SprachmodellNur API

GPT-5.3-Codex

OpenAI

Veröffentlicht: 5. Februar 2026
Datenstand: 8. September 2026

Intelligenz: Nicht gerankt
Gesamtwertung
Geschwindigkeit: 139,4 Token/s
Ausgabe-Tempo
Preis: 1,75 $ · 14 $
Eingabe · Ausgabe / 1 Mio. Token
Eingabe: Text, Bild
Ausgabe: Text

Für dieses Modell liegt keine veröffentlichte, kategorieweit vergleichbare Gesamtwertung vor.

Einträge 1-12 von 31. Seite 1 von 3.

Veröffentlichte Benchmarks

Die Charts vergleichen Modelle im selben dokumentierten Test. Das aktuelle Modell ist hervorgehoben.

Agentenaufgaben

2 Messreihen

METR Time Horizon

50% time horizon

Was der Benchmark prüft: Aufgabenlänge nach menschlicher Bearbeitungszeit, bei der ein Modell-Agent 50 oder 80 Prozent Erfolgswahrscheinlichkeit erreicht.

Einordnung: Die Minuten bezeichnen menschliche Aufgabenzeit, nicht Modelllaufzeit. Werte oberhalb von 16 Stunden sind laut METR unzuverlässig.

Mehr ist besser4 ModelleGPT-5.3-Codex: Platz 2 von 4Datenstand: 26. August 2026

1.Gemini 3.1 Pro Preview384,15 Minuten

2.GPT-5.3-Codex349,53 Minuten

3.GPT-5203,01 Minuten

4.o3119,73 Minuten

Skala: 0 Minuten - 384,15 Minuten

Quelle: METR

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: metr-th1-1-p50
Messgröße: 50% time horizon
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 4
Methodik und Einordnung: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: gpt-5.3-codex-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: Triframe. Agent: Triframe. Versuche: 6 independent runs per task. Angezeigter Wert: 5,8 Std. (95-Prozent-Konfidenzintervall 3,2 Std. bis 13,6 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-eae972724332. Prüfsumme der Quelldaten: eae972724332b484893349fcc227a9b865d78efcd94e3b78d2d11cbc2315801e. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: METR

METR Time Horizon

80% time horizon

Was der Benchmark prüft: Aufgabenlänge nach menschlicher Bearbeitungszeit, bei der ein Modell-Agent 50 oder 80 Prozent Erfolgswahrscheinlichkeit erreicht.

Einordnung: Die Minuten bezeichnen menschliche Aufgabenzeit, nicht Modelllaufzeit. Werte oberhalb von 16 Stunden sind laut METR unzuverlässig.

Mehr ist besser4 ModelleGPT-5.3-Codex: Platz 2 von 4Datenstand: 26. August 2026

1.Gemini 3.1 Pro Preview89,8 Minuten

2.GPT-5.3-Codex54,74 Minuten

3.GPT-538,31 Minuten

4.o329,98 Minuten

Skala: 0 Minuten - 89,8 Minuten

Quelle: METR

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: metr-th1-1-p80
Messgröße: 80% time horizon
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 4
Methodik und Einordnung: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: gpt-5.3-codex-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: Triframe. Agent: Triframe. Versuche: 6 independent runs per task. Angezeigter Wert: 54,7 min (95-Prozent-Konfidenzintervall 22,4 min bis 2 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-bdb68f137fa5. Prüfsumme der Quelldaten: bdb68f137fa51fbbd7af0345aacd4463b88a571dc43361afdd115bbe86d87dc2. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: METR

Programmieren

10 Messreihen

IOI

IOI 2024

Mehr ist besser4 ModelleGPT-5.3-Codex: Platz 3 von 4Datenstand: 11. August 2026

1.GPT-5.467,17 %

2.GPT-5.6 Terra66,17 %

3.GPT-5.3-Codex58,17 %

4.GPT-5.4 mini6,67 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-ioi:1:ioi2024
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 2631.97. Standardfehler: 14.481. Kosten je Aufgabe in USD: 1.818037. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-08-11-2dfe8b4b8b7b. Prüfsumme der Quelldaten: 2dfe8b4b8b7be768b4617349894b78a429aa610031aff027b405096fb56d23cc. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

IOI

IOI 2025

Mehr ist besser4 ModelleGPT-5.3-Codex: Platz 3 von 4Datenstand: 11. August 2026

1.GPT-5.468,5 %

2.GPT-5.6 Terra64,33 %

3.GPT-5.3-Codex29,5 %

4.GPT-5.4 mini6,17 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-ioi:1:ioi2025
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 4516.544. Standardfehler: 5.854. Kosten je Aufgabe in USD: 2.222013. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-08-11-2dfe8b4b8b7b. Prüfsumme der Quelldaten: 2dfe8b4b8b7be768b4617349894b78a429aa610031aff027b405096fb56d23cc. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

IOI

Overall

Mehr ist besser24 ModelleGPT-5.3-Codex: Platz 7 von 24Datenstand: 4. September 2026

1.Claude Opus 591,67 %

2.GPT-5.6 Sol86,67 %

3.GPT-5.6 Luna72,92 %

4.Claude Fable 572,25 %

5.GPT-5.467,83 %

6.GPT-5.6 Terra65,25 %

7.GPT-5.3-Codex43,83 %

8.Gemini 3 Flash39,08 %

9.DeepSeek-V4-Pro35,83 %

10.Gemini 3.5 Flash-Lite26,17 %

11.GLM-522 %

12.GPT-520 %

13.Kimi K2.517,67 %

14.Gemini 2.5 Pro17,08 %

15.Grok 4.315,33 %

16.GPT-5.4 nano15,25 %

17.GLM-4.77,58 %

18.GPT-5 mini6,75 %

19.GPT-5.4 mini6,42 %

20.o4-mini4,83 %

21.GLM-4.64,33 %

22.GLM-4.52,92 %

23.Gemini 2.5 Flash2,61 %

24.DeepSeek-V3 03241,67 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-ioi:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 24
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Latenz in Sekunden: 3574.257. Kosten je Aufgabe in USD: 2.020025. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-09-04-c6f99e8d7130. Prüfsumme der Quelldaten: c6f99e8d713092dbfdc9cbcfd6b376fbb7209970714528eab31f6b541d90f20c. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

LiveCodeBench v6

Easy

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 1 von 5Datenstand: 11. August 2026

1.GPT-5.3-Codex99,07 %

1.GPT-5.499,07 %

3.GPT-5.598,45 %

4.GPT-5.4 mini97,83 %

5.GPT-5.6 Terra97,21 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:easy
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 17.469. Standardfehler: 0.535. Kosten je Aufgabe in USD: 0.013703. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

LiveCodeBench v6

Hard

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 1 von 5Datenstand: 11. August 2026

1.GPT-5.3-Codex75,14 %

2.GPT-5.6 Terra72,86 %

3.GPT-5.569,71 %

4.GPT-5.467,71 %

5.GPT-5.4 mini61,71 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:hard
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 306.379. Standardfehler: 2.31. Kosten je Aufgabe in USD: 0.209533. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

LiveCodeBench v6

Medium

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 1 von 5Datenstand: 11. August 2026

1.GPT-5.3-Codex87,73 %

1.GPT-5.587,73 %

1.GPT-5.6 Terra87,73 %

4.GPT-5.485,64 %

5.GPT-5.4 mini84,86 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:medium
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 74.045. Standardfehler: 1.677. Kosten je Aufgabe in USD: 0.051518. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

LiveCodeBench v6

Overall

Mehr ist besser56 ModelleGPT-5.3-Codex: Platz 11 von 56Datenstand: 4. September 2026

1.Claude Fable 589,78 %

2.Gemini 3.8 Flash89,48 %

3.Claude Opus 589,03 %

4.Gemini 3.7 Flash88,65 %

5.Gemini 3.1 Pro Preview88,49 %

6.Grok 4.688,22 %

7.Gemini 3.6 Flash88,08 %

8.Gemini 3.5 Flash87,6 %

9.DeepSeek-V4-Pro87,48 %

10.Grok 4.587,35 %

11.GPT-5.3-Codex87,31 %

12.Kimi K387,19 %

13.Kimi K2.686,77 %

14.GPT-5 mini86,61 %

15.Inkling Small85,93 %

16.GPT-5.6 Terra85,93 %

17.GPT-585,91 %

18.Gemini 3 Flash85,59 %

19.Inkling85,52 %

20.GPT-5.585,3 %

21.Grok 4.384,49 %

22.GPT-5.484,14 %

23.GPT-5.4 nano84,01 %

24.o383,91 %

25.Kimi K2.583,87 %

26.GPT OSS 120B83,23 %

27.GPT-5.6 Sol82,6 %

28.Claude Sonnet 582,43 %

29.GLM-4.782,23 %

30.o4-mini82,21 %

31.Kimi K2.7 Code82,05 %

32.GLM-581,87 %

33.MiMo-V2.581,51 %

34.GPT-5.4 mini81,47 %

35.GLM-5.181,38 %

36.MiMo-V2.5-Pro81,35 %

37.GLM-4.681,04 %

38.GLM-5.380,54 %

39.GLM-5.3-Flash80,51 %

40.GPT OSS 20B80,39 %

41.Gemini 3.1 Flash-Lite80,12 %

42.Gemini 3.5 Flash-Lite79,01 %

43.o3-mini71,48 %

44.DeepSeek-R170,22 %

45.GPT-5 nano70,22 %

46.GLM-5.269,5 %

47.GLM-4.567,45 %

48.DeepSeek-V3 032465,48 %

49.Kimi K2 Thinking63,15 %

50.GPT-4.1 mini58,16 %

51.GPT-4.154,67 %

52.o150,26 %

53.GPT-4o43,44 %

54.GPT-4.1 nano42,72 %

55.GPT-4o mini26,42 %

56.Command R+18,24 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 56
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 132.631. Kosten je Aufgabe in USD: 0.091585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-09-04-95ca83387127. Prüfsumme der Quelldaten: 95ca83387127df287e9a6d928c411c98c9b65b4cefeee46eb4008ca1521f5ed4. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

SWE-bench Verified

<15 min fix

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 2 von 5Datenstand: 11. August 2026

1.GPT-5.591,75 %

2.GPT-5.3-Codex90,21 %

3.GPT-5.488,14 %

4.GPT-5.4 mini85,57 %

5.GPT-5.6 Terra77,84 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-swebench:1:<15 min fix
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 185.93. Standardfehler: 2.14. Kosten je Aufgabe in USD: 0.340336. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

SWE-bench Verified

>4 hours

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 2 von 5Datenstand: 11. August 2026

1.GPT-5.566,67 %

2.GPT-5.3-Codex33,33 %

2.GPT-5.6 Terra33,33 %

4.GPT-5.40 %

4.GPT-5.4 mini0 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-swebench:1:>4 hours
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 412.097. Standardfehler: 33.333. Kosten je Aufgabe in USD: 0.69549. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

SWE-bench Verified

1-4 hours

Mehr ist besser5 ModelleGPT-5.3-Codex: Platz 2 von 5Datenstand: 11. August 2026

1.GPT-5.6 Terra64,29 %

2.GPT-5.3-Codex54,76 %

3.GPT-5.450 %

3.GPT-5.550 %

5.GPT-5.4 mini33,33 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-swebench:1:1-4 hours
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 5
Methodik und Einordnung: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 405.865. Standardfehler: 7.773. Kosten je Aufgabe in USD: 0.818585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11

Quelle: Vals AI

Dokumentierte Messdetails

Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.

METR Time Horizon: 50% time horizon (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 349.530732
Bewertung: 349.530732
Messgröße: 50% time horizon
Einheit: minutes
Benchmark-Version: TH 1.1
Kategorie: agentic
Aufgabe: p50
Aufgabenbezeichnung: 50% time horizon
Richtung: Mehr ist besser
Vergleichskohorte: metr-th1-1-p50
Quellentyp: independent-evaluator
Auswertung: METR
Status: active
Abrufdatum: 2026-08-26
Methodik: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: gpt-5.3-codex-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: Triframe. Agent: Triframe. Versuche: 6 independent runs per task. Angezeigter Wert: 5,8 Std. (95-Prozent-Konfidenzintervall 3,2 Std. bis 13,6 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-eae972724332. Prüfsumme der Quelldaten: eae972724332b484893349fcc227a9b865d78efcd94e3b78d2d11cbc2315801e. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.

Quelle METR

METR Time Horizon: 80% time horizon (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 54.739407
Bewertung: 54.739407
Messgröße: 80% time horizon
Einheit: minutes
Benchmark-Version: TH 1.1
Kategorie: agentic
Aufgabe: p80
Aufgabenbezeichnung: 80% time horizon
Richtung: Mehr ist besser
Vergleichskohorte: metr-th1-1-p80
Quellentyp: independent-evaluator
Auswertung: METR
Status: active
Abrufdatum: 2026-08-26
Methodik: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: gpt-5.3-codex-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: Triframe. Agent: Triframe. Versuche: 6 independent runs per task. Angezeigter Wert: 54,7 min (95-Prozent-Konfidenzintervall 22,4 min bis 2 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-bdb68f137fa5. Prüfsumme der Quelldaten: bdb68f137fa51fbbd7af0345aacd4463b88a571dc43361afdd115bbe86d87dc2. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.

Quelle METR

IOI: IOI 2024 (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 58.167
Bewertung: 58.167
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: ioi2024
Aufgabenbezeichnung: IOI 2024
Richtung: Mehr ist besser
Vergleichskohorte: vals-ioi:1:ioi2024
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 2631.97. Standardfehler: 14.481. Kosten je Aufgabe in USD: 1.818037. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-08-11-2dfe8b4b8b7b. Prüfsumme der Quelldaten: 2dfe8b4b8b7be768b4617349894b78a429aa610031aff027b405096fb56d23cc. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

IOI: IOI 2025 (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 29.5
Bewertung: 29.5
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: ioi2025
Aufgabenbezeichnung: IOI 2025
Richtung: Mehr ist besser
Vergleichskohorte: vals-ioi:1:ioi2025
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 4516.544. Standardfehler: 5.854. Kosten je Aufgabe in USD: 2.222013. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-08-11-2dfe8b4b8b7b. Prüfsumme der Quelldaten: 2dfe8b4b8b7be768b4617349894b78a429aa610031aff027b405096fb56d23cc. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

IOI: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 43.834
Bewertung: 43.834
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-ioi:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Latenz in Sekunden: 3574.257. Kosten je Aufgabe in USD: 2.020025. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-09-04-c6f99e8d7130. Prüfsumme der Quelldaten: c6f99e8d713092dbfdc9cbcfd6b376fbb7209970714528eab31f6b541d90f20c. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

LiveCodeBench v6: Easy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 99.068
Bewertung: 99.068
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: easy
Aufgabenbezeichnung: Easy
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:easy
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 17.469. Standardfehler: 0.535. Kosten je Aufgabe in USD: 0.013703. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

LiveCodeBench v6: Hard (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 75.143
Bewertung: 75.143
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: hard
Aufgabenbezeichnung: Hard
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:hard
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 306.379. Standardfehler: 2.31. Kosten je Aufgabe in USD: 0.209533. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

LiveCodeBench v6: Medium (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 87.728
Bewertung: 87.728
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: medium
Aufgabenbezeichnung: Medium
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:medium
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-09. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 74.045. Standardfehler: 1.677. Kosten je Aufgabe in USD: 0.051518. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-08-11-0342bcc364e4. Prüfsumme der Quelldaten: 0342bcc364e4426ffb24589c2752c9225be61fbd26db8deba5bdab9775ce5a75. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

LiveCodeBench v6: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 87.313
Bewertung: 87.313
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 132.631. Kosten je Aufgabe in USD: 0.091585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-09-04-95ca83387127. Prüfsumme der Quelldaten: 95ca83387127df287e9a6d928c411c98c9b65b4cefeee46eb4008ca1521f5ed4. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

SWE-bench Verified: <15 min fix (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 90.206
Bewertung: 90.206
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: <15 min fix
Aufgabenbezeichnung: <15 min fix
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:<15 min fix
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 185.93. Standardfehler: 2.14. Kosten je Aufgabe in USD: 0.340336. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

SWE-bench Verified: >4 hours (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 33.333
Bewertung: 33.333
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: >4 hours
Aufgabenbezeichnung: >4 hours
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:>4 hours
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 412.097. Standardfehler: 33.333. Kosten je Aufgabe in USD: 0.69549. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

SWE-bench Verified: 1-4 hours (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 54.762
Bewertung: 54.762
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: 1-4 hours
Aufgabenbezeichnung: 1-4 hours
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:1-4 hours
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-08-11
Methodik: Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-08-08. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 405.865. Standardfehler: 7.773. Kosten je Aufgabe in USD: 0.818585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-08-11-a6212cd857d8. Prüfsumme der Quelldaten: a6212cd857d8406828224bea2aee5b657d927338e035f1ff603eea74c9bc8a7b. Parserversion: vals-astro-v2. Importiert am: 2026-08-11
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

Eigene Modelltests

Community-Tests zum Anschauen

Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

GPT-5.3-Codex

Noch nicht getestet

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

GPT-5.3-Codex

Veröffentlichte Benchmarks

Agentenaufgaben

METR Time Horizon

METR Time Horizon

Programmieren

IOI

IOI

IOI

LiveCodeBench v6

LiveCodeBench v6

LiveCodeBench v6

LiveCodeBench v6

SWE-bench Verified

SWE-bench Verified

SWE-bench Verified

Dokumentierte Messdetails

Community-Tests zum Anschauen

Pelikan auf dem Fahrrad

Technische Daten und Zugang

Weitere Quellenangaben

Veröffentlichte Preise

100 API-Anfragen

Dieses Modell im Vergleich

Quellen und Datenstand