Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
39
verschiedene Benchmarks
17
jüngster Abruf
04.09.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
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.
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.
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 4.6
GLM-5.1
Coding: 100 / 67,8 (4 Benchmarkfamilien)
Reasoning: 100 / 89,3 (1 Benchmarkfamilie)
Wissen: 100 / 97,2 (1 Benchmarkfamilie)
Finanzen: 100 / 93,6 (3 Benchmarkfamilien)
Recht: 100 / 51,9 (3 Benchmarkfamilien)
Agenten-Aufgaben: 100 / 72,7 (1 Benchmarkfamilie)
Produktivität: 100 / 92,5 (1 Benchmarkfamilie)
Gesundheit: 100 / 88,3 (2 Benchmarkfamilien)
16 passende Messreihen aus 16 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 8 vergleichbaren Kategorien.
Grok 4.6GLM-5.1
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner44,572 %
GLM-5.125,768 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner66,161 %
GLM-5.164,452 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner53,682 %
GLM-5.144,792 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner94,697 %
GLM-5.184,518 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner15,833 %
GLM-5.10 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner48,077 %
GLM-5.127,885 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner86,307 %
GLM-5.184,394 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner88,224 %
GLM-5.181,38 %
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.61.461,115
GLM-5.1Höherer Messwert1.466,019
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner44,712 %
GLM-5.141,604 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner86,534 %
GLM-5.172,27 %
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner89,4 %
GLM-5.186,9 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Benchmarkwerte von Grok 4.6 und GLM-5.1
Benchmark und Aufgabe
Grok 4.6
GLM-5.1
Quelle
Code MigrationOverallTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 3.453 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 45.403 anonymen Paarvergleichen.
1.461,115
95-%-Konfidenzintervall: ±10,144Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.466,019
95-%-Konfidenzintervall: ±3,982Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlBusiness, management and financeTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 705 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 9.036 anonymen Paarvergleichen.
Höherer Messwert1.467,318
95-%-Konfidenzintervall: ±22,146Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.464,877
95-%-Konfidenzintervall: ±7,07Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 291 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.742 anonymen Paarvergleichen.
Höherer Messwert1.538,386
95-%-Konfidenzintervall: ±33,69Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.516,722
95-%-Konfidenzintervall: ±12,084Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 838 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 12.659 anonymen Paarvergleichen.
1.510,751
95-%-Konfidenzintervall: ±20,826Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.513,669
95-%-Konfidenzintervall: ±6,252Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.409 anonymen Paarvergleichen.
Höherer Messwert1.458,096
95-%-Konfidenzintervall: ±23,926Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.447,489
95-%-Konfidenzintervall: ±7,46Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.434 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 20.248 anonymen Paarvergleichen.
1.459,46
95-%-Konfidenzintervall: ±15,407Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.480,022
95-%-Konfidenzintervall: ±5,164Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlEntertainment, sports and mediaTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 777 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 10.350 anonymen Paarvergleichen.
Höherer Messwert1.443,149
95-%-Konfidenzintervall: ±21,821Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.442,227
95-%-Konfidenzintervall: ±6,829Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.522 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 34.041 anonymen Paarvergleichen.
1.465,128
95-%-Konfidenzintervall: ±14,002Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.472,225
95-%-Konfidenzintervall: ±5,215Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 401 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 4.692 anonymen Paarvergleichen.
1.479,844
95-%-Konfidenzintervall: ±28,841Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.495,539
95-%-Konfidenzintervall: ±9,271Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.312 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 29.974 anonymen Paarvergleichen.
1.484,219
95-%-Konfidenzintervall: ±12,5Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.488,383
95-%-Konfidenzintervall: ±4,664Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 927 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 13.642 anonymen Paarvergleichen.
1.475,235
95-%-Konfidenzintervall: ±19,394Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.497,156
95-%-Konfidenzintervall: ±6,069Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.223 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 15.738 anonymen Paarvergleichen.
1.458,276
95-%-Konfidenzintervall: ±17,043Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.459,874
95-%-Konfidenzintervall: ±5,685Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLegal and governmentTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 3.614 anonymen Paarvergleichen.
1.475,664
95-%-Konfidenzintervall: ±33,128Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.475,668
95-%-Konfidenzintervall: ±10,397Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlLife, physical and social scienceTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 512 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 7.449 anonymen Paarvergleichen.
Höherer Messwert1.492,359
95-%-Konfidenzintervall: ±25,684Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.486,607
95-%-Konfidenzintervall: ±7,514Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.609 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 20.421 anonymen Paarvergleichen.
1.478,218
95-%-Konfidenzintervall: ±15,132Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.481,572
95-%-Konfidenzintervall: ±5,447Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.234 anonymen Paarvergleichen.
1.426,012
95-%-Konfidenzintervall: ±40,021Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.476,724
95-%-Konfidenzintervall: ±12,928Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 212 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.428 anonymen Paarvergleichen.
1.456,037
95-%-Konfidenzintervall: ±39,211Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.477,716
95-%-Konfidenzintervall: ±12,657Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlMedicine and healthcareTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 225 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 3.296 anonymen Paarvergleichen.
1.460,477
95-%-Konfidenzintervall: ±37,871Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.483,9
95-%-Konfidenzintervall: ±11,02Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 569 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 7.394 anonymen Paarvergleichen.
1.446,12
95-%-Konfidenzintervall: ±25,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.477,368
95-%-Konfidenzintervall: ±7,627Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.019 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 25.154 anonymen Paarvergleichen.
Höherer Messwert1.456,123
95-%-Konfidenzintervall: ±13,128Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.450,468
95-%-Konfidenzintervall: ±4,796Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 413 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 4.884 anonymen Paarvergleichen.
1.446,297
95-%-Konfidenzintervall: ±28,9Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.461,171
95-%-Konfidenzintervall: ±8,951Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlSoftware and IT servicesTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.379 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 18.168 anonymen Paarvergleichen.
Höherer Messwert1.503,685
95-%-Konfidenzintervall: ±16,15Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
1.501,543
95-%-Konfidenzintervall: ±5,397Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
LMArena Text, Style ControlWriting, literature and languageTestdetails
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 921 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 11.635 anonymen Paarvergleichen.
1.445,223
95-%-Konfidenzintervall: ±19,746Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Höherer Messwert1.454,24
95-%-Konfidenzintervall: ±6,448Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Eigene Modelltests
Community-Tests zum Anschauen
Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.
Pelikan auf dem Fahrrad
Community-Klassiker für eine freie SVG-Zeichnung.
Grok 4.6
In diesem Testlauf war kein API-Zugang verfügbar. Das Modell wurde nicht bewertet.
Erster Versuch
Datum des Testlaufs
07.09.2026
API-Anbieter
openrouter
Angefragtes API-Modell
x-ai/grok-4.6
Festgelegter Endpunkt
xAI | x-ai/grok-4.6-20260810
Reasoning-Einstellung
high
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Nicht ausgeführt
Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.
GLM-5.1
In diesem Testlauf war kein API-Zugang verfügbar. Das Modell wurde nicht bewertet.
Erster Versuch
Datum des Testlaufs
07.09.2026
API-Anbieter
openrouter
Angefragtes API-Modell
z-ai/glm-5.1
Festgelegter Endpunkt
Z.AI | z-ai/glm-5.1-20260406
Reasoning-Einstellung
high
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Nicht ausgeführt
Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.
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
Ähnliche LLM-Vergleiche
Vergleiche Grok 4.6 und GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.