Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
61
verschiedene Benchmarks
3
jüngster Abruf
29.09.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
Allgemeine Daten von DeepSeek-V4-Flash und Kimi K3
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.
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.
Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.
Fähigkeitsprofil aus vergleichbaren Benchmarks
Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.
Nicht genug direkt vergleichbare Kategorien für ein belastbares Radar
Nur 1 von mindestens 5 Kategorien enthalten direkt vergleichbare Modellmessungen. Die Benchmarktabellen darunter zeigen die vorhandenen Belege, ohne fehlende Achsen aufzufüllen.
DeepSeek-V4-FlashKimi K3
AlmanBench v0.1Accepted cases. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-FlashGewinner93,003 %
Kimi K390,962 %
CyberBench v1.1Patch. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash72,414 %
Kimi K3Höherer Messwert83,051 %
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.436,082
Kimi K3Höherer Messwert1.487,964
CyberBench v1.1PoC. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash61,017 %
Kimi K3Höherer Messwert75 %
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.438,511
Kimi K3Höherer Messwert1.487,964
LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.438,526
Kimi K3Höherer Messwert1.489,173
LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.434,189
Kimi K3Höherer Messwert1.489,173
LMArena Text, Style ControlChinese. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.471,267
Kimi K3Höherer Messwert1.539,78
LMArena Text, Style ControlChinese. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.479,924
Kimi K3Höherer Messwert1.539,78
LMArena Text, Style ControlCoding. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.484,094
Kimi K3Höherer Messwert1.540,544
LMArena Text, Style ControlCoding. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.479,555
Kimi K3Höherer Messwert1.540,544
LMArena Text, Style ControlCreative writing. Mehr ist besser. Testaufbau nicht identisch dokumentiert
DeepSeek-V4-Flash1.407,791
Kimi K3Höherer Messwert1.458,257
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Benchmarkwerte von DeepSeek-V4-Flash und Kimi K3
Benchmark und Aufgabe
DeepSeek-V4-Flash
Kimi K3
Quelle
AlmanBench v0.1Accepted casesTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: v0.1, results commit f34ddbfMessgröße: accepted casesBewertung: Mehr ist besserEinstellungen: Reasoning: max1.029 öffentliche Aufgaben, ein direkter Lauf je Zeile. Gemessen wird die Alman-Sprachspezifikation.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 51.871 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 26.400 anonymen Paarvergleichen.
1.436,082
95-%-Konfidenzintervall: ±4,048Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.487,964
95-%-Konfidenzintervall: ±4,866Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 51.747 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 26.400 anonymen Paarvergleichen.
1.438,511
95-%-Konfidenzintervall: ±4,115Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.487,964
95-%-Konfidenzintervall: ±4,866Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlBusiness, management and financeTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 10.436 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.149 anonymen Paarvergleichen.
1.438,526
95-%-Konfidenzintervall: ±6,971Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.489,173
95-%-Konfidenzintervall: ±8,766Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlBusiness, management and financeTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 10.641 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.149 anonymen Paarvergleichen.
1.434,189
95-%-Konfidenzintervall: ±6,982Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.489,173
95-%-Konfidenzintervall: ±8,766Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.996 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.940 anonymen Paarvergleichen.
1.471,267
95-%-Konfidenzintervall: ±11,424Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.539,78
95-%-Konfidenzintervall: ±13,819Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.992 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.940 anonymen Paarvergleichen.
1.479,924
95-%-Konfidenzintervall: ±11,42Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.539,78
95-%-Konfidenzintervall: ±13,819Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 15.262 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.878 anonymen Paarvergleichen.
1.484,094
95-%-Konfidenzintervall: ±6,23Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.540,544
95-%-Konfidenzintervall: ±7,811Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 15.239 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.878 anonymen Paarvergleichen.
1.479,555
95-%-Konfidenzintervall: ±6,265Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.540,544
95-%-Konfidenzintervall: ±7,811Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 8.539 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.249 anonymen Paarvergleichen.
1.407,791
95-%-Konfidenzintervall: ±7,543Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.458,257
95-%-Konfidenzintervall: ±9,02Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 8.638 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 5.249 anonymen Paarvergleichen.
1.410,703
95-%-Konfidenzintervall: ±7,575Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.458,257
95-%-Konfidenzintervall: ±9,02Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 23.008 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 10.028 anonymen Paarvergleichen.
1.444,92
95-%-Konfidenzintervall: ±5,29Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.493,173
95-%-Konfidenzintervall: ±6,62Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 22.908 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 10.028 anonymen Paarvergleichen.
1.449,94
95-%-Konfidenzintervall: ±5,323Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.493,173
95-%-Konfidenzintervall: ±6,62Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlEntertainment, sports and mediaTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 11.179 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.417 anonymen Paarvergleichen.
1.404,567
95-%-Konfidenzintervall: ±6,937Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.459,187
95-%-Konfidenzintervall: ±8,256Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlEntertainment, sports and mediaTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 11.428 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.417 anonymen Paarvergleichen.
1.408,063
95-%-Konfidenzintervall: ±6,896Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.459,187
95-%-Konfidenzintervall: ±8,256Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 39.226 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 19.504 anonymen Paarvergleichen.
1.431,809
95-%-Konfidenzintervall: ±5,308Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.501,41
95-%-Konfidenzintervall: ±6,35Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 39.391 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 19.504 anonymen Paarvergleichen.
1.436,008
95-%-Konfidenzintervall: ±5,353Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.501,41
95-%-Konfidenzintervall: ±6,35Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 5.392 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.457 anonymen Paarvergleichen.
1.457,264
95-%-Konfidenzintervall: ±8,778Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.532,809
95-%-Konfidenzintervall: ±12,276Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 5.311 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.457 anonymen Paarvergleichen.
1.466,306
95-%-Konfidenzintervall: ±8,867Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.532,809
95-%-Konfidenzintervall: ±12,276Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.006 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 944 anonymen Paarvergleichen.
1.448,483
95-%-Konfidenzintervall: ±15,039Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.506,507
95-%-Konfidenzintervall: ±20,255Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 1.966 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 944 anonymen Paarvergleichen.
1.459,263
95-%-Konfidenzintervall: ±15,286Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.506,507
95-%-Konfidenzintervall: ±20,255Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 843 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 508 anonymen Paarvergleichen.
1.424,769
95-%-Konfidenzintervall: ±21,221Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.487,756
95-%-Konfidenzintervall: ±26,837Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 906 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 508 anonymen Paarvergleichen.
1.433,595
95-%-Konfidenzintervall: ±20,539Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.487,756
95-%-Konfidenzintervall: ±26,837Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 34.753 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 17.130 anonymen Paarvergleichen.
1.458,919
95-%-Konfidenzintervall: ±4,767Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.516,598
95-%-Konfidenzintervall: ±5,615Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 34.700 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 17.130 anonymen Paarvergleichen.
1.458,083
95-%-Konfidenzintervall: ±4,832Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.516,598
95-%-Konfidenzintervall: ±5,615Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 16.176 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.516 anonymen Paarvergleichen.
1.463,433
95-%-Konfidenzintervall: ±6,065Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.514,741
95-%-Konfidenzintervall: ±7,894Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 16.039 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.516 anonymen Paarvergleichen.
1.464,61
95-%-Konfidenzintervall: ±6,133Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.514,741
95-%-Konfidenzintervall: ±7,894Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 17.961 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 8.851 anonymen Paarvergleichen.
1.428,187
95-%-Konfidenzintervall: ±5,811Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.486,2
95-%-Konfidenzintervall: ±7,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 18.051 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 8.851 anonymen Paarvergleichen.
1.433,413
95-%-Konfidenzintervall: ±5,881Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.486,2
95-%-Konfidenzintervall: ±7,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 647 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 465 anonymen Paarvergleichen.
1.398,363
95-%-Konfidenzintervall: ±24,906Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.505,193
95-%-Konfidenzintervall: ±29,212Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 635 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 465 anonymen Paarvergleichen.
1.424,242
95-%-Konfidenzintervall: ±25,166Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.505,193
95-%-Konfidenzintervall: ±29,212Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 898 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 567 anonymen Paarvergleichen.
1.392,925
95-%-Konfidenzintervall: ±20,977Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.476,936
95-%-Konfidenzintervall: ±24,854Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 951 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 567 anonymen Paarvergleichen.
1.378,153
95-%-Konfidenzintervall: ±20,872Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.476,936
95-%-Konfidenzintervall: ±24,854Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLegal and governmentTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 4.139 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.120 anonymen Paarvergleichen.
1.447,478
95-%-Konfidenzintervall: ±9,874Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.513,54
95-%-Konfidenzintervall: ±13,409Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLegal and governmentTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 4.107 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 2.120 anonymen Paarvergleichen.
1.457,491
95-%-Konfidenzintervall: ±9,927Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.513,54
95-%-Konfidenzintervall: ±13,409Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLife, physical and social scienceTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 8.423 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.134 anonymen Paarvergleichen.
1.456,345
95-%-Konfidenzintervall: ±7,388Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.521,44
95-%-Konfidenzintervall: ±9,547Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLife, physical and social scienceTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 8.509 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.134 anonymen Paarvergleichen.
1.459,724
95-%-Konfidenzintervall: ±7,418Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.521,44
95-%-Konfidenzintervall: ±9,547Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 23.359 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 11.778 anonymen Paarvergleichen.
1.447,83
95-%-Konfidenzintervall: ±5,578Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.503,731
95-%-Konfidenzintervall: ±6,651Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 23.501 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 11.778 anonymen Paarvergleichen.
1.448,636
95-%-Konfidenzintervall: ±5,577Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.503,731
95-%-Konfidenzintervall: ±6,651Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.688 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.131 anonymen Paarvergleichen.
1.425,467
95-%-Konfidenzintervall: ±11,801Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.499,153
95-%-Konfidenzintervall: ±17,579Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.619 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.131 anonymen Paarvergleichen.
1.441,412
95-%-Konfidenzintervall: ±11,893Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.499,153
95-%-Konfidenzintervall: ±17,579Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.975 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.381 anonymen Paarvergleichen.
1.434,489
95-%-Konfidenzintervall: ±11,462Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.512,282
95-%-Konfidenzintervall: ±16,286Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 2.828 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.381 anonymen Paarvergleichen.
1.445,003
95-%-Konfidenzintervall: ±11,761Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.512,282
95-%-Konfidenzintervall: ±16,286Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlMedicine and healthcareTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 3.699 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.822 anonymen Paarvergleichen.
1.459,257
95-%-Konfidenzintervall: ±10,503Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.510,85
95-%-Konfidenzintervall: ±14,327Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlMedicine and healthcareTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 3.774 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 1.822 anonymen Paarvergleichen.
1.461,307
95-%-Konfidenzintervall: ±10,453Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.510,85
95-%-Konfidenzintervall: ±14,327Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 9.363 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.075 anonymen Paarvergleichen.
1.453,414
95-%-Konfidenzintervall: ±7,284Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.500,724
95-%-Konfidenzintervall: ±9,804Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 9.233 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 4.075 anonymen Paarvergleichen.
1.446,332
95-%-Konfidenzintervall: ±7,34Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.500,724
95-%-Konfidenzintervall: ±9,804Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 28.862 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 16.361 anonymen Paarvergleichen.
1.423,239
95-%-Konfidenzintervall: ±4,947Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.477,001
95-%-Konfidenzintervall: ±5,678Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 28.837 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 16.361 anonymen Paarvergleichen.
1.423,125
95-%-Konfidenzintervall: ±5,023Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.477,001
95-%-Konfidenzintervall: ±5,678Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 1.030 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 428 anonymen Paarvergleichen.
1.438,601
95-%-Konfidenzintervall: ±18,712Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.489,166
95-%-Konfidenzintervall: ±27,535Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 1.037 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 428 anonymen Paarvergleichen.
1.434,977
95-%-Konfidenzintervall: ±18,457Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.489,166
95-%-Konfidenzintervall: ±27,535Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 5.750 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.175 anonymen Paarvergleichen.
1.433,519
95-%-Konfidenzintervall: ±8,502Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.493,777
95-%-Konfidenzintervall: ±10,901Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 5.790 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.175 anonymen Paarvergleichen.
1.437,327
95-%-Konfidenzintervall: ±8,593Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.493,777
95-%-Konfidenzintervall: ±10,901Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlSoftware and IT servicesTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 21.360 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 10.253 anonymen Paarvergleichen.
1.470,864
95-%-Konfidenzintervall: ±5,508Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.526,074
95-%-Konfidenzintervall: ±6,653Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlSoftware and IT servicesTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 21.329 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 10.253 anonymen Paarvergleichen.
1.472,722
95-%-Konfidenzintervall: ±5,539Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.526,074
95-%-Konfidenzintervall: ±6,653Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 1.596 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 810 anonymen Paarvergleichen.
1.433,099
95-%-Konfidenzintervall: ±16,059Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.484,797
95-%-Konfidenzintervall: ±20,864Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 1.497 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 810 anonymen Paarvergleichen.
1.429,802
95-%-Konfidenzintervall: ±16,45Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.484,797
95-%-Konfidenzintervall: ±20,864Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlWriting, literature and languageTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 12.557 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.938 anonymen Paarvergleichen.
1.415,672
95-%-Konfidenzintervall: ±6,557Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.474,679
95-%-Konfidenzintervall: ±7,931Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlWriting, literature and languageTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-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 12.763 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 6.938 anonymen Paarvergleichen.
1.422,277
95-%-Konfidenzintervall: ±6,549Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.474,679
95-%-Konfidenzintervall: ±7,931Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Eigene Modelltests
Unsere Tests
Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.
Pelikan auf dem Fahrrad
Community-Klassiker für eine freie SVG-Zeichnung.
DeepSeek-V4-Flash
In diesem Testlauf war kein API-Zugang verfügbar. Das Modell wurde nicht bewertet.
Reasoning (angefragt): high
Erster Versuch
Datum des Testlaufs
07.09.2026
API-Anbieter
openrouter
Angefragtes API-Modell
deepseek/deepseek-v4-flash-0731
Reasoning-Einstellung
high
Festgelegter Endpunkt
DeepSeek | deepseek/deepseek-v4-flash-20260731
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Nicht ausgeführt
Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.
Kimi K3
In diesem Testlauf war kein API-Zugang verfügbar. Das Modell wurde nicht bewertet.
Reasoning (angefragt): high
Erster Versuch
Datum des Testlaufs
07.09.2026
API-Anbieter
openrouter
Angefragtes API-Modell
moonshotai/kimi-k3
Reasoning-Einstellung
high
Festgelegter Endpunkt
Moonshot AI | moonshotai/kimi-k3-20260715
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Nicht ausgeführt
Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.
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 DeepSeek-V4-Flash und Kimi K3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.