SprachmodellVeraltet

GPT-5.3-Codex

OpenAI

Veröffentlicht: 5. Februar 2026
Datenstand: 8. September 2026
Vorgängermodell: GPT-5.2-Codex (Herstellerdokumentation)

Benchmark-Meta-Score: Nicht berechenbar
Weniger als acht Testreihen
Geschwindigkeit: 139,4 Token/s
Ausgabe-Tempo
Preis: 1,75 $ · 14 $
Eingabe · Ausgabe / 1 Mio. Token
Eingabe: Text, Bild
Ausgabe: Text

GPT-5.3-Codex ist laut OpenAI das erste eigene Modell, das wesentlich an seiner eigenen Entwicklung mitwirkte. Frühe Versionen halfen dem Team beim Debugging des Trainings, bei der Bereitstellung und bei der Auswertung von Tests. Das Modell kombiniert die Coding-Fähigkeiten von GPT-5.2-Codex mit dem Reasoning und Fachwissen von GPT-5.2.

Diese Coding-Fähigkeiten gingen später in GPT-5.4 ein, das zusätzlich native Computerbedienung abdeckt. OpenAI kündigte GPT-5.3-Codex am 1. Oktober 2026 ab. Die Abschaltung ist für den 1. April 2027 angekündigt.

Technische Daten und Zugang

Angabe	Wert und Quelle
Gewichte	ProprietärQuelle
Zugang	APIQuelle
Kontextfenster	400.000 TokenQuelle
Knowledge Cutoff	31. August 2025Quelle
Hinweise	Kombiniert die Coding-Fähigkeiten von GPT-5.2-Codex mit dem Reasoning von GPT-5.2, 25 % schnellerQuelle
API-Modellkennung	gpt-5.3-codexQuelle
Maximale Ausgabe	128.000 TokenQuelle
Eingabe	Text, BildQuelle
Ausgabe	TextQuelle
Reasoning-Modus	low, medium, high, xhighQuelle
API-Schnittstellen	Responses API, Chat Completions APIQuelle
Werkzeugaufrufe	JaQuelle
Strukturierte Ausgabe	JaQuelle
Veröffentlichung	2026-02-05Quelle

Benchmark-Metaanalyse

Gesamt- und Bereichsscores

Diese Gradually-Indizes ordnen ausgewählte veröffentlichte Messwerte auf einer Skala von 0 bis 100 ein. Sie sind keine Prozentgenauigkeit und keine Garantie für ein Ergebnis in deiner Anwendung.

Abrufstände der verwendeten Quellen 2026-10-15 - 2026-10-19

Gesamtindex

Noch nicht genug unabhängige Werte für einen Score

Ein Gesamtwert braucht mindestens acht Testreihen.

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Testreihen: 7
Testfamilien: 7 / 65
Quellen: 2
Anteil am festen Testpanel (informativ): 6 %

Programmieren

Index 28,0 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 7,4
95-%-Intervall: 15,5 bis 44,0
Testreihen: 5
Testfamilien: 5 / 15
Quellen: 1
Anteil am festen Testpanel (informativ): 24 %

Allgemein

Index 25,6 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 3,8
95-%-Intervall: 18,8 bis 33,6
Testreihen: 1
Testfamilien: 1 / 5
Quellen: 1
Anteil am festen Testpanel (informativ): 20 %

Multimodal

Index 22,1 / 100

vorläufig

Die veröffentlichten Konfigurationen unterscheiden sich innerhalb dieser Vergleichskohorte. Den Index daher als vorläufig lesen.

Standardfehler: ± 3,2
95-%-Intervall: 16,3 bis 29,0
Testreihen: 1
Testfamilien: 1 / 4
Quellen: 1
Anteil am festen Testpanel (informativ): 13 %

Dokumentierte Methode · Einbezogene Testfamilien und Messwerte

Methodenfassung: benchmark-meta-score-v3

Es zählen aktive Messwerte aus geprüften Primärquellen, wenn mindestens fünf Modelle im selben dokumentierten Vergleichsschnitt aus Datensatz, Harness, Agent, Werkzeugen und Versuchsanzahl verglichen werden. Pro Benchmark-Reihe und Auswerter zählt ein gemeinsamer Setup-Schnitt aus dem neuesten Abruf. Bei mehreren ausdrücklich erfassten Reasoning-Stufen derselben Quelle und Testreihe zählt die höchste dokumentierte Stufe (none bis max), nicht der höchste Ergebniswert. Die ausdrückliche Quellenangabe „Non-reasoning“ entspricht none. Unbekannte oder mehrdeutige Stufen führen zum Ausschluss des Modells aus der betreffenden Reihe. Innerhalb jeder Reihe werden Prozentwerte und Quoten logit-transformiert, andere Einheiten bleiben unverändert, und anschließend werden alle Werte standardisiert. Ein Ein-Faktor-Modell schätzt daraus eine gemeinsame Leistungsstärke je Modell und je Reihe, wie deutlich sie zwischen den Modellen trennt. Bereichswerte weichen davon nur so weit ab, wie die eigenen Ergebnisse im Bereich es belegen. Der Gesamtwert gewichtet die Kernbereiche mit 75 % und Finanzen, Recht und Gesundheit mit 25 %. Er erfordert mindestens acht Testreihen aus zwei Quellen und drei Bereichen. Die Skala von 0 bis 100 bezieht sich auf eine feste Referenzgruppe aus 29 Sprachmodellen, deren Durchschnitt bei 50 liegt.

Veröffentlichte modellabhängige Parameter können abweichen. Das ist kein kontrolliertes Experiment; solche Vergleiche werden als vorläufig gekennzeichnet.

Nicht gemessene Reihen werden nicht als Nullwert eingesetzt. Fehlen einem Modell eigene Werte in einem Kernbereich, steht dort seine Gesamtstärke, und der Hinweis „geschätzt, ohne eigene Werte in …“ nennt den Bereich. Weniger Testreihen führen zu einem größeren Standardfehler.

Das 95-%-Intervall folgt aus dem Standardfehler von 200 Neuberechnungen mit zufällig neu gezogenen Testfamilien. Es beschreibt, wie genau die erfassten Testreihen den Wert festlegen. Es ist keine Prognose für künftige Aufgaben oder spätere Neuberechnungen mit anderen Teilnehmern.

Die Quellenzahl ist keine Anzahl unabhängiger Experimente.

OECD-Handbuch zu zusammengesetzten Indikatoren

Alle 7 Testfamilien und 7 von 7 Rohmesswerten sind hier aufgeführt. Die vollständige Rechnung für alle Modelle enthält der JSON-Export.

Testfamilie: IFBench
Allgemein · Mittleres Rangperzentil der Familie: 84,1 / 100
Gewicht der Familie im festen Testpanel (informativ): 2,14 % · Abdeckung dieser Testfamilie: 100 %
- Artificial Analysis
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  artificial-analysis-ifbench
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  2,14 %
  Rohwert:
  75,3741496598639 %
  Messgröße:
  IFBench prompt-level loose accuracy (pass@1)
  Version:
  AA test set: 294 questions
  Teilnehmende Modelle:
  70
  Rangperzentil innerhalb der Kohorte:
  84,1 %
  Abgerufen:
  2026-10-19
  Vergleichskohorte:
  artificial-analysis-ifbench:AA test set: 294 questions:standalone:reasoning:tokens=0:suffix=Xhigh
  Reasoning-Stufe:
  Xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  ["artificial-analysis-ifbench","AA test set: 294 questions","aa-model-page-2026-10-19-8a022369738c"]
  Datensatztyp:
  artificial-analysis-evaluation
  Werkzeugregeln:
  Single-turn answer evaluated with the official IFBench source code
  Versuche:
  pass@1, 5 repeats per question
  Setup- und Modellparameter
  Exakte AA-Konfiguration: GPT-5.3 Codex (Xhigh) (Release gpt-5-3-codex, Zeile gpt-5-3-codex, UUID 59b5b14b-5365-4ee7-824a-18a8e6309644, reasoning=true, source reasoning-token configuration budget=0, suffix=Xhigh). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Artificial Analysis führt 294 Fragen aus dem IFBench-Testdatensatz mit fünf Wiederholungen je Frage aus. Der offizielle Evaluator bewertet die Genauigkeit je Prompt im Modus loose als pass@1.. Werkzeugrichtlinie: Single-turn answer evaluated with the official IFBench source code. Versuche: pass@1, 5 repeats per question. Reasoning: reasoning enabled. Reasoning-Stufe: Xhigh
  Exakte AA-Konfiguration: GPT-5.3 Codex (Xhigh) (Release gpt-5-3-codex, Zeile gpt-5-3-codex, UUID 59b5b14b-5365-4ee7-824a-18a8e6309644, reasoning=true, source reasoning-token configuration budget=0, suffix=Xhigh). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Artificial Analysis führt 294 Fragen aus dem IFBench-Testdatensatz mit fünf Wiederholungen je Frage aus. Der offizielle Evaluator bewertet die Genauigkeit je Prompt im Modus loose als pass@1.. Kennung des Quellmodells: artificial-analysis/59b5b14b-5365-4ee7-824a-18a8e6309644/gpt-5-3-codex/gpt-5-3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: GPT-5.3 Codex (Xhigh). Evaluator: Artificial Analysis. Datensatztyp: artificial-analysis-evaluation. Werkzeugrichtlinie: Single-turn answer evaluated with the official IFBench source code. Versuche: pass@1, 5 repeats per question. Reasoning: reasoning enabled. Reasoning-Stufe: Xhigh. Angezeigter Wert: 75,4 %. Quellenkennung: artificial-analysis. Kennung der Evidenzaufnahme: aa-model-page-2026-10-19-8a022369738c. Prüfsumme der Quelldaten: 8a022369738cbe2a0e2f9bf486a2882865dbb0c6f1396dfec84059a802560e3c. Parserversion: artificial-analysis-rsc-models-v2. Importiert am: 2026-10-19
Testfamilie: MMMU-Pro
Multimodal · Mittleres Rangperzentil der Familie: 60,7 / 100
Gewicht der Familie im festen Testpanel (informativ): 2,68 % · Abdeckung dieser Testfamilie: 50 %
- Artificial Analysis
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  artificial-analysis-mmmu-pro
  Gewicht der Messreihe innerhalb der Testfamilie:
  50 %
  Nominaler Beitrag zum Gesamtpanel:
  1,34 %
  Rohwert:
  78,4971098265896 %
  Messgröße:
  pass@1 accuracy
  Version:
  AA cohort: 1,730 questions
  Teilnehmende Modelle:
  57
  Rangperzentil innerhalb der Kohorte:
  60,7 %
  Abgerufen:
  2026-10-19
  Vergleichskohorte:
  artificial-analysis-mmmu-pro:AA cohort: 1,730 questions:standalone:reasoning:tokens=0:suffix=Xhigh
  Reasoning-Stufe:
  Xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  ["artificial-analysis-mmmu-pro","AA cohort: 1,730 questions","aa-model-page-2026-10-19-8a022369738c"]
  Datensatztyp:
  artificial-analysis-evaluation
  Werkzeugregeln:
  Ten-option multiple choice; regex answer extraction
  Versuche:
  pass@1, one run per question
  Setup- und Modellparameter
  Exakte AA-Konfiguration: GPT-5.3 Codex (Xhigh) (Release gpt-5-3-codex, Zeile gpt-5-3-codex, UUID 59b5b14b-5365-4ee7-824a-18a8e6309644, reasoning=true, source reasoning-token configuration budget=0, suffix=Xhigh). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Der AA-Lauf umfasst 1.730 Fragen mit zehn Antwortoptionen. Die Antwort wird per regulärem Ausdruck extrahiert und als pass@1 bewertet.. Werkzeugrichtlinie: Ten-option multiple choice; regex answer extraction. Versuche: pass@1, one run per question. Reasoning: reasoning enabled. Reasoning-Stufe: Xhigh
  Exakte AA-Konfiguration: GPT-5.3 Codex (Xhigh) (Release gpt-5-3-codex, Zeile gpt-5-3-codex, UUID 59b5b14b-5365-4ee7-824a-18a8e6309644, reasoning=true, source reasoning-token configuration budget=0, suffix=Xhigh). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Der AA-Lauf umfasst 1.730 Fragen mit zehn Antwortoptionen. Die Antwort wird per regulärem Ausdruck extrahiert und als pass@1 bewertet.. Kennung des Quellmodells: artificial-analysis/59b5b14b-5365-4ee7-824a-18a8e6309644/gpt-5-3-codex/gpt-5-3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Modellstand: GPT-5.3 Codex (Xhigh). Evaluator: Artificial Analysis. Datensatztyp: artificial-analysis-evaluation. Werkzeugrichtlinie: Ten-option multiple choice; regex answer extraction. Versuche: pass@1, one run per question. Reasoning: reasoning enabled. Reasoning-Stufe: Xhigh. Angezeigter Wert: 78,5 %. Quellenkennung: artificial-analysis. Kennung der Evidenzaufnahme: aa-model-page-2026-10-19-8a022369738c. Prüfsumme der Quelldaten: 8a022369738cbe2a0e2f9bf486a2882865dbb0c6f1396dfec84059a802560e3c. Parserversion: artificial-analysis-rsc-models-v2. Importiert am: 2026-10-19
Testfamilie: SWE-bench Verified
Programmieren · Mittleres Rangperzentil der Familie: 57,6 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 50 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-swebench
  Gewicht der Messreihe innerhalb der Testfamilie:
  50 %
  Nominaler Beitrag zum Gesamtpanel:
  0,36 %
  Rohwert:
  78 %
  Messgröße:
  accuracy
  Version:
  1
  Teilnehmende Modelle:
  60
  Rangperzentil innerhalb der Kohorte:
  57,6 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-swebench:1:overall
  Reasoning-Stufe:
  xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-swebench:1:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000
  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: 2026-09-01. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 246.527. Standardfehler: 1.854. Kosten je Aufgabe in USD: 0.455384. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Testfamilie: Terminal-Bench
Programmieren · Mittleres Rangperzentil der Familie: 88,1 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 17 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-terminal-bench-2
  Gewicht der Messreihe innerhalb der Testfamilie:
  16,67 %
  Nominaler Beitrag zum Gesamtpanel:
  0,12 %
  Rohwert:
  64,045 %
  Messgröße:
  accuracy
  Version:
  2.0
  Teilnehmende Modelle:
  43
  Rangperzentil innerhalb der Kohorte:
  88,1 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-terminal-bench-2:2.0:overall
  Reasoning-Stufe:
  high
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-terminal-bench-2:2.0:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: high. Maximale Ausgabetoken: 128000
  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: 2026-06-04. Reasoning-Stufe: high. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 506.283. Standardfehler: 5.115. Kosten je Aufgabe in USD: 0.345045. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-terminal-bench-2-2026-10-15-38e640d99525. Prüfsumme der Quelldaten: 38e640d995259778e531f048b2f2c7b3b281cb05b56be643ddc9dc53eb85adf7. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Testfamilie: IOI
Programmieren · Mittleres Rangperzentil der Familie: 45,5 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 100 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-ioi
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  0,71 %
  Rohwert:
  53,833 %
  Messgröße:
  accuracy
  Version:
  2
  Teilnehmende Modelle:
  34
  Rangperzentil innerhalb der Kohorte:
  45,5 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-ioi:2:overall
  Reasoning-Stufe:
  xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-ioi:2:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000
  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: 2026-10-14. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 1791.685. Standardfehler: 6.312. Kosten je Aufgabe in USD: 2.68083. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-ioi-2026-10-15-e1545b21b5b5. Prüfsumme der Quelldaten: e1545b21b5b5c98d037aefa9d441b65859d07a10550f242d0e16162a49b8e8ab. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Testfamilie: LiveCodeBench v6
Programmieren · Mittleres Rangperzentil der Familie: 83,1 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 100 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-lcb
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  0,71 %
  Rohwert:
  87,313 %
  Messgröße:
  accuracy
  Version:
  1
  Teilnehmende Modelle:
  78
  Rangperzentil innerhalb der Kohorte:
  83,1 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-lcb:1:overall
  Reasoning-Stufe:
  xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-lcb:1:overall
  Datensatztyp:
  public
  Setup- und Modellparameter
  Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000
  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: 2026-09-01. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 132.631. Standardfehler: 0.968. Kosten je Aufgabe in USD: 0.091585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Testfamilie: Vibe Code Bench v1.1
Programmieren · Mittleres Rangperzentil der Familie: 52,8 / 100
Gewicht der Familie im festen Testpanel (informativ): 0,71 % · Abdeckung dieser Testfamilie: 100 %
- Vals AI
  Veröffentlichte Konfigurationen unterscheiden sich in dieser Kohorte.
  Einzelmessung:
  vals-vibe-code-bench
  Gewicht der Messreihe innerhalb der Testfamilie:
  100 %
  Nominaler Beitrag zum Gesamtpanel:
  0,71 %
  Rohwert:
  61,767 %
  Messgröße:
  accuracy
  Version:
  1.1
  Teilnehmende Modelle:
  73
  Rangperzentil innerhalb der Kohorte:
  52,8 %
  Abgerufen:
  2026-10-15
  Vergleichskohorte:
  vals-vibe-code-bench:1.1:overall
  Reasoning-Stufe:
  xhigh
  Dokumentierter Vergleichsaufbau
  Publikationskohorte:
  vals-vibe-code-bench:1.1:overall
  Datensatztyp:
  private
  Harness:
  OpenHands
  Setup- und Modellparameter
  Harness: OpenHands. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000
  Kennung des Quellmodells: openai/gpt-5.3-codex. Name des Quellmodells: GPT-5.3-Codex. Anbieter laut Quelle: OpenAI. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2026-10-12. Harness: OpenHands. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 4548.115. Standardfehler: 4.714. Kosten je Aufgabe in USD: 11.914536. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-vibe-code-2026-10-15-59a78d2bab11. Prüfsumme der Quelldaten: 59a78d2bab1196accf0345adffb2b281d01f2520db9ed2e61fd6ab9c2e98221f. Parserversion: vals-astro-v3. Importiert am: 2026-10-15

Benchmarkquellen im Überblick

Jeder Auswerter misst andere Fähigkeiten unter eigenen Bedingungen. Testreihen, Gesamtindizes und ihre Komponenten bleiben getrennt. Die Ergebnisse darunter behalten ihre Skalen, Konfigurationen und Quelldaten.

Auswerter	Testreihen	Erfasste aktive Messwerte
Artificial Analysis	3	10
Vals AI	5	18
METR	1	2

Die Abdeckung ist keine Qualitätsrangliste. Überschneidende Tests und mehrere Einstellungen zählen nicht als unabhängige Versuche. Herstellerangaben, historische und strittige Ergebnisse bleiben außerhalb dieser Übersicht und sind in den Detailbelegen gekennzeichnet.

Bei 6 Messwerten dieser Quellen ist die Zuordnung zu einer Testreihe noch offen. Sie erhöhen die Zahl der Testreihen nicht.

Veröffentlichte Benchmarks

Agentenaufgaben

METR Time Horizon

Aufgabenlänge nach menschlicher Bearbeitungszeit, bei der ein Modell-Agent 50 oder 80 Prozent Erfolgswahrscheinlichkeit erreicht. Die Minuten bezeichnen menschliche Aufgabenzeit, nicht Modelllaufzeit. Werte oberhalb von 16 Stunden sind laut METR unzuverlässig.

Teilaufgabe	GPT-5.3-Codex (Dieses Modell)	Gemini 3.1 Pro Preview	GPT-5	o3
50% time horizon	349,53	384,15 (bester Wert dieser Zeile)	203,01	119,73
80% time horizon	54,74	89,8 (bester Wert dieser Zeile)	38,31	29,98

Einheit: Minutenhöhere Werte sind besserStand 26. August 2026Quelle: METRBalken je Zeile skaliert, nicht über Zeilen hinweg

Programmieren

LiveCodeBench v6

Teilaufgabe	GPT-5.3-Codex (Dieses Modell)	GPT-5.4	GPT-5.5	GPT-5.4 mini	GPT-5.6 Terra
Easy	99,07 % (bester Wert dieser Zeile)	99,07 % (bester Wert dieser Zeile)	98,45 %	97,83 %	97,21 %
Hard	75,14 % (bester Wert dieser Zeile)	67,71 %	69,71 %	61,71 %	72,86 %
Medium	87,73 % (bester Wert dieser Zeile)	85,64 %	87,73 % (bester Wert dieser Zeile)	84,86 %	87,73 % (bester Wert dieser Zeile)
Overall	87,31 % (bester Wert dieser Zeile)	84,14 %	85,3 %	81,47 %	85,93 %

höhere Werte sind besserStand 15. Oktober 2026Quelle: Vals AIBalken je Zeile skaliert, nicht über Zeilen hinweg

Methodik und Einordnung

Messgröße: accuracy

SWE-bench Verified

Teilaufgabe	GPT-5.3-Codex (Dieses Modell)	GPT-5.5	GPT-5.4	GPT-5.4 mini
<15 min fix	90,21 %	91,75 % (bester Wert dieser Zeile)	88,14 %	85,57 %
>4 hours	33,33 %	66,67 % (bester Wert dieser Zeile)	0 %	0 %
1-4 hours	54,76 % (bester Wert dieser Zeile)	50 %	50 %	33,33 %
15 min - 1 hour	73,18 %	81,23 % (bester Wert dieser Zeile)	76,25 %	70,88 %
Overall	78 %	82,6 % (bester Wert dieser Zeile)	78,2 %	73 %

höhere Werte sind besserStand 15. Oktober 2026Quelle: Vals AIBalken je Zeile skaliert, nicht über Zeilen hinweg

Methodik und Einordnung

Messgröße: accuracy

Dokumentierte Messdetails

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: 2026-10-15
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: 2026-10-15
Vergleichsmethodik: Triframe-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.

Quelle METR

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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
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: 2026-10-15
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: 2026-09-01. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 132.631. Standardfehler: 0.968. Kosten je Aufgabe in USD: 0.091585. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-10-15-1a7c7dabc9d9. Prüfsumme der Quelldaten: 1a7c7dabc9d95a0182886b1edc42623987cac2095a0d407a5e334f37acdfa2f5. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
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: 2026-10-15
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: 2026-09-01. 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-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

SWE-bench Verified: 15 min - 1 hour (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 73.18
Bewertung: 73.18
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: 15 min - 1 hour
Aufgabenbezeichnung: 15 min - 1 hour
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:15 min - 1 hour
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-10-15
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: 2026-09-01. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 264.025. Standardfehler: 2.748. Kosten je Aufgabe in USD: 0.479692. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

SWE-bench Verified: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 78
Bewertung: 78
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-10-15
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: 2026-09-01. Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000. Latenz in Sekunden: 246.527. Standardfehler: 1.854. Kosten je Aufgabe in USD: 0.455384. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-10-15-7a4e2e848528. Prüfsumme der Quelldaten: 7a4e2e8485283caac500127419f68ec4bd5414c837ade114fc6afa5b2d34ccaa. Parserversion: vals-astro-v3. Importiert am: 2026-10-15
Vergleichsmethodik: Reasoning-Stufe: xhigh. Maximale Ausgabetoken: 128000

Quelle Vals AI

Seite 1 von 4

Vorgänger und Nachfolger

Quellen und Datenstand

Art	Nachweis und Datenstand
Geschwindigkeit	OpenAI, xhigh effort. Ausgabetempo nach dem ersten empfangenen Textabschnitt, nicht die gesamte Antwortzeit. Abgerufen am 8. September 2026. Quelle: Artificial Analysis · Artificial Analysis (abgerufen 8. September 2026)Messmethode der Geschwindigkeit
Preis	API-Basispreise ohne Cache- oder Batch-Rabatt. Höhere Kontextstufen und weitere Tarife stehen unter Kosten. Quelle: Preise · API-Preise
Eingabe	Dokumentierte Modalitäten. Abgerufen am 8. September 2026. Quelle: Modelldokumentation · Wissensstand-Daten (abgerufen 8. September 2026) · GPT-5.3-Codex API model documentation · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Ausgabe	Dokumentierte Modalitäten. Abgerufen am 8. September 2026. Quelle: Modelldokumentation · Wissensstand-Daten (abgerufen 8. September 2026) · GPT-5.3-Codex API model documentation · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Recherchestand	Recherchestand 8. September 2026. 3 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
In den geprüften Quellen nicht gefunden	parameters-billions Originalwortlaut OpenAI does not publish parameter counts.
In den geprüften Quellen nicht gefunden	independent-benchmarks Originalwortlaut No independent evaluator row was added in this official-source pass.
Weitere Quelle	Modellmetadaten (abgerufen 8. September 2026) · Introducing GPT-5.3-Codex · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere Quelle	Provider model lifecycle (abgerufen 2. Oktober 2026) · OpenAI API deprecations · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere Quelle	Artificial Analysis (abgerufen 19. Oktober 2026)
Weitere Quelle	Artificial Analysis (abgerufen 19. Oktober 2026)
Weitere Quelle	Artificial Analysis (abgerufen 19. Oktober 2026)
Weitere Quelle	METR (abgerufen 26. August 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	Vals AI (abgerufen 15. Oktober 2026)
Weitere Quelle	OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Ollama: kumulierte Downloads für den Beliebtheitsindex
Weitere Quelle	Replicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere Quelle	Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere Quelle	Creative Commons Attribution 4.0

GPT-5.3-Codex

Technische Daten und Zugang

Gesamt- und Bereichsscores

Gesamtindex

Programmieren

Allgemein

Multimodal

Testfamilie: IFBench

Testfamilie: MMMU-Pro

Testfamilie: SWE-bench Verified

Testfamilie: Terminal-Bench

Testfamilie: IOI

Testfamilie: LiveCodeBench v6

Testfamilie: Vibe Code Bench v1.1

Benchmarkquellen im Überblick

Veröffentlichte Benchmarks

Agentenaufgaben

METR Time Horizon

Programmieren

LiveCodeBench v6

SWE-bench Verified

Dokumentierte Messdetails

Unsere Tests

SVG-Kurztest

GPT-5.3-Codex

Pelikan auf dem Fahrrad

Beliebtheit

Veröffentlichte Preise

Vorgänger und Nachfolger

Quellen und Datenstand