Claude Sonnet 5.5
In dieser Runde nicht verfügbar
Direktvergleich
Claude Sonnet 5.5 vs. GLM-5.2
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 140
- verschiedene Benchmarks
- 13
- jüngster Abruf
- 15.10.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
| Merkmal | Claude Sonnet 5.5 | GLM-5.2 |
|---|---|---|
| Anbieter | Anthropic | Z.ai |
| Erschienen | 28. Sept. 2026 | 16. Juni 2026 |
| Verfügbarkeit | Aktiv | Open Source |
| Modelltyp | Proprietär | Open Weights |
| Parameter | Nicht veröffentlicht | 744 Mrd., 40 Mrd. aktiv |
| Architektur | Nicht veröffentlicht | Mixture of Experts |
| Kontextfenster | 1.000.000 Token | 1.000.000 Token |
| Wissensstand | Juni 2026 | Nicht veröffentlicht |
| Technische Quellen | Modell | 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.
| Preisart | Claude Sonnet 5.5 | GLM-5.2 |
|---|---|---|
| API-Eingabe | 2 $ | 1,4 $ |
| API-Ausgabe | 10 $ | 4,4 $ |
| Cache lesen | 0,1 $ | 0,26 $ |
| 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 5.5GLM-5.2
API-EingabeUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 5.52 $
GLM-5.2Günstiger1,4 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 5.510 $
GLM-5.2Günstiger4,4 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
Claude Sonnet 5.5Günstiger0,1 $
GLM-5.20,26 $
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.
| 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 | |
| Über OpenRoutergoogle-vertex/europe | 2,2 $ | 11 $ | Quelle17.10.2026 | ||
| Über OpenRoutergoogle-vertex/global | Günstigster erfasster Preis: 2 $ | Günstigster erfasster Preis: 10 $ | Quelle17.10.2026 | ||
| Über OpenRoutergoogle-vertex/us | 2,2 $ | 11 $ | Quelle17.10.2026 | ||
| GLM-5.2 | Z.ai | Direkt beim EntwicklerStandard-API | 1,4 $ | 4,4 $ | Quelle22.09.2026 |
| Alibaba | Über OpenRouteralibaba/fast | 2,31 $ | 7,26 $ | Quelle17.10.2026 | |
| Alibaba | Über OpenRouteralibaba/fp8 | 0,966 $ | 3,036 $ | Quelle17.10.2026 | |
| Alibaba | Über OpenRouteralibaba/fp8/us-east-1 | 1,12 $ | 3,52 $ | Quelle17.10.2026 | |
| AtlasCloud | Über OpenRouteratlas-cloud/fp8 | 0,938 $ | 2,948 $ | Quelle17.10.2026 | |
| Baidu | Über OpenRouterbaidu/fast | 2,25 $ | 7,88 $ | Quelle17.10.2026 | |
| Baidu | Über OpenRouterbaidu/fp8 | 0,189 $ | Günstigster erfasster Preis: 0,594 $ | Quelle17.10.2026 | |
| BaseTen | Über OpenRouterbaseten/fast | 2,1 $ | 6,6 $ | Quelle17.10.2026 | |
| BaseTen | Über OpenRouterbaseten/fp8 | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| BaseTen | Über OpenRouterbaseten/fp8/us | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| BaseTen | Über OpenRouterbaseten/us/fast | 2,1 $ | 6,6 $ | Quelle17.10.2026 | |
| Cloudflare | Über OpenRoutercloudflare | 0,19 $ | 8 $ | Quelle17.10.2026 | |
| Decart | Über OpenRouterdecart/fast | 2,5 $ | 9 $ | Quelle17.10.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/fp4 | 0,5625 $ | 1,8 $ | Quelle17.10.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/fp4/flex | 0,45 $ | 1,44 $ | Quelle17.10.2026 | |
| DigitalOcean | Über OpenRouterdigitalocean | 0,7 $ | 2,2 $ | Quelle17.10.2026 | |
| Friendli | Über OpenRouterfriendli | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| GMICloud | Über OpenRoutergmicloud/fp8 | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Inceptron | Über OpenRouterinceptron/fp4 | 0,69 $ | 1,0395 $ | Quelle17.10.2026 | |
| Mistral | Über OpenRoutermistral/eu | 1,54 $ | 4,84 $ | Quelle17.10.2026 | |
| Mistral | Über OpenRoutermistral/zdr | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Morph | Über OpenRoutermorph/fp8 | 0,079 $ | 6 $ | Quelle17.10.2026 | |
| Nebius | Über OpenRouternebius/fp4 | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Novita | Über OpenRouternovita/fp8 | 0,6496 $ | 2,0416 $ | Quelle17.10.2026 | |
| Parasail | Über OpenRouterparasail/fp4 | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Phala | Über OpenRouterphala/fp8 | 1,26 $ | 3 $ | Quelle17.10.2026 | |
| Relace | Über OpenRouterrelace | 0,4 $ | 4 $ | Quelle17.10.2026 | |
| SiliconFlow | Über OpenRoutersiliconflow/fp8 | 0,7 $ | 2,2 $ | Quelle17.10.2026 | |
| StreamLake | Über OpenRouterstreamlake/fp8 | 0,5555 $ | 1,7459 $ | Quelle17.10.2026 | |
| Together | Über OpenRoutertogether | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Venice | Über OpenRoutervenice/fp8 | 1,4 $ | 4,4 $ | Quelle17.10.2026 | |
| Wafer | Über OpenRouterwafer | 0,19 $ | 10 $ | Quelle17.10.2026 | |
| Wafer | Über OpenRouterwafer/us | Günstigster erfasster Preis: 0,0341 $ | 7 $ | Quelle17.10.2026 | |
| Z.AI | Über OpenRouterz-ai/fp8 | 1,4 $ | 4,4 $ | 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 0 von mindestens 5 Kategorien enthalten direkt vergleichbare Modellmessungen. Die Benchmarktabellen darunter zeigen die vorhandenen Belege, ohne fehlende Achsen aufzufüllen.
Claude Sonnet 5.5GLM-5.2
Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert69,825 %
GLM-5.237,87 %
EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert75,713 %
GLM-5.261,532 %
Finance Agent (v2)Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert58,103 %
GLM-5.249,699 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.52,917 %
GLM-5.2Höherer Messwert7,083 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert48,077 %
GLM-5.231,25 %
LMArena Code Arena WebDevOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert1.712,984
GLM-5.21.604,113
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.51.475,266
GLM-5.2Höherer Messwert1.475,47
MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert52,92 %
GLM-5.240,771 %
MedScribeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert91,101 %
GLM-5.283,534 %
ProgramBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert6,5 %
GLM-5.20,5 %
SRE BenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert30,153 %
GLM-5.20 %
Terminal-Bench 2.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Sonnet 5.5Höherer Messwert83,146 %
GLM-5.267,79 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | Claude Sonnet 5.5 | GLM-5.2 | Quelle |
|---|---|---|---|
Code MigrationOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert69,825 % | 37,87 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
EMBOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert75,713 % | 61,532 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)OverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert58,103 % | 49,699 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 2,917 % | Höherer Messwert7,083 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchOverall · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert48,077 % | 31,25 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 4.605 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 16.093 veröffentlichten Paarvergleichen. | Höherer Messwert1.712,984 95-%-Konfidenzintervall: ±10,362Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.604,113 95-%-Konfidenzintervall: ±6,139Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlOverallTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 6.254 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 49.127 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 Messwert1.475,47 95-%-Konfidenzintervall: ±4,2Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
MedCodeOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Temperatur: 1, Ausgabegrenze: 30.000 tokens | Höherer Messwert52,92 % | 40,771 % | Vals AIQuellendetailsDatenstand: 13.10.2026 |
MedScribeOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Temperatur: 1, Ausgabegrenze: 30.000 tokens | Höherer Messwert91,101 % | 83,534 % | Vals AIQuellendetailsDatenstand: 13.10.2026 |
ProgramBenchOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 64.000 tokens | Höherer Messwert6,5 % | 0,5 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
SRE BenchOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully solved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert30,153 % | 0 % | Vals AIQuellendetailsDatenstand: 14.10.2026 |
Terminal-Bench 2.1OverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 48.000 tokens | Höherer Messwert83,146 % | 67,79 % | Vals AIQuellendetailsDatenstand: 28.09.2026 |
Vibe Code Bench v1.1OverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Harness: OpenHands, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert92,392 % | 63,961 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Code MigrationCLITestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert69,766 % | 27,16 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
EMBCompsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert80,042 % | 54,922 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)AdjustmentsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert52,746 % | 46,305 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 85,145 % | Höherer Messwert87,319 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchAdministrative / Regulatory · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert69,697 % | 39,394 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevOverallTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 2.858 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 16.093 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. | 1.604,113 95-%-Konfidenzintervall: ±6,139Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.089 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 9.419 veröffentlichten Paarvergleichen. | Höherer Messwert1.466,655 95-%-Konfidenzintervall: ±17,914Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.465,257 95-%-Konfidenzintervall: ±6,87Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
ProgramBenchAlmost ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: almost-resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 64.000 tokens | Höherer Messwert49,5 % | 9,5 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
SRE BenchCapability ScoreTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: capability scoreBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert51,59 % | 3,435 % | Vals AIQuellendetailsDatenstand: 14.10.2026 |
Terminal-Bench 2.1EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 48.000 tokens | 91,667 % | Höherer Messwert100 % | Vals AIQuellendetailsDatenstand: 28.09.2026 |
Code MigrationCOBOLTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger70 % | Kein direkter Sieger70 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
EMBDataroomTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert86,27 % | 83,444 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)All-PassTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert47,59 % | 38,006 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchAdministrative / Regulatory · Weighted partial creditTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert91,346 % | 85,95 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevWebdevTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 4.605 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 16.093 veröffentlichten Paarvergleichen. | Höherer Messwert1.712,984 95-%-Konfidenzintervall: ±10,362Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.604,113 95-%-Konfidenzintervall: ±6,139Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlChineseTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 508 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 3.504 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. | 1.520,512 95-%-Konfidenzintervall: ±10,558Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
ProgramBenchFully ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 64.000 tokens | Höherer Messwert6,5 % | 0,5 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
SRE BenchFully SolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully solved rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert30,153 % | 0 % | Vals AIQuellendetailsDatenstand: 14.10.2026 |
Terminal-Bench 2.1HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 48.000 tokens | Höherer Messwert76,667 % | 51,111 % | Vals AIQuellendetailsDatenstand: 28.09.2026 |
Code MigrationCode QualityTestdetailsTestaufbau 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 GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert4,601 / 5 | 3,981 / 5 | Vals AIQuellendetailsDatenstand: 12.10.2026 |
EMBDCFTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert70,065 % | 52,968 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)ComparablesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert47,089 % | 44,78 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 36,918 % | Höherer Messwert91,756 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchBusiness & Commercial · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert39,535 % | 27,907 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevWebdevTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 2.858 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 16.093 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. | 1.604,113 95-%-Konfidenzintervall: ±6,139Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlCodingTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.506 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 13.235 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. | 1.512,842 95-%-Konfidenzintervall: ±6,235Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
ProgramBenchRaw Pass RateTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: raw test pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 64.000 tokens | Höherer Messwert76,304 % | 62,605 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Terminal-Bench 2.1MediumTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 48.000 tokens | Höherer Messwert86,061 % | 74,545 % | Vals AIQuellendetailsDatenstand: 28.09.2026 |
EMBLBOTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert69,979 % | 51,815 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)Disclosure AnalysisTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert71,432 % | 61,588 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchBusiness & Commercial · Weighted partial creditTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 77,77 % | Höherer Messwert87,466 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevWebdev-htmlTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 707 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen. | Höherer Messwert1.710,04 95-%-Konfidenzintervall: ±25,597Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.565,994 95-%-Konfidenzintervall: ±14,905Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlCreative writingTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.405 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 9.779 veröffentlichten Paarvergleichen. | Höherer Messwert1.465,364 95-%-Konfidenzintervall: ±16,888Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.452,908 95-%-Konfidenzintervall: ±7,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
EMBM&ATestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert83,002 % | 63,913 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)Earnings AnalysisTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert76,522 % | 66,596 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkBanking Finance · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert89,591 % | 85,874 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchCivil Litigation · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert48,148 % | 25,926 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevWebdev-htmlTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 423 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen. | Höherer Messwert1.737,658 95-%-Konfidenzintervall: ±36,636Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.565,994 95-%-Konfidenzintervall: ±14,905Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlEnglishTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 2.393 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 20.261 veröffentlichten Paarvergleichen. | Höherer Messwert1.490,413 95-%-Konfidenzintervall: ±12,395Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.481,816 95-%-Konfidenzintervall: ±5,337Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
EMBMiscTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert69,079 % | 60,775 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)Financial ModelingTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert25,507 % | 12,885 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkBanking Finance · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchCivil Litigation · Weighted partial creditTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 81,699 % | Höherer Messwert86,955 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
LMArena Code Arena WebDevWebdev-reactTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Code Arena WebDevClaude Sonnet 5.5: Arena-Bewertung aus 2.976 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 11.017 veröffentlichten Paarvergleichen. | Höherer Messwert1.747,964 95-%-Konfidenzintervall: ±12,95Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.616,602 95-%-Konfidenzintervall: ±7,143Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
LMArena Text, Style ControlEntertainment, sports and mediaTestdetailsTestaufbau 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 GLM-5.2: Snapshot: glm-5.2-max, Reasoning: max, Harness: Arena Text, style controlClaude Sonnet 5.5: Arena-Bewertung aus 1.576 veröffentlichten Paarvergleichen.GLM-5.2: Arena-Bewertung aus 12.166 veröffentlichten Paarvergleichen. | Höherer Messwert1.460,568 95-%-Konfidenzintervall: ±15,574Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | 1.446,043 95-%-Konfidenzintervall: ±6,546Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 13.10.2026 |
EMBOperatingTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | Höherer Messwert71,555 % | 62,888 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Finance Agent (v2)General Qualitative AnalysisTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens | 67,06 % | Höherer Messwert68,73 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Harvey's Legal Agent BenchmarkBankruptcy Restructuring · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 59,17 % | Höherer Messwert74,394 % | Vals AIQuellendetailsDatenstand: 12.10.2026 |
Legal Research BenchConstitutional / Civil Rights · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserClaude Sonnet 5.5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 tokens GLM-5.2: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert42,105 % | 28,947 % | Vals AIQuellendetailsDatenstand: 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
GLM-5.2
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.
GLM-5.2
Ausgabe aus Sicherheitsgründen nicht dargestellt
Reasoning (angefragt): high
Aktueller Versuch
- Datum des Testlaufs
- 05.10.2026
- API-Anbieter
- openrouter
- Angefragtes API-Modell
- z-ai/glm-5.2
- API-Modell laut Antwort
- z-ai/glm-5.2
- Reasoning-Einstellung
- high
- Festgelegter Endpunkt
- Z.AI | z-ai/glm-5.2-20260616
- Temperatur
- Anbieterstandard
- Tokenlimit inklusive Reasoning
- 8.192 Token
- Testprotokoll
- community-visual-tests-v1
- Technische Prüfung
- Nicht bestanden
- Antwortzeit
- 31,4 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
Ähnliche LLM-Vergleiche
Vergleiche Claude Sonnet 5.5 und GLM-5.2 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.