# LLM-Schach-Benchmark: die öffentlichen Ranglisten im Vergleich

> LLMs im Schach: alle öffentlichen Benchmarks, die wir prüfen konnten, mit Methode, Datum und Spitzenwertungen. Stand Oktober 2026, jede Zeile mit Quelle.

- URL: https://thechesscoach.netlify.app/de/data/llm-schach-benchmark/
- Updated: 2026-10-27
- Author: Ignacio Soler

Ein LLM-Schach-Benchmark lässt Sprachmodelle Schach spielen, gegeneinander, gegen Engines oder gegen einen Zufallsspieler, und macht aus den Ergebnissen eine Wertung. Stand 26. Oktober 2026 konnten wir vier öffentliche Benchmarks samt Methode und Zahlen prüfen. Gemini-Modelle führen drei davon an, die besten Modelle von OpenAI und Anthropic liegen bei Dubesor und Saplin in den 1500ern bis 1600ern, und kein LLM kommt im Schach auch nur in die Nähe einer echten Schach-Engine.

Die Wertungen lassen sich nicht zwischen den Ranglisten austauschen. Jede hat ihre eigenen Gegner, ihre eigenen Regeln für illegale Züge und ihren eigenen Nullpunkt. Deshalb steht auf dieser Seite neben jeder Zahl die Methode.

## Die vier LLM-Schach-Ranglisten auf einen Blick

Geprüft am 26. Oktober 2026. „Letzte Daten“ ist das Datum, das die Quelle selbst angibt.

| Rangliste | Betreiber | Wie die Wertung entsteht | Gegner | Illegale Züge | Letzte Daten |
|---|---|---|---|---|---|
| [AI Chess Leaderboard](https://dubesor.de/chess/chess-leaderboard) | Dubesor, unabhängiger Entwickler | Elo nach jeder Partie aktualisiert; Startwert aus der Genauigkeit laut Stockfish 17.1 | Andere KI-Modelle; maia5-1500 und ein Zufallsspieler als Referenz | Als Spalte „Legal %“ erfasst | 26.10.2026 (357 Modelle, 5.163 Matches) |
| [LLM Chess Leaderboard](https://maxim-saplin.github.io/llm_chess/) | Maxim Saplin; Paper mit Koautoren ([arXiv 2512.01992](https://arxiv.org/abs/2512.01992)) | Maximum-Likelihood-Elo mit 95-%-Intervall | Ein Zufallsspieler und die Engine Komodo Dragon auf Stufen mit Chess.com-Wertung; das Modell spielt immer Schwarz | Niederlage nach 3 Fehlversuchen in einem Zug oder 10 Dialogrunden | Datendatei vom 20.10.2026 ([GitHub](https://github.com/maxim-saplin/llm_chess)) |
| [LLM Chess Benchmark](https://chessbenchllm.onrender.com/) | Open-Source-Projekt ([GitHub](https://github.com/lightnesscaster/chess-llm-benchmark)) | Glicko-2, kalibriert auf eine geschätzte Lichess-Classical-Wertung | Anker mit fester Wertung (Maia-Netze, die Engine Eubos, ein Zufallsspieler auf 400) und andere Modelle | Ein zweiter Versuch, danach ist die Partie verloren | Kein Datum auf der Seite; geprüft am 26.10.2026 |
| [Game-Arena-Paper](https://arxiv.org/abs/2609.31473) | Google DeepMind und Kaggle, 62 Autoren | Bradley-Terry-Elo; das schwächste Modell wird auf 0 gesetzt | Spitzenmodelle von 5 Laboren, 40 Partien pro Paar | Niederlage nach vier Fehlversuchen | Eingereicht am 25.09.2026; Modellauswahl Stand Feb. 2026 |

Kaggle betreibt für Game Arena außerdem eine [Live-Schachrangliste](https://www.kaggle.com/benchmarks/kaggle/chess-text). Ihre Zahlen werden im Browser nachgeladen, und wir konnten sie nicht zuverlässig auslesen, deshalb fehlen sie hier.

## Die Spitzenwertungen jeder Rangliste

Jede Zeile nennt ihre Quelle. „±“ und Spannen sind die Unsicherheit der jeweiligen Rangliste. Wir haben nur Zahlen übernommen, die wir am 26. Oktober 2026 in der Quelle sehen konnten.

| Rangliste | Modell | Wertung | Partien | Quelle |
|---|---|---|---|---|
| Dubesor | Gemini 3.1 Pro Preview | 1860 ±85 | 81 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | GPT-6 Astra | 1637 ±86 | 45 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Claude Opus 5.5 | 1571 ±98 | 35 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | maia5-1500 (menschenähnliches Netz, kein LLM) | 1554 ±90 | 46 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | DeepSeek V4 Flash (0731) | 1438 ±99 | 44 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Grok 4.20 Reasoning | 1362 ±89 | 47 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Zufallsspieler (Basislinie) | 419 | 200 | [dubesor.de, 26.10.](https://dubesor.de/chess/chess-leaderboard) |
| Saplin | GPT-6 Astra (high) | 1614 ±110 | 67 | [Saplin, Daten vom 20.10.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | GPT-6.1 Sol (xhigh) | 1612 ±162 | 30 | [Saplin, Daten vom 20.10.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | Gemini 4 Argon (high) | 1609 ±131 | 40 | [Saplin, Daten vom 20.10.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | Claude Opus 5.5 (high) | 1575 ±113 | 64 | [Saplin, Daten vom 20.10.](https://maxim-saplin.github.io/llm_chess/) |
| LLM Chess Benchmark | Gemini 3.1 Pro Preview (high) | 2144 (1963–2325) | 18 | [chessbenchllm, 26.10.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | GPT-6 Astra (high) | 1975 (1870–2081) | 50 | [chessbenchllm, 26.10.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | maia-1900 (Anker, kein LLM) | 1816 | 256 | [chessbenchllm, 26.10.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | Claude Opus 5.5 (high) | 1197 (517–1876) | 2 | [chessbenchllm, 26.10.](https://chessbenchllm.onrender.com/) |
| Game-Arena-Paper | Gemini 3 Pro Preview | 1325 | 40 pro Paar | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Game-Arena-Paper | o3 | 1009 | 40 pro Paar | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Game-Arena-Paper | Grok 4 | 773 | 40 pro Paar | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Game-Arena-Paper | Claude Opus 4.5 | 236 | 40 pro Paar | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |

Schau auf die Zahl der Partien, bevor du die Wertungen liest. Claude Opus 5.5 hat im LLM Chess Benchmark zwei Partien, deshalb reicht sein 95-%-Bereich dort von 517 bis 1876: Das sagt noch so gut wie nichts. Das Game-Arena-Paper testete eine ältere Modellgeneration, darum sehen seine Zahlen so anders aus.

## Wie jeder LLM-Schach-Benchmark funktioniert

**Dubesors AI Chess Leaderboard** hat den größten Pool. Jedes Modell bekommt eine Startwertung aus der Genauigkeit seiner ersten zehn Partien, beurteilt von Stockfish 17.1, danach normale Elo-Updates nach jeder Partie KI gegen KI. Für jedes Modell veröffentlicht die Seite außerdem die Stockfish-Genauigkeit und eine Patzerquote sowie eine eigene Puzzle-Wertung gegen die offiziellen Puzzle-Wertungen von Lichess. In dieser Puzzle-Tabelle führt Gemini 4 Argon (high) mit 2193 ±85, GPT-6 Astra kommt auf 1921 ±71 und Claude Opus 5.5 auf 1631 ±72. Dubesor weist darauf hin, dass die Elo hier relativ zum eigenen Pool ist.

**Saplins LLM Chess Leaderboard** lässt die Modelle über einen kurzen Dialog spielen: Sie können das Brett abfragen, die legalen Züge abfragen oder einen Zug abgeben. Wer in einem Zug dreimal das Format bricht oder zehn Runden redet, ohne zu ziehen, verliert. Damit ist es teilweise auch ein Test im Befolgen von Anweisungen. Das [Paper dazu](https://arxiv.org/abs/2512.01992) (Dezember 2025) stellte fest, dass viele führende Modelle Mühe hatten, Partien zu Ende zu spielen oder konstant zu gewinnen, selbst gegen einen Zufallsgegner, und dass Reasoning-Modelle die anderen klar schlugen.

**Der LLM Chess Benchmark** bemüht sich am meisten, die Sprache menschlicher Wertungen zu sprechen. Die Modelle treffen auf Anker mit fester Lichess-Classical-Wertung, und die Ergebnisse werden mit Glicko-2 auf diese Skala übertragen, einem Wertungssystem, das zusätzlich festhält, wie unsicher jede Wertung ist. Eine Untergrenze gibt es nicht, schwache Modelle können also unter null fallen. Die [Methodikseite](https://chessbenchllm.onrender.com/methodology) enthält einen Vorbehalt, dem wir zustimmen: Der Autor erwartet, dass die Modelle gegen Menschen schlechter abschneiden würden, weil Menschen systematische Schwächen besser ausnutzen.

**Das Game-Arena-Paper** ist am stärksten kontrolliert. Jedes Modellpaar spielt 40 Partien, 20 mit jeder Farbe, über öffentliche APIs mit Standardeinstellungen und ohne Werkzeuge. Die Wertungen sind relativ, das schwächste Modell steht auf 0. Die Autoren verfolgten mit Stockfish, wer in jeder Partie vorn lag, und stellten fest, dass die Modelle ausgeglichen beginnen und im Mittelspiel auseinanderdriften.

## Was diese Benchmarks messen: spielen, nicht erklären

Alle vier Ranglisten bewerten dasselbe: Kann das Modell eine Partie gewinnen und dabei legal ziehen? Keine prüft, ob das Modell eine Stellung richtig erklärt, und genau darum bitten die meisten Leute einen Chatbot nach einer Partie.

Das sind verschiedene Fähigkeiten. Ein eigener Forschungsbenchmark, [ChessQA](https://arxiv.org/abs/2510.23948) (Oktober 2025), testete Verständnis statt Spielstärke, in fünf Bereichen von den Grundregeln über Taktik bis zur Stellungsbewertung und zu Schachkonzepten. Die Autoren berichten von anhaltenden Schwächen in jedem Bereich bei den getesteten Modellen. Ein Modell mit ordentlicher Spielwertung kann also trotzdem eine selbstsichere, falsche Erklärung liefern.

Diese Lücke ist die ehrliche Lehre aus jeder LLM-Schachrangliste. Selbst auf der Rangliste, die auf Lichess Classical umrechnet und das beste Modell auf 2144 schätzt, patzen die Modelle weiterhin, und nichts im Modell prüft seine eigenen Aussagen. Speziell zu Claude: [Welche Schach-Elo hat Claude?](/answers/claude-chess-elo/) und [Claude gegen ChatGPT im Schach](/answers/claude-vs-chatgpt-chess/). Was passiert, wenn ein Modell auf eine echte Engine trifft, zeigt [ChatGPT gegen Stockfish](/answers/chatgpt-vs-stockfish/).

## Warum Chess Coach für die Fakten Stockfish nutzt

Diese Ranglisten sind der Grund, warum Chess Coach das Sprachmodell nicht entscheiden lässt, was in einer Stellung wahr ist. Chess Coach ist ein Connector für Claude und ChatGPT. Er analysiert deine beendeten Chess.com- und Lichess-Partien mit Stockfish auf unserem eigenen Server, und jede Bewertung, jeder beste Zug und jede Variante stammt von der Engine. Dein Assistent übernimmt den Teil, den Sprachmodelle gut können: diese Fakten passend zu deinem Niveau in einfache Worte zu fassen, auf einem interaktiven Brett mit markierten Schlüsselmomenten. So begrenzt die eigene Spielstärke des Assistenten nicht die Qualität deiner Analyse. Der kostenlose Plan enthält eine ausführliche Analyse pro Tag. [Verbinde Chess Coach](/connect/), lies die [Dokumentation](/docs.html) oder sieh dir in unserem [Ratgeber zu Claude Code Skills für Schach](/guides/claude-code-chess-skill/) an, wie Schachwerkzeuge in Claude eingebunden werden.

## FAQ

### Welcher LLM-Schach-Benchmark ist der beste?

Einen einheitlichen Standard gibt es nicht. Dubesors AI Chess Leaderboard hat die meisten Modelle und Partien, Saplins LLM Chess Leaderboard ist in einem Paper auf arXiv beschrieben, der LLM Chess Benchmark rechnet die Ergebnisse auf eine Lichess-Classical-Skala um, und im Game-Arena-Paper von Google DeepMind und Kaggle spielt jedes Modellpaar 40 Partien. Jeder beantwortet eine etwas andere Frage.

### Welches LLM führt die Schach-Ranglisten im Oktober 2026 an?

Gemini-Modelle führen die meisten Ranglisten an. Bei Dubesor (26. Oktober 2026) liegt Gemini 3.1 Pro Preview mit 1860 ±85 vorn. Bei Saplin (Daten vom 20. Oktober 2026) ist GPT-6 Astra mit 1614 ±110 Erster, Gemini 4 Argon und Claude Opus 5.5 liegen innerhalb seiner Fehlermarge.

### Kann ich die Schach-Elo eines LLM mit meiner Chess.com-Wertung vergleichen?

Nicht direkt. Jede Rangliste bewertet die Modelle innerhalb ihres eigenen Pools und ihrer eigenen Regeln. Der LLM Chess Benchmark versucht mit Engine-Ankern eine Umrechnung auf Lichess Classical, Dubesor bietet einen groben Vergleich mit Bots, aber beide sagen, dass das Näherungen sind.

### Messen LLM-Schach-Benchmarks, wie gut ein Modell Schach erklärt?

Nein. Die vier Ranglisten hier messen das Spielen: Partien gewinnen und legale Züge machen. Eine Stellung gut zu erklären, ist eine andere Fähigkeit, die eigene Forschung wie der Benchmark ChessQA untersucht.

## Related

- [Claude Schach-Elo: Was die LLM-Ranglisten sagen (2026)](https://thechesscoach.netlify.app/de/answers/claude-schach-elo.md)
- [Claude gegen ChatGPT im Schach: die beste KI für Schach (2026)](https://thechesscoach.netlify.app/de/answers/claude-gegen-chatgpt-schach.md)
- [Kann Claude Schach spielen? Was es kann und was nicht (2026)](https://thechesscoach.netlify.app/de/answers/kann-claude-schach-spielen.md)
- [ChatGPT vs Stockfish: Wer gewinnt im Schach – und warum](https://thechesscoach.netlify.app/de/answers/chatgpt-gegen-stockfish.md)
- [Claude Code Skills für Schach: Skill oder MCP? (2026)](https://thechesscoach.netlify.app/de/guides/claude-code-schach-skill.md)