Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
95
verschiedene Benchmarks
5
jüngster Abruf
15.10.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
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.
Für Muse Wonder ist im gespeicherten OpenRouter-Stand kein Anbietertarif verfügbar. Der offizielle Direktpreis wird trotzdem angezeigt.
Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.
Fähigkeitsprofil aus vergleichbaren Benchmarks
Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.
Nicht genug direkt vergleichbare Kategorien für ein belastbares Radar
Nur 0 von mindestens 5 Kategorien enthalten direkt vergleichbare Modellmessungen. Die Benchmarktabellen darunter zeigen die vorhandenen Belege, ohne fehlende Achsen aufzufüllen.
GPT-5.4Muse Wonder
Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.434,984 %
Muse WonderHöherer Messwert62,552 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.40 %
Muse WonderHöherer Messwert17,083 %
LMArena Code Arena WebDevOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.41.401,766
Muse WonderHöherer Messwert1.650,947
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.41.464,728
Muse WonderHöherer Messwert1.512,671
Vibe Code Bench v1.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.467,421 %
Muse WonderHöherer Messwert83,089 %
Code MigrationCLI. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.423,788 %
Muse WonderHöherer Messwert60,07 %
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.476,449 %
Muse WonderHöherer Messwert93,841 %
LMArena Code Arena WebDevWebdev. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.41.401,766
Muse WonderHöherer Messwert1.650,947
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.41.475,066
Muse WonderHöherer Messwert1.512,671
Code MigrationCOBOL. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.468,571 %
Muse WonderHöherer Messwert70 %
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.40 %
Muse WonderHöherer Messwert20 %
LMArena Code Arena WebDevWebdev-html. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.41.434,816
Muse WonderHöherer Messwert1.721,908
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-5.4: Arena-Bewertung aus 3.990 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.
1.401,766
95-%-Konfidenzintervall: ±10,455Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.650,947
95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 67.880 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.
1.464,728
95-%-Konfidenzintervall: ±3,69Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.512,671
95-%-Konfidenzintervall: ±13,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-5.4: Arena-Bewertung aus 3.990 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.
1.401,766
95-%-Konfidenzintervall: ±10,455Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.650,947
95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 64.787 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.
1.475,066
95-%-Konfidenzintervall: ±3,765Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.512,671
95-%-Konfidenzintervall: ±13,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-5.4: Arena-Bewertung aus 528 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 158 veröffentlichten Paarvergleichen.
1.434,816
95-%-Konfidenzintervall: ±27,294Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.721,908
95-%-Konfidenzintervall: ±51,47Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 13.848 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.
1.473,882
95-%-Konfidenzintervall: ±6,361Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.500,247
95-%-Konfidenzintervall: ±30,856Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-5.4: Arena-Bewertung aus 2.727 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 787 veröffentlichten Paarvergleichen.
1.391,351
95-%-Konfidenzintervall: ±12,752Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.637,813
95-%-Konfidenzintervall: ±23,199Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 13.095 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.
1.481,483
95-%-Konfidenzintervall: ±6,462Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.500,247
95-%-Konfidenzintervall: ±30,856Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 18.933 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.
1.511,592
95-%-Konfidenzintervall: ±5,788Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.557,956
95-%-Konfidenzintervall: ±26,189Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 17.605 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.
1.520,364
95-%-Konfidenzintervall: ±5,837Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.557,956
95-%-Konfidenzintervall: ±26,189Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 11.357 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 427 veröffentlichten Paarvergleichen.
1.434,365
95-%-Konfidenzintervall: ±6,8Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.485,682
95-%-Konfidenzintervall: ±29,474Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 11.142 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 427 veröffentlichten Paarvergleichen.
1.442,006
95-%-Konfidenzintervall: ±6,936Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.485,682
95-%-Konfidenzintervall: ±29,474Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 30.866 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 802 veröffentlichten Paarvergleichen.
1.468,033
95-%-Konfidenzintervall: ±4,897Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.523,395
95-%-Konfidenzintervall: ±20,831Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 29.345 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 802 veröffentlichten Paarvergleichen.
1.476,182
95-%-Konfidenzintervall: ±4,944Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.523,395
95-%-Konfidenzintervall: ±20,831Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 14.807 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.
1.431,662
95-%-Konfidenzintervall: ±6,25Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.468,099
95-%-Konfidenzintervall: ±25,703Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 14.168 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.
1.440,873
95-%-Konfidenzintervall: ±6,398Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.468,099
95-%-Konfidenzintervall: ±25,703Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 52.190 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.390 veröffentlichten Paarvergleichen.
1.470,709
95-%-Konfidenzintervall: ±4,819Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.538,781
95-%-Konfidenzintervall: ±18,91Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 49.666 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.390 veröffentlichten Paarvergleichen.
1.484,209
95-%-Konfidenzintervall: ±4,916Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.538,781
95-%-Konfidenzintervall: ±18,91Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 6.735 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 212 veröffentlichten Paarvergleichen.
1.491,618
95-%-Konfidenzintervall: ±8,214Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.512,579
95-%-Konfidenzintervall: ±38,177Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 6.353 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 212 veröffentlichten Paarvergleichen.
Höherer Messwert1.514,397
95-%-Konfidenzintervall: ±8,348Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
1.512,579
95-%-Konfidenzintervall: ±38,177Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 44.750 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.218 veröffentlichten Paarvergleichen.
1.486,787
95-%-Konfidenzintervall: ±4,46Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.533,453
95-%-Konfidenzintervall: ±16,637Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 42.150 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.218 veröffentlichten Paarvergleichen.
1.496,34
95-%-Konfidenzintervall: ±4,508Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.533,453
95-%-Konfidenzintervall: ±16,637Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 21.088 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 527 veröffentlichten Paarvergleichen.
1.486,355
95-%-Konfidenzintervall: ±5,603Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.524,593
95-%-Konfidenzintervall: ±25,568Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 19.731 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 527 veröffentlichten Paarvergleichen.
1.492,959
95-%-Konfidenzintervall: ±5,666Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.524,593
95-%-Konfidenzintervall: ±25,568Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 23.401 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 653 veröffentlichten Paarvergleichen.
1.460,371
95-%-Konfidenzintervall: ±5,375Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.502,929
95-%-Konfidenzintervall: ±22,755Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 21.888 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 653 veröffentlichten Paarvergleichen.
1.470,847
95-%-Konfidenzintervall: ±5,456Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.502,929
95-%-Konfidenzintervall: ±22,755Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 11.092 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 285 veröffentlichten Paarvergleichen.
1.477,818
95-%-Konfidenzintervall: ±6,708Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.527,653
95-%-Konfidenzintervall: ±35,27Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich 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 besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 10.648 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 285 veröffentlichten Paarvergleichen.
1.487,525
95-%-Konfidenzintervall: ±6,826Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.527,653
95-%-Konfidenzintervall: ±35,27Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 29.953 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 866 veröffentlichten Paarvergleichen.
1.477,265
95-%-Konfidenzintervall: ±5,203Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.504,143
95-%-Konfidenzintervall: ±19,981Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 28.449 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 866 veröffentlichten Paarvergleichen.
1.480,812
95-%-Konfidenzintervall: ±5,275Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.504,143
95-%-Konfidenzintervall: ±19,981Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-5.4: Arena-Bewertung aus 12.653 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 256 veröffentlichten Paarvergleichen.
1.479,954
95-%-Konfidenzintervall: ±6,559Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.544,436
95-%-Konfidenzintervall: ±35,53Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
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 GPT-5.4 und Muse Wonder mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
