Direktvergleich
Claude Sonnet 5 vs. GPT-5.4
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
170
gemeinsame Messreihen
18
verschiedene Benchmarks
16.08.2026
jüngster Abruf
Modellauswahl ändern
Steckbrief und Kosten
Allgemeine Daten und Standard-API-Preise
Nicht veröffentlichte Parameterzahlen oder Wissensstände bleiben als solche markiert. Die Tabelle zeigt direkte Standardtarife pro Token einschließlich hinterlegter Kontextstufen. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
| Merkmal | Claude Sonnet 5 | GPT-5.4 |
|---|---|---|
| Anbieter | Anthropic | OpenAI |
| Erschienen | 30. Juni 2026 | März 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 | 31. August 2025 |
| Technische Quellen | Modell, Kontext | Modell |
| API-Preise pro 1 Mio. Token | ||
| API-Eingabe | 2 $ | 2,5 $ ≤272K / 5 $ >272K |
| API-Ausgabe | 10 $ | 15 $ ≤272K / 22,5 $ >272K |
| Cache lesen | 0,2 $ | 0,25 $ ≤272K / 0,5 $ >272K |
| Cache schreiben (5 Min.) | 2,5 $ | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | 4 $ | Nicht ausgewiesen |
| Preis geprüft | 11.08.2026Quelle | 30.07.2026Quelle |
Claude Sonnet 5GPT-5.4
API-EingabeUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 52 $Günstiger
GPT-5.42,5 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 510 $Günstiger
GPT-5.415 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 50,2 $Günstiger
GPT-5.40,25 $
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.
170 gemeinsame Messreihen
Claude Sonnet 5GPT-5.4
Arena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 51.462,192 Arena-Punkte
GPT-5.41.465,439 Arena-PunkteHöherer Messwert
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 544,392 %Gewinner
GPT-5.434,984 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 566,977 %Gewinner
GPT-5.465,268 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 588,889 %
GPT-5.491,666 %Gewinner
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 55 %Gewinner
GPT-5.40 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 583,922 %
GPT-5.486,044 %Gewinner
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 582,429 %
GPT-5.484,141 %Gewinner
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 547,54 %Gewinner
GPT-5.441,292 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 576,054 %
GPT-5.477,549 %Gewinner
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 587,545 %Gewinner
GPT-5.487,482 %
MMMU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 583,006 %
GPT-5.487,514 %Gewinner
MortgageTaxOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Sonnet 570,032 %Gewinner
GPT-5.468,323 %
| Benchmark und Aufgabe | Claude Sonnet 5 | GPT-5.4 | Vergleichbarkeit | Quelle |
|---|---|---|---|---|
| Arena Text, Style ControlOverall | 1.462,192 Arena-Punkte 95-%-Konfidenzintervall: ±5,168Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.465,439 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±3,814Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:overallTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 23.138 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 63.759 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationOverall | 44,392 %Gewinner | 34,984 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-code-migration-2026-08-16-107652dc6bfcAbgerufen am 16.08.2026 |
| CorpFin v2Overall | 66,977 %Gewinner | 65,268 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-corp_fin_v2-2026-08-16-45bbf84f57abAbgerufen am 16.08.2026 |
| GPQA DiamondOverall | 88,889 % | 91,666 %Gewinner | 1accuracyMehr ist besserKohorte: vals-gpqa:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-gpqa-2026-08-16-7f8363eaa2dbAbgerufen am 16.08.2026 |
| Harvey's Legal Agent BenchmarkOverall · Task fully resolved | 5 %Gewinner | 0 % | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 14.08.2026Import-ID: vals-hlab-2026-08-16-bae90566df2fAbgerufen am 16.08.2026 |
| LegalBenchOverall | 83,922 % | 86,044 %Gewinner | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-legal_bench-2026-08-16-d5b3b1b2b5c8Abgerufen am 16.08.2026 |
| LiveCodeBench v6Overall | 82,429 % | 84,141 %Gewinner | 1accuracyMehr ist besserKohorte: vals-lcb:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-lcb-2026-08-16-17b9c147080dAbgerufen am 16.08.2026 |
| MedCodeOverall | 47,54 %Gewinner | 41,292 % | 1accuracyMehr ist besserKohorte: vals-medcode:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-medcode-2026-08-16-524f7f474eacAbgerufen am 16.08.2026 |
| MedScribeOverall | 76,054 % | 77,549 %Gewinner | 1accuracyMehr ist besserKohorte: vals-medscribe:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-medscribe-2026-08-16-c385354a7e62Abgerufen am 16.08.2026 |
| MMLU-ProOverall | 87,545 %Gewinner | 87,482 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-mmlu_pro-2026-08-16-e14d5bb3a34cAbgerufen am 16.08.2026 |
| MMMU-ProOverall | 83,006 % | 87,514 %Gewinner | 1accuracyMehr ist besserKohorte: vals-mmmu:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmmu-2026-08-16-37c9a8c7e21fAbgerufen am 16.08.2026 |
| MortgageTaxOverall | 70,032 %Gewinner | 68,323 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-mortgage_tax-2026-08-16-e78c985dbb1cAbgerufen am 16.08.2026 |
| ProgramBenchOverall | 0 %Gleichstand | 0 %Gleichstand | 1accuracyMehr ist besserKohorte: vals-programbench:1:overallKein dokumentierter Setup-UnterschiedGleichstandClaude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-programbench-2026-08-16-08d9727662ddAbgerufen am 16.08.2026 |
| SAGEOverall | 48,925 %Gewinner | 43,312 % | 1accuracyMehr ist besserKohorte: vals-sage:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-sage-2026-08-16-a416dd25affbAbgerufen am 16.08.2026 |
| SkillsBenchOverall | 46,476 % | 51,711 %Gewinner | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Harness: OpenHands GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-skillsbench-2026-08-16-4917a67268d2Abgerufen am 16.08.2026 |
| SWE-bench VerifiedOverall | 79,6 %Gewinner | 78,2 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-swebench-2026-08-16-c133071b8167Abgerufen am 16.08.2026 |
| TaxEval v2Overall | 75,634 %Gewinner | 73,958 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Keine weiteren Einstellungen ausgewiesen GPT-5.4: Snapshot: gpt-5.4-2026-03-05 | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-tax_eval_v2-2026-08-16-5bbd495dac53Abgerufen am 16.08.2026 |
| Vibe Code Bench v1.1Overall | 81,325 %Gewinner | 67,421 % | 1.1accuracyMehr ist besserKohorte: vals-vibe-code-bench:1.1:overallKein dokumentierter Setup-UnterschiedSieger: Claude Sonnet 5Claude Sonnet 5: Harness: OpenHands GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-vibe-code-2026-08-16-a73c9770bcc4Abgerufen am 16.08.2026 |
| Arena Text, Style ControlOverallReasoning: high | 1.462,192 Arena-Punkte 95-%-Konfidenzintervall: ±5,168Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.476,571 Arena-PunkteGewinner 95-%-Konfidenzintervall: ±3,887Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:overallKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 23.138 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 60.819 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCLI | 36,332 %Höherer Messwert | 23,788 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cliTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Exact Pages | 63,869 % | 64,103 %Höherer Messwert | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:exact_pagesTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| GPQA DiamondFew-Shot CoT | 87,374 % | 91,414 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_few_shot_cotTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed | 88,768 %Höherer Messwert | 76,449 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__antitrust_competitionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| LegalBenchConclusion Tasks | 89,555 %Höherer Messwert | 88,939 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:conclusion_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Easy | 98,447 % | 99,068 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-lcb:1:easyTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBiology | 93,584 %Höherer Messwert | 92,887 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:biologyTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| MortgageTaxNumerical Extraction | 78,696 %Höherer Messwert | 75,994 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:numerical_extractionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mortgage_tax-2026-08-11-5ea6eef3e482Abgerufen am 11.08.2026 |
| ProgramBenchAlmost Resolved | 13,5 %Höherer Messwert | 7 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:almostTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SAGEAutomata | 34,92 %Höherer Messwert | 21,428 % | 1accuracyMehr ist besserKohorte: vals-sage:1:automataTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SkillsBenchNo Skills | 35,123 % | 48,905 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:no_skillsTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench Verified<15 min fix | 83,505 % | 88,144 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-swebench:1:<15 min fixTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Correctness | 64,023 % | 64,922 %Höherer Messwert | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:correctnessTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and finance | 1.464,884 Arena-Punkte 95-%-Konfidenzintervall: ±9,253Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.474,218 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±6,56Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:industry_business_and_management_and_financial_operationsTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 4.692 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 13.072 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCOBOL | 68,571 %Kein direkter Sieger | 68,571 %Kein direkter Sieger | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cobolTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Max Fitting Context | 69,114 %Höherer Messwert | 64,918 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:max_fitting_contextTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| GPQA DiamondZero-Shot CoT | 90,404 % | 91,919 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_zero_shot_cotTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:antitrust_competitionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| LegalBenchInterpretation Tasks | 81,412 % | 83,921 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:interpretation_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Hard | 66,857 % | 67,714 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-lcb:1:hardTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBusiness | 91,635 % | 91,762 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:businessTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| MortgageTaxSemantic Extraction | 61,367 %Höherer Messwert | 60,652 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:semantic_extractionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mortgage_tax-2026-08-11-5ea6eef3e482Abgerufen am 11.08.2026 |
| ProgramBenchFully Resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1accuracyMehr ist besserKohorte: vals-programbench:1:strictTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SAGELinear Algebra | 68,999 %Höherer Messwert | 68,826 % | 1accuracyMehr ist besserKohorte: vals-sage:1:linear_algebraTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SkillsBenchWith Skills | 46,476 % | 51,711 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:with_skillsTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench Verified>4 hours | 66,667 %Höherer Messwert | 0 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:>4 hoursTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Stepwise Reasoning | 87,244 %Höherer Messwert | 82,993 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:stepwise_reasoningTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and financeReasoning: high | 1.464,884 Arena-Punkte 95-%-Konfidenzintervall: ±9,253Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.483,617 Arena-PunkteGewinner 95-%-Konfidenzintervall: ±6,683Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:industry_business_and_management_and_financial_operationsKein dokumentierter Setup-UnterschiedSieger: GPT-5.4Claude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 4.692 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 12.373 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCode Quality | 4,898 / 5Höherer Messwert | 3,632 / 5 | 1mean reviewer code-quality ratingMehr ist besserKohorte: vals-code-migration:1:code_qualityTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Shared Max Context | 67,949 %Höherer Messwert | 66,783 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:shared_max_contextTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed | 87,455 %Höherer Messwert | 66,667 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__arbitration_international_dispute_resolutionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| LegalBenchIssue Tasks | 88,24 % | 90,526 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:issue_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Medium | 81,984 % | 85,64 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-lcb:1:mediumTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProChemistry | 90,813 % | 91,078 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:chemistryTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchRaw Pass Rate | 72,067 %Höherer Messwert | 68,596 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:partialTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SAGEPartial Differential Equations | 42,857 %Höherer Messwert | 39,683 % | 1accuracyMehr ist besserKohorte: vals-sage:1:PDEsTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 30.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SWE-bench Verified1-4 hours | 76,19 %Höherer Messwert | 50 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:1-4 hoursTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| Arena Text, Style ControlChinese | 1.501,752 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±15,966Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.496,688 Arena-Punkte 95-%-Konfidenzintervall: ±11,202Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:chineseTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 1.508 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 3.574 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Task fully resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:arbitration_international_dispute_resolutionTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| LegalBenchRhetoric Tasks | 81,07 % | 82,824 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:rhetoric_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| MMLU-ProComputer Science | 89,024 % | 89,756 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:computer_scienceTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| SWE-bench Verified15 min - 1 hour | 77,395 %Höherer Messwert | 76,245 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:15 min - 1 hourTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| Arena Text, Style ControlChineseReasoning: high | 1.501,752 Arena-Punkte 95-%-Konfidenzintervall: ±15,966Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.506,007 Arena-PunkteKein klarer Vorsprung 95-%-Konfidenzintervall: ±11,398Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:chineseKein dokumentierter Setup-UnterschiedKein klarer VorsprungClaude Sonnet 5: Snapshot: claude-sonnet-5-high, Reasoning: high, Harness: Arena text, style control GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style controlClaude Sonnet 5: Stilbereinigte Arena-Bewertung aus 1.508 anonymen Paarvergleichen.GPT-5.4: Stilbereinigte Arena-Bewertung aus 3.369 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Harvey's Legal Agent BenchmarkBanking Finance · Criteria passed | 89,963 %Höherer Messwert | 80,297 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__banking_financeTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| LegalBenchRule Tasks | 79,331 % | 84,008 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:rule_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerClaude Sonnet 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
Die Tabelle zeigt 64 diversifizierte Messreihen aus insgesamt 170 gemeinsamen Ergebnissen. Dadurch verdrängt ein Benchmark mit vielen Unteraufgaben nicht alle anderen Tests.
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.
Preise beziehen sich auf die offiziellen API-Tarife pro 1 Mio. Token. Web-Abos und Cloud-Aufschläge können davon abweichen.
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 Sonnet 5 und GPT-5.4 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
Zum vollständigen LLM-Vergleich