Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
191
verschiedene Benchmarks
32
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.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder scorecard; version unspecifiedMessgröße: strict pass@1; every end-state assertion passedBewertung: Mehr ist besserEinstellungen: Reasoning: maxGeschäftsabläufe in einer simulierten Anwendungsumgebung. Jede Endzustandsprüfung muss bestehen, Reasoning max. Nicht mit anderen AutomationBench-AA-Metriken vermischen.
Gewinner41,6 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
39,1 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: v1.1Messgröße: pass@1Bewertung: Mehr ist besserEinstellungen: Reasoning: max113 Aufgaben in 91 Repositorys und fünf Sprachen. Reasoning max. Meta nennt Datacurve als Evaluator; diese Muse-Werte waren auf dessen öffentlicher Rangliste beim Abruf nicht auffindbar.
74,1 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Gewinner78,8 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder scorecard; version unspecifiedMessgröße: published GDP.pdf scoreBewertung: Mehr ist besserEinstellungen: Reasoning: maxBerufliche Arbeit mit bereitgestellten PDF-Unterlagen. Reasoning max. Meta nennt Surge als ursprüngliche Quelle.
Gewinner34,2 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
30,8 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: all criteria passed with hallucination checksBewertung: Mehr ist besserEinstellungen: Reasoning: maxJuristische Arbeitsergebnisse, alle Kriterien einschließlich Halluzinationsprüfung müssen erfüllt sein. Reasoning max. Meta nennt Artificial Analysis als ursprünglichen Evaluator.
8,6 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Gewinner10 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder scorecard; version unspecifiedMessgröße: length-normalized weighted rubric scoreBewertung: Mehr ist besserEinstellungen: Reasoning: max525 Gesundheitsfragen ohne Werkzeuge, ärztliche Bewertungsraster mit GPT-5.4 als Bewerter. Reasoning max. Die Claude-Werte stammen laut Meta aus Anthropics Modellkarten.
Gewinner65,3 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
60,5 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder scorecard; version unspecifiedMessgröße: mean task rewardBewertung: Mehr ist besserEinstellungen: Reasoning: max65 berufliche Aufgaben aus 35 Berufen. Mittlerer aufgabenspezifischer Reward, Reasoning max.
66,1 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Gewinner70,5 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6 Astra: Arena-Bewertung aus 5.746 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.
Gewinner1.780,244
95-%-Konfidenzintervall: ±10,541Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
1.650,947
95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-6 Astra: Arena-Bewertung aus 11.674 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.
1.476,716
95-%-Konfidenzintervall: ±6,385Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Gewinner1.512,671
95-%-Konfidenzintervall: ±13,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta internal Wonder evaluationMessgröße: LLM-judge weighted rubric scoreBewertung: Mehr ist besserEinstellungen: Reasoning: maxInterner Meta-Test mit 64K-100K Token langen Gesprächen, Ablenkungen sowie widersprüchlichen oder aktualisierten Gesprächsteilen. Reasoning max.
81,4 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Gewinner85,6 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Kein dokumentierter Unterschied im TestaufbauVersion: V2.1Messgröße: strict binary task completionBewertung: Mehr ist besserEinstellungen: Reasoning: max108 Desktop-Arbeitsabläufe auf Ubuntu. Vollständige Aufgabenerfüllung ohne Teilpunkte, Reasoning max. Kein veröffentlichter binärer Opus-5.5-Wert.
Gleichstand34,3 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Gleichstand34,3 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: V2.1Messgröße: mean per-task partial rewardBewertung: Mehr ist besserEinstellungen: Reasoning: max108 Desktop-Arbeitsabläufe auf Ubuntu. Teilpunkte, Reasoning max. Der Opus-5.5-Wert ist laut Meta eine Anthropic-Angabe.
Gewinner75,8 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
72,6 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Personal Superintelligence IndexOverallTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder launch scorecardMessgröße: Meta internal composite scoreBewertung: Mehr ist besserEinstellungen: Reasoning: maxMetas internes Aggregat aus sieben Tests für persönliche und berufliche Aufgaben. Reasoning max.
Gewinner54,5 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
54,3 Punkte
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe. Die Quelle nennt keinen Nenner und keine normierte Skala. Angezeigt wird der veröffentlichte Rohwert, keine Prozentangabe.
Kein dokumentierter Unterschied im TestaufbauVersion: Meta Wonder scorecard; version unspecifiedMessgröße: rollouts passing at least 95% of testsBewertung: Mehr ist besserEinstellungen: Reasoning: max, Harness: mini-swe-agentProgramme aus einer Spezifikation rekonstruieren. Einheitlicher mini-swe-agent, saubere Umgebung ohne Internet nach dem Start. Anteil der Läufe mit mindestens 95 % bestandenen Tests, Reasoning max.
Gewinner52,5 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
50 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: 4.0-AAMessgröße: task accuracyBewertung: Mehr ist besserEinstellungen: Reasoning: maxTerminal-Aufgaben in isolierten Umgebungen mit ausführbaren Prüfern. Reasoning max. Meta nennt Artificial Analysis als Ergebnisquelle; die jeweiligen Agenten bleiben Teil des Ergebnisses.
Gewinner59,1 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
52 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: V2Messgröße: private test accuracyBewertung: Mehr ist besserEinstellungen: Reasoning: maxFinanzrecherche anhand von Unternehmensunterlagen und Marktdaten. Privates Testset, Reasoning max. Von Meta wiedergegebene Vals-Werte.
53,5 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Gewinner56,6 %
Von Meta veröffentlichte Vergleichstabelle. Meta verwendet je nach Benchmark eigene Läufe, Herstellerangaben oder Drittanbieter-Ergebnisse und wählt den höchsten verfügbaren validierten Wert. Das ist keine durchgehend unabhängig erhobene Vergleichsgruppe.
Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6 Astra: Arena-Bewertung aus 5.746 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.
Gewinner1.780,244
95-%-Konfidenzintervall: ±10,541Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
1.650,947
95-%-Konfidenzintervall: ±18,263Der 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
Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-6 Astra: Arena-Bewertung aus 2.061 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.
1.472,34
95-%-Konfidenzintervall: ±13,336Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein klarer Vorsprung1.500,247
95-%-Konfidenzintervall: ±30,856Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Code Arena WebDev Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6 Astra: Arena-Bewertung aus 1.129 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 158 veröffentlichten Paarvergleichen.
Kein klarer Vorsprung1.780,13
95-%-Konfidenzintervall: ±22,887Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
1.721,908
95-%-Konfidenzintervall: ±51,47Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Astra: Snapshot: gpt-6-astra-max, Reasoning: max, Harness: Arena Text, style control Muse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style controlGPT-6 Astra: Arena-Bewertung aus 2.659 veröffentlichten Paarvergleichen.Muse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.
1.543,161
95-%-Konfidenzintervall: ±11,756Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.
Kein klarer Vorsprung1.557,956
95-%-Konfidenzintervall: ±26,189Der 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-6 Astra und Muse Wonder mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
