NBER-Forscher testeten 13 proprietäre und Open-Weight-LLMs auf HouseholdBench, das 6 US-Haushaltsumfragen und 32 Prognoseaufgaben vereint, und fanden heraus, dass das beste Modell den Fehler für numerische Ergebnisse um 12,2 % senkte und dass ein Open-Weight-Modell mit Milliarden Parametern nach Feinabstimmung und Aggregation von 16 Vorhersagen pro Beobachtung mit proprietären Modellen gleichzog Ein feinabgestimmtes offenes Modell mit 4 Milliarden Parametern zog mit proprietären LLMs gleich
Die NBER-Forscher Jin Huang, Diego Ferreras Garrucho, Yutong Xie, Walter M. Yuan, Qiaozhu Mei, Chen Lian und Jonathon Hazell haben die Leistung von 13 proprietären und Open-Weight-LLMs auf HouseholdBench gemessen, das 6 US-Haushaltsumfragen und 32 Vorhersageaufgaben vereint. Sie fanden heraus, dass ein Open-Weight-Modell mit 4 Milliarden Parametern nach Feinabstimmung und Aggregation von 16 Vorhersagen pro Beobachtung die Leistung proprietärer Modelle erreichte.
Geprüft 2026-11-02
Mit Insider verfolgenWarum das zählt
Kleine offene Modelle können bei Spezialaufgaben nach Feinabstimmung mit teuren proprietären Modellen mithalten, was den Preisdruck am oberen Ende des Modellmarktes erhöht.
Mehr zu Modelle
- KI-Modelle können inzwischen Gold bei der Internationalen Mathematikolympiade gewinnen, doch Stanfords AI Index 2026 zeigt, dass sie an einer Aufgabe scheitern, die die meisten Kinder früh beherrschen. Bei den 180 Zifferblatt-Designs und 720 Fragen von ClockBench las das beste Modell, GPT-5.4 High, analoge Uhren nur in 50,6 % der Fälle korrekt ab, gegenüber 90,1 % bei Menschen
- Nachdem die Lücke 2024 kurz fast geschlossen war, hat sich der Leistungsabstand zwischen den besten Closed-Weight- und Open-Weight-KI-Modellen auf dem Arena-Leaderboard wieder vergrößert. Stand März 2026 führt laut Stanfords 2026 AI Index das beste Closed-Modell das beste Open-Modell um 3,3 %, gegenüber einem Vorsprung von 0,5 % im August 2024
- Stanfords KI-Index 2026 verfolgt, wie KI-Modelle bei GPQA Diamond abschneiden, einem Satz von Chemie- und Physikfragen auf Doktorandenniveau, die bewusst so gestaltet sind, dass Google-Suchen nicht weiterhelfen. Die mittlere Modellgenauigkeit bei diesem Benchmark erreichte 2025 93 %, verglichen mit einer Basislinie menschlicher Expertenvalidierer von 81,2 % -- KI-Modelle schlagen promovierte Experten nun um 12 Punkte bei GPQA Diamond
KOSTENLOS · KEINE KARTE
Fakten wie diese, sechs Tage die Woche
The Daily Receipts an Werktagen, The Weekly Brief am Samstag — sechs belegte Fakten pro Tag per E-Mail, zwei mehr als die kostenlose Website zeigt. Jeder bis zur Quelle belegt. Kostenlos.
Tägliches Gratis-Briefing holenKostenlos · Keine Karte · Jederzeit abbestellbar
Treten Sie jetzt bei, und Sie starten mit 100 Receipts in The Receipts Ledger — Ihr erster Schritt zu einem kostenlosen Jahr Insider oder Pro. So funktioniert es →
Die heutige Ausgabe ansehen →