Direktvergleich

GPT-6.1 Sol vs. Grok 4.3

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

gemeinsame Messreihen: 165
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 Grok 4.3
Merkmal	GPT-6.1 Sol	Grok 4.3
Anbieter	OpenAI	xAI
Erschienen	29. Sept. 2026	6. Mai 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
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 Grok 4.3
Preisart	GPT-6.1 Sol	Grok 4.3
API-Eingabe	2 $ ≤272K / 4 $ >272K	1,25 $ ≤200K / 2,5 $ >200K
API-Ausgabe	10 $ ≤272K / 15 $ >272K	2,5 $ ≤200K / 5 $ >200K
Cache lesen	0,1 $ ≤272K / 0,2 $ >272K	0,2 $ ≤200K / 0,4 $ >200K
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 SolGrok 4.3

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol2 $

Grok 4.31,25 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol10 $

Grok 4.32,5 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-6.1 Sol0,1 $

Grok 4.30,2 $

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 Grok 4.3
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
Grok 4.3	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle22.09.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	2,5 $	5 $	Quelle22.09.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle17.10.2026
	xAI	Über OpenRouterxai/priority	2,5 $	5 $	Quelle17.10.2026
	xAI	Über OpenRouterxai/zdr	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle17.10.2026
	xAI	Über OpenRouterxai/zdr/priority	2,5 $	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.

GPT-6.1 Sol

Grok 4.3

Coding: 100 / 0 (1 Benchmarkfamilie)

Reasoning: 100 / 59,7 (3 Benchmarkfamilien)

Wissen: 100 / 43,4 (1 Benchmarkfamilie)

Agenten-Aufgaben: 100 / 38,7 (3 Benchmarkfamilien)

Gesamt: 100 / 49,5 (1 Benchmarkfamilie)

9 passende Messreihen aus 9 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 5 von 5 vergleichbaren Kategorien.

GPT-6.1 SolGrok 4.3

AA-BriefcaseOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol1.466,4 elo

Grok 4.3761,88 elo

AA-LCROverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol82,3 %

Grok 4.373,0 %

AA-OmniscienceOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol41,45 Punkte

Grok 4.317,983 Punkte

Artificial Analysis Intelligence IndexOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol50,238 Punkte

Grok 4.324,88 Punkte

AutomationBench-AAOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol64,5 %

Grok 4.31,4 %

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol65,122 %

Grok 4.36,795 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-6.1 Sol70,773 %

Grok 4.318,394 %

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

GPT-6.1 Sol52,033 %

Grok 4.337,728 %

GDP.pdfOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol32,0 %

Grok 4.35,8 %

GDPval-AAOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol1.511,35 elo

Grok 4.3937,89 elo

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

GPT-6.1 Sol5,417 %

Grok 4.30,417 %

Humanity's Last ExamOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-6.1 Sol51,4 %

Grok 4.337,2 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-6.1 Sol und Grok 4.3
Benchmark und Aufgabe	GPT-6.1 Sol	Grok 4.3	Quelle
AA-BriefcaseOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v1.1Messgröße: AA-Briefcase EloBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner1.466,4 elo	761,88 elo	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AA-LCROverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v1.1Messgröße: Pass rateBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner82,3 %	73,0 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AA-OmniscienceOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: AA-Omniscience IndexBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner41,45 Punkte Der Index kann negative Werte annehmen und reicht laut Anbieter von -100 bis 100.	17,983 Punkte Der Index kann negative Werte annehmen und reicht laut Anbieter von -100 bis 100.	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Artificial Analysis Intelligence IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v4.3.2Messgröße: Artificial Analysis Intelligence IndexBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner50,238 Punkte	24,88 Punkte	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AutomationBench-AAOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: Objectives completed without guardrail violationsBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner64,5 %	1,4 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert65,122 %	6,795 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70,773 %	18,394 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert52,033 %	37,728 %	Vals AI Quellendetails Datenstand: 12.10.2026
GDP.pdfOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: All-pass rateBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner32,0 %	5,8 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
GDPval-AAOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v2.1Messgröße: GDPval-AA EloBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner1.511,35 elo	937,89 elo	Artificial Analysis Quellendetails Datenstand: 15.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert5,417 %	0,417 %	Vals AI Quellendetails Datenstand: 12.10.2026
Humanity's Last ExamOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: Text-only pass@1 accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner51,4 % Der Anbieter beschreibt seine Vergleichsauswertung als text-only 2.158 Fragen, nicht als den vollständigen 2.500-Fragen-Datensatz.	37,2 % Der Anbieter beschreibt seine Vergleichsauswertung als text-only 2.158 Fragen, nicht als den vollständigen 2.500-Fragen-Datensatz.	Artificial Analysis Quellendetails Datenstand: 15.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert38,462 %	15,385 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 15.006 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.	1.357,272 95-%-Konfidenzintervall: ±6,229Der 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 SearchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: searchMessgröße: Search Arena Bradley-Terry ratingBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Search Grok 4.3: Snapshot: grok-4.3, Harness: Arena SearchGPT-6.1 Sol: Arena-Bewertung aus 5.555 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 128.393 veröffentlichten Paarvergleichen.	Höherer Messwert1.233,102 95-%-Konfidenzintervall: ±8,861Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.165,806 95-%-Konfidenzintervall: ±4,732Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 5.762 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 71.387 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.	1.441,548 95-%-Konfidenzintervall: ±3,628Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.813 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 27.037 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.	1.242,511 95-%-Konfidenzintervall: ±5,922Der 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 Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert48,839 %	38,068 %	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 Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert86,453 %	74,399 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert3 %	0 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert59,337 %	51,691 %	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 Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert46,538 %	19,736 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert21,754 %	6,179 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-BenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 4.0Messgröße: Task successBewertung: Mehr ist besserGPT-6.1 Sol: Snapshot: GPT-6.1 Sol (High), Reasoning: High Grok 4.3: Snapshot: Grok 4.3 (High), Reasoning: HighGPT-6.1 Sol: Exakte AA-Konfiguration: GPT-6.1 Sol (High) (Release gpt-6-1-sol, Zeile gpt-6-1-sol-high, UUID 3b84fee3-b70a-41bc-819e-5fbdef9a0042, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.Grok 4.3: Exakte AA-Konfiguration: Grok 4.3 (High) (Release grok-4-3, Zeile grok-4-3, UUID 948892b5-db03-4118-a4a8-ccd51ed871ea, reasoning=true, source reasoning-token configuration budget=0, suffix=High). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner51,5 %	0,0 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
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 Grok 4.3: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	Höherer Messwert88,931 %	19,403 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert63,496 %	9,06 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert61,788 %	16,558 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert44,717 %	31,863 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,493 %	61,594 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert53,03 %	25,758 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 1.430 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 5.864 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.	1.374,576 95-%-Konfidenzintervall: ±9,66Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 911 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 14.239 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.	1.439,18 95-%-Konfidenzintervall: ±6,283Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 431 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 7.166 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.	1.265,596 95-%-Konfidenzintervall: ±8,455Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert46 %	0 %	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 Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert40,476 %	35,318 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert6,667 %	0 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70 %	0 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert84,477 %	29,176 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert39,906 %	26,373 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert85,547 %	73,866 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 2.592 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 15.006 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.	1.357,272 95-%-Konfidenzintervall: ±6,229Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 4.513 veröffentlichten Paarvergleichen.	Höherer Messwert1.522,457 95-%-Konfidenzintervall: ±25,531Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.477,1 95-%-Konfidenzintervall: ±9,619Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 606 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 10.883 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.	1.246,39 95-%-Konfidenzintervall: ±8,277Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert3 %	0 %	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 Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert79,938 %	48,148 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert64,799 %	22,85 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert4,496 / 5	3,098 / 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert65,313 %	11,421 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert42,619 %	35,857 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert88,53 %	68,1 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert39,535 %	13,953 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 443 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 1.776 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.	1.366,804 95-%-Konfidenzintervall: ±15,382Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.164 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 19.960 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.	1.487,781 95-%-Konfidenzintervall: ±5,635Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Vision, style controlGPT-6.1 Sol: Arena-Bewertung aus 275 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 3.431 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.	1.252,663 95-%-Konfidenzintervall: ±10,9Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert85,25 %	22,105 %	Vals AI Quellendetails Datenstand: 12.10.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert59,456 %	18,334 %	Vals AI Quellendetails Datenstand: 08.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert33,283 %	10 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBLBO Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert64,429 %	9,367 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Disclosure Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert58,406 %	47,688 %	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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-6.1 Sol: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert84,159 %	75,476 %	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-6.1 Sol: Snapshot: gpt-6.1-sol-max, Reasoning: max, Harness: Arena Code Arena WebDev Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevGPT-6.1 Sol: Arena-Bewertung aus 1.648 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 11.519 veröffentlichten Paarvergleichen.	Höherer Messwert1.760,774 95-%-Konfidenzintervall: ±17,324Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.352,835 95-%-Konfidenzintervall: ±6,898Der 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 ControlCreative writing 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlGPT-6.1 Sol: Arena-Bewertung aus 1.290 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 13.239 veröffentlichten Paarvergleichen.	Höherer Messwert1.460,414 95-%-Konfidenzintervall: ±17,645Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.421,796 95-%-Konfidenzintervall: ±6,498Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
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

Grok 4.3

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.

Grok 4.3

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 07.09.2026
API-Anbieter: openrouter
Angefragtes API-Modell: x-ai/grok-4.3
API-Modell laut Antwort: x-ai/grok-4.3
Reasoning-Einstellung: high
Festgelegter Endpunkt: xAI | x-ai/grok-4.3-20260430
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 149 s

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

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 Grok 4.3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

GPT-6.1 Sol vs. Grok 4.3

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

GPT-6.1 Sol

Grok 4.3

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche