Direktvergleich

GPT-6 Sol vs. Mistral Medium 3.5

Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.

gemeinsame Messreihen: 158
verschiedene Benchmarks: 15
jüngster Abruf: 15.10.2026

Erstes ModellZweites Modell

Steckbrief

Allgemeine Daten

Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.

Allgemeine Daten von GPT-6 Sol und Mistral Medium 3.5
Merkmal	GPT-6 Sol	Mistral Medium 3.5
Anbieter	OpenAI	Mistral AI
Erschienen	22. Sept. 2026	28. Apr. 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	128 Mrd.
Architektur	Nicht veröffentlicht	Dense
Kontextfenster	1.050.000 Token	262.144 Token
Wissensstand	20. April 2026	Nicht veröffentlicht
Technische Quellen	Modell, Kontext	Modell, Kontext

Kosten

API-Preise im Vergleich

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.

API-Preise von GPT-6 Sol und Mistral Medium 3.5
Preisart	GPT-6 Sol	Mistral Medium 3.5
API-Eingabe	2 $ ≤272K / 4 $ >272K	1,5 $
API-Ausgabe	10 $ ≤272K / 15 $ >272K	7,5 $
Cache lesen	0,2 $ ≤272K / 0,4 $ >272K	Nicht ausgewiesen
Cache schreiben (5 Min.)	2,5 $ ≤272K / 5 $ >272K	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	22.09.2026 Quelle	22.09.2026 Quelle

GPT-6 SolMistral Medium 3.5

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-6 Sol2 $

Mistral Medium 3.51,5 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-6 Sol10 $

Mistral Medium 3.57,5 $

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.

Anbieterpreise von GPT-6 Sol und Mistral Medium 3.5
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-6 Sol	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	2 $	10 $	Quelle22.09.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	4 $	15 $	Quelle22.09.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	2,2 $	11 $	Quelle17.10.2026
	Azure	Über OpenRouterazure	2 $	10 $	Quelle17.10.2026
	Azure	Über OpenRouterazure/eu	2,2 $	11 $	Quelle17.10.2026
	Azure	Über OpenRouterazure/us	2,2 $	11 $	Quelle17.10.2026
	OpenAI	Über OpenRouteropenai	2 $	10 $	Quelle17.10.2026
	OpenAI	Über OpenRouteropenai/fast	4 $	20 $	Quelle17.10.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 1 $	Günstigster erfasster Preis: 5 $	Quelle17.10.2026
Mistral Medium 3.5	Mistral AI	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle22.09.2026
	Mistral	Über OpenRoutermistral	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle17.10.2026
	Mistral	Über OpenRoutermistral/eu	1,65 $	8,25 $	Quelle17.10.2026
	Mistral	Über OpenRoutermistral/zdr	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle17.10.2026

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.

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-6 SolMistral Medium 3.5

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol57,195 %

Mistral Medium 3.55,127 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol71,53 %

Mistral Medium 3.511,185 %

Finance Agent (v2)Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol49,05 %

Mistral Medium 3.532,103 %

Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol1,667 %

Mistral Medium 3.50,417 %

Legal Research BenchOverall · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol28,846 %

Mistral Medium 3.59,135 %

LMArena Code Arena WebDevOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol1.685,864

Mistral Medium 3.51.263,383

LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol1.458,271

Mistral Medium 3.51.426,605

LMArena Vision, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol1.270,404

Mistral Medium 3.51.200,386

MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol47,072 %

Mistral Medium 3.533,752 %

MedScribeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol82,034 %

Mistral Medium 3.567,728 %

ProofBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol83 %

Mistral Medium 3.59 %

SAGEOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6 Sol44,793 %

Mistral Medium 3.537,613 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-6 Sol und Mistral Medium 3.5
Benchmark und Aufgabe	GPT-6 Sol	Mistral Medium 3.5	Quelle
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert57,195 %	5,127 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert71,53 %	11,185 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert49,05 %	32,103 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert1,667 %	0,417 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert28,846 %	9,135 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevGPT-6 Sol: Arena-Bewertung aus 4.032 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.685,864 95-%-Konfidenzintervall: ±10,999Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 11.903 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 11.793 veröffentlichten Paarvergleichen.	Höherer Messwert1.458,271 95-%-Konfidenzintervall: ±6,418Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.426,605 95-%-Konfidenzintervall: ±6,399Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 2.657 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 5.375 veröffentlichten Paarvergleichen.	Höherer Messwert1.270,404 95-%-Konfidenzintervall: ±12,341Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.200,386 95-%-Konfidenzintervall: ±9,604Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
MedCodeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert47,072 %	33,752 %	Vals AI Quellendetails Datenstand: 13.10.2026
MedScribeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert82,034 %	67,728 %	Vals AI Quellendetails Datenstand: 13.10.2026
ProofBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert83 %	9 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 30.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert44,793 %	37,613 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert15,002 %	4,482 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert83,146 %	38,951 %	Vals AI Quellendetails Datenstand: 28.09.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert87,824 %	2,888 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert52,927 %	4,991 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert73,295 %	18,088 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert43,241 %	27,312 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert78,623 %	64,493 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert39,394 %	7,576 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevWebdev Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevGPT-6 Sol: Arena-Bewertung aus 4.032 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.685,864 95-%-Konfidenzintervall: ±10,999Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 2.220 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.257 veröffentlichten Paarvergleichen.	Höherer Messwert1.447,173 95-%-Konfidenzintervall: ±13,15Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.430,463 95-%-Konfidenzintervall: ±12,817Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlCreative writing vision Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 240 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 342 veröffentlichten Paarvergleichen.	Höherer Messwert1.270,527 95-%-Konfidenzintervall: ±41,066Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.196,259 95-%-Konfidenzintervall: ±33,621Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 30.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert33,73 %	30,159 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert6,667 %	3,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert100 %	66,667 %	Vals AI Quellendetails Datenstand: 28.09.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert70 %	5,536 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert83,92 %	13,403 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert35,981 %	21,632 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert80,457 %	67,472 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevWebdev-html Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevGPT-6 Sol: Arena-Bewertung aus 772 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 259 veröffentlichten Paarvergleichen.	Höherer Messwert1.682,93 95-%-Konfidenzintervall: ±24,785Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.307,357 95-%-Konfidenzintervall: ±41,479Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 958 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 620 veröffentlichten Paarvergleichen.	Höherer Messwert1.483,024 95-%-Konfidenzintervall: ±19,739Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.446,79 95-%-Konfidenzintervall: ±23,875Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlDiagram Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 676 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 1.540 veröffentlichten Paarvergleichen.	Höherer Messwert1.301,459 95-%-Konfidenzintervall: ±23,603Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.242,126 95-%-Konfidenzintervall: ±16,169Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 30.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert75 %	2,778 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert50,662 %	18,379 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert78,889 %	15,556 %	Vals AI Quellendetails Datenstand: 28.09.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert4,375 / 5	2,987 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDCF Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert63,142 %	2,218 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert40,833 %	31,512 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert83,871 %	70,776 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchBusiness & Commercial · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert27,907 %	9,302 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevWebdev-react Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevGPT-6 Sol: Arena-Bewertung aus 2.378 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 1.977 veröffentlichten Paarvergleichen.	Höherer Messwert1.688,269 95-%-Konfidenzintervall: ±13,996Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.253,399 95-%-Konfidenzintervall: ±16,155Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Text, Style ControlCoding Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 2.760 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 3.298 veröffentlichten Paarvergleichen.	Höherer Messwert1.518,379 95-%-Konfidenzintervall: ±11,783Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.477,902 95-%-Konfidenzintervall: ±10,821Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 875 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.316 veröffentlichten Paarvergleichen.	Höherer Messwert1.260,347 95-%-Konfidenzintervall: ±21,139Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.216,805 95-%-Konfidenzintervall: ±13,853Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 30.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert64,141 %	41,411 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert23,179 %	6,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert84,242 %	49,697 %	Vals AI Quellendetails Datenstand: 28.09.2026
EMBLBO Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert59,445 %	9,61 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Disclosure Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert55,634 %	40,223 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchBusiness & Commercial · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert80,401 %	71,304 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlCreative writing Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 2.486 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.081 veröffentlichten Paarvergleichen.	Höherer Messwert1.441,256 95-%-Konfidenzintervall: ±12,885Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.400,583 95-%-Konfidenzintervall: ±13,731Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlHomework Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 398 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 805 veröffentlichten Paarvergleichen.	Höherer Messwert1.312,422 95-%-Konfidenzintervall: ±29,224Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.217,674 95-%-Konfidenzintervall: ±22,051Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
SAGEPartial Differential Equations Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 30.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	36,508 %	Höherer Messwert41,27 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert56,104 %	29,444 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBM&A Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert83,021 %	10,694 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Earnings Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert72,38 %	42,125 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkBanking Finance · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert87,732 %	78,439 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchCivil Litigation · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert18,519 %	11,111 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlGPT-6 Sol: Arena-Bewertung aus 4.618 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 5.655 veröffentlichten Paarvergleichen.	Höherer Messwert1.460,65 95-%-Konfidenzintervall: ±9,352Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.443,972 95-%-Konfidenzintervall: ±8,479Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
LMArena Vision, Style ControlOcr Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6 Sol: Snapshot: gpt-6-sol-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlGPT-6 Sol: Arena-Bewertung aus 1.872 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 3.904 veröffentlichten Paarvergleichen.	Höherer Messwert1.288,79 95-%-Konfidenzintervall: ±14,179Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.215,105 95-%-Konfidenzintervall: ±10,552Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchFact-Pattern Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert16,279 %	2,326 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBMisc Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert64,965 %	14,103 %	Vals AI Quellendetails Datenstand: 12.10.2026
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Eigene Modelltests

Unsere Tests

SVG-Kurztest

Ein SVG-Prompt, feste Ausgabeparameter. Aufnahmen erscheinen nur bei gemeldeten 0 Reasoning-Tokens oder dokumentiert fehlender Reasoning-Steuerung. Gleiche Testbedingungen machen die interne Rechenleistung der Modelle nicht identisch.

Gemeinsame Testrunde: 4ae5d8eeb9a9

GPT-6 Sol

In dieser Runde nicht verfügbar

Mistral Medium 3.5

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

GPT-6 Sol

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: openai/gpt-6-sol
API-Modell laut Antwort: openai/gpt-6-sol
Reasoning-Einstellung: high
Festgelegter Endpunkt: OpenAI | openai/gpt-6-sol-20260922
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 80,5 s

Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.

Mistral Medium 3.5

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: mistralai/mistral-medium-3-5
API-Modell laut Antwort: mistralai/mistral-medium-3-5
Reasoning-Einstellung: high
Festgelegter Endpunkt: Mistral | mistralai/mistral-medium-3.5-20260430
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 38,7 s

Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.

Frühere Versuche (1)

07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

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.

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

Vergleiche GPT-6 Sol und Mistral Medium 3.5 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

GPT-6 Sol vs. Mistral Medium 3.5

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

GPT-6 Sol

Mistral Medium 3.5

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche