Direktvergleich

Muse Spark 1.3 vs. Mistral Medium 3.5

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

gemeinsame Messreihen: 165
verschiedene Benchmarks: 12
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 Muse Spark 1.3 und Mistral Medium 3.5
Merkmal	Muse Spark 1.3	Mistral Medium 3.5
Anbieter	Meta	Mistral AI
Erschienen	2. Sept. 2026	28. Apr. 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	128 Mrd.
Architektur	Nicht veröffentlicht	Dense
Kontextfenster	1.048.576 Token	262.144 Token
Wissensstand	Nicht veröffentlicht	Nicht veröffentlicht
Technische Quellen	Modell, Kontext	Modell, Kontext

Kosten

API-Preise im Vergleich

Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.

API-Preise von Muse Spark 1.3 und Mistral Medium 3.5
Preisart	Muse Spark 1.3	Mistral Medium 3.5
API-Eingabe	1,25 $	1,5 $
API-Ausgabe	4,25 $	7,5 $
Cache lesen	0,15 $	Nicht ausgewiesen
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	18.10.2026 Quelle	22.09.2026 Quelle

Muse Spark 1.3Mistral Medium 3.5

API-EingabeUSD pro 1 Mio. Token, Basistarif

Muse Spark 1.31,25 $

Mistral Medium 3.51,5 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Muse Spark 1.34,25 $

Mistral Medium 3.57,5 $

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 Muse Spark 1.3 und Mistral Medium 3.5
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Muse Spark 1.3	Meta	Über OpenRoutermeta	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 4,25 $	Quelle18.10.2026
Mistral Medium 3.5	Mistral AI	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle22.09.2026
	Mistral	Über OpenRoutermistral	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle18.10.2026
	Mistral	Über OpenRoutermistral/eu	1,65 $	8,25 $	Quelle18.10.2026
	Mistral	Über OpenRoutermistral/zdr	Günstigster erfasster Preis: 1,5 $	Günstigster erfasster Preis: 7,5 $	Quelle18.10.2026

Leistung

Gemeinsame Benchmarks

Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.

Fähigkeitsprofil aus vergleichbaren Benchmarks

Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.

Nicht genug direkt vergleichbare Kategorien für ein belastbares Radar

Nur 0 von mindestens 5 Kategorien enthalten direkt vergleichbare Modellmessungen. Die Benchmarktabellen darunter zeigen die vorhandenen Belege, ohne fehlende Achsen aufzufüllen.

Muse Spark 1.3Mistral Medium 3.5

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.327,58 %

Mistral Medium 3.55,127 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.362,712 %

Mistral Medium 3.511,185 %

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

Muse Spark 1.358,901 %

Mistral Medium 3.532,103 %

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

Muse Spark 1.322,917 %

Mistral Medium 3.50,417 %

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

Muse Spark 1.340,865 %

Mistral Medium 3.59,135 %

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

Muse Spark 1.31.621,927

Mistral Medium 3.51.263,383

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

Muse Spark 1.31.494,213

Mistral Medium 3.51.426,605

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

Muse Spark 1.31.286,221

Mistral Medium 3.51.200,386

ProofBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.355 %

Mistral Medium 3.59 %

Tax Agent BenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.335,974 %

Mistral Medium 3.54,482 %

Terminal-Bench 2.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.372,285 %

Mistral Medium 3.538,951 %

Vibe Code Bench v1.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Spark 1.382,859 %

Mistral Medium 3.52,888 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Muse Spark 1.3 und Mistral Medium 3.5
Benchmark und Aufgabe	Muse Spark 1.3	Mistral Medium 3.5	Quelle
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert27,58 %	5,127 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert62,712 %	11,185 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert58,901 %	32,103 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert22,917 %	0,417 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert40,865 %	9,135 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 7.987 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.621,927 95-%-Konfidenzintervall: ±8,096Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 16.731 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 11.793 veröffentlichten Paarvergleichen.	Höherer Messwert1.494,213 95-%-Konfidenzintervall: ±5,665Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.426,605 95-%-Konfidenzintervall: ±6,399Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 4.077 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 5.375 veröffentlichten Paarvergleichen.	Höherer Messwert1.286,221 95-%-Konfidenzintervall: ±10,243Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.200,386 95-%-Konfidenzintervall: ±9,604Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
ProofBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert55 %	9 %	Vals AI Quellendetails Datenstand: 12.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert35,974 %	4,482 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert72,285 %	38,951 %	Vals AI Quellendetails Datenstand: 28.09.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert82,859 %	2,888 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert13,916 %	4,991 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert64,798 %	18,088 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert52,818 %	27,312 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert96,377 %	64,493 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert51,515 %	7,576 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 8.683 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.658,54 95-%-Konfidenzintervall: ±8,09Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der 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 ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 3.041 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.257 veröffentlichten Paarvergleichen.	Höherer Messwert1.503,61 95-%-Konfidenzintervall: ±11,102Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.430,463 95-%-Konfidenzintervall: ±12,817Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 4.550 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 5.375 veröffentlichten Paarvergleichen.	Höherer Messwert1.289,717 95-%-Konfidenzintervall: ±9,808Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.200,386 95-%-Konfidenzintervall: ±9,604Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert14,667 %	3,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert75 %	66,667 %	Vals AI Quellendetails Datenstand: 28.09.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert68,571 %	5,536 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert84,191 %	13,403 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert48,737 %	21,632 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert20 %	0 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert85,884 %	67,472 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 7.987 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.621,927 95-%-Konfidenzintervall: ±8,096Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 1.298 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 620 veröffentlichten Paarvergleichen.	Höherer Messwert1.529,417 95-%-Konfidenzintervall: ±16,859Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.446,79 95-%-Konfidenzintervall: ±23,875Der 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 ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 226 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 288 veröffentlichten Paarvergleichen.	Höherer Messwert1.360,609 95-%-Konfidenzintervall: ±38,015Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.216,486 95-%-Konfidenzintervall: ±38,816Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert60,859 %	18,379 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert61,111 %	15,556 %	Vals AI Quellendetails Datenstand: 28.09.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert4,02 / 5	2,987 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDCF Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert55,697 %	2,218 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert47,167 %	31,512 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert93,907 %	70,776 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert32,558 %	9,302 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 8.683 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.320 veröffentlichten Paarvergleichen.	Höherer Messwert1.658,54 95-%-Konfidenzintervall: ±8,09Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.263,383 95-%-Konfidenzintervall: ±14,784Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 4.357 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 3.298 veröffentlichten Paarvergleichen.	Höherer Messwert1.536,661 95-%-Konfidenzintervall: ±9,472Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.477,902 95-%-Konfidenzintervall: ±10,821Der 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 ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 253 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 288 veröffentlichten Paarvergleichen.	Höherer Messwert1.342,141 95-%-Konfidenzintervall: ±37,194Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.216,486 95-%-Konfidenzintervall: ±38,816Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert49,769 %	6,5 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 2.1Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert78,182 %	49,697 %	Vals AI Quellendetails Datenstand: 28.09.2026
EMBLBO Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert56,579 %	9,61 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Disclosure Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert66,693 %	40,223 %	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	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 besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert88,24 %	71,304 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 1.195 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 259 veröffentlichten Paarvergleichen.	Höherer Messwert1.627,36 95-%-Konfidenzintervall: ±19,007Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.307,357 95-%-Konfidenzintervall: ±41,479Der 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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 3.666 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.081 veröffentlichten Paarvergleichen.	Höherer Messwert1.460,856 95-%-Konfidenzintervall: ±10,701Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.400,583 95-%-Konfidenzintervall: ±13,731Der 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 ControlCreative writing vision Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 403 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 342 veröffentlichten Paarvergleichen.	Höherer Messwert1.266,636 95-%-Konfidenzintervall: ±30,404Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.196,259 95-%-Konfidenzintervall: ±33,621Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert73,142 %	29,444 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBM&A Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert64,366 %	10,694 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Earnings Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert77,088 %	42,125 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkBanking Finance · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert94,052 %	78,439 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchCivil Litigation · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert40,741 %	11,111 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 1.196 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 259 veröffentlichten Paarvergleichen.	Höherer Messwert1.657,124 95-%-Konfidenzintervall: ±19,59Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.307,357 95-%-Konfidenzintervall: ±41,479Der 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 ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 6.647 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 5.655 veröffentlichten Paarvergleichen.	Höherer Messwert1.500,366 95-%-Konfidenzintervall: ±7,853Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.443,972 95-%-Konfidenzintervall: ±8,479Der 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 ControlCreative writing vision Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Vision, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Vision, style controlMuse Spark 1.3: Arena-Bewertung aus 405 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 342 veröffentlichten Paarvergleichen.	Höherer Messwert1.269,21 95-%-Konfidenzintervall: ±30,742Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.196,259 95-%-Konfidenzintervall: ±33,621Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 09.10.2026
Tax Agent BenchFact-Pattern Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert45,814 %	2,326 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBMisc Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert59,549 %	14,103 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Financial Modeling Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert33,512 %	5,141 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkBanking Finance · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchCivil Litigation · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserMuse Spark 1.3: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 131.072 tokens Mistral Medium 3.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 80.000 tokens	Höherer Messwert91,189 %	65,952 %	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 besserMuse Spark 1.3: Snapshot: muse-spark-1.3 (xHigh), Reasoning: xhigh, Harness: Arena Code Arena WebDev Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Code Arena WebDevMuse Spark 1.3: Arena-Bewertung aus 5.098 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 1.977 veröffentlichten Paarvergleichen.	Höherer Messwert1.630,932 95-%-Konfidenzintervall: ±9,812Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.253,399 95-%-Konfidenzintervall: ±16,155Der 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 ControlEntertainment, sports and media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Spark 1.3: Snapshot: muse-spark-1.3-max, Reasoning: max, Harness: Arena Text, style control Mistral Medium 3.5: Snapshot: mistral-medium-3.5, Harness: Arena Text, style controlMuse Spark 1.3: Arena-Bewertung aus 4.323 veröffentlichten Paarvergleichen.Mistral Medium 3.5: Arena-Bewertung aus 2.690 veröffentlichten Paarvergleichen.	Höherer Messwert1.457,32 95-%-Konfidenzintervall: ±9,849Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.396,745 95-%-Konfidenzintervall: ±12,03Der 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

Muse Spark 1.3

In dieser Runde nicht verfügbar

Mistral Medium 3.5

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Muse Spark 1.3

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 02.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: meta/muse-spark-1.3
API-Modell laut Antwort: meta/muse-spark-1.3
Reasoning-Einstellung: high
Festgelegter Endpunkt: Meta | meta/muse-spark-1.3-20260902
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 87,9 s

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

Frühere Versuche (2)

01.10.2026Ausgabe aus Sicherheitsgründen nicht dargestelltReasoning-Einstellung: high
07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high

Mistral Medium 3.5

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 01.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: mistralai/mistral-medium-3-5
API-Modell laut Antwort: mistralai/mistral-medium-3-5
Reasoning-Einstellung: high
Festgelegter Endpunkt: Mistral | mistralai/mistral-medium-3.5-20260430
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 38,7 s

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

Frühere Versuche (1)

07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

So liest du den Vergleich

Ein Benchmark-Sieg ist kein Gesamturteil

Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.

Die Standardpreistabelle nutzt direkte Entwicklertarife. Der Anbieter-Vergleich kennzeichnet OpenRouter-Endpoints, Regionen und Sondertarife separat.

Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.

Weitere Duelle

Vergleiche Muse Spark 1.3 und Mistral Medium 3.5 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Muse Spark 1.3 vs. Mistral Medium 3.5

Modellauswahl ändern

Allgemeine Daten

API-Preise im Vergleich

Gemeinsame Benchmarks

Fähigkeitsprofil aus vergleichbaren Benchmarks

Unsere Tests

SVG-Kurztest

Muse Spark 1.3

Mistral Medium 3.5

Pelikan auf dem Fahrrad

Ein Benchmark-Sieg ist kein Gesamturteil

Ähnliche LLM-Vergleiche