Unabhaengiger Benchmark von Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro, DeepSeek R1 und 8 weiteren Modellen. Basierend auf Arena Elo (6M+ Votes), SWE-bench Pro, GPQA Diamond und HLE.
Sortiert nach KapitalAI Composite Score. Arena Elo Gaps unter 30 Punkten sind statistisch gleichwertig.
#1 Artificial Analysis Index (61.4). Fuehrt Coding Arena (1569 Elo), HLE (57.9% mit Tools), SWE-bench Pro (69.2%). Staerkstes agentic coding Modell.
100% auf AIME 2026 — perfekt. Fuehrt ARC-AGI-2 (25.8%), beste Latenz (1.8s TTFT). Staerkstes Tool-Use und Third-Party-Integrationen.
#1 GPQA Diamond (94.3%). 2M Token Context — laengster am Markt. Bestes Preis-Leistungs-Verhaeltnis unter Frontier-Modellen.
Einziger Zugang zu Echtzeit X/Twitter-Daten. 2M Token Context, 89 TPS — schnellstes Frontier-Modell.
Default fuer Claude Code. 79.6% SWE-bench Verified, 112 TPS. Beste Balance zwischen Qualitaet, Geschwindigkeit und Preis.
#1 MATH-500 (97.3%). Open Source (MIT), 10x guenstiger als Frontier. Training kostete nur $6M — effizientestes Modell.
Staerkstes Open-Weight Modell. 119 Sprachen, MCP Tool-Calling. Apache 2.0 — volle kommerzielle Nutzung.
400B MoE mit nur 17B aktiven Parametern pro Token. 1M Context, nativ multimodal. Llama License (700M MAU Limit).
Schnellstes Modell: 0.8s TTFT, 185 TPS. Frontier-nah bei 1/30 des Preises. Ideal fuer Batch-Processing.
Europaeisch, DSGVO-konform. 93.6% MATH-500. Open Weights verfuegbar. Guenstigstes Frontier-nahes Modell.
#2 ARC-AGI (28.5%). Spezialisiert auf mathematisches Reasoning. 96.4% MATH-500 bei niedrigen Kosten.
Schnellstes Anthropic-Modell. Ideal fuer Classification, Extraction, einfache Tasks bei hohem Volume.
Alle 12 Modelle mit 8 Benchmarks. Beste Werte pro Kategorie hervorgehoben.
| # | Modell | Score | Elo | SWE-Pro | GPQA | MATH | HLE | ARC-AGI | AIME | Context | TPS | $/1M |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.8 Anthropic |
94.2 | 1569 | 69.2% | 93.6% | 92.4% | 57.9% | 21.4% | 72.5% | 200K | 67 | $5.00/$25.00 |
| 2 | GPT-5.5 OpenAI |
92.8 | 1561 | 64.1% | 93.2% | 95.8% | 52.2% | 25.8% | 100% | 256K | 82 | $5.00/$30.00 |
| 3 | Gemini 3.1 Pro Google DeepMind |
91.5 | 1520 | 59.2% | 94.3% | 93.7% | 51.4% | 24.2% | 89.7% | 2M | 71 | $2.00/$12.00 |
| 4 | Grok 4.2 xAI |
88.4 | 1485 | 52.8% | 87.4% | 88.2% | 54.2% | 18.9% | 78.5% | 2M | 89 | $2.00/$10.00 |
| 5 | Claude Sonnet 4.6 Anthropic |
86.8 | 1478 | 54.8% | 84.2% | 84.6% | 44.8% | 16.4% | 62.5% | 200K | 112 | $3.00/$15.00 |
| 6 | DeepSeek R1 DeepSeek |
87.6 | 1478 | 49.2% | 82.1% | 97.3% | 48.5% | 19.2% | 92.8% | 128K | 48 | $0.55/$2.19 |
| 7 | Qwen 3 235B Alibaba Cloud |
86.2 | 1422 | 48.8% | 77.2% | 91.2% | 42.1% | 15.8% | 85.7% | 128K | 52 | $0.80/$2.40 |
| 8 | Llama 4 Maverick Meta |
84.8 | 1417 | 46.3% | 74.8% | 85.5% | 38.2% | 14.2% | 72.1% | 1M | 58 | $0.87/$2.60 |
| 9 | Gemini 3.5 Flash Google DeepMind |
82.4 | 1405 | 42.8% | 78.5% | 82.1% | 34.2% | 12.8% | 58.5% | 1M | 185 | $0.15/$0.60 |
| 10 | Mistral Large 3 Mistral AI |
81.4 | 1398 | 42.8% | 73.1% | 93.6% | 32.4% | 11.2% | 44% | 260K | 98 | $0.50/$1.50 |
| 11 | o3-mini (high) OpenAI |
79.8 | 1385 | 38.2% | 70.2% | 96.4% | 31.5% | 28.5% | 86.5% | 200K | 32 | $1.10/$4.40 |
| 12 | Claude Haiku 4.5 Anthropic |
76.5 | 1358 | 32.1% | 65.8% | 72.4% | 24.5% | 8.5% | 42.8% | 200K | 165 | $1.00/$5.00 |
Quellen: LMSYS Arena, Artificial Analysis, SWE-bench, BenchLM
Industriestandard-Tests fuer KI-Modelle
Real-World Coding — 1,865 Tasks, 41 Repos
PhD-Level Science Reasoning
Olympiade-Level Mathematik
Humanity's Last Exam — Hardest Reasoning
6M+ Human Votes (LMSYS)
Abstract Reasoning Corpus
92 Seiten mit allen Testergebnissen, Methodologie und Use-Case Empfehlungen
Kein Spam - Jederzeit abbestellbar