Direktvergleich
Gemini 3.5 Flash-Lite vs. DeepSeek-V4-Pro
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
215
gemeinsame Messreihen
22
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 | Gemini 3.5 Flash-Lite | DeepSeek-V4-Pro |
|---|---|---|
| Anbieter | DeepSeek | |
| Erschienen | 21. Juli 2026 | 24. Apr. 2026 |
| Verfügbarkeit | Aktiv | Preview |
| Modelltyp | Proprietär | Open Weights |
| Parameter | Nicht veröffentlicht | 1,6 Billionen, 49 Mrd. aktiv |
| Architektur | Nicht veröffentlicht | Mixture of Experts |
| Kontextfenster | 1.048.576 Token | 1.000.000 Token |
| Wissensstand | Nicht veröffentlicht | Nicht veröffentlicht |
| Technische Quellen | Modell | Modell, Kontext |
| API-Preise pro 1 Mio. Token | ||
| API-Eingabe | 0,3 $ | 0,43 $ |
| API-Ausgabe | 2,5 $ | 0,87 $ |
| Cache lesen | 0,03 $ | 0, $ |
| Cache schreiben (5 Min.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Preis geprüft | 30.07.2026Quelle | 30.07.2026Quelle |
Gemini 3.5 Flash-LiteDeepSeek-V4-Pro
API-EingabeUSD pro 1 Mio. Token, Basistarif
Gemini 3.5 Flash-Lite0,3 $Günstiger
DeepSeek-V4-Pro0,435 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Gemini 3.5 Flash-Lite2,5 $
DeepSeek-V4-Pro0,87 $Günstiger
Cache lesenUSD pro 1 Mio. Token, Basistarif
Gemini 3.5 Flash-Lite0,03 $
DeepSeek-V4-Pro0,004 $Günstiger
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.
215 gemeinsame Messreihen
Gemini 3.5 Flash-LiteDeepSeek-V4-Pro
Arena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite1.457,988 Arena-Punkte
DeepSeek-V4-Pro1.458,103 Arena-PunkteKein klarer Vorsprung
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite6,148 %
DeepSeek-V4-Pro26,201 %Gewinner
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite60,684 %
DeepSeek-V4-Pro61,383 %Gewinner
CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite72,316 %Gewinner
DeepSeek-V4-Pro68,644 %
EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite43,231 %
DeepSeek-V4-Pro51,623 %Gewinner
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite47,442 %Gewinner
DeepSeek-V4-Pro44,083 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite83,838 %
DeepSeek-V4-Pro89,394 %Gewinner
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite0 %
DeepSeek-V4-Pro3,75 %Gewinner
IOIOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite26,167 %
DeepSeek-V4-Pro35,833 %Gewinner
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite13,942 %
DeepSeek-V4-Pro23,077 %Gewinner
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite84,073 %Gewinner
DeepSeek-V4-Pro80,323 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Gemini 3.5 Flash-Lite79,014 %
DeepSeek-V4-Pro87,484 %Gewinner
| Benchmark und Aufgabe | Gemini 3.5 Flash-Lite | DeepSeek-V4-Pro | Vergleichbarkeit | Quelle |
|---|---|---|---|---|
| Arena Text, Style ControlOverall | 1.457,988 Arena-Punkte 95-%-Konfidenzintervall: ±5,907Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.458,103 Arena-PunkteKein klarer Vorsprung 95-%-Konfidenzintervall: ±4,022Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | style-control-v1style-controlled Bradley-Terry ratingMehr ist besserKohorte: lmarena-text-style-control:2026-08-12:overallKein dokumentierter Setup-UnterschiedKein klarer VorsprungGemini 3.5 Flash-Lite: Snapshot: gemini-3.5-flash-lite, Harness: Arena text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena text, style controlGemini 3.5 Flash-Lite: Stilbereinigte Arena-Bewertung aus 13.676 anonymen Paarvergleichen.DeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 54.288 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationOverall | 6,148 % | 26,201 %Gewinner | 1accuracyMehr ist besserKohorte: vals-code-migration:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-code-migration-2026-08-16-107652dc6bfcAbgerufen am 16.08.2026 |
| CorpFin v2Overall | 60,684 % | 61,383 %Gewinner | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-corp_fin_v2-2026-08-16-45bbf84f57abAbgerufen am 16.08.2026 |
| CyberBenchOverall | 72,316 %Gewinner | 68,644 % | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:overallKein dokumentierter Setup-UnterschiedSieger: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-16-702acaee9aa9Abgerufen am 16.08.2026 |
| EMBOverall | 43,231 % | 51,623 %Gewinner | 1accuracyMehr ist besserKohorte: vals-emb:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-emb-2026-08-16-68d5d1d47a97Abgerufen am 16.08.2026 |
| Finance Agent (v2)Overall | 47,442 %Gewinner | 44,083 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:overallKein dokumentierter Setup-UnterschiedSieger: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 14.08.2026Import-ID: vals-fabv2-2026-08-16-8853da43085dAbgerufen am 16.08.2026 |
| GPQA DiamondOverall | 83,838 % | 89,394 %Gewinner | 1accuracyMehr ist besserKohorte: vals-gpqa:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-gpqa-2026-08-16-7f8363eaa2dbAbgerufen am 16.08.2026 |
| Harvey's Legal Agent BenchmarkOverall · Task fully resolved | 0 % | 3,75 %Gewinner | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 14.08.2026Import-ID: vals-hlab-2026-08-16-bae90566df2fAbgerufen am 16.08.2026 |
| IOIOverall | 26,167 % | 35,833 %Gewinner | 1accuracyMehr ist besserKohorte: vals-ioi:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-ioi-2026-08-16-d9164ef483aaAbgerufen am 16.08.2026 |
| Legal Research BenchOverall · All-pass | 13,942 % | 23,077 %Gewinner | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 14.08.2026Import-ID: vals-legal_research-2026-08-16-af296c00ecaaAbgerufen am 16.08.2026 |
| LegalBenchOverall | 84,073 %Gewinner | 80,323 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:overallKein dokumentierter Setup-UnterschiedSieger: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-legal_bench-2026-08-16-d5b3b1b2b5c8Abgerufen am 16.08.2026 |
| LiveCodeBench v6Overall | 79,014 % | 87,484 %Gewinner | 1accuracyMehr ist besserKohorte: vals-lcb:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-lcb-2026-08-16-17b9c147080dAbgerufen am 16.08.2026 |
| MedCodeOverall | 43,489 %Gewinner | 40,455 % | 1accuracyMehr ist besserKohorte: vals-medcode:1:overallKein dokumentierter Setup-UnterschiedSieger: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-medcode-2026-08-16-524f7f474eacAbgerufen am 16.08.2026 |
| MedScribeOverall | 70,886 % | 75,144 %Gewinner | 1accuracyMehr ist besserKohorte: vals-medscribe:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-medscribe-2026-08-16-c385354a7e62Abgerufen am 16.08.2026 |
| MMLU-ProOverall | 85,836 % | 87,249 %Gewinner | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-mmlu_pro-2026-08-16-e14d5bb3a34cAbgerufen am 16.08.2026 |
| ProgramBenchOverall | 0 %Gleichstand | 0 %Gleichstand | 1accuracyMehr ist besserKohorte: vals-programbench:1:overallKein dokumentierter Setup-UnterschiedGleichstandGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-programbench-2026-08-16-08d9727662ddAbgerufen am 16.08.2026 |
| Public Benefits Bench v1.1Overall | 51,827 % | 62,923 %Gewinner | 1.1accuracyMehr ist besserKohorte: vals-snap:1.1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-public-benefits-bench-2026-08-16-7ce68123c502Abgerufen am 16.08.2026 |
| SWE-bench VerifiedOverall | 75 % | 77,4 %Gewinner | 1accuracyMehr ist besserKohorte: vals-swebench:1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-swebench-2026-08-16-c133071b8167Abgerufen am 16.08.2026 |
| TaxEval v2Overall | 72,608 %Gewinner | 72,077 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:overallKein dokumentierter Setup-UnterschiedSieger: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 12.08.2026Import-ID: vals-tax_eval_v2-2026-08-16-5bbd495dac53Abgerufen am 16.08.2026 |
| Terminal-Bench 2.1Overall | 50,187 %Gleichstand | 50,187 %Gleichstand | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:overallKein dokumentierter Setup-UnterschiedGleichstandGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-16-b3f38c18bea4Abgerufen am 16.08.2026 |
| Vals IndexOverall | 36,711 % | 42,888 %Gewinner | 2weighted index scoreMehr ist besserKohorte: vals-vals-index:2:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Keine weiteren Einstellungen ausgewiesen DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 14.08.2026Import-ID: vals-vals_index-2026-08-16-ab641d89d6edAbgerufen am 16.08.2026 |
| Vibe Code Bench v1.1Overall | 37,161 % | 49,931 %Gewinner | 1.1accuracyMehr ist besserKohorte: vals-vibe-code-bench:1.1:overallKein dokumentierter Setup-UnterschiedSieger: DeepSeek-V4-ProGemini 3.5 Flash-Lite: Harness: OpenHands DeepSeek-V4-Pro: Harness: OpenHands | Vals AITyp: Unabhängige EvaluationMessstand: 13.08.2026Import-ID: vals-vibe-code-2026-08-16-a73c9770bcc4Abgerufen am 16.08.2026 |
| Arena Text, Style ControlOverall | 1.457,988 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±5,907Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.455,61 Arena-Punkte 95-%-Konfidenzintervall: ±4,089Der 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 SiegerGemini 3.5 Flash-Lite: Snapshot: gemini-3.5-flash-lite, Harness: Arena text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena text, style controlGemini 3.5 Flash-Lite: Stilbereinigte Arena-Bewertung aus 13.676 anonymen Paarvergleichen.DeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 51.670 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCLI | 5,875 % | 15,47 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cliTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Exact Pages | 57,459 % | 59,207 %Höherer Messwert | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:exact_pagesTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| CyberBenchPatch | 77,966 % | 79,661 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:patchTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| EMBComps | 46,417 % | 57,434 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-emb:1:compsTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Adjustments | 41,741 %Höherer Messwert | 41,586 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:adjustmentsTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondFew-Shot CoT | 81,818 % | 90,404 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_few_shot_cotTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed | 76,449 % | 83,696 %Höherer Messwert | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__antitrust_competitionTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| IOIIOI 2024 | 25 % | 31,333 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-ioi:1:ioi2024Testaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-ioi-2026-08-11-2dfe8b4b8b7bAbgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · All-pass | 19,697 % | 28,788 %Höherer Messwert | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:administrative_regulatoryTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchConclusion Tasks | 88,404 % | 89,117 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:conclusion_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Easy | 98,758 %Kein direkter Sieger | 98,758 %Kein direkter Sieger | 1accuracyMehr ist besserKohorte: vals-lcb:1:easyTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBiology | 91,911 % | 92,887 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:biologyTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchAlmost Resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1accuracyMehr ist besserKohorte: vals-programbench:1:almostTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SWE-bench Verified<15 min fix | 85,567 % | 87,629 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-swebench:1:<15 min fixTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Correctness | 61,733 %Höherer Messwert | 60,589 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:correctnessTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Easy | 66,667 %Kein direkter Sieger | 66,667 %Kein direkter Sieger | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:easyTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Vals IndexCorpFin v2 | 62,238 %Höherer Messwert | 61,888 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-index:1.2:corp_fin_v2Testaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and finance | 1.459,06 Arena-Punkte 95-%-Konfidenzintervall: ±12,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.460,638 Arena-PunkteKein klarer Vorsprung 95-%-Konfidenzintervall: ±6,951Der 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:industry_business_and_management_and_financial_operationsKein dokumentierter Setup-UnterschiedKein klarer VorsprungGemini 3.5 Flash-Lite: Snapshot: gemini-3.5-flash-lite, Harness: Arena text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena text, style controlGemini 3.5 Flash-Lite: Stilbereinigte Arena-Bewertung aus 2.561 anonymen Paarvergleichen.DeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 10.715 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCOBOL | 6,964 % | 58,393 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cobolTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Max Fitting Context | 62,354 % | 63,054 %Höherer Messwert | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:max_fitting_contextTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| CyberBenchPoC | 66,667 %Höherer Messwert | 57,627 % | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:pocTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| EMBDataroom | 57,687 % | 62,572 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-emb:1:dataroomTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)All-Pass | 35,265 %Höherer Messwert | 31,448 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:all_passTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondZero-Shot CoT | 85,859 % | 88,384 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_zero_shot_cotTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:antitrust_competitionTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| IOIIOI 2025 | 27,333 % | 40,333 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-ioi:1:ioi2025Testaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-ioi-2026-08-11-2dfe8b4b8b7bAbgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · Weighted partial credit | 71,96 % | 83,372 %Höherer Messwert | 1weighted partial-credit scoreMehr ist besserKohorte: vals-legal-research:1:weighted_pass__administrative_regulatoryTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchInterpretation Tasks | 80,332 %Höherer Messwert | 75,169 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:interpretation_tasksTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Hard | 53,429 % | 72,571 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-lcb:1:hardTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBusiness | 90,621 % | 91,888 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:businessTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchFully Resolved | 0 %Kein direkter Sieger | 0 %Kein direkter Sieger | 1accuracyMehr ist besserKohorte: vals-programbench:1:strictTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SWE-bench Verified>4 hours | 33,333 %Höherer Messwert | 0 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:>4 hoursTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Stepwise Reasoning | 83,483 % | 83,565 %Höherer Messwert | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:stepwise_reasoningTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Hard | 31,111 %Kein direkter Sieger | 31,111 %Kein direkter Sieger | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:hardTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Vals IndexFinance Agent v2 | 46,626 %Höherer Messwert | 44,081 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-index:1.2:finance_agentTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Arena Text, Style ControlBusiness, management and finance | 1.459,06 Arena-PunkteHöherer Messwert 95-%-Konfidenzintervall: ±12,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.447,754 Arena-Punkte 95-%-Konfidenzintervall: ±7,037Der 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 SiegerGemini 3.5 Flash-Lite: Snapshot: gemini-3.5-flash-lite, Harness: Arena text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena text, style controlGemini 3.5 Flash-Lite: Stilbereinigte Arena-Bewertung aus 2.561 anonymen Paarvergleichen.DeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 10.363 anonymen Paarvergleichen. | ArenaTyp: Offizielles Benchmark-LeaderboardMessstand: 12.08.2026Import-ID: lmarena-eeedf9209373a7f9b324bfb839e7b02fedacd1e5-1611ed64f3f1Abgerufen am 16.08.2026 |
| Code MigrationCode Quality | 2,652 / 5 | 3,401 / 5Höherer Messwert | 1mean reviewer code-quality ratingMehr ist besserKohorte: vals-code-migration:1:code_qualityTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Shared Max Context | 62,238 %Höherer Messwert | 61,888 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:shared_max_contextTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| EMBDCF | 33,614 % | 44,435 %Höherer Messwert | 1accuracyMehr ist besserKohorte: vals-emb:1:dcfTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Comparables | 45,186 %Höherer Messwert | 39,632 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:comparablesTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed | 63,799 % | 83,512 %Höherer Messwert | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__arbitration_international_dispute_resolutionTestaufbau nicht identisch dokumentiertKein direkter SiegerGemini 3.5 Flash-Lite: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
Die Tabelle zeigt 64 diversifizierte Messreihen aus insgesamt 215 gemeinsamen Ergebnissen. Dadurch verdrängt ein Benchmark mit vielen Unteraufgaben nicht alle anderen Tests.
So liest du den Vergleich
Ein Benchmark-Sieg ist kein Gesamturteil
Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.
Preise beziehen sich auf die offiziellen API-Tarife pro 1 Mio. Token. Web-Abos und Cloud-Aufschläge können davon abweichen.
Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.
Weitere Duelle
Ähnliche LLM-Vergleiche
Vergleiche Gemini 3.5 Flash-Lite und DeepSeek-V4-Pro mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
Zum vollständigen LLM-Vergleich