %gleiches Oberthema, hilft nicht
    • JEV 27 %Hintergrund, keine Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 45 %gleiches Oberthema, hilft nicht
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →