Qwen3.8 Max führt Ranking für agentische KI-Modelle an

Das entscheidende Signal: Qwen3.8 Max ist derzeit das beste Gesamtmodell im Agentic Index des Vergleichs von Artificial Analysis. Die Führung zeigt, wie sich der Wettbewerb verschiebt: Weg von guten Chat-Antworten, hin zu mehrstufiger Arbeit mit wirtschaftlichem Nutzen.

Damit ändern sich die Maßstäbe für ein starkes Modell. Eine einzelne Frage zu beantworten ist etwas anderes, als über einen längeren Ablauf hinweg eine Tabelle, Präsentation oder Vorlage fertigzustellen. Agentische Tests ähneln eher einem neuen Mitarbeiter, der ein unfertiges Projekt übernimmt, als einem Kandidaten im Quiz. Planung zählt. Ausführung zählt. Verlässliche Ergebnisse zählen.

Die Datengrundlage: Artificial Analysis definiert agentische Leistung als reale Arbeit, gemessen mit einem Elo-basierten Wert. Der breiter angelegte Intelligence Index v4.1.1 kombiniert neun Evaluationen: GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity’s Last Exam, GPQA Diamond, CritPt, AA-Omniscience und AA-LCR.

Die jüngste Überarbeitung aktualisiert τ³-Banking auf Version 1.0.1. Außerdem bewertet nun GPT-5.6 Luna in der mittleren Einstellung die Ergebnisse von Humanity’s Last Exam, AA-LCR und AA-Omniscience. Das ist relevant, weil sich Ranglisten aus zwei Gründen verändern können: durch bessere Modelle oder durch ein anderes Messinstrument. Versionsnummern und die Wahl des Bewertungsmodells gehören deshalb direkt neben das Ergebnis und nicht in eine Fußnote.

Die verlinkte Seite nennt weder den Wert von Qwen3.8 Max noch das Konfidenzintervall oder den Abstand zum nächstplatzierten Modell. Auch eine Aufschlüsselung nach Modellen und Aufgaben fehlt. Das Ranking ist damit ein nützliches Signal, belegt aber nicht, ob Qwens Vorsprung klar oder knapp ausfällt.

Wer gewinnt, wer unter Druck gerät: Qwen hat nun ein stärkeres Argument für die Aufnahme in Beschaffungstests, besonders wenn Unternehmen Agenten für vollständige Geschäftsabläufe statt für kurze Antworten suchen. Anbieter, die vor allem von ihrem Ruf leben, müssen ihre Leistung bei konkreten Aufgaben belegen.

Einkäufer erhalten einen Rahmen, der Intelligenz, Kosten, Geschwindigkeit und Endpunktleistung vergleicht, statt jede Entscheidung auf einen einzigen Gesamtwert zu reduzieren. Unter Druck stehen Anbieter, deren produktive Endpunkte weniger von der Referenzqualität eines Modells bewahren.

Artificial Analysis misst die Endpunktqualität separat, indem BFCL v4-500, HLE-250 und AA-LCR-25 erneut ausgeführt werden. Laut Artificial Analysis kann die Leistung durch Quantisierung, standardmäßige Sampling-Einstellungen oder andere Endpunktkonfigurationen sinken. Der Name auf der API ist mitunter weniger wichtig als die Version, die Kunden tatsächlich erhalten.

Die zwei Lesarten: Für agentische Rankings spricht, dass sie den kommerziellen Nutzen besser abbilden können. Evaluationen wie GDPval-AA v2 decken wirtschaftlich relevante Aufgaben aus verschiedenen Berufen ab. Dagegen steht, dass kein zusammengesetzter Index jede produktive Umgebung repräsentieren kann. Artificial Analysis weist selbst darauf hin, dass für bestimmte Anwendungsfälle einzelne Evaluationen wichtiger sein können.

Leistungsfähigkeit und Zuverlässigkeit stehen zudem in einem Spannungsverhältnis. AA-Omniscience belohnt korrekte Antworten, bestraft falsche Vermutungen und wertet Verweigerungen nicht negativ. Die Skala reicht von -100 bis 100; null entspricht einer gleichen Anzahl richtiger und falscher Antworten. Ein Modell kann mehr Aufgaben angehen und produktiver wirken, zugleich aber teure Fehler verursachen. Jede Führung bei agentischen Aufgaben muss deshalb mit der Halluzinationsleistung abgeglichen werden.

Worauf es jetzt ankommt: Offen bleiben die Größe des Vorsprungs von Qwen3.8 Max, die Ergebnisse je Evaluation, die Kosten pro Aufgabe, die Ausführungszeit und die Frage, ob die Endpunkte der Anbieter der getesteten Referenzqualität entsprechen. Diese Zahlen entscheiden, ob das Ranking Beschaffungsentscheidungen verändert oder nur einen neuen Benchmark-Meilenstein markiert.

Bleibt Qwen3.8 Max vorn, wenn Käufer Ergebnisse auf Aufgabenebene, Kosten und die Qualität produktiver Endpunkte direkt vergleichen?