Direktvergleich

Claude Sonnet 5.5 vs. Gemini 3.6 Flash

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

gemeinsame Messreihen: 179
verschiedene Benchmarks: 20
jüngster Abruf: 15.10.2026

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 Sonnet 5.5 und Gemini 3.6 Flash
Merkmal	Claude Sonnet 5.5	Gemini 3.6 Flash
Anbieter	Anthropic	Google
Erschienen	28. Sept. 2026	21. Juli 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.000.000 Token	1.048.576 Token
Wissensstand	Juni 2026	März 2026
Technische Quellen	Modell	Modell, 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 Sonnet 5.5 und Gemini 3.6 Flash
Preisart	Claude Sonnet 5.5	Gemini 3.6 Flash
API-Eingabe	2 $	0,75 $
API-Ausgabe	10 $	3,75 $
Cache lesen	0,1 $	0,075 $
Cache schreiben (5 Min.)	2,5 $	Nicht ausgewiesen
Cache schreiben (1 Std.)	4 $	Nicht ausgewiesen
Preis geprüft	13.10.2026 Quelle	22.09.2026 Quelle

Claude Sonnet 5.5Gemini 3.6 Flash

API-EingabeUSD pro 1 Mio. Token, Basistarif

Claude Sonnet 5.52 $

Gemini 3.6 Flash0,75 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Claude Sonnet 5.510 $

Gemini 3.6 Flash3,75 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Claude Sonnet 5.50,1 $

Gemini 3.6 Flash0,075 $

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 Sonnet 5.5 und Gemini 3.6 Flash
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Claude Sonnet 5.5	Anthropic	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle13.10.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle17.10.2026
	Anthropic	Über OpenRouteranthropic	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle17.10.2026
	Azure	Über OpenRouterazure/global	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle17.10.2026
	Azure	Über OpenRouterazure/us	2,2 $	11 $	Quelle17.10.2026
	Claude Platform on AWS	Über OpenRouterclaude-on-aws	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/europe	2,2 $	11 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/global	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/us	2,2 $	11 $	Quelle17.10.2026
Gemini 3.6 Flash	Google	Direkt beim EntwicklerStandard-API	0,75 $	3,75 $	Quelle22.09.2026
	Google	Über OpenRoutergoogle-vertex/global	0,75 $	3,75 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/global/flex	Günstigster erfasster Preis: 0,375 $	Günstigster erfasster Preis: 1,875 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/global/priority	1,35 $	6,75 $	Quelle17.10.2026
	Google	Über OpenRoutergoogle-vertex/us	0,825 $	4,125 $	Quelle17.10.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio	0,75 $	3,75 $	Quelle17.10.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/flex	Günstigster erfasster Preis: 0,375 $	Günstigster erfasster Preis: 1,875 $	Quelle17.10.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/priority	1,35 $	6,75 $	Quelle17.10.2026

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

Claude Sonnet 5.5Gemini 3.6 Flash

BioMysteryBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.581,111 %

Gemini 3.6 Flash58,519 %

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.569,825 %

Gemini 3.6 Flash30,928 %

CyberBench v1.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.559,584 %

Gemini 3.6 Flash45,357 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.575,713 %

Gemini 3.6 Flash65,411 %

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

Claude Sonnet 5.558,103 %

Gemini 3.6 Flash56,296 %

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

Claude Sonnet 5.52,917 %

Gemini 3.6 Flash3,333 %

IOIOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.583,056 %

Gemini 3.6 Flash35,056 %

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

Claude Sonnet 5.548,077 %

Gemini 3.6 Flash25 %

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

Claude Sonnet 5.51.712,984

Gemini 3.6 Flash1.538,044

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

Claude Sonnet 5.51.475,266

Gemini 3.6 Flash1.482,911

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

Claude Sonnet 5.51.266,189

Gemini 3.6 Flash1.280,714

MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Claude Sonnet 5.552,92 %

Gemini 3.6 Flash53,153 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Claude Sonnet 5.5 und Gemini 3.6 Flash
Benchmark und Aufgabe	Claude Sonnet 5.5	Gemini 3.6 Flash	Quelle
BioMysteryBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert81,111 %	58,519 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert69,825 %	30,928 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert59,584 %	45,357 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert75,713 %	65,411 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert58,103 %	56,296 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	2,917 %	Höherer Messwert3,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert83,056 %	35,056 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert48,077 %	25 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-high, Reasoning: high, Harness: Arena Code Arena WebDev Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 4.605 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 8.768 veröffentlichten Paarvergleichen.	Gewinner1.712,984 95-%-Konfidenzintervall: ±10,362Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.538,044 95-%-Konfidenzintervall: ±7,497Der 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 Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Text, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 6.254 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 36.107 veröffentlichten Paarvergleichen.	1.475,266 95-%-Konfidenzintervall: ±7,984Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.482,911 95-%-Konfidenzintervall: ±4,426Der 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 Vision, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Vision, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Vision, style controlClaude Sonnet 5.5: Arena-Bewertung aus 2.068 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 8.127 veröffentlichten Paarvergleichen.	1.266,189 95-%-Konfidenzintervall: ±13,713Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.280,714 95-%-Konfidenzintervall: ±8,17Der 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 Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	52,92 %	Höherer Messwert53,153 %	Vals AI Quellendetails Datenstand: 13.10.2026
MedScribeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert91,101 %	79,661 %	Vals AI Quellendetails Datenstand: 13.10.2026
ProgramBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert6,5 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Public Benefits Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert67,185 %	56,563 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert51,772 %	48,686 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert41,959 %	18,038 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert83,146 %	73,783 %	Vals AI Quellendetails Datenstand: 28.09.2026
Terminal-Bench ScienceOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert47,143 %	4,286 %	Vals AI Quellendetails Datenstand: 14.10.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert92,392 %	64,005 %	Vals AI Quellendetails Datenstand: 12.10.2026
BioMysteryBenchHard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert45,098 %	21,569 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert69,766 %	19,332 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1Patch Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert87,5 %	85,714 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert80,042 %	70,019 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	52,746 %	Höherer Messwert53,608 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert85,145 %	79,71 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2024 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert85 %	40,667 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert69,697 %	31,818 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Code Arena WebDev Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 2.858 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 8.768 veröffentlichten Paarvergleichen.	Höherer Messwert1.773,661 95-%-Konfidenzintervall: ±13,85Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.538,044 95-%-Konfidenzintervall: ±7,497Der 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 Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Text, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.089 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 6.836 veröffentlichten Paarvergleichen.	1.466,655 95-%-Konfidenzintervall: ±17,914Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.472,186 95-%-Konfidenzintervall: ±7,855Der 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 Vision, Style ControlDiagram Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Vision, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Vision, style controlClaude Sonnet 5.5: Arena-Bewertung aus 514 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 2.080 veröffentlichten Paarvergleichen.	Höherer Messwert1.320,26 95-%-Konfidenzintervall: ±26,586Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.306,143 95-%-Konfidenzintervall: ±13,556Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: almost-resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert49,5 %	2,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert43,254 %	34,92 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert16,667 %	3,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	91,667 %	Höherer Messwert100 %	Vals AI Quellendetails Datenstand: 28.09.2026
Terminal-Bench ScienceEarth Sciences Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Kein direkter Sieger12,5 %	Kein direkter Sieger12,5 %	Vals AI Quellendetails Datenstand: 14.10.2026
BioMysteryBenchHuman-solvable Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Terminus 2, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert89,498 %	67,123 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert70 %	65,714 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1PoC Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert31,667 %	5 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert86,27 %	72,965 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert47,59 %	44,634 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2025 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert88,333 %	40,833 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert91,346 %	83,517 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevImage to webdev Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Code Arena WebDev Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 1.074 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 1.799 veröffentlichten Paarvergleichen.	Höherer Messwert1.740,047 95-%-Konfidenzintervall: ±19,9Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.544,911 95-%-Konfidenzintervall: ±14,31Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Text, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 508 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 2.684 veröffentlichten Paarvergleichen.	Höherer Messwert1.546,494 95-%-Konfidenzintervall: ±26,454Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.529,669 95-%-Konfidenzintervall: ±11,898Der 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 Vision, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Vision, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Vision, style controlClaude Sonnet 5.5: Arena-Bewertung aus 657 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 2.798 veröffentlichten Paarvergleichen.	1.266,361 95-%-Konfidenzintervall: ±23,51Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.276,301 95-%-Konfidenzintervall: ±12,332Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert6,5 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert78,395 %	75,309 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert65,191 %	37,362 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert76,667 %	64,444 %	Vals AI Quellendetails Datenstand: 28.09.2026
Terminal-Bench ScienceEngineering Sciences Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Harness: Mini-SWE-agent, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert44,444 %	0 %	Vals AI Quellendetails Datenstand: 14.10.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert4,601 / 5	3,299 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDCF Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert70,065 %	59,408 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	47,089 %	Höherer Messwert47,829 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	36,918 %	Höherer Messwert78,853 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2026 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert75,833 %	23,667 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchBusiness & Commercial · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert39,535 %	23,256 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevWebdev Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-high, Reasoning: high, Harness: Arena Code Arena WebDev Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 4.605 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 8.768 veröffentlichten Paarvergleichen.	Gewinner1.712,984 95-%-Konfidenzintervall: ±10,362Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.538,044 95-%-Konfidenzintervall: ±7,497Der 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 ControlCoding Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Text, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.506 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 10.366 veröffentlichten Paarvergleichen.	Höherer Messwert1.526,562 95-%-Konfidenzintervall: ±15,395Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.518,139 95-%-Konfidenzintervall: ±6,805Der 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 Vision, Style ControlHomework Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserClaude Sonnet 5.5: Snapshot: claude-sonnet-5.5-xhigh, Reasoning: xhigh, Harness: Arena Vision, style control Gemini 3.6 Flash: Snapshot: gemini-3.6-flash-high, Reasoning: high, Harness: Arena Vision, style controlClaude Sonnet 5.5: Arena-Bewertung aus 295 veröffentlichten Paarvergleichen.Gemini 3.6 Flash: Arena-Bewertung aus 888 veröffentlichten Paarvergleichen.	Höherer Messwert1.318,835 95-%-Konfidenzintervall: ±34,105Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.300,097 95-%-Konfidenzintervall: ±19,581Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchRaw Pass Rate Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: raw test pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert76,304 %	59,926 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert70,792 %	69,867 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens Gemini 3.6 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert49,933 %	19,875 %	Vals AI Quellendetails Datenstand: 12.10.2026
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: 4ae5d8eeb9a9

Claude Sonnet 5.5

In dieser Runde nicht verfügbar

Gemini 3.6 Flash

In dieser Runde nicht verfügbar

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Claude Sonnet 5.5

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: anthropic/claude-sonnet-5.5
API-Modell laut Antwort: anthropic/claude-sonnet-5.5
Reasoning-Einstellung: high
Festgelegter Endpunkt: Anthropic | anthropic/claude-sonnet-5.5-20260928
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 28,2 s

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

Gemini 3.6 Flash

Die Antwort hat das Tokenlimit erreicht. Es liegt keine vollständige Aufzeichnung vor.

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 05.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: google/gemini-3.6-flash
API-Modell laut Antwort: google/gemini-3.6-flash
Reasoning-Einstellung: high
Festgelegter Endpunkt: Google AI Studio | google/gemini-3.6-flash-20260721
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Nicht bestanden
Antwortzeit: 39,6 s

Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.

Frühere Versuche (3)

02.10.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
01.10.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high

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 Sonnet 5.5 und Gemini 3.6 Flash mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Claude Sonnet 5.5 vs. Gemini 3.6 Flash

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

Claude Sonnet 5.5

Gemini 3.6 Flash

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche