Artificial Analysis stuft SOV-Transcribe-1 von Salesforce als bestes Open-Weights-Modell für Speech-to-Text ein: 2,3 % AA-WER bei 4,6 Mrd. aktiven Parametern.
Warum es wichtig ist: Wer Transkriptions-Pipelines baut, hat damit eine weitere Open-Weight-Option für eigene Vergleichstests, auch wenn sich die Aussage nur auf ein einziges Leaderboard stützt.
Artificial Analysis bewertet Fable 5.2 im Intelligence Index v5 mit 65 Punkten, vor Gemini 4 Carbon mit 60 und Opus 5.5 mit 59.
Warum es wichtig ist: Unabhängige Index-Ergebnisse helfen Käufern beim Vergleich von Frontier-Modellen. Der Vorsprung hängt aber von der Effort-Einstellung und der Auswahl der Benchmarks ab, deshalb sollten Sie die Ergebnisse anhand Ihrer eigenen Workloads überprüfen.
Artificial Analysis und Google DeepMind haben MKA vorgestellt, einen Benchmark mit 200 visuellen Aufgaben aus der Wissensarbeit. An der Spitze liegt Claude Fable 5.2 (max) mit einer Climb WSR von 57%.
Warum es wichtig ist: Unter den Modellen, die rund 10 Punkte oder weniger hinter dem Spitzenwert liegen, schwanken die Kosten pro Aufgabe um fast das 30-Fache. Für dokumentenlastige Wissensarbeit entscheidet die Genauigkeit allein daher nicht über die Modellwahl. Teams, die Agenten für visuelle Dokumente entwickeln, sollten die Kosten pro Aufgabe gegen die Leistung abwägen.
Laut Artificial Analysis erreicht Muse Ember 36 Punkte auf dem Intelligence Index und liegt damit gleichauf mit Claude Haiku 5.5 (max), kostet pro Aufgabe aber nur etwa ein Drittel.
Warum es wichtig ist: Bei Agenten-Workloads, deren Budget von den Kosten pro Aufgabe bestimmt wird, liefert Muse Ember ein ähnliches Ergebnis zu einem Bruchteil des Preises vergleichbarer Modelle. Wegen der niedrigen Antwortquote sollten Teams, die auf Faktenwissen angewiesen sind, allerdings mit mehr verweigerten Antworten rechnen.
Laut Artificial Analysis schneiden im aktualisierten Endpoint Accuracy Index v1.1 24 von 103 Serverless-Endpoints statistisch schlechter ab als die selbst gehostete Referenz.
Warum es wichtig ist: Zwei Endpoints, die dasselbe Open-Weights-Modell bereitstellen, können sich in der Genauigkeit spürbar unterscheiden. Preis und Geschwindigkeit allein sind daher keine solide Grundlage für die Wahl eines Anbieters. Laut Unternehmen sind Einstellungen für Tool Calling und Ausgabelänge die häufigsten Ursachen für Verluste.
Artificial Analysis hat Version 2 seines Decision Index veröffentlicht: 45 % der Bewertung beruhen nun auf privaten Datensätzen, und die zentrale Kennzahl belohnt gut kalibrierte Konfidenz.
Warum es wichtig ist: Teams, die Entscheidungsmodelle auswählen, sehen hier, dass Kosten pro Task und Kalibrierung die Rangliste verändern können und dass eine Abrechnung pro Frage ein Modell um ein Vielfaches teurer machen kann als ein anderes mit ähnlichen Listenpreisen.
Artificial Analysis hat mit VIALS-AA einen Benchmark für das Schlussfolgern über wissenschaftliche Bilder vorgestellt. An der Spitze liegt Gemini 4 Carbon (high), das 64 % der Aufgaben in allen drei Durchläufen richtig beantwortet.
Warum es wichtig ist: Ein Ergebnis aus einem einzigen Durchlauf kann bei bildbasierter wissenschaftlicher Arbeit große Unterschiede in Zuverlässigkeit und Kosten verdecken. Dort kann ein Ergebnis, das sich zwischen Läufen ändert, Teams zu falschen Schlüssen führen.
Das dichte Modell Nanbeige4.3-33B erscheint unter Apache 2.0 und erreicht 20 Punkte im Artificial Analysis Intelligence Index, gleichauf mit Qwen3.8 27B.
Warum es wichtig ist: Teams, die ein kleines offenes Modell lokal oder selbst gehostet betreiben wollen, haben auf diesem Leistungsniveau nun eine weitere Option, mit einem klaren Zielkonflikt zwischen Stärke im Terminal und Faktenwissen. Der höhere Token-Verbrauch pro Aufgabe wirkt sich zudem auf die Inferenzkosten aus.
GitHub Copilot Fusion wechselt bei Coding-Aufgaben mitten in der Arbeit zwischen Modellen von Anthropic und OpenAI, statt Entwickler auf ein einzelnes Modell festzulegen.
Warum es wichtig ist: Teams, die sich auf ein einzelnes Coding-Modell als Standard festlegen, müssen womöglich Multi-Modell-Routing testen, denn die berichteten Kosten pro Aufgabe liegen bei etwa der Hälfte eines Setups mit nur einem Modell.