Direktvergleich

GPT-6.1 Sol vs. DeepSeek-V4.1-Flash

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

gemeinsame Messreihen: 205
verschiedene Benchmarks: 25
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-6.1 Sol und DeepSeek-V4.1-Flash
Merkmal	GPT-6.1 Sol	DeepSeek-V4.1-Flash
Anbieter	OpenAI	DeepSeek
Erschienen	29. Sept. 2026	10. Sept. 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	552 Mrd.
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.050.000 Token	1.000.000 Token
Wissensstand	30. April 2026	Nicht veröffentlicht
Technische Quellen	Modell, Kontext	Modell

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-6.1 Sol und DeepSeek-V4.1-Flash
Preisart	GPT-6.1 Sol	DeepSeek-V4.1-Flash
API-Eingabe	2 $ ≤272K / 4 $ >272K	0,15 $ (Off-Peak)
API-Ausgabe	10 $ ≤272K / 15 $ >272K	0,6 $ (Off-Peak)
Cache lesen	0,1 $ ≤272K / 0,2 $ >272K	0,003 $ (Off-Peak)
Cache schreiben (5 Min.)	2,5 $ ≤272K / 5 $ >272K	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	29.09.2026 Quelle	23.09.2026 Quelle
DeepSeek-V4.1-Flash: Spitzenpreise sind 0,3 $ Eingabe / 1,2 $ Ausgabe pro 1 Mio. Token während Mo, Di, Mi, Do, Fr, 01:00-04:00 UTC; Mo, Di, Mi, Do, Fr, 06:00-10:00 UTC; zu allen anderen Zeiten gelten Off-Peak-Preise.

GPT-6.1 SolDeepSeek-V4.1-Flash

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol2 $

DeepSeek-V4.1-Flash0,15 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol10 $

DeepSeek-V4.1-Flash0,6 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol0,1 $

DeepSeek-V4.1-Flash0,003 $

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 GPT-6.1 Sol ist im gespeicherten OpenRouter-Stand kein Anbietertarif verfügbar. Der offizielle Direktpreis wird trotzdem angezeigt.

Anbieterpreise von GPT-6.1 Sol und DeepSeek-V4.1-Flash
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-6.1 Sol	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 10 $	Quelle29.09.2026
GPT-6.1 Sol	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	4 $	15 $	Quelle29.09.2026
DeepSeek-V4.1-Flash	DeepSeek	Direkt beim EntwicklerStandard-API	0,15 $	0,6 $	Quelle23.09.2026
	Alibaba	Über OpenRouteralibaba	0,3 $	1,2 $	Quelle17.10.2026
	AtlasCloud	Über OpenRouteratlas-cloud/fp8	0,135 $	0,54 $	Quelle17.10.2026
	Baidu	Über OpenRouterbaidu/fp8	0,3 $	1,2 $	Quelle17.10.2026
	BaseTen	Über OpenRouterbaseten	0,3 $	1,2 $	Quelle17.10.2026
	BaseTen	Über OpenRouterbaseten/us	0,3 $	1,2 $	Quelle17.10.2026
	Cloudflare	Über OpenRoutercloudflare	0,1 $	0,9 $	Quelle17.10.2026
	CoreWeave	Über OpenRoutercoreweave/fp8	0,15 $	0,65 $	Quelle17.10.2026
	Crusoe	Über OpenRoutercrusoe/fp8	0,29 $	1,2 $	Quelle17.10.2026
	Decart	Über OpenRouterdecart/fp4	0,09 $	0,18 $	Quelle17.10.2026
	DeepInfra	Über OpenRouterdeepinfra/fp8	0,14 $	0,42 $	Quelle17.10.2026
	DeepInfra	Über OpenRouterdeepinfra/fp8/flex	0,112 $	0,336 $	Quelle17.10.2026
	DeepInfra	Über OpenRouterdeepinfra/fp8/priority	0,21 $	0,63 $	Quelle17.10.2026
	DeepSeek	Über OpenRouterdeepseek	0,15 $	0,6 $	Quelle17.10.2026
	DigitalOcean	Über OpenRouterdigitalocean	0,195 $	0,78 $	Quelle17.10.2026
	Fireworks	Über OpenRouterfireworks	0,3 $	1,2 $	Quelle17.10.2026
	Fireworks	Über OpenRouterfireworks/us	0,45 $	1,8 $	Quelle17.10.2026
	GMICloud	Über OpenRoutergmicloud/fp8	0,18 $	0,72 $	Quelle17.10.2026
	InferenceNet	Über OpenRouterinference-net/fp8	0,103 $	0,715 $	Quelle17.10.2026
	Ionstream	Über OpenRouterionstream	0,27 $	1,1 $	Quelle17.10.2026
	Makora	Über OpenRoutermakora/fp8	0,27 $	1,15 $	Quelle17.10.2026
	Modal	Über OpenRoutermodal	0,3 $	1,2 $	Quelle17.10.2026
	Morph	Über OpenRoutermorph/fp8	0,04 $	0,7 $	Quelle17.10.2026
	Novita	Über OpenRouternovita/fp8	0,195 $	0,78 $	Quelle17.10.2026
	OpenInference	Über OpenRouteropen-inference/fp4	Günstigster erfasster Preis: 0,032 $	Günstigster erfasster Preis: 0,144 $	Quelle17.10.2026
	Parasail	Über OpenRouterparasail/fp8	0,3 $	1,2 $	Quelle17.10.2026
	Phala	Über OpenRouterphala	0,21 $	0,84 $	Quelle17.10.2026
	PrimeIntellect	Über OpenRouterprimeintellect	0,3 $	1,2 $	Quelle17.10.2026
	Relace	Über OpenRouterrelace	0,2 $	0,6 $	Quelle17.10.2026
	Sail Research	Über OpenRoutersail-research/fp4	0,09 $	0,3 $	Quelle17.10.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	0,3 $	1,2 $	Quelle17.10.2026
	StreamLake	Über OpenRouterstreamlake/fp8	0,1497 $	0,5988 $	Quelle17.10.2026
	Together	Über OpenRoutertogether	0,3 $	1,2 $	Quelle17.10.2026
	Venice	Über OpenRoutervenice/fp8	0,3 $	1,2 $	Quelle17.10.2026
	Wafer	Über OpenRouterwafer/mxfp4	0,1 $	0,65 $	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.

GPT-6.1 Sol

DeepSeek-V4.1-Flash

Coding: 100 / 95,6 (2 Benchmarkfamilien)

Reasoning: 100 / 99,6 (1 Benchmarkfamilie)

Mathematik: 99,9 / 98,9 (1 Benchmarkfamilie)

Wissen: 100 / 99,2 (1 Benchmarkfamilie)

Finanzen: 100 / 99,5 (1 Benchmarkfamilie)

Recht: 100 / 97,2 (1 Benchmarkfamilie)

Multimodal: 100 / 97,8 (1 Benchmarkfamilie)

Gesundheit: 98,8 / 100 (1 Benchmarkfamilie)

35 passende Messreihen aus 3 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 9 vergleichbaren Kategorien.

GPT-6.1 SolDeepSeek-V4.1-Flash

BioMysteryBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol79,63 %

DeepSeek-V4.1-Flash67,778 %

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol65,122 %

DeepSeek-V4.1-Flash45,623 %

CyberBench v1.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol39,286 %

DeepSeek-V4.1-Flash73,69 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol70,773 %

DeepSeek-V4.1-Flash57,208 %

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

GPT-6.1 Sol52,033 %

DeepSeek-V4.1-Flash53,481 %

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

GPT-6.1 Sol5,417 %

DeepSeek-V4.1-Flash6,667 %

IOIOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol96,889 %

DeepSeek-V4.1-Flash40,278 %

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

GPT-6.1 Sol38,462 %

DeepSeek-V4.1-Flash41,346 %

LMArena Code Arena WebDevOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol1.760,088

DeepSeek-V4.1-Flash1.618,513

LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol1.483,959

DeepSeek-V4.1-Flash1.474,579

LMArena Vision, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol1.294,052

DeepSeek-V4.1-Flash1.260,318

MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol48,839 %

DeepSeek-V4.1-Flash41,173 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-6.1 Sol und DeepSeek-V4.1-Flash
Benchmark und Aufgabe	GPT-6.1 Sol	DeepSeek-V4.1-Flash	Quelle
BioMysteryBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Terminus 2, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Terminus 2, Ausgabegrenze: 384.000 tokens	Höherer Messwert79,63 %	67,778 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert65,122 %	45,623 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	39,286 %	Höherer Messwert73,69 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert70,773 %	57,208 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	52,033 %	Höherer Messwert53,481 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	5,417 %	Höherer Messwert6,667 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert96,889 %	40,278 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	38,462 %	Höherer Messwert41,346 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 3.544 veröffentlichten Paarvergleichen.	Gewinner1.760,088 95-%-Konfidenzintervall: ±13,918Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.618,513 95-%-Konfidenzintervall: ±10,935Der 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 Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 5.762 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 12.000 veröffentlichten Paarvergleichen.	Kein klarer Vorsprung1.483,959 95-%-Konfidenzintervall: ±8,383Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.474,579 95-%-Konfidenzintervall: ±6,317Der 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 Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.813 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 3.559 veröffentlichten Paarvergleichen.	Gewinner1.294,052 95-%-Konfidenzintervall: ±14,414Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.260,318 95-%-Konfidenzintervall: ±10,899Der 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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert48,839 %	41,173 %	Vals AI Quellendetails Datenstand: 13.10.2026
MedScribeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert86,453 %	85,5 %	Vals AI Quellendetails Datenstand: 13.10.2026
MysteryMechanismOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert46,396 %	21,171 %	Vals AI Quellendetails Datenstand: 12.10.2026
ProgramBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert3 %	0,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
ProofBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert99 %	54 %	Vals AI Quellendetails Datenstand: 12.10.2026
Public Benefits Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	59,337 %	Höherer Messwert64,276 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 30.000 tokens	46,538 %	Höherer Messwert47,88 %	Vals AI Quellendetails Datenstand: 08.10.2026
SRE BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully solved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert50,763 %	0,763 %	Vals AI Quellendetails Datenstand: 14.10.2026
SWE-bench MultimodalOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	43,542 %	Höherer Messwert46,458 %	Vals AI Quellendetails Datenstand: 13.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	21,754 %	Höherer Messwert26,63 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert55,051 %	19,697 %	Vals AI Quellendetails Datenstand: 13.10.2026
Terminal-Bench ScienceOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Mini-SWE-agent, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Mini-SWE-agent, Ausgabegrenze: 384.000 tokens	Höherer Messwert52,857 %	0 %	Vals AI Quellendetails Datenstand: 14.10.2026
Vals IndexOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: weighted index scoreBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert61,154 %	51,32 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: OpenHands, Ausgabegrenze: 384.000 tokens	Höherer Messwert88,931 %	84,739 %	Vals AI Quellendetails Datenstand: 12.10.2026
BioMysteryBenchHard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Terminus 2, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Terminus 2, Ausgabegrenze: 384.000 tokens	Höherer Messwert39,216 %	21,569 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert63,496 %	37,497 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1Patch Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	78,571 %	Höherer Messwert85,714 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert61,788 %	43,925 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	44,717 %	Höherer Messwert49,241 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert89,493 %	87,681 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2024 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert100 %	42,667 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Kein direkter Sieger53,03 %	Kein direkter Sieger53,03 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevImage to webdev Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 1.430 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 766 veröffentlichten Paarvergleichen.	Gewinner1.703,464 95-%-Konfidenzintervall: ±17,054Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.608,867 95-%-Konfidenzintervall: ±22,194Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 911 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 2.143 veröffentlichten Paarvergleichen.	Kein klarer Vorsprung1.483,743 95-%-Konfidenzintervall: ±19,566Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.476,217 95-%-Konfidenzintervall: ±12,877Der 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 Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 431 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 955 veröffentlichten Paarvergleichen.	Kein klarer Vorsprung1.311,21 95-%-Konfidenzintervall: ±28,641Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.290,828 95-%-Konfidenzintervall: ±19,74Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: almost-resolved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert46 %	16,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 30.000 tokens	Höherer Messwert40,476 %	32,936 %	Vals AI Quellendetails Datenstand: 08.10.2026
SRE BenchCapability Score Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: capability scoreBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert56,298 %	14,249 %	Vals AI Quellendetails Datenstand: 14.10.2026
SWE-bench Multimodalbpmn-js Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Kein direkter Sieger60,377 %	Kein direkter Sieger60,377 %	Vals AI Quellendetails Datenstand: 13.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert6,667 %	3,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Hardware Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert40 %	0 %	Vals AI Quellendetails Datenstand: 13.10.2026
Terminal-Bench ScienceEarth Sciences Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Mini-SWE-agent, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Mini-SWE-agent, Ausgabegrenze: 384.000 tokens	Höherer Messwert62,5 %	0 %	Vals AI Quellendetails Datenstand: 14.10.2026
Vals IndexCode Migration Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert63,309 %	46,854 %	Vals AI Quellendetails Datenstand: 13.10.2026
BioMysteryBenchHuman-solvable Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Terminus 2, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Terminus 2, Ausgabegrenze: 384.000 tokens	Höherer Messwert89,041 %	78,539 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Kein direkter Sieger70 %	Kein direkter Sieger70 %	Vals AI Quellendetails Datenstand: 12.10.2026
CyberBench v1.1PoC Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	0 %	Höherer Messwert61,667 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert84,477 %	73,863 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	39,906 %	Höherer Messwert41,052 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2025 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert100 %	35,167 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	85,547 %	Höherer Messwert89,06 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevWebdev Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: webdevMessgröße: WebDev Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 3.544 veröffentlichten Paarvergleichen.	Gewinner1.760,088 95-%-Konfidenzintervall: ±13,918Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.618,513 95-%-Konfidenzintervall: ±10,935Der 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 Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 918 veröffentlichten Paarvergleichen.	1.522,457 95-%-Konfidenzintervall: ±25,531Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	Kein klarer Vorsprung1.522,52 95-%-Konfidenzintervall: ±19,943Der 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 Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control DeepSeek-V4.1-Flash: Snapshot: deepseek-v4.1-flash-max, Reasoning: max, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 606 veröffentlichten Paarvergleichen.DeepSeek-V4.1-Flash: Arena-Bewertung aus 1.124 veröffentlichten Paarvergleichen.	Kein klarer Vorsprung1.286,655 95-%-Konfidenzintervall: ±24,458Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.270,817 95-%-Konfidenzintervall: ±18,539Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert3 %	0,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 30.000 tokens	Höherer Messwert79,938 %	33,333 %	Vals AI Quellendetails Datenstand: 08.10.2026
SRE BenchFully Solved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully solved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert50,763 %	0,763 %	Vals AI Quellendetails Datenstand: 14.10.2026
SWE-bench MultimodalCarbon Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	24,06 %	Höherer Messwert29,323 %	Vals AI Quellendetails Datenstand: 13.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: max, Temperatur: 1, Top P: 1, Ausgabegrenze: 384.000 tokens	Höherer Messwert64,799 %	52,802 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert50 %	8,333 %	Vals AI Quellendetails Datenstand: 13.10.2026
Terminal-Bench ScienceEngineering Sciences Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 0.1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Harness: Mini-SWE-agent, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Harness: Mini-SWE-agent, Ausgabegrenze: 384.000 tokens	Höherer Messwert33,333 %	0 %	Vals AI Quellendetails Datenstand: 14.10.2026
Vals IndexEMB Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert70,773 %	57,208 %	Vals AI Quellendetails Datenstand: 13.10.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens DeepSeek-V4.1-Flash: Reasoning: high, Ausgabegrenze: 384.000 tokens	Höherer Messwert4,496 / 5	4,411 / 5	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-6.1 Sol

In dieser Runde nicht verfügbar

DeepSeek-V4.1-Flash

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

GPT-6.1 Sol

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: openai/gpt-6.1-sol
API-Modell laut Antwort: openai/gpt-6.1-sol
Reasoning-Einstellung: high
Festgelegter Endpunkt: OpenAI | openai/gpt-6.1-sol-20260929
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 83,6 s

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

DeepSeek-V4.1-Flash

Die Antwort hat das Tokenlimit erreicht. Es liegt keine vollständige Aufzeichnung vor.

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 05.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: deepseek/deepseek-v4.1-flash
API-Modell laut Antwort: deepseek/deepseek-v4.1-flash
Reasoning-Einstellung: high
Festgelegter Endpunkt: DeepSeek | deepseek/deepseek-v4.1-flash-20260910
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Nicht bestanden
Antwortzeit: 25,8 s

Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.

Frühere Versuche (2)

02.10.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
01.10.2026API-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-6.1 Sol und DeepSeek-V4.1-Flash mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

GPT-6.1 Sol vs. DeepSeek-V4.1-Flash

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

GPT-6.1 Sol

DeepSeek-V4.1-Flash

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche