Direktvergleich

Claude Opus 4.7 vs. GPT-5.6 Luna

Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.

gemeinsame Messreihen: 191
verschiedene Benchmark-Messgrößen: 26
jüngster Abruf: 19.10.2026

Erstes ModellZweites Modell

Steckbrief

Allgemeine Daten

Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.

Allgemeine Daten von Claude Opus 4.7 und GPT-5.6 Luna
Merkmal	Claude Opus 4.7	GPT-5.6 Luna
Anbieter	Anthropic	OpenAI
Erschienen	Apr. 2026	9. Juli 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.000.000 Token	1.050.000 Token
Wissensstand	Januar 2026	16. Februar 2026
Technische Quellen	Modell, Wissensstand	Modell, Kontext, Wissensstand

Kosten

API-Preise im Vergleich

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.

API-Preise von Claude Opus 4.7 und GPT-5.6 Luna
Preisart	Claude Opus 4.7	GPT-5.6 Luna
API-Eingabe	5 $	0,2 $ ≤272K / 0,4 $ >272K
API-Ausgabe	25 $	1,2 $ ≤272K / 1,8 $ >272K
Cache lesen	0,5 $	0,02 $ ≤272K / 0,04 $ >272K
Cache schreiben (5 Min.)	6,25 $	0,25 $ ≤272K / 0,5 $ >272K
Cache schreiben (1 Std.)	10 $	Nicht ausgewiesen
Preis geprüft	22.09.2026 Quelle	22.09.2026 Quelle

Claude Opus 4.7GPT-5.6 Luna

API-EingabeUSD pro 1 Mio. Token, Basistarif

Claude Opus 4.75 $

GPT-5.6 Luna0,2 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Claude Opus 4.725 $

GPT-5.6 Luna1,2 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Claude Opus 4.70,5 $

GPT-5.6 Luna0,02 $

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.

Anbieterpreise von Claude Opus 4.7 und GPT-5.6 Luna
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Claude Opus 4.7	Anthropic	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle22.09.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/eu-west-1	5,5 $	27,5 $	Quelle26.10.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/global	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle26.10.2026
	Anthropic	Über OpenRouteranthropic	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle26.10.2026
	Azure	Über OpenRouterazure/global	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle26.10.2026
	Claude Platform on AWS	Über OpenRouterclaude-on-aws	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle26.10.2026
	Google	Über OpenRoutergoogle-vertex/europe	5,5 $	27,5 $	Quelle26.10.2026
	Google	Über OpenRoutergoogle-vertex/global	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle26.10.2026
	Google	Über OpenRoutergoogle-vertex/us	5,5 $	27,5 $	Quelle26.10.2026
GPT-5.6 Luna	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	0,2 $	1,2 $	Quelle22.09.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	0,4 $	1,8 $	Quelle22.09.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	0,22 $	1,32 $	Quelle26.10.2026
	Azure	Über OpenRouterazure	0,2 $	1,2 $	Quelle26.10.2026
	Azure	Über OpenRouterazure/eu	0,22 $	1,32 $	Quelle26.10.2026
	Azure	Über OpenRouterazure/us	0,22 $	1,32 $	Quelle26.10.2026
	OpenAI	Über OpenRouteropenai	0,2 $	1,2 $	Quelle26.10.2026
	OpenAI	Über OpenRouteropenai/fast	0,4 $	2,4 $	Quelle26.10.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 0,1 $	Günstigster erfasster Preis: 0,6 $	Quelle26.10.2026

Benchmark-Index

Benchmark-Index im Vergleich

Der Index fasst unabhängige Benchmarks auf einer Skala von 0 bis 100 zusammen. Ein Vorsprung zählt erst, wenn ein Modell in mindestens 95 % von 200 Neuberechnungen mit zufällig neu gezogenen Testfamilien vorn liegt. Sonst gelten beide als gleichauf.

Zur KI-Bestenliste

Claude Opus 4.7

Gesamtindex

54,2

GPT-5.6 Luna

Gesamtindex

36,2

Claude Opus 4.7 liegt in 5 von 9 gemeinsamen Bereichen vorn. In 4 Bereichen liegen beide gleichauf.

Bereich	Claude Opus 4.7	GPT-5.6 Luna
Programmierengleichauf	38,9	43,1
Schlussfolgerngleichauf	46,3	51,1
Wissen	59,6	15,3
Agenten	72,2	47,6
Finanzengleichauf	52,2	52,8
Recht	55,6	29,8
Gesundheitgleichauf	61,3	34,5
Multimodal	47,9	28,3
Bildung	69,8	37,4

Leistung

Gemeinsame Benchmarks

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.

Nicht genug direkt vergleichbare Kategorien für ein belastbares Radar

Nur 4 von mindestens 5 Kategorien enthalten direkt vergleichbare Modellmessungen. Die Benchmarktabellen darunter zeigen die vorhandenen Belege, ohne fehlende Achsen aufzufüllen.

Claude Opus 4.7GPT-5.6 Luna

AA-Omniscience AccuracyOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.748,9 %

GPT-5.6 Luna42,7 %

AA-Omniscience Hallucination RateOverall. Weniger ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.742,3 %

GPT-5.6 Luna92,6 %

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.743,878 %

GPT-5.6 Luna44,55 %

CorpFin v2Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.766,084 %

GPT-5.6 Luna64,219 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.763,728 %

GPT-5.6 Luna67,116 %

Finance Agent (v2)Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.751,509 %

GPT-5.6 Luna55,044 %

GPQA DiamondOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.790,152 %

GPT-5.6 Luna91,666 %

Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.76,667 %

GPT-5.6 Luna1,25 %

ITBench-AA (SRE)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.746,7 %

GPT-5.6 Luna40,3 %

Legal Research BenchOverall · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.738,462 %

GPT-5.6 Luna36,538 %

LegalBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.785,251 %

GPT-5.6 Luna84,034 %

LMArena Vision, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.71.298,22

GPT-5.6 Luna1.257,662

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Claude Opus 4.7 und GPT-5.6 Luna
Benchmark und Aufgabe	Claude Opus 4.7	GPT-5.6 Luna	Quelle
AA-Omniscience AccuracyOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: AA Omniscience diagnosticMessgröße: AA-Omniscience AccuracyBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: Claude Opus 4.7 (Max), Reasoning: Max, Versuche: AA-reported aggregate; diagnostic-specific run count is not stated on the leaderboard GPT-5.6 Luna: Snapshot: GPT-5.6 Luna (Max), Reasoning: Max, Versuche: AA-reported aggregate; diagnostic-specific run count is not stated on the leaderboardClaude Opus 4.7: Exakte AA-Konfiguration: Claude Opus 4.7 (Max) (Release claude-opus-4-7, Zeile claude-opus-4-7, UUID e9a09db3-8fd6-41dd-ba2f-20e0a2bff7f2, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Anteil der insgesamt korrekt beantworteten Fragen, unabhängig davon, ob das Modell andere Fragen beantwortet oder sich enthält.GPT-5.6 Luna: Exakte AA-Konfiguration: GPT-5.6 Luna (Max) (Release gpt-5-6-luna, Zeile gpt-5-6-luna, UUID 426d24c8-49ae-482a-b4a8-20f1c53f21c1, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Anteil der insgesamt korrekt beantworteten Fragen, unabhängig davon, ob das Modell andere Fragen beantwortet oder sich enthält.	Gewinner48,9 % Dies ist die separat veröffentlichte Genauigkeitsdiagnostik, nicht der AA-Omniscience-Index. AA bezeichnet höhere Werte als besser.	42,7 % Dies ist die separat veröffentlichte Genauigkeitsdiagnostik, nicht der AA-Omniscience-Index. AA bezeichnet höhere Werte als besser.	Artificial Analysis Quellendetails Datenstand: 19.10.2026
AA-Omniscience Hallucination RateOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: AA Omniscience diagnosticMessgröße: AA-Omniscience Hallucination RateBewertung: Weniger ist besserClaude Opus 4.7: Snapshot: Claude Opus 4.7 (Max), Reasoning: Max, Versuche: AA-reported aggregate; diagnostic-specific run count is not stated on the leaderboard GPT-5.6 Luna: Snapshot: GPT-5.6 Luna (Max), Reasoning: Max, Versuche: AA-reported aggregate; diagnostic-specific run count is not stated on the leaderboardClaude Opus 4.7: Exakte AA-Konfiguration: Claude Opus 4.7 (Max) (Release claude-opus-4-7, Zeile claude-opus-4-7, UUID e9a09db3-8fd6-41dd-ba2f-20e0a2bff7f2, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Anteil falscher Antworten an allen nicht korrekten Antworten: falsch / (falsch + teilweise richtig + nicht beantwortet).GPT-5.6 Luna: Exakte AA-Konfiguration: GPT-5.6 Luna (Max) (Release gpt-5-6-luna, Zeile gpt-5-6-luna, UUID 426d24c8-49ae-482a-b4a8-20f1c53f21c1, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. Anteil falscher Antworten an allen nicht korrekten Antworten: falsch / (falsch + teilweise richtig + nicht beantwortet).	Gewinner42,3 % Dies ist die separat veröffentlichte Halluzinationsraten-Diagnostik, nicht der AA-Omniscience-Index. AA bezeichnet niedrigere Werte als besser.	92,6 % Dies ist die separat veröffentlichte Halluzinationsraten-Diagnostik, nicht der AA-Omniscience-Index. AA bezeichnet niedrigere Werte als besser.	Artificial Analysis Quellendetails Datenstand: 19.10.2026
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	43,878 %	Höherer Messwert44,55 %	Vals AI Quellendetails Datenstand: 12.10.2026
CorpFin v2Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert66,084 %	64,219 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	63,728 %	Höherer Messwert67,116 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	51,509 %	Höherer Messwert55,044 %	Vals AI Quellendetails Datenstand: 12.10.2026
GPQA DiamondOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	90,152 %	Höherer Messwert91,666 %	Vals AI Quellendetails Datenstand: 01.09.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert6,667 %	1,25 %	Vals AI Quellendetails Datenstand: 12.10.2026
ITBench-AA (SRE)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: AA cohort: 59 tasksMessgröße: Average precision at full recallBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: Claude Opus 4.7 (Max), Reasoning: Max, Agent: Stirrup agent, Harness: Artificial Analysis Stirrup, Versuche: Average precision at full recall, 3 repeats per task GPT-5.6 Luna: Snapshot: GPT-5.6 Luna (Max), Reasoning: Max, Agent: Stirrup agent, Harness: Artificial Analysis Stirrup, Versuche: Average precision at full recall, 3 repeats per taskClaude Opus 4.7: Exakte AA-Konfiguration: Claude Opus 4.7 (Max) (Release claude-opus-4-7, Zeile claude-opus-4-7, UUID e9a09db3-8fd6-41dd-ba2f-20e0a2bff7f2, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. 59 Kubernetes-Incidentaufgaben, davon 40 öffentliche und 19 private, mit drei Wiederholungen je Aufgabe. Ein Lauf erhält null, wenn eine tatsächliche Ursache fehlt, sonst die Präzision bei vollständigem Recall. Dies ist nur die SRE-Teilmenge von ITBench.GPT-5.6 Luna: Exakte AA-Konfiguration: GPT-5.6 Luna (Max) (Release gpt-5-6-luna, Zeile gpt-5-6-luna, UUID 426d24c8-49ae-482a-b4a8-20f1c53f21c1, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch. 59 Kubernetes-Incidentaufgaben, davon 40 öffentliche und 19 private, mit drei Wiederholungen je Aufgabe. Ein Lauf erhält null, wenn eine tatsächliche Ursache fehlt, sonst die Präzision bei vollständigem Recall. Dies ist nur die SRE-Teilmenge von ITBench.	Gewinner46,7 % Die AA-Implementierung deckt hier nur Site Reliability Engineering ab, nicht die weiteren ITBench-Domänen CISO und FinOps.	40,3 % Die AA-Implementierung deckt hier nur Site Reliability Engineering ab, nicht die weiteren ITBench-Domänen CISO und FinOps.	Artificial Analysis Quellendetails Datenstand: 19.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert38,462 %	36,538 %	Vals AI Quellendetails Datenstand: 12.10.2026
LegalBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert85,251 %	84,034 %	Vals AI Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: claude-opus-4-7, Harness: Arena Vision, style control GPT-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena Vision, style controlClaude Opus 4.7: Arena-Bewertung aus 23.165 veröffentlichten Paarvergleichen.GPT-5.6 Luna: Arena-Bewertung aus 11.086 veröffentlichten Paarvergleichen.	Höherer Messwert1.298,22 95-%-Konfidenzintervall: ±6,602Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.257,662 95-%-Konfidenzintervall: ±7,463Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
MedCodeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens	Höherer Messwert54,858 %	42,391 %	Vals AI Quellendetails Datenstand: 13.10.2026
MedScribeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens	82,953 %	Höherer Messwert84,391 %	Vals AI Quellendetails Datenstand: 13.10.2026
MMLU-ProOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert89,871 %	86,036 %	Vals AI Quellendetails Datenstand: 01.09.2026
MMMU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: AA cohort: 1,730 questionsMessgröße: pass@1 accuracyBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: Claude Opus 4.7 (Max), Reasoning: Max, Versuche: pass@1, one run per question GPT-5.6 Luna: Snapshot: GPT-5.6 Luna (Max), Reasoning: Max, Versuche: pass@1, one run per questionClaude Opus 4.7: Exakte AA-Konfiguration: Claude Opus 4.7 (Max) (Release claude-opus-4-7, Zeile claude-opus-4-7, UUID e9a09db3-8fd6-41dd-ba2f-20e0a2bff7f2, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). 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.GPT-5.6 Luna: Exakte AA-Konfiguration: GPT-5.6 Luna (Max) (Release gpt-5-6-luna, Zeile gpt-5-6-luna, UUID 426d24c8-49ae-482a-b4a8-20f1c53f21c1, reasoning=true, source reasoning-token configuration budget=0, suffix=Max). 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.	Gewinner78,8 % Die Benchmarkseite nennt 3.460 Fragen für den vollständigen MMMU-Pro-Datensatz; die AA-Methodik beschreibt einen 1.730-Fragen-Lauf.	78,6 % Die Benchmarkseite nennt 3.460 Fragen für den vollständigen MMMU-Pro-Datensatz; die AA-Methodik beschreibt einen 1.730-Fragen-Lauf.	Artificial Analysis Quellendetails Datenstand: 19.10.2026
MMMU-ProOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert85,549 %	85,029 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert70,27 %	67,29 %	Vals AI Quellendetails Datenstand: 01.09.2026
ProgramBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens	Höherer Messwert56,103 %	44,22 %	Vals AI Quellendetails Datenstand: 08.10.2026
SWE-bench VerifiedOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	82 %	Höherer Messwert93 %	Vals AI Quellendetails Datenstand: 01.09.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	23,738 %	Höherer Messwert24,815 %	Vals AI Quellendetails Datenstand: 12.10.2026
TaxEval v2Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	75,266 %	Höherer Messwert76,166 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	68,539 %	Höherer Messwert79,026 %	Vals AI Quellendetails Datenstand: 28.09.2026
Vals Multimodal IndexOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: weighted index scoreBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	67,361 %	Höherer Messwert69,058 %	Vals AI Quellendetails Datenstand: 11.08.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 128.000 tokens	71,003 %	Höherer Messwert77,055 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	35,171 %	Höherer Messwert36,067 %	Vals AI Quellendetails Datenstand: 12.10.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert64,336 %	63,52 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert64,519 %	54,573 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	45,366 %	Höherer Messwert52,027 %	Vals AI Quellendetails Datenstand: 12.10.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	90,909 %	Höherer Messwert92,424 %	Vals AI Quellendetails Datenstand: 01.09.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert90,217 %	85,145 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	45,455 %	Höherer Messwert48,485 %	Vals AI Quellendetails Datenstand: 12.10.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert89,983 %	88,864 %	Vals AI Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: claude-opus-4-7-high, Reasoning: high, Harness: Arena Vision, style control GPT-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena Vision, style controlClaude Opus 4.7: Arena-Bewertung aus 22.733 veröffentlichten Paarvergleichen.GPT-5.6 Luna: Arena-Bewertung aus 11.086 veröffentlichten Paarvergleichen.	Höherer Messwert1.297,761 95-%-Konfidenzintervall: ±6,588Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.257,662 95-%-Konfidenzintervall: ±7,463Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
MMLU-ProBiology Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert94,561 %	93,305 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert78,696 %	75,596 %	Vals AI Quellendetails Datenstand: 01.09.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: almost-resolved rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert9,5 %	9 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens	Höherer Messwert43,65 %	31,35 %	Vals AI Quellendetails Datenstand: 08.10.2026
SWE-bench Verified<15 min fix Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	90,206 %	Höherer Messwert96,392 %	Vals AI Quellendetails Datenstand: 01.09.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	3,333 %	Höherer Messwert10 %	Vals AI Quellendetails Datenstand: 12.10.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	63,778 %	Höherer Messwert66,558 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert91,667 %	83,333 %	Vals AI Quellendetails Datenstand: 28.09.2026
Vals Multimodal IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert66,084 %	65,035 %	Vals AI Quellendetails Datenstand: 11.08.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger70 %	Kein direkter Sieger70 %	Vals AI Quellendetails Datenstand: 12.10.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert67,832 %	64,103 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	80,91 %	Höherer Messwert83,009 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	38,647 %	Höherer Messwert43,285 %	Vals AI Quellendetails Datenstand: 12.10.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	89,394 %	Höherer Messwert90,909 %	Vals AI Quellendetails Datenstand: 01.09.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	87,011 %	Höherer Messwert87,513 %	Vals AI Quellendetails Datenstand: 12.10.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert83,609 %	82,142 %	Vals AI Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.7: Snapshot: claude-opus-4-7, Harness: Arena Vision, style control GPT-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena Vision, style controlClaude Opus 4.7: Arena-Bewertung aus 1.505 veröffentlichten Paarvergleichen.GPT-5.6 Luna: Arena-Bewertung aus 633 veröffentlichten Paarvergleichen.	Höherer Messwert1.346,101 95-%-Konfidenzintervall: ±17,686Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.278,602 95-%-Konfidenzintervall: ±24,931Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
MMLU-ProBusiness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert93,283 %	91,001 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxSemantic Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert61,844 %	58,983 %	Vals AI Quellendetails Datenstand: 01.09.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens	Höherer Messwert75,926 %	64,506 %	Vals AI Quellendetails Datenstand: 08.10.2026
SWE-bench Verified>4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger66,667 %	Kein direkter Sieger66,667 %	Vals AI Quellendetails Datenstand: 01.09.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	57,642 %	Höherer Messwert61,219 %	Vals AI Quellendetails Datenstand: 12.10.2026
TaxEval v2Stepwise Reasoning Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert86,754 %	85,773 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.1Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	40 %	Höherer Messwert70 %	Vals AI Quellendetails Datenstand: 28.09.2026
Vals Multimodal IndexFinance Agent v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserClaude Opus 4.7: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	51,45 %	Höherer Messwert55,555 %	Vals AI Quellendetails Datenstand: 11.08.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert4,588 / 5	3,195 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
CorpFin v2Shared Max Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.7: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert66,084 %	65,035 %	Vals AI Quellendetails Datenstand: 12.08.2026
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Eigene Modelltests

Unsere Tests

SVG-Kurztest

Ein SVG-Prompt, feste Ausgabeparameter. Aufnahmen erscheinen nur bei gemeldeten 0 Reasoning-Tokens oder dokumentiert fehlender Reasoning-Steuerung. Gleiche Testbedingungen machen die interne Rechenleistung der Modelle nicht identisch.

Gemeinsame Testrunde: 43b8c5c46830

Claude Opus 4.7

In dieser Runde nicht verfügbar

GPT-5.6 Luna

In dieser Runde nicht verfügbar

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Claude Opus 4.7

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-5.6 Luna

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 07.09.2026
API-Anbieter: openrouter
Angefragtes API-Modell: openai/gpt-5.6-luna
API-Modell laut Antwort: openai/gpt-5.6-luna
Reasoning-Einstellung: high
Festgelegter Endpunkt: OpenAI | openai/gpt-5.6-luna-20260709
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 49,9 s

Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

So liest du den Vergleich

Ein Benchmark-Sieg ist kein Gesamturteil

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

Vergleiche Claude Opus 4.7 und GPT-5.6 Luna mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Claude Opus 4.7 vs. GPT-5.6 Luna

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Benchmark-Index im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

Claude Opus 4.7

GPT-5.6 Luna

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche