UGI Leaderboard im Test 2026: So bewertet der Uncensored General Intelligence Benchmark LLMs

Aktualisiert 2026 — „UGI“ steht für Uncensored General Intelligence. Die Person hinter der Rangliste hält die genauen Testfragen geheim, damit Modelle nicht gezielt darauf trainiert werden können. Diese Entscheidung erklärt, warum die Rangliste nützlich ist und weshalb Sie ihre Werte nicht als unumstößliche Wahrheit behandeln sollten.

Wenn Sie nach „UGI Leaderboard“ gesucht haben, möchten Sie vermutlich wissen, welche großen Sprachmodelle die wenigsten Anfragen ablehnen. Vielleicht sind Sie auch auf den Namen gestoßen und wollen erst verstehen, was die Rangliste misst. Dieser Testbericht erklärt, was das UGI Leaderboard ist, wie die Bewertung funktioniert, welche Schlüsse ein hoher Wert zulässt und wo die Methodik Lücken hat.

Kurz gesagt: UGI ist ein ehrenamtlich betriebenes Hugging Face Space. Die betreuende Person tritt unter dem Namen DontPlanToEnd auf. Bewertet werden offene und proprietäre LLMs danach, wie bereitwillig sie auf sensible, kontroverse oder häufig abgelehnte Themen eingehen. Dazu kommt ein allgemeiner Wissenstest, damit Antwortbereitschaft nicht mit der Bereitschaft zu halluzinieren verwechselt wird. Für KI-Forschende, Studien zur Modellausrichtung und alle, die Unterschiede im Verhalten ähnlich leistungsfähiger Modelle verstehen möchten, ist das ein spezialisierter, aber nützlicher Datenpunkt.

---

Was das UGI Leaderboard ist

Das UGI Leaderboard finden Sie unter huggingface.co/spaces/DontPlanToEnd/UGI-Leaderboard. Es hat weit über zweitausend Likes und Hunderte Diskussionen aus der Community gesammelt, darunter Anfragen zur Bewertung neuer Modelle. Hinter dem Projekt steht weder ein Forschungslabor noch ein Unternehmen. Es wird von einer einzelnen Person betreut und funktioniert wie viele Ranglisten der Hugging Face Community: Sie reichen ein Modell ein, warten auf seine Bewertung und sehen anschließend, ob es in der Rangliste erscheint.

„Uncensored“ hat hier eine bestimmte Bedeutung. Die Rangliste misst nicht wie ein Red-Teaming-Sicherheitsbenchmark, ob ein Modell bei illegalen oder gefährlichen Vorhaben hilft. Sie erfasst die Ablehnungsquote bei grenzwertigen, aber legalen Themen. Dazu gehören Fragen, die ein stark auf Sicherheitsvorgaben abgestimmter Assistent mit „Dabei kann ich nicht helfen“ abweist, obwohl es sich um legitime Recherche, fiktionales Schreiben oder eine provokante, aber legale Anfrage handelt. Das erklärte Ziel der Rangliste ist es, zwei oft vermischte Fragen zu trennen: Kennt das Modell die Antwort? Und: Gibt es die Antwort auch?

Dieser Unterschied ist relevant. Viele leistungsfähige Modelle kennen eine Information, nennen sie wegen übervorsichtiger Sicherheitsvorgaben aber trotzdem nicht. UGI soll für jedes Modell erfassen, wie häufig das geschieht.

---

So funktioniert die Bewertung

UGI nutzt mehr Kennzahlen als Ranglisten mit nur einem Gesamtwert. Wer allein auf den UGI-Score schaut, übersieht wichtige Unterschiede. Laut den veröffentlichten Datenspalten fließen folgende Bereiche in die Bewertung ein:

UGI-Score (0–100) — ein kombinierter Wert für Antwortbereitschaft und Wissen in drei Themenbereichen: Danger (gefährliche oder eingeschränkt zugängliche Informationen), Entertainment (kreative Inhalte mit NSFW- oder Erwachsenenthemen) und SocPol (gesellschaftspolitische Themen, bei denen viele Modelle zu vorsichtigen Antworten neigen). Diesen Wert zitieren die meisten. Für sich genommen ist er jedoch am wenigsten aussagekräftig.

Willingness (W/10) — ein gesonderter Wert von 0–10, der misst, wie oft das Modell eine Antwort versucht, statt die Anfrage abzulehnen oder ihr auszuweichen. Die Qualität der Antwort wird dabei nicht berücksichtigt. Ein Modell kann bei Willingness gut abschneiden und trotzdem eine mittelmäßige oder ausweichende Antwort geben, die formal keine Ablehnung ist.

NatInt (Natural Intelligence) — ein allgemeiner Wissenstest mit Teilwerten für Textbook, Pop Culture und World Model. Er soll Modelle erkennen, die ihren UGI-Score durch selbstsichere, aber falsche Antworten statt durch Ablehnungen erhöhen. Hohe Willingness bei niedrigem NatInt deutet auf ein Modell hin, das fast immer antwortet, aber oft nicht ausreichend Bescheid weiß.

Political Lean — eine Aufschlüsselung entlang von etwa einem Dutzend ideologischer Achsen, etwa föderal–zentralstaatlich, demokratisch–autokratisch, nationalistisch–internationalistisch und progressiv–traditionell. Bewertet wird, wie das Modell ohne entsprechende Vorgabe auf Fragen mit politisch aufgeladenen Formulierungen antwortet. Für Forschende, die politische Verzerrungen von Modellen untersuchen, ist dieser Bereich auch unabhängig vom „uncensored“-Ansatz nützlich.

Writing — eine Bewertung der stilistischen Bandbreite von zurückhaltender, formeller Prosa bis zu explizitem kreativem Schreiben. Ergänzend gibt es Kennzahlen zur Lesbarkeit und Originalität.

Die betreuende Person hält die genauen Test-Prompts ausdrücklich geheim. So sollen Modellanbieter ihre Modelle nach Veröffentlichung des Benchmarks nicht gezielt auf die Fragen trainieren können. Das ist zum Schutz der Aussagekraft nachvollziehbar, hat aber einen Preis: Außerhalb des Projekts kann niemand unabhängig prüfen, welche Fragen gestellt werden und ob die Testauswahl fair und repräsentativ ist. Sie müssen sich dabei auf das Urteil einer anonymen Person verlassen.

---

Stand der Rangliste (Momentaufnahme von Anfang 2026)

Die Plätze ändern sich mit jeder neuen Modellbewertung. Betrachten Sie konkrete Ränge deshalb als Momentaufnahme und prüfen Sie die aktuelle Rangliste, bevor Sie einen Wert zitieren. Die jüngste breit berichtete Momentaufnahme zeigt:

Aussagekräftiger als die exakten Zahlen, die beim Lesen bereits veraltet sein können, sind einige Muster: Modelle mit offenen Gewichten und ohne umfangreiche Sicherheitsabstimmung durch RLHF stehen regelmäßig weit oben. Proprietäre Modelle liegen meist weiter unten, mit gelegentlichen Ausnahmen wie Grok. Außerdem führt beim UGI-Score meist ein anderes Modell als bei Willingness. Genau solche Unterschiede verdeckt ein einzelner Gesamtwert.

---

Zugang und Nutzung

Hier gibt es keine Preistarife zu vergleichen: Die gesamte Rangliste ist kostenlos zugänglich. Öffnen Sie das Hugging Face Space und sortieren Sie die Tabelle nach der Spalte, die für Sie relevant ist: UGI, Willingness, NatInt oder einer Achse unter Political Lean. Zum Durchsuchen brauchen Sie weder ein Konto noch einen API-Schlüssel. Eine Zugriffsbeschränkung für das bloße Ansehen gibt es nicht.

Wenn Sie mehr tun möchten, als die Tabelle zu lesen, sind zwei Punkte hilfreich:

• Export der Rohdaten. Die Ergebnisse können Sie direkt aus dem Space als CSV herunterladen. Das ist sinnvoll, wenn Sie die Daten selbst sortieren, filtern oder visualisieren möchten, statt sich auf die Standardansicht der Gradio-Tabelle zu verlassen.
• Modelle einreichen. Wenn Sie ein feinabgestimmtes Modell betreuen und bewerten lassen möchten, reichen Sie es über die Anfrageoberfläche des Space ein. Es wird dann in die Warteschlange aufgenommen. Wie lange die Bewertung dauert, hängt von der verfügbaren Rechenkapazität und Zeit der betreuenden Person ab. Rechnen Sie daher nicht mit einer Bewertung am selben Tag, wie sie bei einer besser ausgestatteten akademischen Rangliste möglich sein könnte.

Ein weiterer Vorbehalt: Da die Bewertung mit einem privaten Testdatensatz erfolgt, können Sie den Score eines Modells selbst mit API-Zugriff nicht reproduzieren. Sie lesen einen vom Projekt veröffentlichten Wert, den Sie nicht unabhängig neu berechnen können. Betrachten Sie ihn daher als Orientierung, nicht als endgültige Bewertung.

---

Was ein hoher UGI-Score nicht bedeutet

Das häufigste Missverständnis verdient eine klare Antwort: Ein hoher UGI-Score belegt nicht, dass ein Modell bei tatsächlich schädlichen, illegalen oder gefährlichen Handlungen hilft. Die Dokumentation der Rangliste und Berichte Dritter stimmen darin überein: Der Wert beschreibt eher die Neigung, ein Thema zu besprechen und zu erklären, statt die Anfrage abzuweisen. Er misst keine Neigung, gefährliche Inhalte zu erzeugen. Schutzmaßnahmen gegen eindeutig schädliche Anfragen sind ein anderer, engerer Bereich als die grenzwertigen Themen rund um kreatives Schreiben, Geschichte, Medizin und Gesellschaftspolitik, die hier viele Bewertungsunterschiede ausmachen.

Wenn übermäßige Ablehnungen für Ihren Anwendungsfall ein Problem sind, etwa bei fiktionalen Texten für Erwachsene, der Aufbereitung medizinischer oder rechtlicher Informationen, der historischen Analyse gewaltsamer Ereignisse oder der akademischen Extremismusforschung, kann UGI ein nützlicher Hinweis sein. Als Abkürzung, um Sicherheitsvorgaben eines Modells für schädliche Zwecke zu umgehen, hilft diese Rangliste nicht. Dafür wurde sie auch nicht entwickelt.

---

Stärken

• Schließt eine Lücke. Gängige Benchmarks wie MMLU, HumanEval und MT-Bench messen das Ablehnungsverhalten überhaupt nicht. UGI ist einer der wenigen öffentlichen und laufend aktualisierten Datenpunkte zu diesem Aspekt.
• Trennt Wissen von Antwortbereitschaft. Die Unterscheidung zwischen NatInt und UGI ist aussagekräftiger als ein einziger vermischter Wert. Ein Modell gewinnt dadurch nicht allein, weil es alles selbstsicher beantwortet.
• Political Lean hat eigenständigen Nutzen. Auch ohne Interesse am „uncensored“-Ansatz erhalten Sie einen Vergleich politischer Tendenzen einzelner Modelle, der anderswo schwer zu finden ist.
• Wird aktiv betreut. Neue Modelle werden regelmäßig in die Warteschlange aufgenommen und bewertet. Die vielen offenen Diskussionen aus der Community sprechen für eine fortlaufende Nutzung.
• Kostenlos und öffentlich. Sie brauchen weder ein Konto noch ein kostenpflichtiges Abo. Die CSV-Rohdaten stehen im Hugging Face Space für eigene Analysen zum Download bereit.

Schwächen

• Die vertrauliche Methodik hat einen Nachteil. Geheime Test-Prompts erschweren gezielte Anpassungen an den Benchmark. Zugleich kann niemand unabhängig prüfen, ob die Fragen repräsentativ, ausgewogen und frei von blinden Flecken der betreuenden Person sind.
• Projekt einer Einzelperson. Es gibt kein Redaktionsgremium, keine veröffentlichte Prüfung der Übereinstimmung zwischen Bewertenden und keine institutionelle Trägerschaft. Das unterscheidet UGI von den akademischen Ursprüngen von LMArena und der Struktur mit mehreren Mitwirkenden bei MTEB.
• Schwerpunkt auf Englisch. Nach der verfügbaren Dokumentation wird Ablehnungsverhalten und Wissen in anderen Sprachen kaum oder gar nicht abgedeckt.
• Missverständliche Bezeichnung. „Uncensored“ ist ein aufgeladenes Wort. Schon der Name der Rangliste kann aus den falschen Gründen das falsche Publikum anziehen. Beachten Sie das, bevor Sie UGI in einem beruflichen Kontext zitieren: Inhaltlich geht es eher um einen Benchmark zur Ablehnungsquote, als der Name vermuten lässt.
• Nicht für die Modellauswahl im Unternehmen ausgelegt. Wenn Sie ein Modell für ein Produkt mit Kundenkontakt auswählen, beantwortet diese Rangliste nicht die entscheidende Frage. Relevant sind möglichst wenige unnötige Ablehnungen und steuerbares Sicherheitsverhalten, nicht maximale Antwortbereitschaft.

---

Vergleich mit anderen LLM-Ranglisten

Diese Ranglisten messen unterschiedliche Dinge. Dasselbe Modell kann in allen vier sehr verschieden abschneiden. Für eine Modellentscheidung sollten Sie deshalb mehrere Quellen heranziehen, einschließlich UGI.

---

Für wen die Rangliste geeignet ist

Gut geeignet: KI-Forschende, die Modellausrichtung und Ablehnungsverhalten untersuchen; Entwicklerinnen und Entwickler von Tools, bei denen übervorsichtige Ablehnungen die Nutzung spürbar erschweren, etwa bei langen fiktionalen Texten, Kreativtools für Erwachsenenthemen oder akademischen Rechercheassistenten; alle, die sich für die politische Einordnung eines Modells ohne entsprechende Vorgabe interessieren; sowie Personen, die Open-Source-Modelle betreuen und eigene Feinabstimmungen mit anderen Modellen vergleichen möchten.

Weniger geeignet: Unternehmen, die ein Modell für Kundensupport oder ein Verbraucherprodukt auswählen und steuerbare Sicherheitsregeln brauchen; Personen, die einen hohen UGI-Score als Erlaubnis verstehen, die Nutzungsrichtlinien eines Anbieters zu umgehen — er ist eine Beobachtung Dritter, keine Genehmigung —; und alle, die eine einzige verbindliche Rangliste der „besten Modelle“ suchen. Dafür ist weder diese noch eine andere einzelne Rangliste gedacht.

---

So ordnen Sie den Score ein

1. Zitieren Sie den UGI-Score nicht allein. Sehen Sie sich auch Willingness und NatInt an. Sonst bleibt unklar, ob das Modell neben seiner Antwortbereitschaft auch über das nötige Wissen verfügt.
2. Prüfen Sie das Datum der Momentaufnahme. Neue Feinabstimmungen und leistungsfähige Modelle verändern die Plätze schnell. Ein drei Monate alter Screenshot der Rangliste ist kaum noch hilfreich.
3. Vergleichen Sie mit einem Leistungsbenchmark. Wenn ein Modell bei UGI führt, beim Open LLM Leaderboard oder in der Arena aber weit hinten liegt, antwortet es womöglich auf alles, ohne dabei besonders leistungsfähig zu sein.
4. Denken Sie an den Testdatensatz einer einzelnen Person. Behandeln Sie UGI wie jeden Benchmark aus einer einzigen Quelle: als nützlichen Datenpunkt, nicht als abschließendes Urteil.

---

Fazit

Das UGI Leaderboard deckt einen Bereich ab, den große Benchmarks kaum erfassen: Es beziffert, wie oft Modelle legitime, aber sensible Anfragen ablehnen, und trennt dieses Verhalten von ihrem tatsächlichen Wissen. Damit kann es Forschenden und Entwicklerinnen und Entwicklern helfen, die an Modellausrichtung, der Abstimmung von Inhaltsmoderation oder Kreativtools mit unnötigen Ablehnungen arbeiten.

Als Rangliste für allgemeine Leistungsfähigkeit, als Anleitung zum Umgehen von Sicherheitsvorgaben oder als verbindliche Liste der „besten“ Modelle taugt UGI nicht. Die geheime Methodik, die Betreuung durch eine einzelne Person und die provokante Bezeichnung sprechen dafür, die Ergebnisse zusammen mit Präferenzdaten aus der Arena und gängigen Leistungsbenchmarks zu betrachten, bevor Sie Schlüsse über ein bestimmtes Modell ziehen.

Dieser Testbericht stützt sich auf öffentlich berichtete Daten der Rangliste von Anfang 2026. Die Plätze ändern sich häufig — prüfen Sie die aktuelle UGI-Rangliste für den neuesten Stand.