Direktvergleich

Muse Wonder vs. DeepSeek-V4-Pro

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

gemeinsame Messreihen: 180
verschiedene Benchmarks: 22
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 Wonder und DeepSeek-V4-Pro
Merkmal	Muse Wonder	DeepSeek-V4-Pro
Anbieter	Meta	DeepSeek
Erschienen	12. Okt. 2026	24. Apr. 2026
Verfügbarkeit	Preview	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	1,6 Billionen, 49 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.048.576 Token	1.000.000 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 Wonder und DeepSeek-V4-Pro
Preisart	Muse Wonder	DeepSeek-V4-Pro
API-Eingabe	4 $	0,66 $ (Off-Peak)
API-Ausgabe	20 $	1,98 $ (Off-Peak)
Cache lesen	0,2 $	0,022 $ (Off-Peak)
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	15.10.2026 Quelle	22.09.2026 Quelle
DeepSeek-V4-Pro: Spitzenpreise sind 1,32 $ Eingabe / 3,96 $ Ausgabe pro 1 Mio. Token während Mo, Di, Mi, Do, Fr, 01:00-04:00 UTC; Mo, Di, Mi, Do, Fr, 06:00-10:00 UTC; zu allen anderen Zeiten gelten Off-Peak-Preise.

Muse WonderDeepSeek-V4-Pro

API-EingabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder4 $

DeepSeek-V4-Pro0,66 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder20 $

DeepSeek-V4-Pro1,98 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Muse Wonder0,2 $

DeepSeek-V4-Pro0,022 $

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Preise nach Anbieter

Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.

Für Muse Wonder ist im gespeicherten OpenRouter-Stand kein Anbietertarif verfügbar. Der offizielle Direktpreis wird trotzdem angezeigt.

Anbieterpreise von Muse Wonder und DeepSeek-V4-Pro
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Muse Wonder	Meta	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 4 $	Günstigster erfasster Preis: 20 $	Quelle15.10.2026
DeepSeek-V4-Pro	DeepSeek	Direkt beim EntwicklerStandard-API	0,66 $	1,98 $	Quelle22.09.2026
	Alibaba	Über OpenRouteralibaba	0,5808 $	1,7424 $	Quelle16.10.2026
	Alibaba	Über OpenRouteralibaba/us-east-1	0,66 $	1,98 $	Quelle16.10.2026
	AtlasCloud	Über OpenRouteratlas-cloud/fp8	1,32 $	3,96 $	Quelle16.10.2026
	Baidu	Über OpenRouterbaidu/fp8	1,32 $	3,96 $	Quelle16.10.2026
	Cloudflare	Über OpenRoutercloudflare	1,32 $	3,96 $	Quelle16.10.2026
	CoreWeave	Über OpenRoutercoreweave/fp8	1,31 $	3,96 $	Quelle16.10.2026
	DeepInfra	Über OpenRouterdeepinfra/fp8	1,3 $	2,6 $	Quelle16.10.2026
	DeepSeek	Über OpenRouterdeepseek	0,66 $	1,98 $	Quelle16.10.2026
	DigitalOcean	Über OpenRouterdigitalocean	1,32 $	3,96 $	Quelle16.10.2026
	GMICloud	Über OpenRoutergmicloud/fp8	1,056 $	3,168 $	Quelle16.10.2026
	Ionstream	Über OpenRouterionstream	0,37 $	2,93 $	Quelle16.10.2026
	Novita	Über OpenRouternovita/fp8	0,99 $	2,97 $	Quelle16.10.2026
	Parasail	Über OpenRouterparasail/fp8	1,32 $	3,96 $	Quelle16.10.2026
	Phala	Über OpenRouterphala	0,957 $	2,8776 $	Quelle16.10.2026
	Relace	Über OpenRouterrelace/fp4	Günstigster erfasster Preis: 0,1307 $	8 $	Quelle16.10.2026
	Sail Research	Über OpenRoutersail-research/fp4	0,8957 $	Günstigster erfasster Preis: 0,99 $	Quelle16.10.2026
	Sail Research	Über OpenRoutersail-research/us	0,8957 $	Günstigster erfasster Preis: 0,99 $	Quelle16.10.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	1,32 $	3,96 $	Quelle16.10.2026
	StreamLake	Über OpenRouterstreamlake	0,66 $	1,98 $	Quelle16.10.2026
	Venice	Über OpenRoutervenice	1,65 $	4,95 $	Quelle16.10.2026
	Wafer	Über OpenRouterwafer	0,25 $	5 $	Quelle16.10.2026

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.

Muse Wonder

DeepSeek-V4-Pro

Coding: 100 / 27,2 (1 Benchmarkfamilie)

Reasoning: 100 / 72,9 (3 Benchmarkfamilien)

Wissen: 100 / 3,3 (1 Benchmarkfamilie)

Agenten-Aufgaben: 100 / 80,3 (3 Benchmarkfamilien)

Gesamt: 100 / 68,7 (1 Benchmarkfamilie)

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

Muse WonderDeepSeek-V4-Pro

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

Muse Wonder1.658,65 elo

DeepSeek-V4-Pro1.256,94 elo

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

Muse Wonder80,7 %

DeepSeek-V4-Pro80,3 %

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

Muse Wonder25,483 Punkte

DeepSeek-V4-Pro0,833 Punkte

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

Muse Wonder52,394 Punkte

DeepSeek-V4-Pro35,997 Punkte

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

Muse Wonder68,1 %

DeepSeek-V4-Pro56,7 %

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder62,552 %

DeepSeek-V4-Pro26,201 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder67,084 %

DeepSeek-V4-Pro51,623 %

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

Muse Wonder56,637 %

DeepSeek-V4-Pro44,083 %

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

Muse Wonder30,6 %

DeepSeek-V4-Pro11,4 %

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

Muse Wonder1.770,34 elo

DeepSeek-V4-Pro1.450,47 elo

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

Muse Wonder17,083 %

DeepSeek-V4-Pro3,75 %

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

Muse Wonder50,1 %

DeepSeek-V4-Pro41,0 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Muse Wonder und DeepSeek-V4-Pro
Benchmark und Aufgabe	Muse Wonder	DeepSeek-V4-Pro	Quelle
AA-BriefcaseOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v1.1Messgröße: AA-Briefcase EloBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner1.658,65 elo	1.256,94 elo	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AA-LCROverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v1.1Messgröße: Pass rateBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner80,7 %	80,3 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AA-OmniscienceOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: AA-Omniscience IndexBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner25,483 Punkte Der Index kann negative Werte annehmen und reicht laut Anbieter von -100 bis 100.	0,833 Punkte Der Index kann negative Werte annehmen und reicht laut Anbieter von -100 bis 100.	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Artificial Analysis Intelligence IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v4.3.2Messgröße: Artificial Analysis Intelligence IndexBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner52,394 Punkte	35,997 Punkte	Artificial Analysis Quellendetails Datenstand: 15.10.2026
AutomationBench-AAOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: Objectives completed without guardrail violationsBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner68,1 %	56,7 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert62,552 %	26,201 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert67,084 %	51,623 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert56,637 %	44,083 %	Vals AI Quellendetails Datenstand: 12.10.2026
GDP.pdfOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: All-pass rateBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner30,6 %	11,4 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
GDPval-AAOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: v2.1Messgröße: GDPval-AA EloBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner1.770,34 elo	1.450,47 elo	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert17,083 %	3,75 %	Vals AI Quellendetails Datenstand: 12.10.2026
Humanity's Last ExamOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: unspecifiedMessgröße: Text-only pass@1 accuracyBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner50,1 % Der Anbieter beschreibt seine Vergleichsauswertung als text-only 2.158 Fragen, nicht als den vollständigen 2.500-Fragen-Datensatz.	41,0 % Der Anbieter beschreibt seine Vergleichsauswertung als text-only 2.158 Fragen, nicht als den vollständigen 2.500-Fragen-Datensatz.	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Legal Research BenchOverall · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert50,481 %	23,077 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 14.023 veröffentlichten Paarvergleichen.	Höherer Messwert1.650,947 95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.446,815 95-%-Konfidenzintervall: ±6,319Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 57.614 veröffentlichten Paarvergleichen.	Höherer Messwert1.512,671 95-%-Konfidenzintervall: ±13,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.457,848 95-%-Konfidenzintervall: ±3,899Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
ProofBenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens	Höherer Messwert84 %	16 %	Vals AI Quellendetails Datenstand: 12.10.2026
Public Benefits Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert70,23 %	62,923 %	Vals AI Quellendetails Datenstand: 12.10.2026
Tax Agent BenchOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert36,269 %	25,17 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-BenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 4.0Messgröße: Task successBewertung: Mehr ist besserMuse Wonder: Snapshot: Muse Wonder (Max), Reasoning: Max DeepSeek-V4-Pro: Snapshot: DeepSeek V4 Pro 0813 (Max), Reasoning: MaxMuse Wonder: Exakte AA-Konfiguration: Muse Wonder (Max) (Release muse-wonder, Zeile muse-wonder, UUID ff2f3f3d-783f-4e27-8a39-47237501a313, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.DeepSeek-V4-Pro: Exakte AA-Konfiguration: DeepSeek V4 Pro 0813 (Max) (Release deepseek-v4-pro, Zeile deepseek-v4-pro, UUID 83173329-c09a-41f1-a028-a282a5f908d7, reasoning=true, source reasoning-token configuration budget=2000, suffix=Max). Der konfigurierte Wert ist kein gemessener Tokenverbrauch.	Gewinner52,0 %	14,1 %	Artificial Analysis Quellendetails Datenstand: 15.10.2026
Terminal-Bench 4.0Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert49,495 %	11,111 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vals IndexOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: weighted index scoreBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert61,062 %	38,63 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vibe Code Bench v1.1Overall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 256.000 tokens	Höherer Messwert83,089 %	49,931 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert60,07 %	15,47 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert79,488 %	57,434 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert52,67 %	41,586 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert93,841 %	83,696 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert63,636 %	28,788 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 13.199 veröffentlichten Paarvergleichen.	Höherer Messwert1.650,947 95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.463,849 95-%-Konfidenzintervall: ±6,309Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 54.929 veröffentlichten Paarvergleichen.	Höherer Messwert1.512,671 95-%-Konfidenzintervall: ±13,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.454,814 95-%-Konfidenzintervall: ±3,964Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert20 %	12,333 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Hardware Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert46,667 %	0 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vals IndexCode Migration Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert62,009 %	26,212 %	Vals AI Quellendetails Datenstand: 13.10.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert70 %	58,393 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert79,232 %	62,572 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert45,936 %	31,448 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert90,571 %	83,372 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 14.023 veröffentlichten Paarvergleichen.	Höherer Messwert1.650,947 95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.446,815 95-%-Konfidenzintervall: ±6,319Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 11.383 veröffentlichten Paarvergleichen.	Höherer Messwert1.500,247 95-%-Konfidenzintervall: ±30,856Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.459,786 95-%-Konfidenzintervall: ±6,716Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Tax Agent BenchControversy & Precedence Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert71,362 %	54,843 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert33,333 %	0 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vals IndexEMB Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert67,084 %	51,623 %	Vals AI Quellendetails Datenstand: 13.10.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert4,061 / 5	3,401 / 5	Vals AI Quellendetails Datenstand: 12.10.2026
EMBDCF Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert51,035 %	44,435 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert47,933 %	39,632 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert92,473 %	83,513 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert48,837 %	23,256 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 13.199 veröffentlichten Paarvergleichen.	Höherer Messwert1.650,947 95-%-Konfidenzintervall: ±18,263Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.463,849 95-%-Konfidenzintervall: ±6,309Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 11.045 veröffentlichten Paarvergleichen.	Höherer Messwert1.500,247 95-%-Konfidenzintervall: ±30,856Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.448,007 95-%-Konfidenzintervall: ±6,811Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert50 %	36,595 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0ML Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert45,455 %	3,03 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vals IndexFinance Agent v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert56,637 %	44,083 %	Vals AI Quellendetails Datenstand: 13.10.2026
EMBLBO Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert60,69 %	43,938 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Disclosure Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert67,252 %	52,649 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert86,88 %	86,491 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 158 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 1.502 veröffentlichten Paarvergleichen.	Höherer Messwert1.721,908 95-%-Konfidenzintervall: ±51,47Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.434,123 95-%-Konfidenzintervall: ±15,907Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control DeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.DeepSeek-V4-Pro: Arena-Bewertung aus 17.145 veröffentlichten Paarvergleichen.	Höherer Messwert1.557,956 95-%-Konfidenzintervall: ±26,189Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.500,665 95-%-Konfidenzintervall: ±5,923Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Tax Agent BenchCurrent & Temporal Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert77,655 %	65,741 %	Vals AI Quellendetails Datenstand: 12.10.2026
Terminal-Bench 4.0Operations Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 4.0Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert40,741 %	7,407 %	Vals AI Quellendetails Datenstand: 13.10.2026
Vals IndexHLAB Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: benchmark scoreBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert17,083 %	3,75 %	Vals AI Quellendetails Datenstand: 13.10.2026
EMBM&A Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert76,852 %	48,156 %	Vals AI Quellendetails Datenstand: 12.10.2026
Finance Agent (v2)Earnings Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert76,768 %	59,84 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens	Höherer Messwert94,424 %	86,245 %	Vals AI Quellendetails Datenstand: 12.10.2026
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Eigene Modelltests

Unsere Tests

Für diese Auswahl gibt es keine gemeinsame Testrunde. Es werden keine Ergebnisse aus verschiedenen Runden gemischt.

Frühere Tests

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Muse Wonder

Noch nicht getestet

DeepSeek-V4-Pro

Die Antwort hat das Tokenlimit erreicht. Es liegt keine vollständige Aufzeichnung vor.

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 05.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: deepseek/deepseek-v4-pro-0813
API-Modell laut Antwort: deepseek/deepseek-v4-pro-0813
Reasoning-Einstellung: high
Festgelegter Endpunkt: DeepSeek | deepseek/deepseek-v4-pro-20260813
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Nicht bestanden
Antwortzeit: 67,6 s

Visuell noch nicht bewertet. Eine erfolgreiche Aufzeichnung bestätigt weder korrekte Physik noch die vollständige Umsetzung des Prompts.

Frühere Versuche (3)

02.10.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
01.10.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
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 Wonder und DeepSeek-V4-Pro mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich