Direktvergleich

GPT-6.1 Sol vs. GLM-5.3-Flash

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

gemeinsame Messreihen: 182
verschiedene Benchmarks: 19
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 GLM-5.3-Flash
Merkmal	GPT-6.1 Sol	GLM-5.3-Flash
Anbieter	OpenAI	Z.ai
Erschienen	29. Sept. 2026	26. Aug. 2026
Verfügbarkeit	Aktiv	Open Source
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	320 Mrd., 18 Mrd. aktiv
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, 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-6.1 Sol und GLM-5.3-Flash
Preisart	GPT-6.1 Sol	GLM-5.3-Flash
API-Eingabe	2 $ ≤272K / 4 $ >272K	0,15 $
API-Ausgabe	10 $ ≤272K / 15 $ >272K	0,5 $
Cache lesen	0,1 $ ≤272K / 0,2 $ >272K	0,03 $
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	22.09.2026 Quelle

GPT-6.1 SolGLM-5.3-Flash

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol2 $

GLM-5.3-Flash0,15 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol10 $

GLM-5.3-Flash0,5 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol0,1 $

GLM-5.3-Flash0,03 $

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 GLM-5.3-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
GLM-5.3-Flash	Z.ai	Direkt beim EntwicklerStandard-API	0,15 $	0,5 $	Quelle22.09.2026
	BaseTen	Über OpenRouterbaseten/fp8	0,15 $	0,5 $	Quelle17.10.2026
	BaseTen	Über OpenRouterbaseten/fp8/us	0,15 $	0,5 $	Quelle17.10.2026
	CoreWeave	Über OpenRoutercoreweave/nvfp4	0,15 $	0,5 $	Quelle17.10.2026
	Crusoe	Über OpenRoutercrusoe/fp4	0,15 $	0,5 $	Quelle17.10.2026
	Decart	Über OpenRouterdecart/fp4	0,0885 $	0,295 $	Quelle17.10.2026
	DeepInfra	Über OpenRouterdeepinfra/fp4	0,075 $	0,25 $	Quelle17.10.2026
	DigitalOcean	Über OpenRouterdigitalocean	0,1312 $	0,4375 $	Quelle17.10.2026
	Fireworks	Über OpenRouterfireworks	0,15 $	0,5 $	Quelle17.10.2026
	Friendli	Über OpenRouterfriendli	0,15 $	0,5 $	Quelle17.10.2026
	GMICloud	Über OpenRoutergmicloud/fp8	0,09 $	0,3 $	Quelle17.10.2026
	Inceptron	Über OpenRouterinceptron/fp8	0,1 $	0,69 $	Quelle17.10.2026
	InferenceNet	Über OpenRouterinference-net/fp4	0,12 $	0,388 $	Quelle17.10.2026
	Makora	Über OpenRoutermakora	0,14 $	0,47 $	Quelle17.10.2026
	Modal	Über OpenRoutermodal/nvfp4	0,15 $	0,5 $	Quelle17.10.2026
	Morph	Über OpenRoutermorph/fp8	0,05 $	0,65 $	Quelle17.10.2026
	Near AI	Über OpenRouternear-ai/fp8	0,08 $	0,5 $	Quelle17.10.2026
	NextBit	Über OpenRouternextbit/fp4	0,25 $	0,7 $	Quelle17.10.2026
	Novita	Über OpenRouternovita/fp8	0,084 $	0,28 $	Quelle17.10.2026
	OpenInference	Über OpenRouteropen-inference/fp4	Günstigster erfasster Preis: 0,0123 $	Günstigster erfasster Preis: 0,2 $	Quelle17.10.2026
	Parasail	Über OpenRouterparasail/fast	0,1875 $	0,625 $	Quelle17.10.2026
	Parasail	Über OpenRouterparasail/fp4	0,15 $	0,5 $	Quelle17.10.2026
	Phala	Über OpenRouterphala/nvfp4	0,1275 $	0,425 $	Quelle17.10.2026
	Reka	Über OpenRouterreka	0,06 $	1,6 $	Quelle17.10.2026
	Relace	Über OpenRouterrelace	0,075 $	0,5 $	Quelle17.10.2026
	Sail Research	Über OpenRoutersail-research/fp4	0,0784 $	0,3 $	Quelle17.10.2026
	Sail Research	Über OpenRoutersail-research/us	0,0784 $	0,3 $	Quelle17.10.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	0,15 $	0,5 $	Quelle17.10.2026
	StreamLake	Über OpenRouterstreamlake/fp8	0,075 $	0,25 $	Quelle17.10.2026
	Together	Über OpenRoutertogether	0,15 $	0,5 $	Quelle17.10.2026
	Venice	Über OpenRoutervenice	0,15 $	0,5 $	Quelle17.10.2026
	Wafer	Über OpenRouterwafer/nvfp4	0,12 $	0,5 $	Quelle17.10.2026
	Z.AI	Über OpenRouterz-ai/fp8	0,15 $	0,5 $	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-6.1 SolGLM-5.3-Flash

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol65,122 %

GLM-5.3-Flash20,515 %

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

GPT-6.1 Sol39,286 %

GLM-5.3-Flash67,857 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol70,773 %

GLM-5.3-Flash55,932 %

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

GPT-6.1 Sol52,033 %

GLM-5.3-Flash57,85 %

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

GPT-6.1 Sol5,417 %

GLM-5.3-Flash6,667 %

IOIOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol96,889 %

GLM-5.3-Flash52,5 %

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

GPT-6.1 Sol38,462 %

GLM-5.3-Flash45,192 %

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

GPT-6.1 Sol1.760,088

GLM-5.3-Flash1.606,051

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

GPT-6.1 Sol1.483,959

GLM-5.3-Flash1.474,228

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

GPT-6.1 Sol1.294,052

GLM-5.3-Flash1.273,331

MedScribeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol86,453 %

GLM-5.3-Flash88,936 %

ProgramBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol3 %

GLM-5.3-Flash0 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-6.1 Sol und GLM-5.3-Flash
Benchmark und Aufgabe	GPT-6.1 Sol	GLM-5.3-Flash	Quelle
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert65,122 %	20,515 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	39,286 %	Höherer Messwert67,857 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert70,773 %	55,932 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	52,033 %	Höherer Messwert57,85 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert96,889 %	52,5 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	38,462 %	Höherer Messwert45,192 %	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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 16.470 veröffentlichten Paarvergleichen.	Höherer Messwert1.760,088 95-%-Konfidenzintervall: ±13,918Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.606,051 95-%-Konfidenzintervall: ±6,732Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 5.762 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 31.379 veröffentlichten Paarvergleichen.	Höherer Messwert1.483,959 95-%-Konfidenzintervall: ±8,383Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.474,228 95-%-Konfidenzintervall: ±4,913Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.813 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 11.157 veröffentlichten Paarvergleichen.	Höherer Messwert1.294,052 95-%-Konfidenzintervall: ±14,414Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.273,331 95-%-Konfidenzintervall: ±7,077Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
MedScribeOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	86,453 %	Höherer Messwert88,936 %	Vals AI Quellendetails Datenstand: 13.10.2026
ProgramBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: fully resolved rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert3 %	0 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert99 %	21 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert50,763 %	0,763 %	Vals AI Quellendetails Datenstand: 14.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	21,754 %	Höherer Messwert31,55 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert55,051 %	37,374 %	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 GLM-5.3-Flash: Reasoning: max, Harness: Mini-SWE-agent, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert52,857 %	2,857 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert61,154 %	44,581 %	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 GLM-5.3-Flash: Reasoning: max, Harness: OpenHands, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert88,931 %	30,759 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert63,496 %	7,354 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert61,788 %	44,602 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	44,717 %	Höherer Messwert53,193 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert89,493 %	86,594 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert100 %	53,167 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	53,03 %	Höherer Messwert57,576 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Code Arena WebDevImage to webdev Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 1.430 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 4.315 veröffentlichten Paarvergleichen.	Höherer Messwert1.703,464 95-%-Konfidenzintervall: ±17,054Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.580,658 95-%-Konfidenzintervall: ±10,006Der 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 Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 911 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 5.788 veröffentlichten Paarvergleichen.	Höherer Messwert1.483,743 95-%-Konfidenzintervall: ±19,566Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.470,347 95-%-Konfidenzintervall: ±8,428Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 431 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 2.680 veröffentlichten Paarvergleichen.	Höherer Messwert1.311,21 95-%-Konfidenzintervall: ±28,641Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.306,092 95-%-Konfidenzintervall: ±12,014Der 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert46 %	7 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert56,298 %	6,489 %	Vals AI Quellendetails Datenstand: 14.10.2026
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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	6,667 %	Höherer Messwert10 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert40 %	20 %	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 GLM-5.3-Flash: Reasoning: max, Harness: Mini-SWE-agent, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 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 GLM-5.3-Flash: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert63,309 %	20,185 %	Vals AI Quellendetails Datenstand: 13.10.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert70 %	60 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	0 %	Höherer Messwert50 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert84,477 %	65,712 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	39,906 %	Höherer Messwert46,259 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert100 %	56,667 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	85,547 %	Höherer Messwert90,822 %	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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 16.470 veröffentlichten Paarvergleichen.	Höherer Messwert1.760,088 95-%-Konfidenzintervall: ±13,918Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.606,051 95-%-Konfidenzintervall: ±6,732Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 2.386 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.	Höherer Messwert1.530,199 95-%-Konfidenzintervall: ±12,82Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 606 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 3.514 veröffentlichten Paarvergleichen.	Höherer Messwert1.286,655 95-%-Konfidenzintervall: ±24,458Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.273,799 95-%-Konfidenzintervall: ±11,253Der 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert3 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert50,763 %	0,763 %	Vals AI Quellendetails Datenstand: 14.10.2026
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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert64,799 %	52,416 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert50 %	25 %	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 GLM-5.3-Flash: Reasoning: max, Harness: Mini-SWE-agent, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert70,773 %	55,932 %	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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert4,496 / 5	4,355 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDCF Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert65,313 %	59,852 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	42,619 %	Höherer Messwert45,936 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	88,53 %	Höherer Messwert89,606 %	Vals AI Quellendetails Datenstand: 12.10.2026
IOIIOI 2026 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert90,667 %	47,667 %	Vals AI Quellendetails Datenstand: 14.10.2026
Legal Research BenchBusiness & Commercial · 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 GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	39,535 %	Höherer Messwert44,186 %	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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 443 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 2.445 veröffentlichten Paarvergleichen.	Höherer Messwert1.795,266 95-%-Konfidenzintervall: ±34,707Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.578,09 95-%-Konfidenzintervall: ±13,732Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Text, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.164 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 8.116 veröffentlichten Paarvergleichen.	Höherer Messwert1.538,321 95-%-Konfidenzintervall: ±17,762Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.525,054 95-%-Konfidenzintervall: ±7,559Der 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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Vision, style control GLM-5.3-Flash: Snapshot: glm-5.3-flash, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 275 veröffentlichten Paarvergleichen.GLM-5.3-Flash: Arena-Bewertung aus 1.427 veröffentlichten Paarvergleichen.	Höherer Messwert1.355,061 95-%-Konfidenzintervall: ±36,05Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.316,657 95-%-Konfidenzintervall: ±15,843Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProgramBenchRaw Pass Rate Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: raw test pass rateBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert85,25 %	48,609 %	Vals AI Quellendetails Datenstand: 12.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	33,283 %	Höherer Messwert43,197 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0ML Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens GLM-5.3-Flash: Reasoning: max, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert54,545 %	51,515 %	Vals AI Quellendetails Datenstand: 13.10.2026
Terminal-Bench ScienceLife 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 GLM-5.3-Flash: Reasoning: max, Harness: Mini-SWE-agent, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert47,368 %	5,263 %	Vals AI Quellendetails Datenstand: 14.10.2026
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

GLM-5.3-Flash

In dieser Runde nicht verfügbar

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.

GLM-5.3-Flash

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: z-ai/glm-5.3-flash
API-Modell laut Antwort: z-ai/glm-5.3-flash
Reasoning-Einstellung: high
Festgelegter Endpunkt: Z.AI | z-ai/glm-5.3-flash-20260826
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 49,7 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-6.1 Sol und GLM-5.3-Flash mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

GPT-6.1 Sol vs. GLM-5.3-Flash

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

GPT-6.1 Sol

GLM-5.3-Flash

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche