AxoBench

Wie gut erkennen KI-Modelle Beleidigungen in Chats? Getestet auf handgeschriebenen Sätzen in acht Sprachen, die keines der Modelle je gesehen hat. Stand 20.10.2026.

Zur Rangliste So wird getestet

Spitze: 0,933
Testsätze: 2.500
Beleidigend: 1.249
Themen: 32
Modelle: 12

Benchmark-Score

Qualität / Kosten / Tempo = 60 / 20 / 20. Jede Säule auf 0–100 skaliert; Kosten und Tempo logarithmisch, weil sie um Größenordnungen auseinanderliegen.

Qualität ist Macro-F1 aus Gefunden und Fehlalarm. Kosten: Listenpreis je Zeile; axo small und OpenAI omni sind kostenlos. Modelle ohne Listenpreis zählen mit gemessener Hardware-Zeit (CPU 0,05 €/h, GPU 0,30 €/h). Tempo: p95-Latenz einer Zeile auf dieser Maschine, ohne Batching.

Rangliste

Balken: Macro-F1. Strich: 95-%-Bereich. Gleicher Rang heißt, der Abstand kann Zufall sein.

Im Fokus · in der Rangliste wählen

axo large preview 2

Axolite

0,933Macro-F1 · 2334 von 2500 richtig

89 / 100 Beleidigungen erkannt

3 / 100 harmlose zu Unrecht markiert

Stärken

Anweisung100 %

Hypothese100 %

Rollenspiel100 %

Meta100 %

Schwächen

Zitate65 %

Slang71 %

Seitenhieb76 %

Trash-Talk84 %