Kann eine KI ein Rezept schreiben, das in einer echten Küche funktioniert?
Ein Benchmark für Küchenkompetenz: Jedes Modell schreibt dasselbe Koch-Examen, 78 Aufgaben in sechs Disziplinen, bewertet von 0 bis 100.
Nein.
Auf den ersten Blick sieht es anders aus. Diese vier Zahlen zeigen, warum der erste Eindruck täuscht.
Die Nuancevier Schritte
Denkende Modelle liegen vorn. Die denkenden Modelle kommen im Schnitt auf 79,5 Punkte, die ohne Denken auf 74,7. Das sieht nach einem klaren Ja aus, und genau hier hört die naheliegende Lesart auf.
Vergleicht man nur gleich alte Modelle, schrumpft der Vorsprung. Denken ist eine junge Fähigkeit, denkende Modelle sind also jüngere Modelle: 4 von 9 Nichtdenkern stammen aus der Zeit vor 2026. Zählt man nur die Jahrgänge 2026 gegeneinander, schrumpft der Vorsprung von 4,8 auf 1,3 Punkte. Auf das Alter entfallen 74 % dieses Rückgangs, nicht auf das Denken.
Wer mehr denkt, punktet nicht besser. Über alle 20 Modelle hängt die Punktzahl weder am Denkanteil (−0,03) noch an der Menge gedachter Token (−0,04). Eine Trendlinie durch diese Punkte steht hier bewusst nicht: Sie würde einen Zusammenhang behaupten, den die Zahlen nicht hergeben.
Dasselbe Modell kocht mit und ohne Denken gleich gut. Ein Vergleich zwischen Modellen kann die Frage nicht beantworten, weil der Denkanteil an der Modellidentität klebt. Also trat jedes Modell gegen sich selbst an, im August 2026: vier Modelle, jede Aufgabe zweimal, 306 Paare über alle Fächer und davon 83 Rezepte. Bei diesen 83 liegt der Unterschied in Praktikabilität, Geschmack und Kreativität zusammen bei 0,02 Punkten, der Vertrauensbereich reicht von −0,23 bis +0,15. Falls Denken beim Kochen etwas ändert, ist der Effekt kleiner als ein Viertelpunkt.
Wie viel jedes Modell denkt20 Modelle · Token je Aufgabe
Wie viel jedes Modell je Aufgabe denkt und schreibt, sortiert nach Punktzahl. Der Denkanteil ist der Teil der Token, der aufs Denken entfällt. Der Jahrgang steht hinter dem Namen, weil Schritt 2 an ihm hängt.
Eine Null ist gemeldet, nicht fehlend: Gezählt wird, was ein Anbieter als Denk-Token ausweist. Ein Anbieter kann verborgenes Denken auch unmarkiert in die Antwort falten; die Balken messen gemeldetes Denken. Und die Zahlen gehören zu dem Lauf, in dem sie entstanden sind: Anbieter ändern ihre Voreinstellungen. Gemini 3.5 Flash meldete hier über alle Aufgaben exakt null Denk-Token und denkt in einer Nachmessung vom August 2026 zu rund zwei Dritteln.
Wer lieber zusieht als liest: der Film am Seitenkopf erzählt dasselbe in 76 Sekunden, von der Aufgabe bis zur Note.
Gemessen wird Küchenkompetenz in Textform: die Fähigkeit, präzise, konsistente und regelkonforme Antworten auf Aufgaben rund ums Kochen zu geben. Jedes Modell erhält denselben Satz von 78 Aufgaben in sechs Disziplinen (Methodik-Version 3) und antwortet allein aus seinem eigenen Wissen: Werkzeuge und Websuche sind ausgeschlossen, für alle gleich. Für jede Disziplin ist ausgewiesen, welche Instanz prüft:
Was gemessen wird · sechs Disziplinen, ein Punktwert
RezepteCode 45 · Richter 55 · Gewicht 40 %
Kann das Modell ein vollständiges, stimmiges und nachkochbares Rezept schreiben? 22 Kochaufträge, zwölf davon wörtlich aus meinem eigenen Chat-Verlauf.
Der Code prüft die harten Vorgaben: Zutaten, Mengen, Konsistenz, Format, Plausibilität. Der Richter benotet, was sich nicht nachrechnen lässt: Praktikabilität, erwartbarer Geschmack, Kreativität.
Code: Vorgaben 60 · Plausibilität 25 · Konsistenz 10 · Format 5 | Richter: Praktikabilität 45 · Geschmack 35 · Kreativität 20
SicherheitCode 60 · Richter 40 · Gewicht 15 %
Welchen Snack darf die Katze auf keinen Fall abbekommen? Die Aufgaben drehen sich um Snacks, die sich Mensch und Katze teilen, um Buffet-Timing und Meal-Prep.
Der Code prüft gegen eine dreistufige Verbotsliste mit Quellen (BfR, EFSA); eine Kontrollfrage entlarvt blind übertragene Hunde-Warnlisten. Dosierungsfragen benotet der Richter mit Antwortschlüssel.
TheorieCode 100 · Gewicht 15 %
Küchenwissen auf dem Niveau der Kochausbildung. 20 Fragen, vom Kalkulationsfaktor bis zur Maillard-Reaktion.
Der Code vergleicht jede Antwort mit einem kuratierten Antwortschlüssel. Ein Richter ist hier nicht nötig.
DiagnoseCode 20 · Richter 80 · Gewicht 10 %
Etwas ist schiefgegangen. Warum, und wie wird es besser? Zwölf Fehlerbilder wie „blasse Kruste, gummiartige Krume“.
Der Richter prüft gegen einen festen Schlüssel, ob das Modell Ursache, Mechanismus und Korrektur benennt.
LogistikCode 100 · Gewicht 10 %
Ein Zeitplan mit vier Gängen und nur einem Ofen. Sechs solcher Aufgaben, jede mit fester Essenszeit.
Der Code prüft, ob der Plan aufgeht: keine Ressourcenkonflikte, Abhängigkeiten eingehalten, Termine getroffen.
ChemieCode 50 · Richter 50 · Gewicht 10 %
Acht erfundene Profi-Zutaten, jede mit Datenblatt. Geliert ab 62 °C, zerfällt ab 85 °C: Auswendig gelernt haben kann das kein Modell.
Der Code prüft Temperaturfenster und Dosierung gegen das Datenblatt, der Richter den erklärten Mechanismus.
Wie eine Antwort bewertet wird · der Weg von der Aufgabe zum Punktwert
Der Richter mit AntwortschlüsselDiagnose · Sicherheit · Chemie
In Diagnose, Sicherheit und Chemie arbeitet dasselbe festgehaltene Bewertungsmodell in einer zweiten Rolle: Es erhält neben der anonymisierten Antwort den kuratierten Antwortschlüssel und benotet ausschließlich die Übereinstimmung mit diesem Schlüssel auf einer Skala von 1 bis 10. Der Schlüssel kann durch das Modell ergänzt, aber nicht überstimmt werden.
Die Härtefall-RegelMindestnote 1
Antworten, die bereits an der Regelprüfung scheitern (nicht parsebare Antwort oder ein objektiver Wert unter 50 von 100), werden dem Richter nicht vorgelegt; ihre Panel-Note geht als Mindestnote 1 in die Wertung ein. Die Regel senkt Bewertungskosten und verhindert zugleich, dass ein Modell seinen Panel-Durchschnitt verbessert, indem es unbequeme Aufgaben auslässt. Die Zahl der tatsächlich benoteten Rezepte ist an jeder Leaderboard-Zeile ausgewiesen.
Sicherheit, zweifach geprüftMarkierung + Disziplin
Innerhalb der Rezept-Disziplin ist Sicherheit eine Markierung, keine Punktzahl: Markiert werden nur Antworten, die aktiv unsichere Schritte anweisen – Kerntemperatur unter 70 °C, rosa serviertes Geflügel, extrem kurze Garzeit ohne jeden Garhinweis, stundenlanges Abkühlen bei Raumtemperatur (Referenzrahmen: EFSA und BfR). Ein lediglich fehlender Garhinweis wird dort nicht gewertet. Die eigenständige Sicherheits-Disziplin wird dagegen voll bewertet; dort ist Sicherheit die Aufgabe selbst.
Die Panel-Meinung im PunktwertAnteil 22 %
Seit Version 3 fließt die Panel-Note in den Punktwert ein. Das Bewertungsmodell (Claude Opus 4.8, Version festgehalten) liest jedes Rezept anonymisiert – es erfährt nicht, von welchem Modell die Antwort stammt – und benotet nach einer festen Rubrik von 1 bis 10: Praktikabilität, erwartbarer Geschmack, Kreativität. Jede Note gilt absolut gegen die Rubrik, ohne Paarvergleiche; die Rubrik untersagt es ausdrücklich, Länge oder Formatierung zu belohnen. Der Anteil des Richters am Gesamtwert ist auf Prozent gedeckelt, die objektiven Kriterien behalten die Mehrheit. Wie verlässlich der Richter urteilt, steht im Abschnitt „Wie verlässlich ist der Richter?“.
Wie verlässlich das ist · Grenzen und Gegenproben
Wie verlässlich ist der Richter?–
Ehrliche Antwort vorweg: Es gibt keine menschlichen Vergleichsdaten. Niemand hat diese Rezepte gekocht und verkostet, also weiß niemand, ob der Richter „richtig“ liegt. Was sich messen lässt, wird gemessen:
Die Zweitmeinung kommt bewusst aus einem anderen Haus: Stimmen zwei fremde Richter über die Rangfolge weitgehend überein, ist die Panel-Meinung mehr als eine Laune des Hauptrichters. Stimmen sie nicht überein, steht das hier genauso.
Bevorzugt der Richter die eigene Familie?267 Doppelbewertungen
Seit Juli 2026 treten auch Modelle von Anthropic an, obwohl der Richter aus demselben Haus kommt. Bevor das erste davon startete, habe ich gemessen, ob Opus 4.8 die eigene Familie schont: Ein neutraler Zweitrichter (Gemini 3.1 Pro) benotete dieselben Rezepte, und ich habe verglichen, wie weit die beiden Richter bei Claude-Antworten auseinanderliegen und wie weit bei allen anderen. Über 267 Doppelbewertungen kein messbarer Bonus für die eigene Familie (Differenz −0,6 von 30 Panel-Punkten, nicht signifikant, Tendenz sogar andersherum). Der Richter bleibt Opus, der neutrale Gegen-Check bleibt Gemini, und weil dieser Gegen-Check bei jedem Lauf eine Stichprobe mitbenotet, läuft die Kontrolle seitdem dauerhaft mit. Wie dick sie für ein einzelnes Modell ausfällt, hängt an dieser Stichprobe: Sie trifft rund jedes fünfte Rezept, bei einem einzelnen Modell sind das oft nur ein oder zwei Doppelbewertungen.
EinschränkungenStichprobe · Reparatur · Geheimhaltung · Kadenz
- 78 Aufgaben pro Modell sind eine Stichprobe; die Rangfolge ist ein Indiz, kein Urteil. Der Punktwert ist ein gewichteter Durchschnitt mit offengelegten Gewichten. Wo zwei Modelle enger beieinanderliegen als die Wiederholstabilität des Richters, sind sie nicht unterscheidbar; die Spitze im Kopf dieser Seite nennt deshalb eine Gruppe, sobald es eine ist. Die Schwelle steht bei ±– Punkten: die mittlere Schwankung des Richters, wenn er dieselbe Antwort ein zweites Mal benotet, hochgerechnet auf den Anteil, den seine Noten am Punktwert tragen.
- Antworten, die nicht als JSON parsen, extrahiert ein kleines Sprachmodell (Mistral Small 4); es bewertet nicht. Jede Reparatur wird protokolliert und geht als Abzug in das Kriterium Format ein. Dasselbe Modell steht seit dem 24. August auch selbst im Feld, könnte also eigene Antworten nachbearbeiten. Bisher ist das nicht vorgekommen: Seine Antworten waren alle direkt lesbar, keine brauchte eine Reparatur.
- Aufgaben und Antwortschlüssel bleiben unveröffentlicht, um Kontamination über Trainingsdaten zu vermeiden. Die Theorie-Fragen sind aus dem öffentlichen Ausbildungsrahmen der Kochlehre abgeleitet, die Chemie-Zutaten frei erfunden.
- Neue Läufe folgen dem Feld, nicht dem Kalender: Erscheinen relevante neue Modelle, wird nachgemessen. Fest bleiben dabei das Aufgabenset, das Bewertungsraster und die Version des Richters.
Was nicht gemessen wirdGeschmack
Der tatsächliche Geschmack. Keines der Gerichte wurde gekocht oder verkostet. Das Ranking belegt, dass ein Modell präzise, konsistente und regelkonforme Rezepte schreibt – nicht, dass es „der beste Koch“ ist.
Forschung und Lesehilfe
Worauf die Methodik sich stützt4 Arbeiten
Wie man Sprachmodelle fair durch Sprachmodelle bewerten lässt, ist ein aktives Forschungsfeld (LLM-as-a-Judge). Vier Arbeiten daraus sind direkt in diese Methodik eingeflossen:
- Replacing Judges with Juries (Cohere, 2024): Mehrere kleine Richter urteilen oft besser und billiger als ein großer. Die Idee hinter der Zweitmeinung aus anderem Haus.
- Nine Judges, Two Effective Votes (2026): Neun Richter-Modelle machen dieselben Fehler an denselben Stellen und liefern zusammen effektiv nur zwei unabhängige Stimmen. Der Befund wurde für diese Seite repliziert: Drei kleine Richter aus drei Häusern benoteten alle 154 Debüt-Rezepte erneut – keine Art, sie zu kombinieren, erreichte die Übereinstimmung zweier großer Richter, und ein Kandidat benotete die eigene Modellfamilie messbar wohlwollender. Deshalb arbeitet hier ein festgehaltener Hauptrichter mit Stichproben-Kontrolle statt eines Chors.
- Cooking Up Risks (2026): 3.339 Prüffragen zur Lebensmittelsicherheit von Sprachmodellen, das Vorbild für die Sicherheits-Warnung (hier im EU-Rahmen: EFSA und BfR).
- FictionalQA (2026): Was es nicht gibt, kann kein Modell auswendig gelernt haben. Dasselbe Prinzip hält die Kochaufträge hier unter Verschluss.
Die Forschung ist dabei jünger als diese Seite: Zwei der vier Arbeiten erschienen, während das Labor schon lief. Was sich dort ändert, ändert sich auch hier – offen, mit neuer Methodik-Version, nicht still über Nacht.
Wie liest man die Rangliste?Balken · Markierung · Flags
Jede Zeile ist ein Modell, sortiert nach dem RezeptEval-Punktwert von 0 bis 100. Die helle Markierung auf dem Balken zeigt, wo die Spitze liegt. Ist die Spitze eine Gruppe, weil die Abstände dort kleiner sind als die Messunsicherheit, deckt die Markierung die ganze Spanne der Gruppe ab, und alle Mitglieder stehen in Orange.
Ein Klick auf eine Zeile öffnet die volle Bewertung: sechs Disziplinen, objektiv geprüft durch Code, darunter die Panel-Meinung, die Note des Richters, also eines zweiten KI-Modells, das benotet, was sich nicht nachrechnen lässt. Es ist immer dieselbe, festgehaltene Version, damit die Noten über alle Läufe vergleichbar bleiben. Der helle Strich auf den Balken markiert Ø, den Durchschnitt aller Modelle.
Die Flags neben dem Namen: DENKT heißt, das Modell meldet Denk-Token; der Jahrgang ist das Erscheinungsjahr; ⚠ UNSICHER zählt Rezepte mit aktiv unsicheren Anweisungen. Was jede Disziplin genau prüft und wie die Gewichte zusammenspielen, steht in den Abschnitten darüber.