Direktvergleich

Claude Opus 4.8 vs. Mistral Large 3

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

gemeinsame Messreihen: 132
verschiedene Benchmark-Messgrößen: 14
jüngster Abruf: 16.10.2026

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 4.8 und Mistral Large 3
Merkmal	Claude Opus 4.8	Mistral Large 3
Anbieter	Anthropic	Mistral AI
Erschienen	Mai 2026	2. Dez. 2025
Verfügbarkeit	Legacy	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	675 Mrd., 41 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.000.000 Token	262.144 Token
Wissensstand	Januar 2026	Nicht veröffentlicht
Technische Quellen	Modell, Wissensstand	Modell, Kontext

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 4.8 und Mistral Large 3
Preisart	Claude Opus 4.8	Mistral Large 3
API-Eingabe	5 $	0,5 $
API-Ausgabe	25 $	1,5 $
Cache lesen	0,5 $	Nicht ausgewiesen
Cache schreiben (5 Min.)	6,25 $	Nicht ausgewiesen
Cache schreiben (1 Std.)	10 $	Nicht ausgewiesen
Preis geprüft	22.09.2026 Quelle	22.09.2026 Quelle

Claude Opus 4.8Mistral Large 3

API-EingabeUSD pro 1 Mio. Token, Basistarif

Claude Opus 4.85 $

Mistral Large 30,5 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Claude Opus 4.825 $

Mistral Large 31,5 $

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.

Für Claude Opus 4.8 ist im gespeicherten OpenRouter-Stand kein Anbietertarif verfügbar. Der offizielle Direktpreis wird trotzdem angezeigt.

Anbieterpreise von Claude Opus 4.8 und Mistral Large 3
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Claude Opus 4.8	Anthropic	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 5 $	Günstigster erfasster Preis: 25 $	Quelle22.09.2026
Mistral Large 3	Mistral AI	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 0,5 $	Günstigster erfasster Preis: 1,5 $	Quelle22.09.2026
	Mistral	Über OpenRoutermistral/eu	0,55 $	1,65 $	Quelle26.10.2026
	Mistral	Über OpenRoutermistral/zdr	Günstigster erfasster Preis: 0,5 $	Günstigster erfasster Preis: 1,5 $	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 4.8

Gesamtindex

57,0

Mistral Large 3

Gesamtindex

unter 1

Claude Opus 4.8 liegt in 10 von 10 gemeinsamen Bereichen vorn.

Bereich	Claude Opus 4.8	Mistral Large 3
Programmieren	55,3	unter 1
Schlussfolgern	46,2	unter 1
Wissen	65,6	unter 1
Agenten	56,7	unter 1
Allgemein	45,3	unter 1
Finanzen	65,0	unter 1
Recht	57,4	unter 1
Gesundheit	67,8	unter 1
Multimodal	55,0	unter 1
Bildung	71,1	unter 1

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.

Claude Opus 4.8

Mistral Large 3

Coding: 100 / 88,3 (2 Benchmarkfamilien)

Reasoning: 100 / 95 (1 Benchmarkfamilie)

Mathematik: 100 / 94,9 (1 Benchmarkfamilie)

Wissen: 100 / 94,5 (1 Benchmarkfamilie)

Finanzen: 100 / 94,9 (1 Benchmarkfamilie)

Recht: 100 / 94,9 (1 Benchmarkfamilie)

Multimodal: 100 / 93,3 (1 Benchmarkfamilie)

Gesundheit: 100 / 95,6 (1 Benchmarkfamilie)

40 passende Messreihen aus 3 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 9 vergleichbaren Kategorien.

Claude Opus 4.8Mistral Large 3

CorpFin v2Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.866,706 %

Mistral Large 361,033 %

GPQA DiamondOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.892,424 %

Mistral Large 368,434 %

LegalBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.883,568 %

Mistral Large 379,138 %

LiveCodeBench v6Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.887,819 %

Mistral Large 355,337 %

LMArena Code Arena WebDevOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.81.536,177

Mistral Large 31.230,205

LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.81.474,319

Mistral Large 31.414,247

LMArena Vision, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Claude Opus 4.81.278,955

Mistral Large 31.199,757

MMLU-ProOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.889,585 %

Mistral Large 379,823 %

MMMU-ProOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.886,59 %

Mistral Large 366,185 %

MortgageTaxOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.869,912 %

Mistral Large 352,106 %

SAGEOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.854,788 %

Mistral Large 324,595 %

SWE-bench VerifiedOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Opus 4.888,6 %

Mistral Large 341,4 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Claude Opus 4.8 und Mistral Large 3
Benchmark und Aufgabe	Claude Opus 4.8	Mistral Large 3	Quelle
CorpFin v2Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert66,706 %	61,033 %	Vals AI Quellendetails Datenstand: 12.08.2026
GPQA DiamondOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,424 %	68,434 %	Vals AI Quellendetails Datenstand: 01.09.2026
LegalBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert83,568 %	79,138 %	Vals AI Quellendetails Datenstand: 13.10.2026
LiveCodeBench v6Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert87,819 %	55,337 %	Vals AI Quellendetails Datenstand: 01.09.2026
LMArena Code Arena WebDevOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 17.454 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Gewinner1.536,177 95-%-Konfidenzintervall: ±5,702Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.230,205 95-%-Konfidenzintervall: ±25,485Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 65.172 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 84.205 veröffentlichten Paarvergleichen.	Gewinner1.474,319 95-%-Konfidenzintervall: ±3,846Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.414,247 95-%-Konfidenzintervall: ±2,861Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 18.852 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 8.643 veröffentlichten Paarvergleichen.	Gewinner1.278,955 95-%-Konfidenzintervall: ±6,534Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.199,757 95-%-Konfidenzintervall: ±7,981Der 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-ProOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert89,585 %	79,823 %	Vals AI Quellendetails Datenstand: 01.09.2026
MMMU-ProOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert86,59 %	66,185 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert69,912 %	52,106 %	Vals AI Quellendetails Datenstand: 01.09.2026
SAGEOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens Mistral Large 3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert54,788 %	24,595 %	Vals AI Quellendetails Datenstand: 08.10.2026
SWE-bench VerifiedOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert88,6 %	41,4 %	Vals AI Quellendetails Datenstand: 01.09.2026
TaxEval v2Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert75,634 %	73,058 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.0Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert70,037 %	8,989 %	Vals AI Quellendetails Datenstand: 04.06.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert64,336 %	59,79 %	Vals AI Quellendetails Datenstand: 12.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert91,919 %	64,141 %	Vals AI Quellendetails Datenstand: 01.09.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert88,937 %	81,032 %	Vals AI Quellendetails Datenstand: 13.10.2026
LiveCodeBench v6Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert99,068 %	95,342 %	Vals AI Quellendetails Datenstand: 01.09.2026
LMArena Code Arena WebDevOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 18.540 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Höherer Messwert1.555,99 95-%-Konfidenzintervall: ±5,768Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.230,205 95-%-Konfidenzintervall: ±25,485Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 64.100 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 84.205 veröffentlichten Paarvergleichen.	Höherer Messwert1.481,495 95-%-Konfidenzintervall: ±3,868Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.414,247 95-%-Konfidenzintervall: ±2,861Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 18.341 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 8.643 veröffentlichten Paarvergleichen.	Höherer Messwert1.285,632 95-%-Konfidenzintervall: ±6,5Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.199,757 95-%-Konfidenzintervall: ±7,981Der 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 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert94,7 %	88,563 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert79,73 %	50 %	Vals AI Quellendetails Datenstand: 01.09.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens Mistral Large 3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert41,666 %	11,905 %	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 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,784 %	56,186 %	Vals AI Quellendetails Datenstand: 01.09.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert64,513 %	61,57 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.0Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert91,667 %	50 %	Vals AI Quellendetails Datenstand: 04.06.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert69,814 %	63,753 %	Vals AI Quellendetails Datenstand: 12.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,929 %	72,727 %	Vals AI Quellendetails Datenstand: 01.09.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert82,703 %	76,594 %	Vals AI Quellendetails Datenstand: 13.10.2026
LiveCodeBench v6Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert74,571 %	17,143 %	Vals AI Quellendetails Datenstand: 01.09.2026
LMArena Code Arena WebDevWebdev Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 17.454 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Gewinner1.536,177 95-%-Konfidenzintervall: ±5,702Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.230,205 95-%-Konfidenzintervall: ±25,485Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 12.774 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 15.657 veröffentlichten Paarvergleichen.	Gewinner1.486,109 95-%-Konfidenzintervall: ±6,333Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.410,175 95-%-Konfidenzintervall: ±5,349Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlChinese Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 1.131 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 540 veröffentlichten Paarvergleichen.	Gewinner1.334,517 95-%-Konfidenzintervall: ±19,635Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.211,728 95-%-Konfidenzintervall: ±27,072Der 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 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,649 %	84,664 %	Vals AI Quellendetails Datenstand: 01.09.2026
MortgageTaxSemantic Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert60,095 %	54,213 %	Vals AI Quellendetails Datenstand: 01.09.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens Mistral Large 3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert78,253 %	44,419 %	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 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert66,667 %	33,333 %	Vals AI Quellendetails Datenstand: 01.09.2026
TaxEval v2Stepwise Reasoning Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert86,754 %	84,546 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.0Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert54,444 %	0 %	Vals AI Quellendetails Datenstand: 04.06.2026
CorpFin v2Shared Max Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert65,967 %	59,557 %	Vals AI Quellendetails Datenstand: 12.08.2026
LegalBenchIssue Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert87,834 %	81,006 %	Vals AI Quellendetails Datenstand: 13.10.2026
LiveCodeBench v6Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert89,817 %	53,525 %	Vals AI Quellendetails Datenstand: 01.09.2026
LMArena Code Arena WebDevWebdev Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 18.540 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Höherer Messwert1.555,99 95-%-Konfidenzintervall: ±5,768Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.230,205 95-%-Konfidenzintervall: ±25,485Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 12.750 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 15.657 veröffentlichten Paarvergleichen.	Höherer Messwert1.488,758 95-%-Konfidenzintervall: ±6,371Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.410,175 95-%-Konfidenzintervall: ±5,349Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 1.024 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 540 veröffentlichten Paarvergleichen.	Höherer Messwert1.332,781 95-%-Konfidenzintervall: ±20,343Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.211,728 95-%-Konfidenzintervall: ±27,072Der 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-ProChemistry Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,845 %	84,982 %	Vals AI Quellendetails Datenstand: 01.09.2026
SAGEPartial Differential Equations Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens Mistral Large 3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert44,444 %	17,46 %	Vals AI Quellendetails Datenstand: 08.10.2026
SWE-bench Verified1-4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert73,81 %	4,762 %	Vals AI Quellendetails Datenstand: 01.09.2026
Terminal-Bench 2.0Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert76,97 %	10,909 %	Vals AI Quellendetails Datenstand: 04.06.2026
LegalBenchRhetoric Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert78,389 %	77,926 %	Vals AI Quellendetails Datenstand: 13.10.2026
LMArena Code Arena WebDevWebdev-html Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 2.434 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Gewinner1.524,579 95-%-Konfidenzintervall: ±12,803Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.238,427 95-%-Konfidenzintervall: ±26,132Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlChinese Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 4.397 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 6.405 veröffentlichten Paarvergleichen.	Gewinner1.524,914 95-%-Konfidenzintervall: ±9,61Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.432,412 95-%-Konfidenzintervall: ±7,886Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlCreative writing vision Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 1.394 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 807 veröffentlichten Paarvergleichen.	Gewinner1.280,145 95-%-Konfidenzintervall: ±16,809Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.196,146 95-%-Konfidenzintervall: ±22,467Der 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-ProComputer Science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert92,683 %	83,171 %	Vals AI Quellendetails Datenstand: 01.09.2026
SWE-bench Verified15 min - 1 hour Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert88,123 %	36,398 %	Vals AI Quellendetails Datenstand: 01.09.2026
LegalBenchRule Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert79,976 %	79,13 %	Vals AI Quellendetails Datenstand: 13.10.2026
LMArena Code Arena WebDevWebdev-html Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Code Arena WebDev Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Code Arena WebDevClaude Opus 4.8: Arena-Bewertung aus 2.269 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 839 veröffentlichten Paarvergleichen.	Höherer Messwert1.543,179 95-%-Konfidenzintervall: ±13,758Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.238,427 95-%-Konfidenzintervall: ±26,132Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 4.372 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 6.405 veröffentlichten Paarvergleichen.	Höherer Messwert1.525,992 95-%-Konfidenzintervall: ±9,609Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.432,412 95-%-Konfidenzintervall: ±7,886Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlCreative writing vision Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8-high, Reasoning: high, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 1.396 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 807 veröffentlichten Paarvergleichen.	Höherer Messwert1.288,42 95-%-Konfidenzintervall: ±16,853Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.196,146 95-%-Konfidenzintervall: ±22,467Der 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-ProEconomics Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert91,825 %	85,782 %	Vals AI Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlCoding Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Text, style controlClaude Opus 4.8: Arena-Bewertung aus 18.069 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 21.177 veröffentlichten Paarvergleichen.	Gewinner1.529,229 95-%-Konfidenzintervall: ±5,786Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.470,674 95-%-Konfidenzintervall: ±4,773Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 15.10.2026
LMArena Vision, Style ControlDiagram Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Opus 4.8: Snapshot: claude-opus-4-8, Harness: Arena Vision, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena Vision, style controlClaude Opus 4.8: Arena-Bewertung aus 4.942 veröffentlichten Paarvergleichen.Mistral Large 3: Arena-Bewertung aus 2.169 veröffentlichten Paarvergleichen.	Gewinner1.305,338 95-%-Konfidenzintervall: ±9,53Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.235,106 95-%-Konfidenzintervall: ±13,517Der 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-ProEngineering Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.8: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Mistral Large 3: Temperatur: 0.065, Ausgabegrenze: 256.000 tokens	Höherer Messwert87,719 %	74,923 %	Vals AI Quellendetails Datenstand: 01.09.2026
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 4.8

In dieser Runde nicht verfügbar

Mistral Large 3

API-Anfrage fehlgeschlagen. Das Modell wurde nicht bewertet.

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Claude Opus 4.8

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: anthropic/claude-opus-4.8
API-Modell laut Antwort: anthropic/claude-opus-4.8
Reasoning-Einstellung: high
Festgelegter Endpunkt: Anthropic | anthropic/claude-4.8-opus-20260528
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 18 s

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

Mistral Large 3

Reasoning (Modellstandard): kein Reasoning-Modus Quelle

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: mistralai/mistral-large-2512
API-Modell laut Antwort: mistralai/mistral-large-2512
Reasoning-Einstellung: nicht vorgegeben
Festgelegter Endpunkt: Mistral | mistralai/mistral-large-2512
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 14,2 s

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

Frühere Versuche (1)

07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: nicht vorgegeben

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 4.8 und Mistral Large 3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Claude Opus 4.8 vs. Mistral Large 3

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Benchmark-Index im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

Claude Opus 4.8

Mistral Large 3

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche