Direktvergleich
DeepSeek-V4-Flash vs. Kimi K3
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
62
gemeinsame Messreihen
3
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 | DeepSeek-V4-Flash | Kimi K3 |
|---|---|---|
| Anbieter | DeepSeek | Moonshot AI |
| Erschienen | 24. Apr. 2026 | 16. Juli 2026 |
| Verfügbarkeit | Preview | Aktiv |
| Modelltyp | Open Weights | Open Weights |
| Parameter | 284 Mrd., 13 Mrd. aktiv | 2,8 Billionen, 104 Mrd. aktiv |
| Architektur | Mixture of Experts | Mixture of Experts |
| Kontextfenster | 1.000.000 Token | 1.048.576 Token |
| Wissensstand | Nicht veröffentlicht | Nicht veröffentlicht |
| Technische Quellen | Modell | Modell |
| API-Preise pro 1 Mio. Token | ||
| API-Eingabe | 0,14 $ | 3 $ |
| API-Ausgabe | 0,28 $ | 15 $ |
| Cache lesen | 0, $ | 0,3 $ |
| Cache schreiben (5 Min.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Preis geprüft | 30.07.2026Quelle | 30.07.2026Quelle |
DeepSeek-V4-FlashKimi K3
API-EingabeUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-Flash0,14 $Günstiger
Kimi K33 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-Flash0,28 $Günstiger
Kimi K315 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-Flash0,003 $Günstiger
Kimi K30,3 $
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.
62 gemeinsame Messreihen
DeepSeek-V4-FlashKimi K3
AlmanBench v0.1Accepted cases. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Flash93,003 %Gewinner
Kimi K390,962 %
Arena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.435,476 Arena-Punkte
Kimi K31.488,568 Arena-PunkteHöherer Messwert
CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Flash66,716 %
Kimi K379,026 %Gewinner
Arena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.438,304 Arena-Punkte
Kimi K31.488,568 Arena-PunkteHöherer Messwert
CyberBenchPatch. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash72,414 %
Kimi K383,051 %Höherer Messwert
Arena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.437,217 Arena-Punkte
Kimi K31.494,784 Arena-PunkteHöherer Messwert
CyberBenchPoC. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash61,017 %
Kimi K375 %Höherer Messwert
Arena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.435,23 Arena-Punkte
Kimi K31.494,784 Arena-PunkteHöherer Messwert
Arena Text, Style ControlChinese. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.474,544 Arena-Punkte
Kimi K31.524,123 Arena-PunkteHöherer Messwert
Arena Text, Style ControlChinese. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.481,177 Arena-Punkte
Kimi K31.524,123 Arena-PunkteHöherer Messwert
Arena Text, Style ControlCoding. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.483,133 Arena-Punkte
Kimi K31.542,923 Arena-PunkteHöherer Messwert
Arena Text, Style ControlCoding. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.479,521 Arena-Punkte
Kimi K31.542,923 Arena-PunkteHöherer Messwert
| Benchmark und Aufgabe | DeepSeek-V4-Flash | Kimi K3 | Vergleichbarkeit | Quelle |
|---|---|---|---|---|
| AlmanBench v0.1Accepted casesReasoning: max | 93,003 %Gewinner | 90,962 % | v0.1, results commit f34ddbfaccepted casesMehr ist besserKohorte: almanbench-v0-1:official:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-FlashDeepSeek-V4-Flash: Reasoning: max Kimi K3: Reasoning: max1.029 öffentliche Aufgaben, ein direkter Lauf je Zeile. Gemessen wird die Alman-Sprachspezifikation. | Alman InstitutTyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: curated-alman-institut-2026-08-09-743e705129f5 / curated-alman-institut-2026-08-09-b5b769c9e870Abgerufen am 09.08.2026 |
| Arena Text, Style ControlOverall | 1.435,476 Arena-Punkte 95-%-Konfidenzintervall: ±4,153Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.488,568 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±6,219Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 49.096 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 11.864 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| CyberBenchOverall | 66,716 % | 79,026 %Gewinner | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:overallKein dokumentierter Setup-UnterschiedSieger: Kimi K3DeepSeek-V4-Flash: Keine weiteren Einstellungen ausgewiesen Kimi K3: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-16-702acaee9aa9Abgerufen am 16.08.2026 |
| Arena Text, Style ControlOverall | 1.438,304 Arena-Punkte 95-%-Konfidenzintervall: ±4,22Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.488,568 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±6,219Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 48.789 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 11.864 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| CyberBenchPatch | 72,414 % | 83,051 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:patchTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Keine weiteren Einstellungen ausgewiesen Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and finance | 1.437,217 Arena-Punkte 95-%-Konfidenzintervall: ±7,157Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.494,784 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±12,523Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 9.916 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.416 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| CyberBenchPoC | 61,017 % | 75 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:pocTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Keine weiteren Einstellungen ausgewiesen Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and finance | 1.435,23 Arena-Punkte 95-%-Konfidenzintervall: ±7,178Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.494,784 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±12,523Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.055 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.416 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlChinese | 1.474,544 Arena-Punkte 95-%-Konfidenzintervall: ±12,686Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.524,123 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±21,434Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.557 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 800 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlChinese | 1.481,177 Arena-Punkte 95-%-Konfidenzintervall: ±12,66Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.524,123 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±21,434Der 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 SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.529 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 800 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlCoding | 1.483,133 Arena-Punkte 95-%-Konfidenzintervall: ±6,395Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.542,923 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±10,951Der 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:codingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 14.397 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.162 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlCoding | 1.479,521 Arena-Punkte 95-%-Konfidenzintervall: ±6,432Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.542,923 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±10,951Der 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:codingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 14.353 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.162 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlCreative writing | 1.407,934 Arena-Punkte 95-%-Konfidenzintervall: ±7,787Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.456,079 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±13,261Der 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:creative_writingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.974 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.177 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlCreative writing | 1.408,648 Arena-Punkte 95-%-Konfidenzintervall: ±7,808Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.456,079 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±13,261Der 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:creative_writingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 8.019 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.177 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlEnglish | 1.445,34 Arena-Punkte 95-%-Konfidenzintervall: ±5,378Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.497,219 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,002Der 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:englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.994 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.521 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlEnglish | 1.450,015 Arena-Punkte 95-%-Konfidenzintervall: ±5,421Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.497,219 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,002Der 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:englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.774 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.521 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlEntertainment, sports and media | 1.405,522 Arena-Punkte 95-%-Konfidenzintervall: ±7,152Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.449,776 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,817Der 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_entertainment_and_sports_and_mediaTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.453 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.745 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlEntertainment, sports and media | 1.405,113 Arena-Punkte 95-%-Konfidenzintervall: ±7,086Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.449,776 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,817Der 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_entertainment_and_sports_and_mediaTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.654 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.745 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlExcluding ties | 1.430,81 Arena-Punkte 95-%-Konfidenzintervall: ±5,433Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.501,266 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±8,181Der 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:exclude_tiesTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 37.067 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 8.787 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlExcluding ties | 1.435,522 Arena-Punkte 95-%-Konfidenzintervall: ±5,476Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.501,266 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±8,181Der 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:exclude_tiesTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 37.085 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 8.787 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlExpert prompts | 1.458,397 Arena-Punkte 95-%-Konfidenzintervall: ±9,185Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.514,705 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±17,9Der 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:expertTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 4.926 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.099 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlExpert prompts | 1.467,529 Arena-Punkte 95-%-Konfidenzintervall: ±9,251Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.514,705 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±17,9Der 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:expertTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 4.924 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.099 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlFrench | 1.445,102 Arena-Punkte 95-%-Konfidenzintervall: ±15,765Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.510,226 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±29,056Der 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:frenchTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.916 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 455 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlFrench | 1.458,295 Arena-Punkte 95-%-Konfidenzintervall: ±15,946Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.510,226 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±29,056Der 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:frenchTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.884 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 455 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlGerman | 1.423,659 Arena-Punkte 95-%-Konfidenzintervall: ±21,582Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.467,284 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±37,664Der 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:germanTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 833 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 241 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlGerman | 1.435,281 Arena-Punkte 95-%-Konfidenzintervall: ±21,205Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.467,284 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±37,664Der 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:germanTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 872 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 241 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlHard prompts | 1.459,153 Arena-Punkte 95-%-Konfidenzintervall: ±4,892Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.516,393 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±7,386Der 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:hard_promptsTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 32.675 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 7.750 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlHard prompts | 1.458,18 Arena-Punkte 95-%-Konfidenzintervall: ±4,95Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.516,393 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±7,386Der 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:hard_promptsTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 32.535 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 7.750 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlHard prompts, English | 1.464,017 Arena-Punkte 95-%-Konfidenzintervall: ±6,178Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.517,989 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,15Der 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:hard_prompts_englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 15.382 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.935 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlHard prompts, English | 1.464,963 Arena-Punkte 95-%-Konfidenzintervall: ±6,257Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.517,989 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,15Der 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:hard_prompts_englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 15.145 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.935 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlInstruction following | 1.428,017 Arena-Punkte 95-%-Konfidenzintervall: ±5,969Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.484,181 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,761Der 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:instruction_followingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 16.832 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.963 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlInstruction following | 1.434,165 Arena-Punkte 95-%-Konfidenzintervall: ±6,039Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.484,181 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,761Der 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:instruction_followingTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 16.841 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.963 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlJapanese | 1.396,126 Arena-Punkte 95-%-Konfidenzintervall: ±25,789Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.489,449 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±44,219Der 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:japaneseTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 628 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 183 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlJapanese | 1.418,789 Arena-Punkte 95-%-Konfidenzintervall: ±26,437Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.489,449 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±44,219Der 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:japaneseTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 595 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 183 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlKorean | 1.393,857 Arena-Punkte 95-%-Konfidenzintervall: ±21,517Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.484,44 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±32,45Der 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:koreanTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 869 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 327 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlKorean | 1.375,542 Arena-Punkte 95-%-Konfidenzintervall: ±21,534Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.484,44 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±32,45Der 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:koreanTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 327 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLegal and government | 1.448,527 Arena-Punkte 95-%-Konfidenzintervall: ±10,217Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.514,976 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±19,639Der 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_legal_and_governmentTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.907 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 945 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLegal and government | 1.458,238 Arena-Punkte 95-%-Konfidenzintervall: ±10,278Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.514,976 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±19,639Der 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_legal_and_governmentTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.876 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 945 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLife, physical and social science | 1.458,241 Arena-Punkte 95-%-Konfidenzintervall: ±7,633Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.526,942 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±13,994Der 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_life_and_physical_and_social_scienceTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.812 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.858 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLife, physical and social science | 1.461,582 Arena-Punkte 95-%-Konfidenzintervall: ±7,609Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.526,942 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±13,994Der 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_life_and_physical_and_social_scienceTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.985 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.858 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLonger queries | 1.448,126 Arena-Punkte 95-%-Konfidenzintervall: ±5,746Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.500,801 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±8,957Der 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:longer_queryTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.643 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.260 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlLonger queries | 1.449,175 Arena-Punkte 95-%-Konfidenzintervall: ±5,755Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.500,801 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±8,957Der 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:longer_queryTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.682 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.260 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMath | 1.425,263 Arena-Punkte 95-%-Konfidenzintervall: ±12,232Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.495,053 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±25,787Der 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:mathTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.516 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 510 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMath | 1.440,663 Arena-Punkte 95-%-Konfidenzintervall: ±12,368Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.495,053 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±25,787Der 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:mathTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.448 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 510 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMathematical professions | 1.431,855 Arena-Punkte 95-%-Konfidenzintervall: ±11,996Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.503,544 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±24,274Der 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_mathematicalTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.738 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 583 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMathematical professions | 1.441,422 Arena-Punkte 95-%-Konfidenzintervall: ±12,404Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.503,544 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±24,274Der 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_mathematicalTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.588 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 583 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMedicine and healthcare | 1.459,52 Arena-Punkte 95-%-Konfidenzintervall: ±10,979Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.513,154 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±21,027Der 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_medicine_and_healthcareTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.440 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 820 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMedicine and healthcare | 1.463,011 Arena-Punkte 95-%-Konfidenzintervall: ±10,889Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.513,154 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±21,027Der 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_medicine_and_healthcareTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.505 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 820 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMulti-turn | 1.452,835 Arena-Punkte 95-%-Konfidenzintervall: ±7,482Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.502,452 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±14,124Der 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:multi_turnTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 8.848 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.890 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlMulti-turn | 1.446,059 Arena-Punkte 95-%-Konfidenzintervall: ±7,528Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.502,452 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±14,124Der 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:multi_turnTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 8.708 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.890 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlNon-English | 1.422,787 Arena-Punkte 95-%-Konfidenzintervall: ±5,078Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.473,735 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±7,512Der 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:non_englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 27.100 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 7.338 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlNon-English | 1.422,674 Arena-Punkte 95-%-Konfidenzintervall: ±5,146Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.473,735 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±7,512Der 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:non_englishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 27.013 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 7.338 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlPolish | 1.439,239 Arena-Punkte 95-%-Konfidenzintervall: ±18,981Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.503,722 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±37,702Der 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:polishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.007 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 213 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlPolish | 1.429,767 Arena-Punkte 95-%-Konfidenzintervall: ±18,83Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.503,722 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±37,702Der 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:polishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.019 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 213 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlRussian | 1.432,925 Arena-Punkte 95-%-Konfidenzintervall: ±8,941Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.490,991 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±16,903Der 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:russianTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 5.272 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.268 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlRussian | 1.437,146 Arena-Punkte 95-%-Konfidenzintervall: ±9,061Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.490,991 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±16,903Der 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:russianTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 5.232 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.268 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlSoftware and IT services | 1.470,809 Arena-Punkte 95-%-Konfidenzintervall: ±5,639Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.527,685 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,01Der 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_software_and_it_servicesTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 20.180 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.716 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlSoftware and IT services | 1.473,269 Arena-Punkte 95-%-Konfidenzintervall: ±5,679Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.527,685 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±9,01Der 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_software_and_it_servicesTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 20.086 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.716 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlSpanish | 1.432,449 Arena-Punkte 95-%-Konfidenzintervall: ±16,767Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.486,839 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±30,16Der 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:spanishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.532 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 366 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlSpanish | 1.432,679 Arena-Punkte 95-%-Konfidenzintervall: ±17,246Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.486,839 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±30,16Der 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:spanishTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.427 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 366 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlWriting, literature and language | 1.418,104 Arena-Punkte 95-%-Konfidenzintervall: ±6,732Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.469,348 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,093Der 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_writing_and_literature_and_languageTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 11.766 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.046 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Arena Text, Style ControlWriting, literature and language | 1.421,414 Arena-Punkte 95-%-Konfidenzintervall: ±6,736Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.469,348 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±11,093Der 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_writing_and_literature_and_languageTestaufbau nicht identisch dokumentiertKein direkter SiegerDeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlDeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 11.864 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.046 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
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 DeepSeek-V4-Flash und Kimi K3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
Zum vollständigen LLM-Vergleich