Anonymer Sieger Gestalt: Was Stealth-Modelle nach der Enthüllung vom Rekord behalten

Ein namenloses Modell namens Gestalt führt eine neue Design-Rangliste an, noch vor menschlichen Profis und Claude Fable 5.2. Wer dahintersteckt, ist offen. Wir haben nachgeprüft, was frühere Stealth-Modelle von ihrem Spitzenplatz behalten haben, nachdem ihr echter Name bekannt wurde, und wie belastbar der neue Rekord ist.

Analysen 21. Nov. 2026 8 Min. Lesezeit Eigene Analyse der Redaktion
Symbolbild, KI-generiert

Darum geht es

Seit dem 19. November steht ein Modell ohne Absender an der Spitze einer neuen Rangliste. Im Frontier Design Benchmark von Contra Labs und BenchFlow bewerten professionelle Designer blind, welche von zwei KI-Webseiten zu einem echten Kundenauftrag besser ist. Ganz oben steht „Gestalt“ mit rund 1.931 Elo-Punkten. Das ist eine Wertungszahl aus dem Schach, bei der Punktabstände direkt Gewinnwahrscheinlichkeiten ausdrücken. Dahinter folgen die Entwürfe menschlicher Designer (1.739) und Claude Fable 5.2 (1.713). Contra nennt Gestalt nur „ein hochwertiges Design-Modell, das sich im Stealth-Modus befindet“, und sagt, man arbeite „mit dem Team“ zusammen. Wer dieses Team ist, sagt Contra nicht.

Listen, welcher Codename sich später als welches Modell entpuppt hat, gibt es schon. Wir stellen eine andere Frage: Wie viel von ihrem Spitzenplatz haben frühere Stealth-Modelle behalten, als sie unter echtem Namen auf derselben Rangliste standen? Und was folgt daraus für Gestalt?

Was über Gestalt bekannt ist und was nicht

Die Rangliste stützt sich auf 33 Aufgaben. 27 davon sind echte Contra-Aufträge, umgeschrieben für fiktive Kunden, sechs stammen von Start-up-Partnern. Laut Methodikseite gaben 35 Designer in fünf Runden 4.311 Stimmen ab. Ein Bradley-Terry-Modell, ein statistisches Verfahren, das aus Paarvergleichen eine Rangfolge errechnet, macht daraus die Elo-Werte. Die Startseite nennt dagegen „68 beitragende Designer“. Vermutlich sind die Ersteller der menschlichen Referenzentwürfe mitgezählt, ausdrücklich steht das aber nirgends.

Auch die Zahlen zu Gestalt selbst sind nicht einheitlich. Laut Kingy.ai nennt Contras Bericht vom 18. November 378 Siege bei 423 Stimmen und 1.928 Punkte, die Rangliste zeigt 420 Stimmen und 1.931 Punkte. Laut Sulat AI überlappen die 95-Prozent-Intervalle von Gestalt und Fable nicht. Die Bewertungsrubrik mit 35 Kriterien, die laut Contra mit den Designerurteilen zu r = 0,94 korreliert, sieht Gestalt dagegen nicht vorn: Fable 5.2 und Opus 5.5 kommen auf 84 von 100 Punkten, Gestalt auf 83. Die Korrelation bezieht sich laut Bericht auf 15 Modelle, die Rangliste führt aber 16 Modelle. Ob Gestalt einbezogen ist, bleibt offen.

Auf Hacker News fiel die Reaktion entsprechend aus. Ein Nutzer schrieb „das ist zu 100 % eine Anzeige“, ein anderer sprach von „Black-Hat-Marketing“, weil Gestalt weder auf OpenRouter noch sonst irgendwo öffentlich auftaucht. Contra-Mitgründer Gajus Kuizinas antwortete dort nur, es sei „kein Contra-Modell“. Eine Galerie mit Gestalt-Entwürfen gibt es nicht. Die These, das Modell stamme von Ilya Sutskevers Firma SSI, hat laut SnowRock deren Urheber selbst als Gerücht gekennzeichnet und später als vermutlichen Scherz bezeichnet. Andere tippen auf Anthropic, Zhipu oder das Start-up Variant. Belege gibt es für keine dieser Vermutungen. Hinzu kommt ein Interessenkonflikt: Contra betreibt einen Marktplatz für Freelance-Designer und bietet Laboren laut eigener Aussage „hochwertige Daten“ an, um deren Design-Fähigkeiten zu verbessern.

Unsere Gegenprobe: anonym gegen enthüllt

Wir haben die bekanntesten Fälle zusammengetragen, in denen ein Modell vor und nach der Enthüllung auf derselben Rangliste stand.

Codename → echter Name Rangliste Anonym Nach Enthüllung
im-also-a-good-gpt2-chatbot → GPT-4o (Mai 2024) LMSYS Chatbot Arena ca. 1.309, Platz 1 1.287 eine Woche nach Listung, weiter Platz 1
summit → GPT-5 (Aug. 2025) LMArena Text Platz 1, „höchster Arena-Wert bisher“ Tage später knapp vor Gemini 2.5 Pro; heute 1.435, Platz 112 von 426
nano-banana → Gemini 2.5 Flash Image (Aug. 2025) LMArena Image Edit 1.362, Platz 1, 171 Punkte Vorsprung Platz 1 zum Start; heute in „Multi Image Edit“ Platz 30 von 48
Llama-4-Maverick-03-26-Experimental (Apr. 2025) LMArena Text 1.417, Platz 2 Release-Version laut Berichten etwa Platz 32
maskingtape-alpha → GPT Image 2 (Apr. 2026) LMArena kein Wert, nach Stunden entfernt 1.512, Platz 1 (laut Fachmedien)

Der Fall GPT-4o ist am besten dokumentiert. Auf dem Prognosemarkt Manifold wurde die Frage nach dem Elo von gpt2-chatbot mit 1.287 aufgelöst. Ein Kommentator merkte an, der vorherige Tweet habe den Endwert „stark übertrieben“. Der Verlust betrug etwa 22 Punkte, Platz 1 blieb. Bei nano-banana meldete LMArena den „größten Elo-Vorsprung der Arena-Geschichte“. Auf der Konkurrenzrangliste von Artificial Analysis zog Seedream 4.0 wenig später vorbei, das ist allerdings eine andere Rangliste.

Den einzigen echten Absturz gab es bei Llama 4, und der hat eine klare Ursache: In der Arena lief eine Variante, die Meta selbst als „auf Gesprächsfreude optimiert“ beschrieb. LMArena erklärte damals, Meta hätte deutlicher machen müssen, dass es sich um ein auf menschliche Vorlieben zugeschnittenes Modell handelte. Laut dem Paper „The Leaderboard Illusion“ (Cohere u. a.) hatte Meta vor dem Start 27 private Varianten getestet.

Auf OpenRouter, wo die meisten Codenamen auftauchen (Quasar und Optimus Alpha → GPT-4.1, Horizon → GPT-5, Hunter und Healer Alpha → Xiaomi MiMo-V2), gibt es gar keine Qualitätswertung, nur Nutzungscharts. Hunter Alpha stand dort oben, solange es kostenlos war. Nach der Enthüllung führte MiMo-V2-Pro laut Drittanbieter-Auswertungen im April und Mai weiter mit rund 4,7 bis 4,9 Billionen Tokens pro Woche. Das sagt aber etwas über Preis und Integration aus, nicht über Qualität. Bei Ox Alpha (GLM-5.3-Flash) kursierte während der Stealth-Phase ein ungeprüfter Wert von rund 80 Prozent im Programmier-Benchmark DeepSWE. Z.ai selbst nannte nach der Enthüllung 63,4 Prozent, ein Community-Lauf kam auf 58,4 Prozent.

Unsere Einschätzung: Die Rangliste selbst hat bisher kaum gelogen. Wo dasselbe Modell unter neuem Namen weiterlief, blieb der Platz zum Start erhalten, und die Punkte sanken nur moderat. Gefährlich wurde es, wenn das getestete nicht das veröffentlichte Modell war, oder wenn Gerüchte während der Stealth-Phase als Messwerte behandelt wurden. Langfristig verliert jeder Sieger seinen Platz an Nachfolger, das ist normal und kein Beleg für Schönfärberei.

Wie viele Codenamen nie aufgelöst wurden

Das Verzeichnis von gradually.ai zählt 33 Codenamen seit 2024. 22 davon sind offiziell bestätigt, sechs nur von Dritten zugeordnet, fünf nie aufgelöst: Cypher Alpha, Code Supernova, Giga Potato, Aurora Alpha und Crouton Alpha. Die Liste von Digital Applied nur für OpenRouter kommt bei 13 historischen Einträgen auf sechs ohne offizielle Enthüllung. Die Verzeichnisse widersprechen sich teils: Polaris Alpha gilt bei gradually.ai als bestätigt (GPT-5.1), bei Digital Applied nur als vermutet. Grob gerechnet bleibt also jeder sechste bis siebte Codename dauerhaft ohne Absender, und ein weiteres Fünftel bekommt nie eine offizielle Bestätigung.

Was die Plattformen den Herstellern erlauben

  • LMArena (heute Arena): Laut Policy (Stand 1. September 2026) dürfen Hersteller mehrere Varianten anonym testen. Wer früh veröffentlicht, muss schriftlich bestätigen, dass das Testmodell mit dem Release identisch ist, sonst fliegt es von der Rangliste. Werte bleiben „vorläufig“, bis genug frische Stimmen nach dem Release vorliegen. Ergebnisse anonymer Tests, die nie veröffentlicht werden, gehen nur privat an den Hersteller. LMArena hält den Effekt der Variantenauswahl für klein: rund +11 Elo nach 50 Tests und 3.000 Stimmen. Die Cohere-Autoren kamen in Simulationen auf 50 bis 100 Punkte.
  • OpenRouter: Stealth-Modelle sind laut Stealth-Nutzungsbedingungen zeitlich begrenzt und oft kostenlos. Die Anbieter dürfen Eingaben für das Training nutzen. Eine Qualitätsrangliste gibt es nicht.
  • Contra: Öffentliche Regeln für anonyme Einreichungen haben wir weder auf der Rangliste noch in der Methodik gefunden. Wer Gestalt eingereicht hat, ob es mehrere private Varianten gab, mit welchen Werkzeugen, wie vielen Versuchen und zu welchen Kosten es lief, ist öffentlich unbeantwortet. Kingy.ai merkt an, das Blindverfahren schütze vor Markenbonus, belege aber nicht, dass alle Einträge „unter gleichen Bedingungen“ entstanden sind.

Wie belastbar sind 4.311 Stimmen?

Eine Plausibilitätsprüfung spricht für die Rangliste. Nach der Elo-Formel entsprechen 218 Punkte Abstand einer erwarteten Siegquote von rund 78 Prozent. Genau diese 78 Prozent meldet Kingy.ai für das direkte Duell Gestalt gegen Fable. Die interne Wiederholbarkeit ist hoch: Teilt man die Designer zufällig in zwei Hälften, stimmen die Rangfolgen laut Contra zu 0,95 überein.

Schwächer steht die Schlagzeile „besser als Menschen“. Sie beruht auf 20 gewonnenen von 28 Duellen. Nachgerechnet (Wilson-Intervall, 95 Prozent) liegt die wahre Siegquote irgendwo zwischen etwa 53 und 85 Prozent. Das ist knapp über einem Münzwurf und weit weg von einer Datenbasis wie bei nano-banana mit über 2,5 Millionen Stimmen. Hinzu kommt: Die Stimmen stammen aus einem geschlossenen Gremium aus Contras eigenem Netzwerk. Von außen lässt sich nichts nachprüfen.

Einordnung

Die Geschichte der Stealth-Modelle macht Gestalt nicht verdächtiger als andere. Anonym testen und dann enthüllen ist Routine. Chinesische Fachseiten wie smzdm sprechen offen von einem festen Rhythmus vor dem Marktstart, etwa bei Kimi K3 („Kivine“) und Qwen3.8 Max („Kaleb“). Bisher hielten echte Spitzenreiter ihren Platz, solange dasselbe Modell weiterlief.

Gestalt unterscheidet sich aber in drei Punkten von GPT-4o oder nano-banana. Es gibt keinen öffentlichen Zugang, die Rangliste ist neu und stammt von einem Anbieter mit eigenem Geschäftsinteresse, und es fehlt jede Regel, die Identität von Test- und Release-Version absichert. Llama 4 hat gezeigt, wie schnell ein Rekord verpufft, wenn genau das nicht gegeben ist.

Unsere Einschätzung: Der Abstand zu Fable ist zu groß, um ihn allein mit Zufall oder Variantenauswahl zu erklären. Er sagt aber nur etwas über fertige Webseiten aus 33 Aufträgen unter unbekannten Bedingungen. Ernst nehmen sollte man den Rekord erst, wenn sich ein Hersteller bekennt, das Modell frei nutzbar ist und Dritte die Ergebnisse auf einer anderen Rangliste bestätigen. Das sind übrigens auch die Bedingungen, die die chinesischen Kommentatoren nennen. Bis dahin ist Gestalt ein interessanter Datenpunkt, aber noch kein belegter Durchbruch.

Quellen

#stealth-modelle#benchmarks#lmarena#openrouter#design#gestalt

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.