Vorläufiger Bericht ·
Drei KI-Modelle bei 40 Aufgaben zum visuellen Denken
Vorläufiger Bericht über Genauigkeit, vollständige Antworten, API-Latenz und Kosten: ein Durchlauf mit 40 Fragen je Modell sowie getrennte Entwicklungsprüfungen zu Denklimits und Antwortübertragung.
- datierte Modellversionen
- 3
- Fragen je Modell
- 40
- ursprünglicher Durchlauf je Modell
- 1
Der ursprüngliche Durchlauf mit 40 Fragen
Alle Modelle verwendeten mittlere Denkintensität und insgesamt höchstens 8.192 Ausgabetokens einschließlich Denktokens. Ein Abbruch am Limit zählt im Rohwert als nicht erfolgreich.
Die Tabelle seitlich wischen, um alle Spalten zu sehen.
| Modell | Richtig / 40 | Falsch | Limitabbrüche | Gültig / 40 | Mediane API-Zeit | API-Nutzung (USD) |
|---|---|---|---|---|---|---|
| Gemini 4 CarbonGoogle AI Studio | 34/4085,0 % | 1 | 5 | 35/40 | 13,9 Sek. | 0,92 $ |
| Claude Fable 5.2Anthropic | 32/4080,0 % | 7 | 1 | 39/40 | 4,0 Sek. | 1,76 $ |
| GPT-6 AstraOpenAI | 37/4092,5 % | 3 | 0 | 40/40 | 3,7 Sek. | 1,80 $ |
Gültig bedeutet vollständig und im geforderten Format. Die API-Zeit umfasst Netzwerk, Warteschlange und Generierung; der Median enthält auch Limitabbrüche. Der zusätzliche fehlgeschlagene HTTP-Versuch wird separat erfasst. Angezeigte Kosten sind gerundet, Downloads enthalten exakte Beträge.
Warum vollständige Antworten wichtig sind
Carbon gab eine falsche Antwort und hatte fünf Tokenabbrüche. Astra gab drei falsche Antworten ohne Limitabbruch. Der sichtbare Unterschied umfasst damit unterschiedliche Möglichkeiten, fertig zu werden, trotz desselben nominellen Limits.
Denktokens verbrauchen einen Teil des Ausgabelimits. Ist es ausgeschöpft, kann die endgültige Antwort fehlen. Gleiche Tokenlimits und Bezeichnungen wie „mittel“ bedeuten nicht denselben Rechenaufwand bei verschiedenen Anbietern. OpenRouter-Dokumentation zu Denktokens
Nachträgliche Sensitivitätsprüfung
Bei den 34 Fragen mit gültigen Antworten aller Modelle erreichten Carbon und Astra jeweils 33/34, Fable 30/34. Diese Teilmenge wurde nach Beobachtung der Ausfälle ausgewählt und schließt Limitabbrüche aus. Sie dient als Sensitivitätsprüfung, nicht als unverzerrte Ersatzrangliste oder Beleg gleicher Fähigkeiten.
Getrennte Entwicklungsprüfungen
Die Positionen 24, 28, 35, 36, 38 und 40 wurden gewählt, weil dort jeweils mindestens ein Modell das ursprüngliche Limit erreichte. Geprüft wurden Vollständigkeit, Übertragung, Zeit und Kosten. Die Richtigkeit wurde nicht bewertet: 6/6 gültige Antworten bedeuten nicht sechs richtige Antworten. Sie ersetzen keine ursprünglichen Ergebnisse.
Die Tabelle seitlich wischen, um alle Spalten zu sehen.
| Profil | Ausgabelimit | Gültig / 6 | Limitabbrüche | Nicht verfügbar | API-Nutzung (USD) |
|---|---|---|---|---|---|
| GPT-6 AstraOpenAI · hohe DenkintensitätDenkinhalt aus der API-Antwort ausgeschlossen | 32.768 | 6/6 | 0 | 0 | 1,08 $ |
| Claude Fable 5.2Anthropic · hohe DenkintensitätDenkinhalt aus der API-Antwort ausgeschlossen | 32.768 | 6/6 | 0 | 0 | 0,80 $ |
| Gemini 4 CarbonGoogle AI Studio · hohe DenkintensitätDenkinhalt aus der API-Antwort ausgeschlossen | 32.768 | 3/6 | 1 | 2 | 1,05 $ |
| Gemini 4 CarbonGoogle Vertex global · hohe DenkintensitätDenkinhalt aus der API-Antwort ausgeschlossen | 65.536 | 3/6 | 0 | 3 | 0,49 $ |
| Gemini 4 CarbonGoogle Vertex global · hohe DenkintensitätAPI-Fortschritt enthalten; Text lokal verworfen | 65.536 | 6/6 | 0 | 0 | 1,42 $ |
Beim ersten Carbon-Profil gab es außerdem eine frühere unbeantwortete, unberechnete Zeitüberschreitung, deren einmalige Wiederholung erfolgreich war. Der Fehlversuch bleibt in den Messwerten. Spätere nicht verfügbare Aufgaben wurden ohne Wiederholung beibehalten.
Eine Aufgabe benötigte 51.145 Ausgabetokens
Das letzte Carbon-Profil verwendete Vertex, ein Limit von 65.536 Tokens und gestreamten Denkfortschritt; dessen Text wurde lokal verworfen. Alle sechs Aufgaben wurden abgeschlossen. Eine dauerte 10 Minuten 56 Sekunden, eine weitere 6 Minuten 43 Sekunden. Beide überschritten die frühere Zeitgrenze von fünf Minuten.
Das belegt eine funktionierende Konfiguration für diese Entwicklungsaufgaben. Es beweist weder eine allgemeine Ursache für Zeitüberschreitungen noch garantiert es künftige Abschlüsse oder liefert einen neuen Genauigkeitswert über 40 Fragen. Frühere Ausfälle bleiben getrennt.
So wurde die Studie durchgeführt
- Gleiche Aufgabe, neuer Kontext
- Je Aufgabe ein statisches Bild mit 1152 × 1552 Pixeln, Frage und acht nummerierten Optionen. Verwendet wurden derselbe englische Prompt und ein strenges JSON-Schema. Keine Werkzeuge, Websuche, Hinweise oder Lösungsschlüssel wurden bereitgestellt.
- Feste Optionen, lokale Bewertung
- Eine ausgewogene Mischung mit festem Zufallsstartwert ordnete die angezeigten Nummern den Originaloptionen zu. Die Ergebnisse wurden lokal mit dem produktiven Bewertungssystem abgeglichen. Keine erhaltene Ausgangsantwort und kein Limitabbruch wurden wiederholt.
- Übertragungsfehler bleiben sichtbar
- Ein zusätzlicher unbeantworteter HTTP-503-Versuch im ursprünglichen Lauf war nachweislich unberechnet und wurde identisch wiederholt. Er dauerte 29,516 Sekunden. Entwicklungsprofile und Wiederholungen sind separat dokumentiert.
- Interne explorative Untersuchung
- UniversalIQTest.com betreibt den zugrunde liegenden Test und führte die Studie durch. Anfrage- und Bildprüfsummen, Aufgabenzeiten, Bewertung und Kosten wurden lokal geprüft. Eine externe Begutachtung fand nicht statt.
Exakte Modellversionen und ursprüngliche Anbieter
google/gemini-4-carbon-20261110— Google AI Studioanthropic/claude-fable-5.2-20261109— Anthropicopenai/gpt-6-astra-20260903— OpenAI
Prüfsumme des ursprünglichen Protokolls: f4425b7fb5a235cd7c11fb84c4849c4f7df3d43064160f289b8434ec9478f59b
Welche Aussagen der Bericht erlaubt
Er dokumentiert die Leistung bei einem konkreten öffentlichen Fragensatz unter angegebenen API-Einstellungen. Vollständigkeit, Fehler, Latenz und Kosten sind getrennt zu betrachten. Es gab nur einen ursprünglichen Durchlauf je Modell; Schwankungen zwischen Durchläufen wurden nicht geschätzt.
Öffentliche Aufgaben könnten in Trainingsdaten enthalten gewesen sein; dies wurde nicht untersucht. Die statische nummerierte Darstellung unterscheidet sich vom interaktiven Test für Menschen. Spätere Entwicklungsprofile verwendeten andere Einstellungen und Erhebungsbedingungen und erlauben keine Latenzrangliste.
Keinem Modell wurde ein menschlicher IQ oder Prozentrang gemessen oder zugewiesen. Menschliche Testnormen gelten nicht automatisch für KI. Eine künftige wiederholte Vollerhebung benötigt einen neuen, vorab festgelegten Erhebungsplan. OECD zu menschlichen Tests als KI-Maßstab
Messwerte und Quellenangabe
Erfasste API-Nutzung: 4,478100 $ für den ursprünglichen Lauf, 4,843563 $ für Entwicklungsprüfungen und 0,334781 $ für technische Vorversuche. Insgesamt: 9,656444 $ (gerundet 9,66 $). Mit der Abrechnung abgeglichen; ohne Gebühren und Steuern.
- Bericht (Markdown, Englisch)
- Gesamtergebnisse (JSON)
- Messwerte je Aufgabe (JSON)
- Methoden (JSON)
- Dateiprüfsummen (JSON)
Alle Sprachen nutzen dieselben Quelldateien. Downloadbericht, Grafik, JSON-Feldnamen und ursprünglicher Prompt sind auf Englisch. Lösungen, privater Bewertungsschlüssel, Teilnehmerdaten, Zugangsdaten und Denkinhalte sind ausgeschlossen. Die folgende Quellenangabe verwendet den Originaltitel.
UniversalIQTest.com (2026). Three AI models on 40 visual reasoning questions: preliminary report. 14 November 2026. https://www.universaliqtest.com/ai-iq-testHäufige Fragen
- Sind das KI-IQ-Werte?
- Es sind Rohwerte aus 40 Aufgaben zum visuellen Denken. Ein menschlicher IQ oder Prozentrang wurde weder gemessen noch zugewiesen. Ausgabelimits und nur ein Durchlauf erlauben keine allgemeine Intelligenzrangliste.
- Was bedeutet eine gültige Kalibrierungsantwort?
- Eine vollständige Antwort im geforderten JSON-Format. Die Kalibrierung wurde nicht bewertet: sechs gültige Antworten bedeuten nicht sechs richtige Antworten. Sie ersetzen keine ursprünglichen Antworten.
- Machten Modelle und Menschen denselben Test?
- Die Abbildungen stammen aus demselben öffentlichen Test mit 40 Fragen. Die Modelle erhielten statische Bilder mit acht nummerierten Optionen, einen festen englischen Prompt und jeweils neuen Kontext. Die interaktive menschliche Testsituation wurde nicht nachgebildet. Die Übersetzung dieses Berichts ändert die Versuchssprache nicht.
- Wurde die Zeit für jede Frage gemessen?
- Ja, für alle 120 ursprünglichen Aufgabenplätze. API-Zeiten umfassen Netzwerk, Warteschlange, Bildverarbeitung und Generierung, nicht nur Denkzeit oder aktive menschliche Antwortzeit. Zusätzliche Fehlversuche sind separat erfasst.
Fragenformat kennenlernen oder mehr über unsere Methoden lesen.