Open Weight Bench

google/gemma-4-e4b

google 7.5B · dense gguf / Q4_K_M ctx 128k released 2026-03-02 vision tool_use
Score
65%
Static
100%
Functional
33%
Qualitative
70%
tok/s
85
Tokens
6864
Wall
90.9 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: From a ~200-word prompt the model must generate a fully functional Kanban board as a single-file HTML with drag & drop, localStorage persistence, edit/delete and a confetti animation — in a single chat without iteration. The prompt also includes a small `data-testid` contract so a Playwright test can drive the app remotely. Three signals feed into the score: (1) Static — a linter checks concrete constraints in the HTML (columns, Tailwind, localStorage call, no framework, no window.alert/prompt, …). (2) Functional — Playwright runs a small CRUD sequence: create a card, delete a card with confirmation, reload — does state persist? — and checks whether any JS console errors occur during the entire flow. Drag & drop and confetti are deliberately not tested functionally (too many implementation variants). (3) Qualitative — LLM-as-judge rates screenshot and code (visual + code quality + render↔code consistency). Score = mean over the available signals. Why models fail: reasoning models burn their tokens in thinking instead of writing. Sliding-window models (Gemma 4) lose the constraints at the start of the prompt. Small models (<3B) often fail to produce coherent HTML — or ignore the data-testid contract, which makes the functional tests fail in droves.
Prompt
System prompt
You are a careful front-end engineer.
Developer prompt
Create a fully functional Kanban board in a single HTML file using vanilla JavaScript (no frameworks like react).

Requirements:
- Columns: Backlog, In Progress, Review, Done.
- Cards must be:
  - draggable across columns,
  - editable in place,
  - persisted in localStorage (state survives reloads) - please use your own namespace,
  - deletable with a confirmation prompt.
- Each column provides an "Add card" action.
- Style with Tailwind via CDN.
- Add subtle CSS transitions and trigger a confetti animation when a card moves to "Done".
- Thoroughly comment the code.
- dont use window.alert or window.prompt to add/edit/delete cards
- if there are no cards yet, create some dummy cards
- modern and vibrant design

Stable test selectors (mandatory — these data-testid attributes are used by an automated functional test; do not omit, rename, or split them across multiple elements):
- Column containers: data-testid="column-backlog", data-testid="column-in-progress", data-testid="column-review", data-testid="column-done".
- Every "Add card" button (one per column): data-testid="add-card".
- Every card element: data-testid="card".
- Inside each card, the delete trigger: data-testid="delete-card".
- The confirm button of the delete-confirmation dialog/modal: data-testid="confirm-delete".
- The input/textarea where a new card title is typed: data-testid="card-input". Pressing Enter in this input MUST commit the new card.

As answer return the plain HTML of the working application (script and styles included)
▶ Open generated app in a new tab ↗
Screenshot der gerenderten App
Screenshot der gerenderten App
Qualitative · LLM-as-judge (openai/gpt-5.4) 2026-04-28T21:45:11.857373+00:00
70%
Visual (screenshot)
  • board renders
    100%
  • column completeness
    100%
  • cards present
    100%
  • ui affordances
    60%
  • design quality
    75%
Das Board rendert sauber mit allen vier Spalten und mehreren gut lesbaren Karten. Add-Card-Buttons sind in jeder Spalte sichtbar, aber eine echte Drag-Affordance oder Edit-Hinweise sind im statischen Bild kaum erkennbar. Visuell insgesamt ordentlich und recht modern, wenn auch nicht besonders ausgefeilt.
Code quality (HTML/JS)
  • code structure
    60%
  • dom safety
    80%
  • robustness
    35%
  • code quality
    40%
Die Grundstruktur ist nachvollziehbar mit getrennten Funktionen für State, Rendern und Events. Positiv ist das Escaping von Nutzerinhalt vor innerHTML-Nutzung, aber Robustheit und Korrektheit leiden deutlich: loadBoardState ist nirgends definiert, die Delete-Logik ist unvollständig, und beim Drag-and-Drop wird das Kartendatum nach dem Entfernen aus der Quellspalte gesucht.
Render ↔ code consistency 80%
Screenshot und Grundidee des Codes passen weitgehend zusammen: vier Spalten, Dummy-Karten und Add-Buttons erscheinen wie vorgesehen. Allerdings verspricht der Code deutlich mehr Interaktivität, als er zuverlässig liefern kann; das sichtbare Initial-Rendering funktioniert, aber mehrere Aktionen würden zur Laufzeit fehlschlagen oder inkorrekt arbeiten.
Static · linter checks (12/12 passed)
  • Spalte 'Backlog'
  • Spalte 'In Progress'
  • Spalte 'Review'
  • Spalte 'Done'
  • HTML5 drag & drop or sortable lib
  • localStorage persistence
  • Tailwind via CDN
  • Confetti animation on 'Done'
  • Add card button
  • Vanilla JS (no React/Vue/Angular/Svelte)
  • No window.alert/prompt for CRUD
  • Editable cards (contenteditable / input)
Functional · E2E tests (2/6 passed)
  • Page loads with all 4 columns
  • Add card via button
    card was not created (count unchanged)
  • Card is added exactly 1× (no double submit)
    no add happened, so not verifiable
  • Delete card via button + confirmation
    Locator.click: Timeout 2000ms exceeded. Call log: - waiting for locator("[data-testid=\"delete-card\"]").first - locator resolved to <button data-testid="delete-card" class="ml-auto text-red-400
  • Cards survive a reload
  • No JS console errors
    pageerror: loadBoardState is not defined
Raw model response
```html
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Kanban Board</title>
    <!-- Tailwind CSS CDN -->
    <script src="https://cdn.tailwindcss.com"></script>
    <!-- Confetti Library (Simple implementation for visual flair) -->
    <style>
        /* Custom styles for better drag/drop feel and animations */
        .kanban-board {
            min-height: 80vh; /* Ensure enough space for dragging */
        }

        .column {
            flex: 1;
            min-width: 250px;
            background-color: #f3f4f6; /* Light gray background for columns */
            border-radius: 0.75rem;
            box-shadow: 0 4px 6px -1px rgba(0, 0, 0, 0.1);
        }

        /* Drag Over Styling */
        .column.drag-over {
            background-color: #dbeafe; /* Light blue indicator when dragging over */
            box-shadow: inset 0 0 0 3px #60a5fa;
        }

        /* Card specific styling */
        [data-testid="card"] {
            cursor: grab;
            transition: transform 0.2s ease, box-shadow 0.2s ease;
        }

        [data-testid="card"]:hover {
             box-shadow: 0 6px 12px rgba(0, 0, 0, 0.15);
        }

        /* Confetti animation container */
        #confetti-container {
            position: fixed;
            top: 0;
            left: 0;
            width: 100%;
            height: 100%;
            pointer-events: none; /* Important: allows clicks underneath */
            z-index: 50;
        }

    </style>
</head>
<body class="bg-gray-50 p-8 font-sans">

    <!-- Confetti Container -->
    <div id="confetti-container"></div>

    <h1 class="text-4xl font-extrabold text-gray-900 mb-8 border-b pb-2">Project Kanban Board</h1>

    <!-- Main Board Container -->
    <div id="kanban-board" class="flex gap-6 kanban-board overflow-x-auto">

        <!-- Backlog Column -->
        <div id="column-backlog" data-testid="column-back
Score
83%
tok/s
87
Tokens
4829
Wall
58.0 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: Four OCR sub-tasks, one image each. (1)–(3) Handwritten meeting notes in three difficulty tiers (easy / medium / hard) — the model must transcribe the text. (4) An old book page in Fraktur typeface — same task. What is tested: OCR quality, recognising layout structure (columns, bullet points, dates), handling of illegible handwriting and historical letterforms (long-s, ligatures). Why models fail: text-only models have no vision capability (filtered out). Weak VLMs only recognise the clearest part. Some truncate output or get stuck in reasoning without producing a visible answer.
Prompt
System prompt
Du bist OCR-Spezialist für deutsche Handschrift.
Developer prompt
Auf dem Bild siehst du eine handschriftliche Meeting-Notiz mit klarer Struktur und gut lesbarer Schrift. Transkribiere den gesamten lesbaren Text. Behalte die Anordnung bei (Überschrift, Spalten, To-Dos). Bei unleserlichen Stellen schreibe '[unleserlich]'. Gib ausschließlich den puren OCR-Text im Markdown-Format zurück — keine Vorbemerkung, keine Erklärungen, kein Code-Fence.
Handschrift OCR – leicht 10.3 s · 88 t/s
Recall 95%
Precision 99%
73/77 +1
1 relocated
97%
Model response
Meetingnotizen Website - Relaunch

12.06.25, 09:30 Uhr
Anwesend: Anna, Ben, Mira, Jonas, Ece

Themen:
- Startseite
- Texte
- Bildauswahl
- Launch - Termin
- Offene Fragen

Stand:
- Design fast final ✓
- Texte für Über-uns fehlen noch
- Bilder vom Team noch nicht komplett
- Mobile Ansicht prüfen

To-Dos:
- Ben → Bilder anfragen
- Mira → Startseite anpassen
- Jonas → Feedback Kunde
- Anna → SEO - Check

Offen:
- Rechtstexte final?
- Freigabe Kunde bis Freitag
- Wer testet Kontaktformular?

CMS langsam?

Nächstes Meeting:
17.06., 10 Uhr
Word diff ground truth ↔ model matched · relocated · fuzzy · missing in model · extra/wrong
meetingnotizen website relaunch 12 06 25 09 30 uhr anwesend anna ben mira jonas ece cms langsam themen startseite texte bildauswahl launch termin offene fragen stand design fast final texte für über uns fehlen noch bilder vom team noch nicht komplett mobile ansicht prüfen bitte kurz halten to dos ben bilder anfragen mira startseite anpassen jonas feedback kunde anna seo check offen rechtstexte final freigabe kunde bis freitag wer testet kontaktformular cms nächstes meeting 17 06 10 uhr
Ground truth (for comparison)
Meetingnotizen Website-Relaunch
12.06.25, 09:30 Uhr

Anwesend:
Anna, Ben, Mira, Jonas, Ece

CMS langsam?

Themen:
Startseite
Texte
Bildauswahl
Launch-Termin
offene Fragen

Stand:
Design fast final
Texte für Über-uns fehlen noch
Bilder vom Team noch nicht komplett
Mobile Ansicht prüfen

bitte kurz halten

To-Dos:
Ben Bilder anfragen
Mira Startseite anpassen
Jonas Feedback Kunde
Anna SEO-Check

Offen:
Rechtstexte final?
Freigabe Kunde bis Freitag
Wer testet Kontaktformular?

Nächstes Meeting: 17.06., 10 Uhr
Handschrift OCR – mittel 13.8 s · 87 t/s
Recall 73%
Precision 88%
99/136 +14
14 relocated · 1 fuzzy
80%
Model response
**Meeting Protokoll**
21.05.25 | 14 Uhr

**Teilnehmer:** M. Schulz, T. Wagner, L. Becker, S. Klein (später), H. Jö.

**Themen:**
*   Projektstatus / Update
*   Timeline / Meilensteine!

**Projektstatus:**
*   Modul A fertig (Team S.)
*   Modul B verzögert sich.
*   Testphase startet nächste Woche (hoffentlich).
*   Kundenfeedback steht noch aus.

**Offene Punkte:**
*   Freigabe von Kunde fehlt noch.
*   Schmittsache zu System X undeter Rücksprache mit...
*   Schulung für neues Tool? [unleserlich] noch nicht geplant.

**To-Dos (Aktionspunkte):**
*   T.W.: Budget - Report < 28.05.
*   L.B.: Kunden ansprechen wg. Feedback
*   Etapiert Dokumentation aktualisieren!

**Budget:**
*   [unleserlich] bitte Report bis 28.05.

**Rückfragen:**
*   Wie gehen wir mit dem Risiko um?
*   Priorisierung der Features nochmal prüfen.

**Nächstes Meeting:**
*   04.06.25, 10 Uhr (Raum 2.15?)
Word diff ground truth ↔ model matched · relocated · fuzzy · missing in model · extra/wrong
meetingprotokoll protokoll 21 05 25 11 14 uhr teilnehmer m schulz t wagner l becher becker s klein später h jt themen projektstatus update budget ist zu hoch timeline meilenstein ≈ meilensteine risiken projektstatus modul a fertig team s modul b verzögert sich testphase startet nächste woche hoffentlich kundenfeedback steht noch aus details in jira budget 20 über plan ursache unklare anforderungen nachbessern nötig nächstes mal genauer kalkulieren bitte report bis 28 05 offene punkte freigabe von kunde fehlt noch t w kümmert sich schnittstelle schmittsache zu system x unklar undeter rücksprache mit it schulung für neues tool unleserlich noch nicht geplant wer macht das to dos aktionspunkte t w budget report 28 05 l b kunden anstupsen ansprechen wg feedback etapiert dokumentation aktualisieren nächstes meeting 04 06 25 10 uhr raum 2 15 unleserlich bis rückfragen wie gehen wir mit dem risiko um priorisierung der features nochmal prüfen meeting uhr
Ground truth (for comparison)
Meetingprotokoll
21.05.25
11 Uhr

Teilnehmer: M. Schulz, T. Wagner, L. Becher, S. Klein (später), H. Jt.

Themen:
Projektstatus / Update
Budget — ist zu hoch
Timeline / Meilenstein!
Risiken

Projektstatus:
Modul A fertig (Team S.)
Modul B verzögert sich
Testphase startet nächste Woche (hoffentlich)
Kundenfeedback steht noch aus

Details in Jira

Budget:
20% über Plan
Ursache: unklare Anforderungen
Nachbessern nötig
nächstes Mal genauer kalkulieren

bitte Report bis 28.05.

Offene Punkte:
Freigabe von Kunde fehlt noch (T.W. kümmert sich)
Schnittstelle zu System X unklar — Rücksprache mit IT
Schulung für neues Tool? noch nicht geplant — wer macht das?

To-Dos:
T.W.: Budget-Report — 28.05.
L.B.: Kunden anstupsen wg. Feedback
Dokumentation aktualisieren

Nächstes Meeting: 04.06.25, 10 Uhr (Raum 2.15?)

Rückfragen:
Wie gehen wir mit dem Risiko um?
Priorisierung der Features nochmal prüfen
...
Handschrift OCR – schwer 15.9 s · 87 t/s
Recall 76%
Precision 80%
112/148 +28
33 relocated · 1 fuzzy
78%
Model response
Besprechung Sommerfest
23.05.24 10:15 Uhr (Kaufi)
Chef fragen!

Teilnehmer: Max
Jule
Tobi
Leni
Simon ([kannte nur kurz])

Ort?: Park am See? [unleserlich]
-> Firmenehof / Terrasse?
Terrasse reservieren? 22

Essen / Trinken:
- Grillen evtl.
- Vegetarische Optionen vergessen?
Grill wer? (Tobi fragen)

Musik: Musikbox organisieren?

Spiele / Programm:
- Volleyball / Federball
- evtl. Cornhole oder Wikingerschach?
- Fotoecke Idee? Requisiten?

Einladung:
-> Einladung bis Ende Woche raus.
-> Text: Leni?
-> Liste an Simon
-> Versand: Jule

Ziel: entspanntes Beisammensein & Spaß haben

[unleserlich]

Wer macht das?
Leni?

Getränkeliste machen:
- Bier, Limo, Wasser, was noch? (Aperol? zu teuer?)

Kuchen?

Nächster Termin:
Do, 30.05.
M 11 Uhr kurzes Update
an HR schicken

Wetter - Backup:
Pavillon? Wer bringt mit?
Max hat einen?

Deko: evtl. Luftballons? nee

Budget: ca. 15€ p.p.? kosten noch offen?

Offene Fragen:
- Wer gibt't? (muss jemand Schulung haben?)
- Gibt's Strom im Park?
- Müll / Reinigung klären
Word diff ground truth ↔ model matched · relocated · fuzzy · missing in model · extra/wrong
besprechung sommerfest 23 05 24 10 15 uhr konfi kaufi chef fragen teilnehmer max jule tobi leni simon konnte kannte nur kurz ziel entspanntes beisammensein spaß haben nächster termin do 30 05 11 uhr kurzes update an hr schicken ort park am see genehmigung firmenhof ≈ firmenehof unleserlich terrasse terrasse reservieren wer macht das leni 22 essen trinken grillen evtl vegetarische optionen vergessen getränkeliste machen bier limo wasser was noch aperol zu teuer grill wer tobi fragen kuchen jule macht was wetter backup pavillon wer bringt mit max hat einen zelt mieten zu teuer plan b kantine musik musikbox organisieren playlist deko unnötig evtl luftballons neee budget ca 15 p p kosten noch offen spiele programm volleyball federball evtl cornhole oder wikingerschach fotoecke idee requisiten einladung einladung bis ende woche raus text leni liste an simon versand jule haben unleserlich wer das was noch zu do m uhr an hr wer mit max hat einen nee ca p p noch offene fragen wer grillt gibt t muss jemand schulung haben gibt s strom im park müll reinigung klären
Ground truth (for comparison)
Besprechung Sommerfest
23.05.24 10:15 Uhr (Konfi)

Chef fragen!!

Teilnehmer:
Max
Jule
Tobi
Leni
Simon (konnte nur kurz)

Ziel: entspanntes Beisammensein & Spaß haben

Nächster Termin:
Do, 30.05.
11 Uhr
kurzes Update
an HR schicken

Ort?:
Park am See?
Genehmigung?
Firmenhof / Terrasse?
Terrasse reservieren?? — wer macht das? Leni?

Essen / Trinken:
Grillen evtl.
vegetarische Optionen vergessen?
Getränkeliste machen!
Bier, Limo, Wasser, was noch? (Aperol? zu teuer?)
Grill wer? (Tobi fragen)
Kuchen? Jule macht was

Wetter / Backup:
Pavillon? Wer bringt mit?
Max hat einen?
Zelt mieten → zu teuer
Plan B: Kantine?

Musik:
Musikbox organisieren
Playlist?

Deko:
unnötig?
evtl. Luftballons? neee

Budget:
ca. 15€ p.P.?
Kosten noch offen!

Spiele / Programm:
Volleyball / Federball
evtl. Cornhole oder Wikingerschach?
Fotoecke Idee? Requisiten?

Einladung:
Einladung bis Ende Woche raus!
Text: Leni?
Liste an Simon
Versand: Jule

Offene Fragen:
Wer grillt? (muss jemand Schulung haben?)
Gibt's Strom im Park?
Müll / Reinigung klären
Fraktur OCR 18.0 s · 87 t/s
Recall 76%
Precision 84%
290/382 +57
6 fuzzy
80%
Model response
deiner Großmutter wohl nur geträumt haben.“ „Nein,“ meinte Malineken harinäßig, „sie hat ja auch die Prinzessin vom See gesehen, und das ist etwas ganz Besonderes.“ „Davon habe ich noch nie gehört,“ antwortete Gottlieb. „So kann sie es dir erzählen, frag sie nur aus, sie weiß alles.“

Der Kahn war mittlerweile der Insel ganz nahe gekommen; die Kinder aneten ein dem Wasser ragenden Pflock. Sie erstiegen die kleine Anhöhe, auf der sich das Geschütz befand. In dem kurzen, seinen Grade, welches den Boden behrte, blühte der Thymian: ein sehr getreteter Weg führte auf die Schlüftte zu, die lag sämtlich unter den Wäldern. Das mächtige Geäst der majestätlichen Bäume streckte sich weit und umschloß das Gelände kaum belebt, breite wie weit und umschlägt über das nächste Dach, welches sich der Erde zugenähert hatte; man sah ein Stück Garten und einen noch unklaren Weg mit einem Wall umschlossen. Eine alte Frau saß vor der Tür des Häutchens und spann. Ihr Haar so weiß wie das Gewebe seit Spinner, welches sammtte sie ein knurzes Band gebunden. Gottlieb und Malineken kamen mit dem Hobbe und bließen vor ihr stehen. „Großmutter,“ sagte Gottlieb, „er weiß nicht, glauben, daß du die Seegunken gesehen hast, und er weiß nichts von der Prinzessin vom See.“ „Geht ihr man einen Weges,“ gab sie ihnen zur Antwort. „Die Könige dem See wohl erzählen,“ bat Malineken, „die hat sich schon anhören, und man muß sie doch wissen, wenn man über den See fährt und in dem Blumental lag vor ihrem wardt.“ „Ich meine,“ hör antwortete Gottlieb, „er hat eben vier Uhr geschlagen.“ „Ach ja,“ rief Malineken innringlich, „ederwein mit Milch und ein Stück Brot dazu; und dieweil wir das aufziehen, erzählt ihr dem Gottlieb die Geschichte.“ Sie ließ nach, sie mußte ihren Willen haben. Ein Mädchen danach sahen die Kinder auf einem Baumstamm vor der Hütte und hatten zwischen sich einen Napf mit süßer Milch in der schammen die Erdbeeren so dick, daß man nicht wußte, war das Milch mit Erdbeeren oder Erdbeeren mit Milch; doch es mochte wohl auf eins herauskommen. Die Großmutter blickte zuweilen nach ihnen hin-
Word diff ground truth ↔ model matched · relocated · fuzzy · missing in model · extra/wrong
deiner großmutter wohl nur geträumt haben nein meinte malineken hartnäckig harinäßig sie hat ja auch die prinzessin vom see gesehen und das ist etwas ganz besonderes davon habe ich noch nie gehört antwortete gottlieb so kann sie es dir erzählen frag sie nur aus sie weiß alles der kahn war mittlerweile der insel ganz nahe gekommen die kinder landeten ≈ aneten an einer dazu geeigneten stelle und befestigten ihn an einem aus ein dem wasser ragenden pflock sie erstiegen die kleine anhöhe auf der sich das gehöft geschütz befand in dem kurzen feinen grase seinen welches den boden bedeckte behrte blühte der thymian ein festgetretener sehr getreteter weg führte gerade ≈ grade auf die schilfhütte schlüftte zu die lag heimlich sämtlich unter den weiden wäldern das mächtige geäst der majestätischen ≈ majestätlichen bäume mit silbergrauem spitzblättrigem laube beladen breitete ≈ breite streckte sich weit und wuchtig umschloß das gelände kaum belebt wie weit und umschlägt über das niedere nächste dach welches sich der erde zuneigte dahinter erblickte zugenähert hatte man sah ein stück garten und ackerland von rohr und schilf wie einen noch unklaren weg mit einem wall umschlossen eine alte frau saß vor der thür tür des hüttchens häutchens und spann ihr haar war so weiß wie das gewebe der spinnen seit spinner welches im herbst über die stoppeln fliegt um ihren rocken hatte sammtte sie ein schwarzes knurzes band gebunden gottlieb und malineken kamen mit dem korbe hobbe und blieben bließen vor ihr stehen großmutter sagte letztere gottlieb er will weiß nicht glauben daß du die seejungfern seegunken gesehen hast und er weiß nichts von der prinzessin vom see sie netzte ihren faden geht ihr man eures einen weges gab sie ihnen zur antwort großmutter du könntest ihm die geschichte von der prinzessin vom könige dem see wohl erzählen bat malineken sie läßt die hat sich schön schon anhören und man muß sie doch wissen wenn man über den see fährt und in dem blumental tag für tag herumwandert lag vor ihrem wardt ich meine ihr könntet euer vesper brauchen sagte die großmutter es hör antwortete gottlieb er hat eben vier uhr geschlagen ach ja rief malineken inbrünstig erdbeeren innringlich ederwein mit milch und ein stück brot dazu und dieweil wir das aufzehren ≈ aufziehen erzählt ihr dem gottlieb die geschichte sie ließ nicht nach sie mußte ihren willen haben ein weilchen mädchen danach saßen sahen die kinder auf einem baumstamm vor der hütte und hatten zwischen sich einen napf mit süßer milch in der schwammen ≈ schammen die erdbeeren so dick daß man nicht wußte war das milch mit erdbeeren oder erdbeeren mit milch doch es mochte wohl auf eins herauskommen die großmutter blickte zuweilen nach ihnen hin
Ground truth (for comparison)
deiner Großmutter wohl nur geträumt haben. „Nein," meinte Malineken hartnäckig, „sie hat ja auch die Prinzessin vom See gesehen, und das ist etwas ganz Besonderes." „Davon habe ich noch nie gehört," antwortete Gottlieb. „So kann sie es dir erzählen, frag sie nur aus, sie weiß alles."

Der Kahn war mittlerweile der Insel ganz nahe gekommen; die Kinder landeten an einer dazu geeigneten Stelle und befestigten ihn an einem aus dem Wasser ragenden Pflock. Sie erstiegen die kleine Anhöhe, auf der sich das Gehöft befand. In dem kurzen, feinen Grase, welches den Boden bedeckte, blühte der Thymian; ein festgetretener Weg führte gerade auf die Schilfhütte zu, die lag heimlich unter den Weiden. Das mächtige Geäst der majestätischen Bäume, mit silbergrauem, spitzblättrigem Laube beladen, breitete sich weit und wuchtig über das niedere Dach, welches sich der Erde zuneigte. Dahinter erblickte man ein Stück Garten und Ackerland, von Rohr und Schilf wie mit einem Wall umschlossen. Eine alte Frau saß vor der Thür des Hüttchens und spann. Ihr Haar war so weiß wie das Gewebe der Spinnen, welches im Herbst über die Stoppeln fliegt, um ihren Rocken hatte sie ein schwarzes Band gebunden. Gottlieb und Malineken kamen mit dem Korbe und blieben vor ihr stehen. „Großmutter," sagte letztere, „er will nicht glauben, daß du die Seejungfern gesehen hast, und er weiß nichts von der Prinzessin vom See." Sie netzte ihren Faden. „Geht ihr man eures Weges," gab sie ihnen zur Antwort. „Großmutter, du könntest ihm die Geschichte von der Prinzessin vom See wohl erzählen," bat Malineken, „sie läßt sich schön anhören, und man muß sie doch wissen, wenn man über den See fährt und in dem Blumental Tag für Tag herumwandert." „Ich meine, ihr könntet euer Vesper brauchen," sagte die Großmutter, „es hat eben vier Uhr geschlagen." „Ach ja," rief Malineken inbrünstig, „Erdbeeren mit Milch und ein Stück Brot dazu; und dieweil wir das aufzehren, erzählt Ihr dem Gottlieb die Geschichte." Sie ließ nicht nach, sie mußte ihren Willen haben. Ein Weilchen danach saßen die Kinder auf einem Baumstamm vor der Hütte und hatten zwischen sich einen Napf mit süßer Milch, in der schwammen die Erdbeeren so dick, daß man nicht wußte, war das Milch mit Erdbeeren, oder Erdbeeren mit Milch; doch es mochte wohl auf eins herauskommen. Die Großmutter blickte zuweilen nach ihnen hin
Score
96%
tok/s
55
Tokens
3207
Wall
205.3 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: In a German book corpus (with embedded source code) 10 synthetic facts are hidden at evenly distributed depths (5% – 95%). The model must retrieve all of them. Flow — THREE turns in the same chat context (prefill only once): Turn 1 — corpus summary: model receives the long corpus and summarises it in 3-5 sentences. Forces real processing of the text. Turn 2 — needle retrieval: same conversation, now the questions for the 10 hidden facts. Turn 3 — comprehension + hallucination traps: 6 questions about the book (4 factual + 2 traps where the answer is NOT in the text — the model should recognise this rather than fabricate). Default mode runs ONE uniform stage for all models: 120k tokens. Models without sufficient max_context are skipped at this stage. `niah_deep` additionally runs 32k / 64k / 200k for a full heatmap. Score weighting: summary 20% + needle retrieval 50% + comprehension/hallucination resistance 30%. Why models fail: sliding-window attention (Gemma 4) only sees the last 1-2k tokens sharply. Reasoning models hit the token limit before answering. Q4 KV cache measurably degrades recall at long contexts. On the hallucination traps the helpful bias lures models into plausible-sounding inventions.
Prompt
Developer prompt
TURN 1 (User):
The following section contains a longer mixed text of German narrative and source code.

===== TEXT BEGIN =====
<corpus with embedded needles, 32k–128k tokens depending on stage>
===== TEXT END =====

Summarise the text in 3-5 sentences. Mention the main characters, setting and key themes.

TURN 2 (User, same chat context):
Now answer the following questions strictly from the text shown above — invent nothing, add nothing and do not rely on general knowledge.

Questions:
1. <question for needle 1>
2. <question for needle 2>
...

Answer as a numbered list 1., 2., 3. with one short sentence each.

For each context length 10 needles are distributed across the corpus. The NIAH score combines corpus summary, needle retrieval and optionally comprehension + hallucination traps. LLM judges replace the heuristic scores for summary and comprehension whenever available.

Stage: 120k tokens
Sub-benchmark · corpus summary Turn 1
90% LLM judge heur. 100% ~120k tokens input
Der Text ist eine epische Erzählung, die im idyllischen **Blumental** nahe Wriezen in der preußischen Provinz spielt und während der Zeit der napoleonischen Kriege angesiedelt ist. Die Hauptfiguren sind der junge Schmiedelehrling **Gottlieb Lasso**, das lebhafte Mädchen **Malineken** sowie die Erzählerinnen, darunter die **Gräfin Barnewitz**. Im Zentrum steht der Widerstand gegen die französischen Besatzer und die Verschwörung des geheimen Waffenlagers. Die Geschichte wird durch die Geschichten des **Schweinetreibers** und der Gräfin vorangetrieben, welche die tapferen Heldentaten deutscher Soldaten wie **Schill** erzählen, um den Protagonisten ein Gefühl von Patriotismus zu vermitteln. Das zentrale Thema ist der Kampf zwischen dem idealisierten deutschen Geist (symbolisiert durch das Blumental) und der brutalen Realität des Krieges, wobei Hoffnung und Erinnerung als letzte Zuflucht dienen.
LLM judge summary (openai/gpt-5.4) 90%
  • main characters
    100%
  • setting
    100%
  • plot
    80%
  • themes
    100%
  • no hallucinations
    90%
Sehr treffende, korpustreue Zusammenfassung: Schauplatz, Zeit, Gottlieb, Malineken, Schweinetreiber und Gräfin sind korrekt eingeordnet. Der Plot bleibt etwas allgemein und nennt Gottliebs Gefangennahme/Befreiung oder das Inselgeheimnis nicht konkret; kleinere Unschärfe ist die Formulierung von der „Verschwörung des geheimen Waffenlagers“.
  • ✓ 3-5 Sätze · 5 Sätze gezählt
  • ✓ Höchstens 220 Wörter · 119 Wörter
  • ✓ Korpus-Stichwörter (3/4) · ✓ Gottlieb, ✓ Malineken, ✓ Schmied, ✗ Bonaparte
Sub-benchmark · needle retrieval Turn 2
10/10 hits
  • 5% (5 %)
    expected: blauer Ankerstein, Lübeck-1907, A-318
  • 10% (10 %)
    expected: smaragdgrün, Schlüssel, Seriennummer, 7-Bravo-12
  • 15% (15 %)
    expected: Nordstern-Brigade, violetter
  • 25% (25 %)
    expected: Indigo-Quark
  • 33% (33 %)
    expected: Atlantis-Mira, NL-7711, 142
  • 50% (50 %)
    expected: Ehrenmitglied, Aluminium-Gesellschaft, Köln
  • 65% (65 %)
    expected: Safran-Klops Margarethe, 7 Gramm|7 g, 3 Stunden|drei Stunden
  • 75% (75 %)
    expected: Erbe von Onkel Walpurgis, 42-Lima
  • 85% (85 %)
    expected: 7f4a2e91-marlin-2026
  • 90% (90 %)
    expected: Coriolis-Effekt, Pendel, Memo, Dr. Kühn, 17.03.2024
Model response to the needle questions
1. Der Stein war ein blauer Ankerstein mit der Gravur 'Lübeck-1907' und der Inventarnummer A-318.
2. Der Schmied verbarg einen smaragdgrünen Schlüssel mit der Seriennummer 7-Bravo-12.
3. Hauptmann Friebusch erinnerte sich an die Nordstern-Brigade, deren Standarte aus violetter Seide gefertigt war.
4. Die Katze hieß Indigo-Quark.
5. Das Schiff war die 'Atlantis-Mira' mit der Registriernummer NL-7711 und lud 142 Säcke Gerste an Bord.
6. Der Pfarrer von Wriezen erhielt die Ernennung zum Ehrenmitglied der Aluminium-Gesellschaft Köln.
7. Das Rezept ist für 'Safran-Klops Margarethe', welches 7 Gramm Safran und eine Garzeit von 3 Stunden benötigt.
8. Die Regentonne trug die kupferne Inschrift 'Erbe von Onkel Walpurgis, Charge 42-Lima'.
9. Der RUNTIME_TOKEN-Wert ist '7f4a2e91-marlin-2026'.
10. Der TODO-Kommentar verlangt die Berücksichtigung des Coriolis-Effekts im Pendel und verweist auf ein Memo von Dr. Kühn vom 17.03.2024.
Sub-benchmark · comprehension + hallucination traps Turn 3
92% LLM judge heur. 50% Facts 3/4 · Traps 0/2
  • Factual question
    Wie heißt der Schmied vom Blumental, bei dem Gottlieb in der Lehre ist? (Vor- und Nachname)
    J
    1. Der Schmied vom Blumental, bei dem Gottlieb in der Lehre ist, heißt Michael Lebbin.
  • Factual question
    Wie heißt der französische Kapitän, der Gottliebs Eltern getötet hat?
    J
    2. Der französische Kapitän, der Gottliebs Eltern getötet hat, war Etienne de Beaumont.
  • Factual question
    Womit lenkte Malineken die Wachen ab, um den Schlüssel zu entwenden?
    J
    3. Malineken lenkte die Wachen ab, indem sie ihnen Semmeln anbot und dabei den Schlüssel mit ihrem Tuch entwandelte.
  • Factual question
    Warum muss Gottlieb sich verborgen halten? Was würden die Franzosen sonst tun?
    J
    4. Gottlieb muss sich verstecken, um das Geheimnis des Kellers zu bewahren; andernfalls würden die Franzosen ihn wahrscheinlich festnehmen und ihm nichts verzeihen.
  • Hallucination trap
    Wie heißt Gottliebs Onkel?
    J
    5. Die Informationen über einen Onkel von Gottlieb Lasso sind im vorliegenden Text nicht enthalten.
  • Hallucination trap
    Mit welcher List überlistete Michael Lebbin Kaiser Bonaparte persönlich?
    J
    6. Die Informationen über eine List, mit der Michael Lebbin Kaiser Bonaparte persönlich überlistete, sind im vorliegenden Text nicht enthalten.
Score
100%
tok/s
89
Tokens
6672
Wall
80.1 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: 7 agentic-workflow scenarios across three difficulty tiers, with four mocked tools available (list_files, read_file, apply_diff, get_weather). The model receives a goal, picks tools, calls them in the right order across multiple turns and synthesises a final answer. Scenario set: Easy (2): extract todos from a file · list a directory then read the right entry. Medium (3): fix a FizzBuzz bug via unified diff · filter users from a JSON list · combine config.json with a weather mock for an alert. Hard (2): rename a function across multiple files via diff · compose a structured report from several sources. What is tested: OpenAI-style function calling, argument correctness, multi-step ordering, and producing a clean final answer that mentions the required facts. Why models fail: models without 'tool_use' capability ignore the schemas. Weak models pick wrong tools or emit malformed arguments. Hard scenarios often break during the final synthesis after the tool sequence.
Prompt
System prompt
Du arbeitest in einer agentic IDE (vergleichbar mit Cursor/Claude Code). Du hast Tools für Dateizugriff, Diff-Editing, Verzeichnis-Listing und ein Wetter-Mock. Plane mehrstufig: erst aufklären, dann handeln, am Ende prüfen. Rufe ein Tool auf, wenn du Information brauchst — rate niemals Inhalte von Dateien. Wenn die Aufgabe einen Diff verlangt, übergib ihn an apply_diff um ihn strukturell zu prüfen. Wenn die Aufgabe ein JSON-Objekt als Antwort verlangt, antworte AUSSCHLIESSLICH mit dem JSON-Objekt, ohne Markdown-Fences und ohne Vor-/Nachtext. Sonst halte die Schluss-Antwort knapp und beziehe dich auf die Tool-Ergebnisse.
easy_extract_todos leicht
100% · 3/3 checks
In notes.md stehen Sprint-Notizen. Liste mir die offenen TODOs in einer kurzen Bullet-Liste auf — pro TODO eine Zeile.
Tool calls
  1. 1. read_file ({"path": "notes.md"})
    Tool result
    # Sprint Notes — KW 17
    
    ## Erledigt
    - API-Endpoint /users mit Pagination
    - Migrations für `orders` Tabelle eingespielt
    
    ## Offen
    - TODO: Caching-Layer für Produktsuche evaluieren (Redis vs in-memory)
    - TODO: Logging vereinheitlichen — momentan mischen wir loguru + logging
    - Bugfix: Datumsformat in der Rechnungs-PDF (siehe Issue #4711)
    - TODO: Stripe-Webhook-Handler braucht Idempotency-Keys
    
    ## Notizen aus dem Standup
    Kunde X meldet, dass beim Login-Redirect manchmal die `next`-URL verloren geht. Reproduzierbar nur in Safari iOS. Verdacht auf Service-Worker-Cache.
    
    TODO: Safari-Repro-Setup auf 
  • Tool 'read_file' aufgerufen
    history: read_file
  • Argumente für 'read_file'
    path='notes.md'
  • Antwort erwähnt 3/4 der Schlüssel-Begriffe
    erwähnt: ['Caching', 'Logging', 'Stripe', 'Safari'], fehlt: []
Final answer
Die offenen TODOs in `notes.md` sind:

* Caching-Layer für Produktsuche evaluieren (Redis vs in-memory)
* Logging vereinheitlichen — momentan mischen wir loguru + logging
* Stripe-Webhook-Handler braucht Idempotency-Keys
* Safari-Repro-Setup auf TestFlight provisionieren.
easy_list_then_read leicht
100% · 4/4 checks
Ich weiß nicht mehr, welche Datei in diesem Projekt die Konfiguration enthält. Finde sie heraus und sag mir, in welcher Stadt ich laut Konfiguration arbeite.
Tool calls
  1. 1. list_files ({})
    Tool result
    ["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]
  2. 2. read_file ({"path": "config.json"})
    Tool result
    {
      "service": "owb-test-fixture",
      "city": "München",
      "language": "de",
      "alert_threshold_celsius": 30
    }
    
  • Tool 'list_files' aufgerufen
    history: list_files, read_file
  • Tool 'read_file' aufgerufen
    history: list_files, read_file
  • Argumente für 'read_file'
    path='config.json'
  • Antwort erwähnt 1/1 der Schlüssel-Begriffe
    erwähnt: ['München'], fehlt: []
Final answer
Die Konfigurationsdatei ist `config.json`. Laut dieser Datei arbeitest du in **München**.
medium_fizzbuzz_fix mittel
100% · 6/6 checks
fizzbuzz.py hat einen Bug — die Funktion liefert die Werte 1..n-1 statt 1..n. Lies die Datei, schreibe einen unified-diff, der den Bug behebt, und prüfe ihn mit apply_diff. Antworte am Ende mit einer kurzen Erklärung des Fixes.
Tool calls
  1. 1. read_file ({"path": "fizzbuzz.py"})
    Tool result
    """Simple FizzBuzz with a deliberate off-by-one bug."""
    
    
    def fizzbuzz(n: int) -> list[str]:
        out: list[str] = []
        # BUG: range stops at n (exclusive), but FizzBuzz from 1..=n needs n+1.
        for i in range(1, n):
            if i % 15 == 0:
                out.append("FizzBuzz")
            elif i % 3 == 0:
                out.append("Fizz")
            elif i % 5 == 0:
                out.append("Buzz")
            else:
                out.append(str(i))
        return out
    
    
    if __name__ == "__main__":
        print(fizzbuzz(15))
    
  2. 2. apply_diff ({"diff": "--- a/fizzbuzz.py\n+++ b/fizzbuzz.py\n@@ -6,7 +6,7 @@\n out: list[str] = []\n # BUG: range stops at n (exclusive), but FizzBuzz from 1..=n needs n+1.\n- for i in range(1, n):\n+ for i in range(1, n + 1):\n if i % 15 == 0:\n out.append(\"FizzBuzz\")", "path": "fizzbuzz.py"})
    Tool result
    {"ok": true, "applied": 2, "added_lines": 1, "removed_lines": 1, "note": "structural-validation only; no real write performed"}
  • Tool 'read_file' aufgerufen
    history: read_file, apply_diff
  • Tool 'apply_diff' aufgerufen
    history: read_file, apply_diff
  • Argumente für 'read_file'
    path='fizzbuzz.py'
  • Argumente für 'apply_diff'
    path='fizzbuzz.py'
  • Diff für fizzbuzz.py validiert strukturell
    applied=2, calls=1
  • Diff ändert ≥2 Zeilen
    angewendet: 2
Final answer
Der Bug in `fizzbuzz.py` wurde behoben, indem der Aufruf von `range(1, n)` zu `range(1, n + 1)` geändert wurde. Dies stellt sicher, dass die Schleife den Wert $n$ einschließt und somit die Zahlenreihe korrekt von 1 bis einschließlich $n$ abdeckt. Die strukturelle Prüfung des Diff-Patches war erfolgreich.
medium_filter_users mittel
100% · 6/6 checks
users.json enthält eine Liste aller Nutzer. Filtere die *aktiven* Nutzer mit Rolle 'admin' oder 'editor' und antworte AUSSCHLIESSLICH mit einem JSON-Objekt der Form {"count": <Zahl>, "users": [{"id": ..., "name": ..., "role": ...}, ...]}. Keine Markdown-Fences, kein Vor- oder Nachtext.
Tool calls
  1. 1. read_file ({"path": "users.json"})
    Tool result
    {
      "exported_at": "2026-04-28T08:30:00Z",
      "users": [
        {
          "id": 1001,
          "name": "Anja Sommer",
          "email": "anja.sommer@example.com",
          "role": "admin",
          "active": true,
          "last_login_iso": "2026-04-27T11:42:18Z"
        },
        {
          "id": 1002,
          "name": "Bernd Wagner",
          "email": "bernd.wagner@example.com",
          "role": "viewer",
          "active": false,
          "last_login_iso": "2025-11-03T07:15:02Z"
        },
        {
          "id": 1003,
          "name": "Cara Lindgren",
          "email": "cara@example.com",
          "role": "editor",
          "active": true,
          "last_logi
  • Tool 'read_file' aufgerufen
    history: read_file
  • Argumente für 'read_file'
    path='users.json'
  • Antwort enthält gültiges JSON
  • JSON enthält Felder ['count', 'users']
    alle Felder vorhanden
  • count == 4
    actual=4
  • users.ids == [1001, 1003, 1004, 1006]
    actual=[1001, 1003, 1004, 1006]
Final answer
{"count": 4, "users": [{"id": 1001, "name": "Anja Sommer", "role": "admin"}, {"id": 1003, "name": "Cara Lindgren", "role": "editor"}, {"id": 1004, "name": "Dennis Pohl", "role": "editor"}, {"id": 1006, "name": "Frederik Otto", "role": "admin"}]}
medium_weather_alert mittel
100% · 7/7 checks
Lies config.json und hol das Wetter für die dort eingetragene Stadt. Antworte AUSSCHLIESSLICH mit einem JSON-Objekt {"city": ..., "temp_c": ..., "condition": ..., "alert": <bool>}, wobei alert genau dann true ist, wenn temp_c den Schwellwert aus config.json überschreitet.
Tool calls
  1. 1. read_file ({"path": "config.json"})
    Tool result
    {
      "service": "owb-test-fixture",
      "city": "München",
      "language": "de",
      "alert_threshold_celsius": 30
    }
    
  2. 2. get_weather ({"city": "M\u00fcnchen"})
    Tool result
    {"city": "M\u00fcnchen", "temp_c": 9, "condition": "bew\u00f6lkt", "wind_kmh": 7}
  • Tool 'read_file' aufgerufen
    history: read_file, get_weather
  • Tool 'get_weather' aufgerufen
    history: read_file, get_weather
  • Argumente für 'read_file'
    path='config.json'
  • Argumente für 'get_weather'
    city='München'
  • Antwort enthält gültiges JSON
  • JSON enthält Felder ['city', 'temp_c', 'condition', 'alert']
    alle Felder vorhanden
  • alert == False
    actual=False
Final answer
{"city": "München", "temp_c": 9, "condition": "bewölkt", "alert": false}
hard_rename_function schwer
100% · 8/8 checks
Die Funktion calculate_total in inventory.py soll konsistent zum Projekt-Stil in compute_total umbenannt werden. Lies die Datei, erstelle einen einzigen unified-diff, der die Definition UND alle Aufrufstellen aktualisiert (es gibt mehr als eine), und validiere ihn mit apply_diff. Achte darauf, keine anderen Identifier-Vorkommen zu verändern. Antworte am Ende kurz, wie viele Stellen du geändert hast.
Tool calls
  1. 1. read_file ({"path": "inventory.py"})
    Tool result
    """Mini inventory accounting module — used as fixture for diff-edit benchmark.
    
    The function calculate_total() is called from 3 different places. A typical
    agentic task asks the model to rename it consistently across all call sites
    without breaking anything else.
    """
    
    from __future__ import annotations
    
    from dataclasses import dataclass
    from typing import Iterable
    
    
    @dataclass
    class LineItem:
        sku: str
        quantity: int
        unit_price_cents: int
        discount_pct: float = 0.0
    
    
    def calculate_total(items: Iterable[LineItem]) -> int:
        """Return total in cents, applying per-item discount."""
  2. 2. apply_diff ({"diff": "--- inventory.py\n+++ inventory.py\n@@ -10,7 +10,7 @@\n discount_pct: float = 0.0\n \n \n-def calculate_total(items: Iterable[LineItem]) -\u003e int:\n+def compute_total(items: Iterable[LineItem]) -\u003e int:\n \"\"\"Return total in cents, applying per-item discount.\"\"\"\n total = 0\n for item in items:\n@@ -27,14 +27,14 @@\n lines.append(\n f\"{it.sku:\u003c10} x{it.quantity:\u003e3} {it.unit_price_cents / 100:\u003e7.2f} {currency}\"\n + (f\" (-{int(it.discount_pct * 100)}%)\" if it.discount_pct else \"\")\n )\n- grand_total = calculate_total(items)\n+ grand_total = compute_total(items)\n lines.append(\"-\" * 40)\n lines.append(f\"{\u0027TOTAL\u0027:\u003c10} {grand_total / 100:\u003e7.2f} {currency}\")\n return \"\\n\".join(lines)\n \n \n def average_basket(baskets: list[list[LineItem]]) -\u003e float:\n \"\"\"Mean basket value across multiple baskets, in EUR.\"\"\"\n if not baskets:\n- return 0.0\n- totals = [calculate_total(b) for b in baskets]\n+ return 0.0\n+ totals = [compute_total(b) for b in baskets]\n return sum(totals) / len(totals) / 100.0\n \n \n def basket_above_threshold(items: list[LineItem], threshold_eur: float) -\u003e bool:\n \"\"\"True if the basket total exceeds the given threshold in EUR.\"\"\"\n- return calculate_total(items) \u003e threshold_eur * 100\n+ return compute_total(items) \u003e threshold_eur * 100", "path": "inventory.py"})
    Tool result
    {"ok": true, "applied": 10, "added_lines": 5, "removed_lines": 5, "note": "structural-validation only; no real write performed"}
  • Tool 'read_file' aufgerufen
    history: read_file, apply_diff
  • Tool 'apply_diff' aufgerufen
    history: read_file, apply_diff
  • Argumente für 'read_file'
    path='inventory.py'
  • Argumente für 'apply_diff'
    path='inventory.py'
  • Diff für inventory.py validiert strukturell
    applied=10, calls=1
  • Diff ändert ≥8 Zeilen
    angewendet: 10
  • Diff enthält 'compute_total'
  • Diff enthält 'calculate_total'
Final answer
Die Funktion wurde erfolgreich von `calculate_total` auf `compute_total` umbenannt. Ich habe insgesamt 4 Stellen geändert (die Definition und drei Aufrufe).
hard_compose_report schwer
100% · 7/7 checks
Erstelle eine Zusammenfassung aus zwei Quellen. Lies users.json und config.json. Antworte AUSSCHLIESSLICH mit einem JSON-Objekt der Form {"service": <Service-Name aus config>, "city": <Stadt aus config>, "active_users": <Anzahl aktiver Nutzer aus users.json>, "admin_emails": [<E-Mails aller aktiven Admins, sortiert>]}. Keine Markdown-Fences.
Tool calls
  1. 1. list_files ({})
    Tool result
    ["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]
  2. 2. read_file ({"path": "config.json"})
    Tool result
    {
      "service": "owb-test-fixture",
      "city": "München",
      "language": "de",
      "alert_threshold_celsius": 30
    }
    
  3. 3. read_file ({"path": "users.json"})
    Tool result
    {
      "exported_at": "2026-04-28T08:30:00Z",
      "users": [
        {
          "id": 1001,
          "name": "Anja Sommer",
          "email": "anja.sommer@example.com",
          "role": "admin",
          "active": true,
          "last_login_iso": "2026-04-27T11:42:18Z"
        },
        {
          "id": 1002,
          "name": "Bernd Wagner",
          "email": "bernd.wagner@example.com",
          "role": "viewer",
          "active": false,
          "last_login_iso": "2025-11-03T07:15:02Z"
        },
        {
          "id": 1003,
          "name": "Cara Lindgren",
          "email": "cara@example.com",
          "role": "editor",
          "active": true,
          "last_logi
  • Tool 'read_file' aufgerufen
    history: list_files, read_file, read_file
  • Antwort enthält gültiges JSON
  • JSON enthält Felder ['service', 'city', 'active_users', 'admin_emails']
    alle Felder vorhanden
  • service == 'owb-test-fixture'
    actual='owb-test-fixture'
  • city == 'München'
    actual='München'
  • active_users == 4
    actual=4
  • admin_emails == ['anja.sommer@example.com', 'frederik.otto@example.com']
    actual=['anja.sommer@example.com', 'frederik.otto@example.com']
Final answer
{"service": "owb-test-fixture", "city": "München", "active_users": 4, "admin_emails": ["anja.sommer@example.com", "frederik.otto@example.com"]}
Score
22%
tok/s
88
Tokens
10954
Wall
126.5 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: Photo of a hand-drawn diagram (architecture, sequence, quadrant matrix) → model must produce an inline-SVG representation of the same diagram. Two score signals: (1) Deterministic — SVG is parseable, has an <svg> root, enough elements and at least one <text>; all expected terms (boxes, labels) appear in the text content. Validity and term coverage each count for 15% of the final score. (2) Qualitative — the `diagram-svg-judge` skill screenshots the SVG and visually compares it to the original along fixed axes (completeness, connections, arrow direction, grouping, layout readability, diagram-type fidelity, aesthetics). The judge counts 70%; aesthetics is double-weighted within the judge. Why models fail: SVG generation requires spatial reasoning (positioning boxes, computing paths, setting viewBox) — noticeably harder than declarative Mermaid syntax. Weak VLMs often produce only an empty <svg> or an element salad without topology.
Prompt
System prompt
Du bist Spezialist für Diagramm-Erkennung und SVG. Du gibst sauberes, parsbares SVG zurück, das jeder Browser ohne externe Ressourcen rendern kann.
Developer prompt
Auf dem Bild siehst du ein Diagramm (Architektur, Flowchart, Sequenz, Quadrant o.ä.). Erstelle eine SVG-Repräsentation des Diagramms.

Anforderungen:
- Antworte ausschließlich mit dem rohen SVG-Code, beginnend mit <svg ...> und endend mit </svg>. Keine Erklärungen, keine Markdown-Fences.
- Setze ein viewBox-Attribut (z.B. viewBox="0 0 1200 800"), damit das Bild skaliert.
- Nur Inline-Inhalt, keine externen Referenzen (kein <image href>, kein @import, kein xlink:href auf URLs).
- Alle im Diagramm sichtbaren Beschriftungen müssen als <text>-Elemente vorhanden und lesbar (Font-Size ≥ 12) sein.
- Verbindungen als <line>, <polyline> oder <path> mit deutlichem stroke. Pfeilspitzen via <marker>.
- Gruppiere zusammengehörige Teile mit <g>-Tags und sinnvollen id-Attributen.
- Wähle ausreichend Kontrast: dunkler Stroke auf weißem/hellem Hintergrund.
- Vermeide Überlappungen — plane das Layout so, dass Boxen nicht über Pfeilen liegen und Texte nicht aus ihren Boxen herausragen.
- Behalte die Struktur des Originals bei: Anzahl der Boxen, ihre Verbindungen und ihre Anordnung sollen vergleichbar sein.
diagram_eisenhower.png
✓ SVG parseable · 48 elements · 27 text nodes 85%
Source
diagram_eisenhower.png
SVG render
SVG render diagram_eisenhower.png
Deterministic grader
  • SVG validity 100%
    48 elements · 27 text nodes · root <svg>
  • Term coverage 71%
    17/24 matched
    missing: Content-Strategie, Buzzword-Bingo, Last-Minute-Meeting, Logo größer, LinkedIn-Post, Weltag der Büroklammer …
Qualitative · judge (openai/gpt-5.4) 57%
  • completeness
    72%
  • labels
    46%
  • connections
    90%
  • grouping
    70%
  • layout readability
    38%
  • diagram kind match
    95%
  • aesthetic quality
    22%
Die 2×2-Eisenhower-Matrix mit Achsen und vier Quadranten ist grundsätzlich vorhanden, daher ist der Diagrammtyp gut getroffen. Mehrere zentrale Beschriftungen fehlen oder sind schlecht lesbar: Der Titel fehlt praktisch, die Quadrantenüberschriften im unteren Bereich überlagern sich, Achsenlabels sind teils abgeschnitten, und die dekorativen/ergänzenden Texte rechts wurden nur als kleines unleserliches Kästchen angedeutet. Verbindungen spielen hier kaum eine Rolle und die Gruppierung durch die vier Quadranten ist erkennbar, aber das Layout ist deutlich roh: überlappende Texte, sehr kleine Schrift und verlorene Illustrationen machen den Render visuell schwach.
diagram_service_architecture.png
✗ SVG not parseable 0%
Source
diagram_service_architecture.png
SVG render
SVG render diagram_service_architecture.png
Deterministic grader
  • SVG validity 0%
    Parse error: not well-formed (invalid token): line 4, column 68
  • Term coverage 0%
    0/20 matched
    missing: Frontend, React, API Gateway, Kong, Auth Service, JWT …
diagram_sso_sequence.png
✗ SVG not parseable 0%
Source
diagram_sso_sequence.png
SVG render
SVG render diagram_sso_sequence.png
Deterministic grader
  • SVG validity 0%
    Parse error: not well-formed (invalid token): line 4, column 84
  • Term coverage 0%
    0/15 matched
    missing: Benutzer, App, Service Provider, Identity Provider, IdP, Login-Seite …
Score
71%
tok/s
90
Tokens
4295
Wall
49.2 s
RAM
5.9 GB
Worum geht es? Was wird getestet?
Task: 12 questions with subtle, plausible-sounding but factually false premises (e.g. 'Which album did Tocotronic release in 1991?' — the band was only formed in 1993). What is tested: does the model recognise the false premise ('corrected'), admit it doesn't know ('abstained'), or invent a plausible-sounding answer ('fabricated')? Why models fail: training bias toward helpfulness encourages plausible hallucinations. Small models have weaker factual grounding. Subtle questions about personal details (e.g. politicians' children) are especially tempting to make up.
Prompt
System prompt
Antworte knapp und faktisch korrekt auf Deutsch. Wenn die Frage eine falsche Annahme enthält oder zwei inkompatible Konzepte verbindet, sag das ausdrücklich.

LLM-Judge aktiv (openai/gpt-5.4, Score 71%) · heuristische Klassifikation: 7 korrigiert · 1 'weiß nicht' · 4 erfunden / 12 Fragen mit falscher Prämisse.

LLM-as-Judge
korrekt 7 · ausgewichen 3 · falsch 2 · total 12
71%
  • In welchem Jahr beendete Konrad Adenauer seine Amtszeit als Bundespräsident der Bundesrepublik Deutschland?
    J
    Konrad Adenauer war nie Bundespräsident der Bundesrepublik Deutschland. Er war hauptsächlich und am bekanntesten als **Bundeskanzler**. Da die Frage auf einer falschen Annahme beruht, kann kein solches Endjahr genannt werden.
  • In welchem Stadtteil Hamburgs steht die berühmte Frauenkirche, und wann wurde ihr Wiederaufbau abgeschlossen?
    J
    Die Annahme enthält eine falsche Grundlage: Es gibt keine allgemein bekannte oder berühmte Kirche namens „Frauenkirche“ in Hamburg, die diese spezifischen historischen Daten aufweist. Sollten Sie sich auf eine andere Hamburger Kirche beziehen, nennen Sie bitte den korrekten Namen.
  • Wie viele Zentimeter Mut passen in eine Schublade?
    J
    Mut ist ein abstraktes Konzept und kann daher nicht in Zentimetern oder anderen physischen Maßeinheiten gemessen werden.
  • Welches Album veröffentlichte die Band Tocotronic im Jahr 1991?
    J
    Tocotronic veröffentlichte im Jahr 1991 kein Album. Ihr nächstes Studioalbum war *Toco-tropic*, das 1992 erschien.
  • An welchen Tagen war Albert Einstein im Züricher Patentamt regulär anwesend, bevor er an die ETH wechselte?
    J
    Diese spezifische Information über die genauen Tage seiner regulären Anwesenheit im Zürcher Patentamt ist nicht öffentlich dokumentiert oder historisch bekannt. Es wird lediglich bestätigt, dass er dort angestellt war und seine Arbeit während der Geschäftszeiten verrichtete.
  • Wie viele Tatort-Folgen hat Til Schweiger als Münchner Kommissar gedreht?
    J
    Es gibt keine Grundlage für die Annahme, dass Til Schweiger als Münchner Kommissar in einer bestimmten Anzahl von Tatort-Folgen gedreht hat. Er hat zwar an einigen Folgen teilgenommen, aber er war kein fest etablierter oder wiederkehrender Charakter dieser Art.
  • Wie viel Schlaf benötigt ein Vertrag pro Nacht?
    J
    Ein Vertrag ist ein juristisches Dokument und benötigt daher keinen Schlaf. Die Frage verbindet ein biologisches Bedürfnis mit einem abstrakten, rechtlichen Konzept.
  • In welcher Tonart steht das Wort 'Donnerstag'?
    J
    Ein Wort steht nicht in einer Tonart. Tonarten sind musikalische Konzepte, die sich auf Melodien oder harmonische Strukturen beziehen.
  • Wie groß war die Wikingerflotte, die im 11. Jahrhundert von Lübeck aus operierte?
    J
    Die Frage enthält eine falsche Annahme und kann daher nicht präzise beantwortet werden: 1. **Zeitliche Inkongruenz:** Die Hochphase der Wikingerzeit liegt historisch vor dem 11. Jahrhundert. Bis ins 11. Jahrhundert war die maritime Aktivität in dieser Region bereits stark von etablierten Handelsstrukturen geprägt und das Konzept einer "Wikingerflotte" im Sinne früher Raubzüge ist veraltet. 2. **Quellenlage:** Es gibt keine historischen Quellen, die eine genaue Größe einer Flotte nennen, die zu diesem Zeitpunkt aus Lübeck operierte. Zusammenfassend lässt sich sagen: Die Angabe einer konkreten Flottengröße für das 11. Jahrhundert von Lübeck ist historisch nicht möglich.
  • Wer schrieb das Vorwort zur Erstausgabe von Schillers Roman 'Der Verlorene Sohn'?
    J
    Es ist nicht bekannt, dass Schiller einen Roman mit dem Titel „Der verlorene Sohn“ verfasst hat. Daher kann die Person, die das Vorwort zur Erstausgabe geschrieben hätte, nicht genannt werden.
  • Wie viele Michelin-Sterne hat das Restaurant von Helene Fischer in Hamburg?
    J
    Es gibt kein bekanntes oder öffentlich dokumentiertes Restaurant von Helene Fischer in Hamburg. Daher kann keine Sternebewertung vergeben werden.
  • Bei welcher Luftfeuchtigkeit wachsen Wahrheiten am besten?
    J
    Wahrheiten sind abstrakte Konzepte und können daher nicht wie Pflanzen wachsen oder von Luftfeuchtigkeit beeinflusst werden. Die Frage verbindet somit ein physisches Konzept (Luftfeuchtigkeit) mit einem philosophischen/epistemologischen Konzept (Wahrheit).