Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
36
verschiedene Benchmarks
26
jüngster Abruf
29.09.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Preise nach Anbieter
Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.
Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.
Fähigkeitsprofil aus vergleichbaren Benchmarks
Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: exact-match accuracyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: task success rateBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate consistencyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate consistencyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate predictabilityBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate predictabilityBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate reliabilityBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate reliabilityBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate robustnessBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate robustnessBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate safetyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.
Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate safetyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Eigene Modelltests
Unsere Tests
Vergleiche, wie die Modelle denselben Prompt umsetzen. Angezeigt wird jeweils der aktuellste Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Frühere Läufe bleiben in den Testdetails erreichbar. Die Ergebnisse fließen nicht in einen Gesamtscore ein.
Pelikan auf dem Fahrrad
Community-Klassiker für eine freie SVG-Zeichnung.
Claude Opus 4.7
Community-Klassiker für eine freie SVG-Zeichnung.
Reasoning (angefragt): high
Aktueller Versuch
Datum des Testlaufs
01.10.2026
API-Anbieter
openrouter
Angefragtes API-Modell
anthropic/claude-opus-4.7
API-Modell laut Antwort
anthropic/claude-opus-4.7
Reasoning-Einstellung
high
Festgelegter Endpunkt
Anthropic | anthropic/claude-4.7-opus-20260416
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Bestanden, keine Qualitätsbewertung
Antwortzeit
19,9 s
Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.
GPT-5.5
Community-Klassiker für eine freie SVG-Zeichnung.
Reasoning (angefragt): high
Aktueller Versuch
Datum des Testlaufs
01.10.2026
API-Anbieter
openrouter
Angefragtes API-Modell
openai/gpt-5.5
API-Modell laut Antwort
openai/gpt-5.5
Reasoning-Einstellung
high
Festgelegter Endpunkt
OpenAI | openai/gpt-5.5-20260423
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Bestanden, keine Qualitätsbewertung
Antwortzeit
25,9 s
Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.
Frühere Versuche (1)
07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.
Die Standardpreistabelle nutzt direkte Entwicklertarife. Der Anbieter-Vergleich kennzeichnet OpenRouter-Endpoints, Regionen und Sondertarife separat.
Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.
Weitere Duelle
Ähnliche LLM-Vergleiche
Vergleiche Claude Opus 4.7 und GPT-5.5 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
