Direktvergleich

Grok 4.5 vs. DeepSeek-V4-Flash

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

gemeinsame Messreihen: 58
verschiedene Benchmarks: 1
jüngster Abruf: 04.09.2026

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 Grok 4.5 und DeepSeek-V4-Flash
Merkmal	Grok 4.5	DeepSeek-V4-Flash
Anbieter	xAI	DeepSeek
Erschienen	16. Juli 2026	24. Apr. 2026
Verfügbarkeit	Aktiv	Preview
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	284 Mrd., 13 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	500.000 Token	1.000.000 Token
Wissensstand	1. Februar 2026	Nicht veröffentlicht
Technische Quellen	Modell	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 Grok 4.5 und DeepSeek-V4-Flash
Preisart	Grok 4.5	DeepSeek-V4-Flash
API-Eingabe	2 $ ≤200K / 4 $ >200K	0,14 $
API-Ausgabe	6 $ ≤200K / 12 $ >200K	0,28 $
Cache lesen	0,3 $ ≤200K / 0,6 $ >200K	0, $
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	11.08.2026 Quelle	30.07.2026 Quelle

Grok 4.5DeepSeek-V4-Flash

API-EingabeUSD pro 1 Mio. Token, Basistarif

Grok 4.52 $

DeepSeek-V4-Flash0,14 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Grok 4.56 $

DeepSeek-V4-Flash0,28 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Grok 4.50,3 $

DeepSeek-V4-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.

Anbieterpreise von Grok 4.5 und DeepSeek-V4-Flash
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Grok 4.5	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle11.08.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	4 $	12 $	Quelle11.08.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle07.09.2026
	xAI	Über OpenRouterxai/priority	4 $	12 $	Quelle07.09.2026
	xAI	Über OpenRouterxai/zdr	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle07.09.2026
	xAI	Über OpenRouterxai/zdr/priority	4 $	12 $	Quelle07.09.2026
DeepSeek-V4-Flash	DeepSeek	Direkt beim EntwicklerStandard-API	0,14 $	0,28 $	Quelle30.07.2026
	Alibaba	Über OpenRouteralibaba	0,352 $	1,056 $	Quelle07.09.2026
	AtlasCloud	Über OpenRouteratlas-cloud/fp4	0,44 $	1,32 $	Quelle07.09.2026
	Baidu	Über OpenRouterbaidu/fp8	0,14 $	0,28 $	Quelle07.09.2026
	BaseTen	Über OpenRouterbaseten/fp8#1	0,13 $	0,26 $	Quelle07.09.2026
	BaseTen	Über OpenRouterbaseten/fp8#2	0,13 $	0,26 $	Quelle07.09.2026
	Cloudflare	Über OpenRoutercloudflare	0,44 $	1,32 $	Quelle07.09.2026
	CoreWeave	Über OpenRoutercoreweave/fp8	0,13 $	0,28 $	Quelle07.09.2026
	DeepInfra	Über OpenRouterdeepinfra/fp8	0,06 $	0,18 $	Quelle07.09.2026
	DeepSeek	Über OpenRouterdeepseek	0,22 $	0,66 $	Quelle07.09.2026
	DigitalOcean	Über OpenRouterdigitalocean	0,08 $	0,252 $	Quelle07.09.2026
	Fireworks	Über OpenRouterfireworks	0,22 $	0,66 $	Quelle07.09.2026
	GMICloud	Über OpenRoutergmicloud/fp8	0,352 $	1,056 $	Quelle07.09.2026
	Inceptron	Über OpenRouterinceptron/fp4	0,13 $	0,28 $	Quelle07.09.2026
	Makora	Über OpenRoutermakora	0,09 $	0,195 $	Quelle07.09.2026
	Mancer 2	Über OpenRoutermancer/fp8	0,15 $	0,5 $	Quelle07.09.2026
	Morph	Über OpenRoutermorph/bf16	0,1234 $	0,3475 $	Quelle07.09.2026
	NextBit	Über OpenRouternextbit/fp8	0,4 $	1,2 $	Quelle07.09.2026
	Novita	Über OpenRouternovita/fp8	0,4092 $	1,2276 $	Quelle07.09.2026
	OpenInference	Über OpenRouteropen-inference/fp8	0,05 $	0,16 $	Quelle07.09.2026
	Parasail	Über OpenRouterparasail/fp8	0,14 $	0,28 $	Quelle07.09.2026
	Phala	Über OpenRouterphala	0,44 $	1,32 $	Quelle07.09.2026
	Reka	Über OpenRouterreka/fp4	0,11 $	0,66 $	Quelle07.09.2026
	Relace	Über OpenRouterrelace/fp4	Günstigster erfasster Preis: 0,045 $	Günstigster erfasster Preis: 0,09 $	Quelle07.09.2026
	Sail Research	Über OpenRoutersail-research/fp4	0,065 $	0,18 $	Quelle07.09.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	0,22 $	0,66 $	Quelle07.09.2026
	StreamLake	Über OpenRouterstreamlake/fp8	0,088 $	0,264 $	Quelle07.09.2026
	Together	Über OpenRoutertogether	0,14 $	0,28 $	Quelle07.09.2026
	Venice	Über OpenRoutervenice	0,175 $	0,35 $	Quelle07.09.2026
	Wafer	Über OpenRouterwafer/fast	0,1 $	0,25 $	Quelle07.09.2026

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.

Grok 4.5

DeepSeek-V4-Flash

Coding: 100 / 97,4 (1 Benchmarkfamilie)

Reasoning: 100 / 97,7 (1 Benchmarkfamilie)

Mathematik: 100 / 96,2 (1 Benchmarkfamilie)

Wissen: 100 / 97,5 (1 Benchmarkfamilie)

Finanzen: 100 / 98,1 (1 Benchmarkfamilie)

Recht: 100 / 98,2 (1 Benchmarkfamilie)

Gesundheit: 100 / 99 (1 Benchmarkfamilie)

Allgemein: 100 / 97,6 (1 Benchmarkfamilie)

29 passende Messreihen aus 1 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 8 vergleichbaren Kategorien.

Grok 4.5DeepSeek-V4-Flash

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

Grok 4.51.470,015

DeepSeek-V4-Flash1.435,816

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

Grok 4.51.470,015

DeepSeek-V4-Flash1.438,462

LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Grok 4.51.465,734

DeepSeek-V4-Flash1.437,854

LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Grok 4.51.465,734

DeepSeek-V4-Flash1.434,968

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

Grok 4.51.512,8

DeepSeek-V4-Flash1.472,677

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

Grok 4.51.512,8

DeepSeek-V4-Flash1.479,62

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

Grok 4.51.522,456

DeepSeek-V4-Flash1.483,101

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

Grok 4.51.522,456

DeepSeek-V4-Flash1.479,449

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

Grok 4.51.450,722

DeepSeek-V4-Flash1.408,18

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

Grok 4.51.450,722

DeepSeek-V4-Flash1.408,903

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

Grok 4.51.475,301

DeepSeek-V4-Flash1.445,287

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

Grok 4.51.475,301

DeepSeek-V4-Flash1.449,894

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

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 Grok 4.5 und DeepSeek-V4-Flash mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Benchmarkwerte von Grok 4.5 und DeepSeek-V4-Flash
Benchmark und Aufgabe	Grok 4.5	DeepSeek-V4-Flash	Quelle
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 25.873 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 48.963 anonymen Paarvergleichen.	Gewinner1.470,015 95-%-Konfidenzintervall: ±4,921Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.435,816 95-%-Konfidenzintervall: ±4,15Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 25.873 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 48.705 anonymen Paarvergleichen.	Höherer Messwert1.470,015 95-%-Konfidenzintervall: ±4,921Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.438,462 95-%-Konfidenzintervall: ±4,21Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 5.122 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 9.911 anonymen Paarvergleichen.	Gewinner1.465,734 95-%-Konfidenzintervall: ±8,936Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.437,854 95-%-Konfidenzintervall: ±7,128Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 5.122 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.060 anonymen Paarvergleichen.	Höherer Messwert1.465,734 95-%-Konfidenzintervall: ±8,936Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.434,968 95-%-Konfidenzintervall: ±7,142Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlChinese Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 1.737 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.530 anonymen Paarvergleichen.	Gewinner1.512,8 95-%-Konfidenzintervall: ±15,002Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.472,677 95-%-Konfidenzintervall: ±12,483Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 1.737 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.509 anonymen Paarvergleichen.	Höherer Messwert1.512,8 95-%-Konfidenzintervall: ±15,002Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.479,62 95-%-Konfidenzintervall: ±12,459Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlCoding Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 7.308 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 14.346 anonymen Paarvergleichen.	Gewinner1.522,456 95-%-Konfidenzintervall: ±7,787Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.483,101 95-%-Konfidenzintervall: ±6,376Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlCoding Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 7.308 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 14.310 anonymen Paarvergleichen.	Höherer Messwert1.522,456 95-%-Konfidenzintervall: ±7,787Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.479,449 95-%-Konfidenzintervall: ±6,409Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlCreative writing Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 5.109 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.972 anonymen Paarvergleichen.	Gewinner1.450,722 95-%-Konfidenzintervall: ±9,268Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.408,18 95-%-Konfidenzintervall: ±7,747Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlCreative writing Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 5.109 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 8.029 anonymen Paarvergleichen.	Höherer Messwert1.450,722 95-%-Konfidenzintervall: ±9,268Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.408,903 95-%-Konfidenzintervall: ±7,781Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlEnglish Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 10.662 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.931 anonymen Paarvergleichen.	Gewinner1.475,301 95-%-Konfidenzintervall: ±6,626Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.445,287 95-%-Konfidenzintervall: ±5,383Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 10.662 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.747 anonymen Paarvergleichen.	Höherer Messwert1.475,301 95-%-Konfidenzintervall: ±6,626Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.449,894 95-%-Konfidenzintervall: ±5,421Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlEntertainment, sports and media Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 6.641 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.423 anonymen Paarvergleichen.	Gewinner1.445,613 95-%-Konfidenzintervall: ±8,245Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.405,349 95-%-Konfidenzintervall: ±7,122Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlEntertainment, sports and media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 6.641 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 10.655 anonymen Paarvergleichen.	Höherer Messwert1.445,613 95-%-Konfidenzintervall: ±8,245Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.406,152 95-%-Konfidenzintervall: ±7,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlExcluding ties Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 19.489 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 36.983 anonymen Paarvergleichen.	Gewinner1.478,18 95-%-Konfidenzintervall: ±6,425Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.431,271 95-%-Konfidenzintervall: ±5,416Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlExcluding ties Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 19.489 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 37.039 anonymen Paarvergleichen.	Höherer Messwert1.478,18 95-%-Konfidenzintervall: ±6,425Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.435,7 95-%-Konfidenzintervall: ±5,462Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlExpert prompts Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 2.938 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 4.904 anonymen Paarvergleichen.	Gewinner1.496,555 95-%-Konfidenzintervall: ±11,433Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.458,425 95-%-Konfidenzintervall: ±9,147Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlExpert prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 2.938 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 4.907 anonymen Paarvergleichen.	Höherer Messwert1.496,555 95-%-Konfidenzintervall: ±11,433Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.467,744 95-%-Konfidenzintervall: ±9,211Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlFrench Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 889 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.909 anonymen Paarvergleichen.	Kein klarer Vorsprung1.475,697 95-%-Konfidenzintervall: ±21,693Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.444,246 95-%-Konfidenzintervall: ±15,542Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlFrench Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 889 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 1.872 anonymen Paarvergleichen.	Höherer Messwert1.475,697 95-%-Konfidenzintervall: ±21,693Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.457,512 95-%-Konfidenzintervall: ±15,76Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlGerman Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 442 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 834 anonymen Paarvergleichen.	Kein klarer Vorsprung1.463,336 95-%-Konfidenzintervall: ±28,026Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.423,985 95-%-Konfidenzintervall: ±21,432Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlGerman Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 442 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 881 anonymen Paarvergleichen.	Höherer Messwert1.463,336 95-%-Konfidenzintervall: ±28,026Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.434,001 95-%-Konfidenzintervall: ±20,992Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlHard prompts Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 17.326 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 32.576 anonymen Paarvergleichen.	Gewinner1.493,934 95-%-Konfidenzintervall: ±5,737Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.459,19 95-%-Konfidenzintervall: ±4,879Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlHard prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 17.326 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 32.479 anonymen Paarvergleichen.	Höherer Messwert1.493,934 95-%-Konfidenzintervall: ±5,737Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.458,492 95-%-Konfidenzintervall: ±4,934Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlHard prompts, English Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 7.066 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 15.327 anonymen Paarvergleichen.	Gewinner1.496,371 95-%-Konfidenzintervall: ±7,793Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.464,306 95-%-Konfidenzintervall: ±6,191Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlHard prompts, English Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 7.066 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 15.135 anonymen Paarvergleichen.	Höherer Messwert1.496,371 95-%-Konfidenzintervall: ±7,793Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.465,194 95-%-Konfidenzintervall: ±6,261Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlInstruction following Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 9.284 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 16.772 anonymen Paarvergleichen.	Gewinner1.464,913 95-%-Konfidenzintervall: ±7,101Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.428,139 95-%-Konfidenzintervall: ±5,955Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlInstruction following Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 9.284 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 16.813 anonymen Paarvergleichen.	Höherer Messwert1.464,913 95-%-Konfidenzintervall: ±7,101Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.433,908 95-%-Konfidenzintervall: ±6,024Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlJapanese Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 322 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 633 anonymen Paarvergleichen.	Kein klarer Vorsprung1.443,266 95-%-Konfidenzintervall: ±34,101Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.397,389 95-%-Konfidenzintervall: ±25,351Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlJapanese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 322 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 600 anonymen Paarvergleichen.	Höherer Messwert1.443,266 95-%-Konfidenzintervall: ±34,101Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.422,217 95-%-Konfidenzintervall: ±25,99Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlKorean Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 483 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 867 anonymen Paarvergleichen.	Kein klarer Vorsprung1.417,076 95-%-Konfidenzintervall: ±27,695Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.394,225 95-%-Konfidenzintervall: ±21,434Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlKorean Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 483 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 909 anonymen Paarvergleichen.	Höherer Messwert1.417,076 95-%-Konfidenzintervall: ±27,695Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.374,943 95-%-Konfidenzintervall: ±21,551Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLegal and government Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 2.241 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.892 anonymen Paarvergleichen.	Gewinner1.475,182 95-%-Konfidenzintervall: ±13,297Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.449,174 95-%-Konfidenzintervall: ±10,185Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLegal and government Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 2.241 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 3.872 anonymen Paarvergleichen.	Höherer Messwert1.475,182 95-%-Konfidenzintervall: ±13,297Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.459,091 95-%-Konfidenzintervall: ±10,242Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLife, physical and social science Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 4.210 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.776 anonymen Paarvergleichen.	Gewinner1.490,419 95-%-Konfidenzintervall: ±9,586Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.458,608 95-%-Konfidenzintervall: ±7,61Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLife, physical and social science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 4.210 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 7.968 anonymen Paarvergleichen.	Höherer Messwert1.490,419 95-%-Konfidenzintervall: ±9,586Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.460,882 95-%-Konfidenzintervall: ±7,588Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLonger queries Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 12.508 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.561 anonymen Paarvergleichen.	Gewinner1.486,228 95-%-Konfidenzintervall: ±6,56Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.448,456 95-%-Konfidenzintervall: ±5,733Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlLonger queries Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 12.508 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 21.664 anonymen Paarvergleichen.	Höherer Messwert1.486,228 95-%-Konfidenzintervall: ±6,56Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.449,036 95-%-Konfidenzintervall: ±5,731Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlMath Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 1.080 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.516 anonymen Paarvergleichen.	Gewinner1.477,841 95-%-Konfidenzintervall: ±18,075Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.425,091 95-%-Konfidenzintervall: ±12,209Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026
LMArena Text, Style ControlMath Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.5: Snapshot: grok-4.5, Harness: Arena text, style control DeepSeek-V4-Flash: Snapshot: deepseek-v4-flash-high-preview, Reasoning: high, Harness: Arena text, style controlGrok 4.5: Stilbereinigte Arena-Bewertung aus 1.080 anonymen Paarvergleichen.DeepSeek-V4-Flash: Stilbereinigte Arena-Bewertung aus 2.459 anonymen Paarvergleichen.	Höherer Messwert1.477,841 95-%-Konfidenzintervall: ±18,075Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.441,301 95-%-Konfidenzintervall: ±12,311Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 01.09.2026