nvidia/nemotron-3-nano-omni@q8_0

nvidia 30B · 3B active gguf / q8_0 ctx 256k released 2026-04-20 vision tool_use

Model

Peak RAM: 32.8 GB
Wall total: 16.6 min

Benchmarks

coding 39% 2m
vision 28% 3m
niah — 0s
tool_use 89% 4m
diagram_to_svg 64% 5m
hallucination 67% 2m

coding

all models in this bench →

Score

39%

Static

100%

Functional

33%

Qualitative

37%

tok/s

Tokens

6254

Wall

140.1 s

RAM

32.8 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

Qualitative · LLM-as-judge (openai/gpt-5.4) 2026-04-29T21:13:43.616596+00:00

37%

Visual (screenshot)

board renders

50%
column completeness

50%
cards present

0%
ui affordances

50%
design quality

40%

Das Board rendert sichtbar mit vier Bereichen und Add-card-Buttons, aber die Spaltenüberschriften wirken nach dem Render teilweise verloren und es sind keinerlei Karten sichtbar. Die Oberfläche ist sauber, aber sehr roh und funktional unvollständig.

Code quality (HTML/JS)

code structure

50%
dom safety

90%
robustness

30%
code quality

20%

Die Grundstruktur ist in Abschnitte gegliedert und User-Text wird sicher per textContent gesetzt. Allerdings enthält der Code gravierende Logikfehler: columnId ist beim Hinzufügen nicht definiert, Spalten-Header werden im Render gelöscht und nicht wiederhergestellt, Mapping von data-testid zu State-Keys ist fehlerhaft, und Drag-and-drop ist faktisch kaputt, weil Karten nicht draggable gemacht werden.

Render ↔ code consistency 0%

Starke Diskrepanz zwischen Code und Screenshot: Der Code verspricht Dummy-Karten und mehr Interaktion, im Render sind nur leere Spalten mit Buttons zu sehen. Das deutet klar auf fehlerhaftes Initial-Rendering bzw. kaputte Render-Logik hin.

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

Page.wait_for_selector: Timeout 2000ms exceeded. Call log: - waiting for locator("[data-testid=\"card-input\"]") to be visible 9 × locator resolved to hidden <input type="text" id="card-input" d
✗

Card is added exactly 1× (no double submit)

skipped — add flow failed
✗

Delete card via button + confirmation

no cards available to delete
✓

Cards survive a reload
✗

No JS console errors

pageerror: Unexpected token ';'; pageerror: Unexpected token ';'

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"/>
  <!-- Tailwind CSS via CDN -->
  <script src="https://cdn.tailwindcss.com"></script>
  <title>Kanban Board</title>
  <style>
    /* Confetti animation – a simple particle burst */
    @keyframes confetti {
      0%   { transform: translateY(0) scale(0); opacity: 0; }
      100% { transform: translateY(-250px) scale(1.5); opacity: 1; }
    }
    #confetti {
      position: fixed;
      top: 50%;
      left: 50%;
      width: 200px;
      height: 200px;
      pointer-events: none;
      transform: translate(-50%, -50%);
      opacity: 0;
    }
    #confetti.active {
      opacity: 1;
      animation: confetti 2s forwards;
    }
  </style>
</head>
<body class="bg-gray-100 min-h-screen flex flex-col items-center p-4">

  <!-- Columns container -->
  <div class="w-full max-w-5xl grid grid-cols-1 gap-4">
    <!-- Backlog column -->
    <div id="backlog" data-testid="column-backlog"
         class="bg-indigo-50 p-4 rounded-lg">
      <h2 class="text-lg font-semibold mb-2">Backlog</h2>
      <button data-testid="add-card" class="bg-indigo-600 text-white px-3 py-1 rounded hover:bg-indigo-700">
        Add card
      </button>
    </div>

    <!-- In Progress column -->
    <div id="inProgress" data-testid="column-in-progress"
         class="bg-blue-50 p-4 rounded-lg">
      <h2 class="text-lg font-semibold mb-2">In Progress</h2>
      <button data-testid="add-card" class="bg-blue-600 text-white px-3 py-1 rounded hover:bg-blue-700">
        Add card
      </button>
    </div>

    <!-- Review column -->
    <div id="review" data-testid="column-review"
         class="bg-green-50 p-4 rounded-lg">
      <h2 class="text-lg font-semibold mb-2">Review</h2>
      <button data-testid="add-card" class="bg-green-600 text-white px-3 py-1 rounded hover:bg-green-700">
        Add card
      </button>
    </div>

    <!-- Done column -->

Artefacts: Generierte App Raw model response Screenshot der gerenderten App

vision

all models in this bench →

Score

28%

tok/s

Tokens

14548

Wall

192.4 s

RAM

32.8 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 19.6 s · 77 t/s

Recall 69%

Precision 70%

53/77 +23

1 fuzzy

69%

Model response

Meeting.net-zen Website - Relaunch  
12.06.75, 09.30 Uhr  

**Gesendet:** Anna, Ben, Mia, Jonas, Ric  
**CMS Konzept**

### Theorien
- Startseite  
- Text  
- Bildauswahl  
- Layout-Textein  
- offene Fragen  

### Stand
- Design: Sack Final  
- Texte für über-50er noch nach  
- Bilder vom Team noch nicht komplett  
- Mobile Ansicht prüfen  

### To-Dos
- Ben → Bilder anfertigen  
- Mia → Startseite angepasst  
- Jonas → Feedback Runde  
- Anna → SEO-Check  

### Offen
- Berichtsheft final?  
- Freigabe Runde bis Freitag  
- Wie heißt Kontaktformular?  

**Nächstes Meeting:** 19.06., 10 Uhr

Word diff ground truth ↔ model ● matched · ● relocated · ● fuzzy · ● missing in model · ● extra/wrong

meetingnotizen meeting net zen website relaunch 12 06 25 75 09 30 uhr anwesend gesendet anna ben mira mia jonas ece ric cms langsam themen konzept theorien startseite texte ≈ text bildauswahl launch termin layout textein offene fragen stand design fast sack final texte für über uns fehlen 50er noch nach bilder vom team noch nicht komplett mobile ansicht prüfen bitte kurz halten to dos ben bilder anfragen mira anfertigen mia startseite anpassen angepasst jonas feedback kunde runde anna seo check offen rechtstexte berichtsheft final freigabe kunde runde bis freitag wer testet wie heißt kontaktformular nächstes meeting 17 19 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 48.5 s · 77 t/s

Recall 24%

Precision 29%

32/136 +78

6 relocated · 2 fuzzy

26%

Model response

# Besprechung Protokoll  
**Datum:** 20.04.  

## Thema 1: Projektstruktur / Projekt  
- Struktur (vgl. …)  
- Budget – ist noch nicht  
- Timeline / Meilensteine  
- Risiken  

## Präsentationen  
- Kredit: P. Tacke (T+S)  
- Kredit: S. Rieger + C1  
- Präsentation: [unleserlich] / [unleserlich]  
- Budget 20 (Hinweis rechts)  

## Budget  
- 20 % aller Plan  
- Kredit: [unleserlich] / [unleserlich]  
- Hinweis: Budget 20, 30 (rechts)  

## Coffee Break  
- Präsenz von Kund. [unleserlich] nach ca. 15 min  
- Arbeitsblätter zu Sprint 2 erhalten (ca. 17)  
- Sichtung für neues Projekt? [unleserlich]  

## T+Zm 1  
- T+S: Sprint‑Report = 20.04.  
- K8: Präsentationen/Feedback  
- [unleserlich] Diskussionen, offene Punkte  

**Wichtige Punkte:**  
- Budget 20  
- 30.04. bis 10.05.  
- Datum 20.04.  

## Rückfragen  
- Wie gehen wir mit dem Risiko um?  
- Priorisierung der Themen anhand von …

Word diff ground truth ↔ model ● matched · ● relocated · ● fuzzy · ● missing in model · ● extra/wrong

meetingprotokoll 21 05 25 11 uhr teilnehmer m schulz t wagner l becker s klein später h jt themen projektstatus update besprechung protokoll datum 20 04 thema 1 projektstruktur projekt struktur vgl budget ist zu hoch noch nicht timeline meilenstein ≈ meilensteine risiken projektstatus modul a fertig team präsentationen kredit p tacke t s modul b verzögert sich testphase startet nächste woche hoffentlich kundenfeedback steht noch aus details in jira kredit s rieger c1 präsentation unleserlich unleserlich budget 20 über hinweis rechts budget 20 aller plan ursache unklare anforderungen nachbessern nötig nächstes mal genauer kalkulieren bitte kredit unleserlich unleserlich hinweis budget 20 30 rechts coffee break präsenz von unleserlich nach ca min arbeitsblätter zu sprint erhalten ca 17 sichtung für projekt unleserlich t zm 1 t s sprint report bis 28 05 20 04 k8 präsentationen unleserlich diskussionen offene punkte freigabe von kunde ≈ kund 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 wichtige punkte budget report 28 20 30 04 bis 05 l b kunden anstupsen wg feedback dokumentation aktualisieren nächstes meeting datum 20 04 06 25 10 uhr raum 2 15 rückfragen wie gehen wir mit dem risiko um priorisierung der features nochmal prüfen anhand von

Ground truth (for comparison)

Meetingprotokoll
21.05.25
11 Uhr

Teilnehmer: M. Schulz, T. Wagner, L. Becker, 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 45.2 s · 77 t/s

Recall 14%

Precision 17%

21/148 +102

7 relocated · 2 fuzzy

15%

Model response

Begeisterung - Brainstorm (?)
28.05 ab 14:30 Uhr Kampf

In Verstand:
- Idea
- Ziel
- Lern
- Szenen (Menschen, Orte)

Bsp.
- Markt am See ?
- -> Sammlung
- Fremdheit / Fremde?
- -> Personen / Menschen ?
- -> [unleserlich]
Personen / Menschen?

Meine Themen:
- Bsp.: 2025
- 24.11.
- kurze Update

am 17. Juli

Essen / Trinken:
- Grill, ...
- Schnelle Speisen ->
- -> Kochen?
- Geflügel / Vögel
- Kochbuch?
- Bier, Limonade, ...
- 3er-Layer, Bier, ...
- -> [unleserlich]

Möbel:
- Markierung / Lagerplatz
- Möglich?
- Stoffe / Pflanzen
- Wandfarbe / Farbton / Wandfarbenwahl ?
- mit Geruchs- oder ...
- Farbkarten, Farben, Regeln?
- Abteilung: Pflasterung der Erde, Mauer, ...
- -> Dach, Terrasse
- -> [unleserlich]
- -> [unleserlich]

Stühle / Tische:
- Wandfarbe / Farbton / Wandfarbenwahl ?
- mit Geruchs- oder ...
- Farbkarten, Farben, Regeln?
- Abteilung: Pflasterung der Erde, Mauer, ...
- -> Dach, Terrasse
- -> [unleserlich]
- -> [unleserlich]

Bücher:
- Welt / Raum?
- Farbton?
- Kurzfristig?
- -> [unleserlich]

Welt:
- Bücher?
- Neue Fragen?
- Farbton, ...? (Kurzfristig?)
- Geld / Show im Haus?
- Müll / Reinigung, etc.

Beispiel
24.11.
Kurzfristig?
-> [unleserlich]

Word diff ground truth ↔ model ● matched · ● relocated · ● fuzzy · ● missing in model · ● extra/wrong

besprechung sommerfest 23 begeisterung brainstorm 28 05 24 10 15 ab 14 uhr konfi chef fragen teilnehmer max jule tobi leni simon konnte nur kurz kampf in idea ziel entspanntes beisammensein spaß haben nächster termin do 30 05 11 uhr kurzes ≈ kurze update an hr schicken ort park lern szenen menschen orte bsp markt am see genehmigung firmenhof terrasse terrasse reservieren wer macht das leni sammlung fremdheit fremde personen menschen unleserlich personen menschen meine themen bsp 2025 am 17 juli essen trinken grillen evtl vegetarische optionen vergessen getränkeliste machen schnelle speisen kochen geflügel vögel kochbuch bier limo wasser was noch aperol zu teuer grill wer tobi limonade 3er layer bier unleserlich möbel markierung lagerplatz möglich stoffe pflanzen wandfarbe farbton wandfarbenwahl mit geruchs oder farbkarten farben regeln abteilung pflasterung der erde mauer dach unleserlich unleserlich stühle tische wandfarbe farbton wandfarbenwahl mit geruchs oder farbkarten farben regeln abteilung pflasterung der erde mauer dach unleserlich unleserlich bücher welt raum farbton kurzfristig unleserlich welt bücher neue 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 ≈ verstand jule offene fragen wer grillt muss jemand schulung haben gibt s strom farbton kurzfristig geld show im park haus müll reinigung klären etc beispiel 24 11 kurzfristig unleserlich

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 79.1 s · 77 t/s

Recall 0%

Precision 0%

0/382 +0

Model response

Word diff ground truth ↔ model ● matched · ● relocated · ● fuzzy · ● missing in model · ● extra/wrong

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

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

Artefacts: Handschrift OCR – leicht – Antwort Handschrift OCR – leicht – Bild Handschrift OCR – mittel – Antwort Handschrift OCR – mittel – Bild Handschrift OCR – schwer – Antwort Handschrift OCR – schwer – Bild Fraktur OCR – Antwort Fraktur OCR – Bild

niah

all models in this bench →

Score

—

tok/s

Tokens

—

Wall

0.0 s

RAM

—

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 · needle retrieval Turn 2

0/10 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

Error: context-load failed: model konnte nicht mit 128000 Tokens geladen werden

Sub-benchmark · comprehension + hallucination traps Turn 3

0% Facts 0/4 · Traps 0/2

Factual question
Wie heißt der Schmied vom Blumental, bei dem Gottlieb in der Lehre ist? (Vor- und Nachname)
Factual question
Wie heißt der französische Kapitän, der Gottliebs Eltern getötet hat?
Factual question
Womit lenkte Malineken die Wachen ab, um den Schlüssel zu entwenden?
Factual question
Warum muss Gottlieb sich verborgen halten? Was würden die Franzosen sonst tun?
Hallucination trap
Wie heißt Gottliebs Onkel?
Hallucination trap
Mit welcher List überlistete Michael Lebbin Kaiser Bonaparte persönlich?

Artefacts: Breakdown pro Kontextlänge Haystack 120k Tokens

tool_use

all models in this bench →

Score

89%

tok/s

Tokens

17645

Wall

244.0 s

RAM

32.8 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. list_files ({})

Tool result

["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]

2. 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: list_files, read_file
✓

Arguments for 'read_file'

path='notes.md'
✓

Response mentions 3/4 of the key terms

mentioned: ['Caching', 'Logging', 'Stripe'], missing: ['Safari']

Final answer

- Caching-Layer für Produktsuche evaluieren (Redis vs in-memory)  
- Logging vereinheitlichen — momentan mischen wir loguru + logging  
- Stripe-Webhook-Handler braucht Idempotency-Keys

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. list_files ({})

Tool result

["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]

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
✓

Arguments for 'read_file'

path='config.json'
✓

Response mentions 1/1 of the key terms

mentioned: ['München'], missing: []

Final answer

Die Konfiguration befindet sich in der Datei `config.json`, und laut Konfiguration 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. 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. apply_diff ({"diff": "--- fizzbuzz.py\n+++ fizzbuzz.py\n@@ -4,2 +4,2 @@\n-# BUG: range stops at n (exclusive), but FizzBuzz from 1..=n needs n+1.\n- for i in range(1, n):\n+# FIXED: range now includes n (inclusive).\n+ for i in range(1, n+1):", "path": "fizzbuzz.py"})
Tool result
```
{"ok": true, "applied": 4, "added_lines": 2, "removed_lines": 2, "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
✓

Arguments for 'read_file'

path='fizzbuzz.py'
✓

Arguments for 'apply_diff'

path='fizzbuzz.py'
✓

Diff for fizzbuzz.py validates structurally

applied=4, calls=1
✓

Diff changes ≥2 lines

applied: 4

Final answer

Der Bug entstand, weil `range(1, n)` in Python Werte bis `n-1` generiert (exklusiv). Der Fix ändert den Bereich auf `range(1, n+1)`, sodass alle Zahlen von 1 bis `n` inklusive berücksichtigt werden. Dies korrigiert das off-by-one-Fehler im Loop.

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. 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
✓

Arguments for 'read_file'

path='users.json'
✓

Response contains valid JSON
✓

JSON contains fields ['count', 'users']

all fields present
✓

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. read_file ({"path": "config.json"})

Tool result

{
  "service": "owb-test-fixture",
  "city": "München",
  "language": "de",
  "alert_threshold_celsius": 30
}

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
✓

Arguments for 'read_file'

path='config.json'
✓

Arguments for 'get_weather'

city='München'
✓

Response contains valid JSON
✓

JSON contains fields ['city', 'temp_c', 'condition', 'alert']

all fields present
✓

alert == False

actual=False

Final answer

{"city": "München", "temp_c": 9, "condition": "bewölkt", "alert": false}

hard_rename_function schwer

25% · 2/8 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. list_files ({})

Tool result

["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]

2. 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."""

✓

Tool 'read_file' aufgerufen

history: list_files, read_file
✗

Tool 'apply_diff' aufgerufen

history: list_files, read_file
✓

Arguments for 'read_file'

path='inventory.py'
✗

Arguments for 'apply_diff'

tool not called
✗

Diff for inventory.py validates structurally

applied=0, calls=0
✗

Diff changes ≥8 lines

applied: 0
✗

Diff contains 'compute_total'

token not found in diff body
✗

Diff contains 'calculate_total'

token not found in diff body

Final answer

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. 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

2. read_file ({"path": "config.json"})

Tool result

{
  "service": "owb-test-fixture",
  "city": "München",
  "language": "de",
  "alert_threshold_celsius": 30
}

✓

Tool 'read_file' aufgerufen

history: read_file, read_file
✓

Response contains valid JSON
✓

JSON contains fields ['service', 'city', 'active_users', 'admin_emails']

all fields present
✓

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"
  ]
}

Artefacts: Scenarios + Tool-Call-Verlauf

diagram_to_svg

all models in this bench →

Score

64%

tok/s

Tokens

23586

Wall

313.2 s

RAM

32.8 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 · 47 elements · 27 text nodes 79%

Source

SVG render

Open SVG file ↗

Deterministic grader

SVG validity 100%

47 elements · 27 text nodes · root <svg>
Term coverage 58%

14/24 matched

missing: Zielgruppen, Kampagne retten, Shitstorm, falschem Link, viral gehen, Merch-Ideen …

Qualitative · judge (openai/gpt-5.4) 71%

completeness

74%
labels

58%
connections

95%
direction

90%
grouping

82%
layout readability

55%
diagram kind match

96%
aesthetic quality

43%

Die 2×2-Eisenhower-Matrix mit Achsen und allen vier Quadranten ist klar vorhanden; auch mehrere Randnotizen/Doodles wurden teilweise übernommen. Bei den Labels gibt es aber etliche inhaltliche Abweichungen: z.B. „Kampagne retten“ wurde zu „Kampagne starten“, mehrere Listenpunkte sind umformuliert oder verfälscht, und die handschriftlichen Zusatztexte sind teils falsch wiedergegeben. Verbindungen gibt es hier praktisch keine; die Achsrichtungen stimmen weitgehend. Das Layout ist insgesamt lesbar, wirkt aber roh: links überlappt eine schräge Randnotiz die Matrix, einige Doodle-Elemente stehen unglücklich im Zentrum, und die visuelle Politur bleibt deutlich hinter dem Original zurück.

diagram_service_architecture.png

✓ SVG parseable · 40 elements · 10 text nodes 75%

Source

SVG render

Open SVG file ↗

Deterministic grader

SVG validity 100%

40 elements · 10 text nodes · root <svg>
Term coverage 50%

10/20 matched

missing: Kong, User DB, FastAPI, External API, Payment Provider, File Storage …

Qualitative · judge (openai/gpt-5.4) 46%

completeness

56%
labels

40%
connections

22%
direction

28%
layout readability

52%
diagram kind match

78%
aesthetic quality

46%

Die Hauptarchitektur mit Frontend, API Gateway, Auth Service, Backend, Datenbank, Message Queue und Worker ist grundsätzlich vorhanden, aber mehrere zentrale Elemente aus dem Original fehlen: User DB, External API, Monitoring, File Storage sowie die Legende und Seitennotizen. Mehrere Beschriftungen sind semantisch falsch oder ersetzt, z.B. Backend als „Node.js + Express.js“ statt Python/FastAPI, ein zusätzliches „Admin Panel“ statt User DB und „Data Store (SQL)“ statt separater User- und Backend-Datenbanken. Die Verbindungen stimmen nur teilweise: Frontend↔Gateway ist sogar falsch herum, Queue→Worker ist vertikal statt horizontal, und mehrere Originalkanten fehlen oder sind auf falsche Ziele gelegt. Das Render ist zwar als Architekturdiagramm erkennbar und lesbar, wirkt aber topologisch deutlich verfälscht und visuell eher roh.

diagram_sso_sequence.png

✓ SVG parseable · 36 elements · 14 text nodes 83%

Source

SVG render

Open SVG file ↗

Deterministic grader

SVG validity 100%

36 elements · 14 text nodes · root <svg>
Term coverage 67%

10/15 matched

missing: Anmeldedaten, SSO-Response, Ressourcen, Nein, Ja

Qualitative · judge (openai/gpt-5.4) 54%

completeness

88%
labels

76%
connections

42%
direction

38%
layout readability

34%
diagram kind match

92%
aesthetic quality

31%

Der Render trifft den Diagrammtyp und enthält fast alle Hauptknoten: Benutzer, App/Service Provider, Identity Provider, Login-Seite, Entscheidungsdiamant und „Zugriff gewährt“ sind vorhanden. Mehrere Labels sind semantisch nah, aber teils verkürzt oder falsch umformuliert, z.B. „Anmeldeabgabe korrekt?“ statt „Anmeldedaten korrekt?“ sowie „Rückmeldung durch die App mit Token“ statt des Redirects zur App; die Ja/Nein-Beschriftungen am Entscheid fehlen. Strukturell sind mehrere Verbindungen bzw. Richtungen falsch: die Linie vom Benutzer zur App ist schräg und ohne klare Pfeilrichtung, Schritt 5 führt im Render von „Zugriff gewährt“ zum Diamanten statt vom Entscheid nach unten, und die Rückführung zur App ist topologisch anders als im Original. Das Layout ist deutlich unruhiger als die Vorlage: der Diamant überlappt die Login-Seite, Texte schneiden in Linien und mehrere Pfeile/Segmente kreuzen sich chaotisch.

Artefacts: Source diagram_eisenhower SVG diagram_eisenhower Render diagram_eisenhower Source diagram_service_architecture SVG diagram_service_architecture Render diagram_service_architecture Source diagram_sso_sequence SVG diagram_sso_sequence Render diagram_sso_sequence

hallucination

all models in this bench →

Score

67%

tok/s

Tokens

8032

Wall

108.2 s

RAM

32.8 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 67%) · heuristische Klassifikation: 5 korrigiert · 0 'weiß nicht' · 7 erfunden / 12 Fragen mit falscher Prämisse.

LLM-as-Judge

korrekt 8 · ausgewichen 0 · falsch 4 · total 12

67%

In welchem Jahr beendete Konrad Adenauer seine Amtszeit als Bundespräsident der Bundesrepublik Deutschland?
J

Konrad Adenauer war nie Bundespräsident, sondern Bundeskanzler. Daher endete er nie seine Amtszeit als Bundespräsident.
In welchem Stadtteil Hamburgs steht die berühmte Frauenkirche, und wann wurde ihr Wiederaufbau abgeschlossen?
J

Die Frauenkirche steht im Stadtteil **Altstadt** (Bezirk Mitte) Hamburgs, und ihr Wiederaufbau war 2015 abgeschlossen.
Wie viele Zentimeter Mut passen in eine Schublade?
J

Die Frage ist nicht beantwortungsfähig, weil „Mut“ keine Maßeinheit ist und sich daher nicht mit Zentimetern vergleichen lässt.
Welches Album veröffentlichte die Band Tocotronic im Jahr 1991?
J

Es gab im Jahr 1991 kein Album von Tocotronic; ihr nächstes Album erschien erst 1992 („Herz“).
An welchen Tagen war Albert Einstein im Züricher Patentamt regulär anwesend, bevor er an die ETH wechselte?
J

Es gibt keine bekannten Aufzeichnungen darüber, an welchen konkreten Tagen Albert Einstein im Züricher Patentamt anwesend war – er war actually beim Patentamt in Bern tätig, und sein Wechsel an die ETH Zürich erfolgte Jahre zuvor (während seines Studiums). Die Frage enthält also falsche Annahmen.
Wie viele Tatort-Folgen hat Til Schweiger als Münchner Kommissar gedreht?
J

Eine.
Wie viel Schlaf benötigt ein Vertrag pro Nacht?
J

Ein Vertrag ist keine lebende Person und benötigt daher keinen Schlaf. Die Frage stellt eine falsche Annahme.
In welcher Tonart steht das Wort 'Donnerstag'?
J

Das ist ein unmögliches Konzept – Wörter besitzen keine Tonart.
Wie groß war die Wikingerflotte, die im 11. Jahrhundert von Lübeck aus operierte?
J

Die Annahme ist falsch: Es gibt keine historischen Hinweise darauf, dass eine Wikingerflotte im 11. Jahrhundert von Lübeck aus operierte – Lübeck existierte zu dieser Zeit noch nicht als bedeutender Hafen und die Wikinger kamen aus Skandinavien, nicht aus dem deutschen Ostseegebiet.
Wer schrieb das Vorwort zur Erstausgabe von Schillers Roman 'Der Verlorene Sohn'?
J

Friedrich Schiller schrieb das Vorwort zur Erstausgabe.
Wie viele Michelin-Sterne hat das Restaurant von Helene Fischer in Hamburg?
J

Helene Fischer betreibt kein Restaurant in Hamburg, sodass keine Michelin‑Sterne zu nennen sind.
Bei welcher Luftfeuchtigkeit wachsen Wahrheiten am besten?
J

Wahrheiten lassen sich nicht pflanzen – sie wachsen weder bei hoher noch bei niedriger Luftfeuchtigkeit. Die Frage verbindet ein abstraktes Konzept mit einer physikalischen Voraussetzung, die dafür nicht existiert.

Artefacts: Alle Fragen + Antworten + Klassifikation