Direktvergleich

Muse Wonder vs. GLM-5.1

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

gemeinsame Messreihen: 107
verschiedene Benchmarks: 8
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 GLM-5.1
Merkmal	Muse Wonder	GLM-5.1
Anbieter	Meta	Z.ai
Erschienen	12. Okt. 2026	7. Apr. 2026
Verfügbarkeit	Preview	Open Source
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	744 Mrd., 40 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.048.576 Token	200.000 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 GLM-5.1
Preisart	Muse Wonder	GLM-5.1
API-Eingabe	4 $	1,4 $
API-Ausgabe	20 $	4,4 $
Cache lesen	0,2 $	0,26 $
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

Muse WonderGLM-5.1

API-EingabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder4 $

GLM-5.11,4 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder20 $

GLM-5.14,4 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Muse Wonder0,2 $

GLM-5.10,26 $

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 GLM-5.1
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
GLM-5.1	Z.ai	Direkt beim EntwicklerStandard-API	1,4 $	4,4 $	Quelle22.09.2026
	Alibaba	Über OpenRouteralibaba/fp8	1,33 $	4,18 $	Quelle16.10.2026
	AtlasCloud	Über OpenRouteratlas-cloud/fp8	1,26 $	3,96 $	Quelle16.10.2026
	Baidu	Über OpenRouterbaidu/fp8	1,4 $	4,4 $	Quelle16.10.2026
	Friendli	Über OpenRouterfriendli	1,4 $	4,4 $	Quelle16.10.2026
	GMICloud	Über OpenRoutergmicloud/fp8	1,4 $	4,4 $	Quelle16.10.2026
	Nebius	Über OpenRouternebius/fp8	1,4 $	4,4 $	Quelle16.10.2026
	Novita	Über OpenRouternovita/fp8	1,38 $	4,4 $	Quelle16.10.2026
	Phala	Über OpenRouterphala	1,21 $	4,2 $	Quelle16.10.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	1,19 $	3,74 $	Quelle16.10.2026
	StreamLake	Über OpenRouterstreamlake/fp8	Günstigster erfasster Preis: 0,966 $	Günstigster erfasster Preis: 3,036 $	Quelle16.10.2026
	Venice	Über OpenRoutervenice/fp8	1,4014 $	4,4044 $	Quelle16.10.2026
	Z.AI	Über OpenRouterz-ai/fp8	1,4 $	4,4 $	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.

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 WonderGLM-5.1

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder62,552 %

GLM-5.125,768 %

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

Muse Wonder56,637 %

GLM-5.144,792 %

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

Muse Wonder17,083 %

GLM-5.10 %

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

Muse Wonder50,481 %

GLM-5.127,885 %

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

Muse Wonder1.650,947

GLM-5.11.508,395

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

Muse Wonder1.512,671

GLM-5.11.465,374

Public Benefits Bench v1.1Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder70,23 %

GLM-5.161,84 %

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

Muse Wonder83,089 %

GLM-5.131,456 %

Code MigrationCLI. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder60,07 %

GLM-5.118,833 %

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

Muse Wonder52,67 %

GLM-5.143,276 %

Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder93,841 %

GLM-5.171,377 %

Legal Research BenchAdministrative / Regulatory · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder63,636 %

GLM-5.131,818 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Muse Wonder und GLM-5.1
Benchmark und Aufgabe	Muse Wonder	GLM-5.1	Quelle
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert62,552 %	25,768 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert56,637 %	44,792 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert17,083 %	0 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert50,481 %	27,885 %	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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 10.746 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.	1.508,395 95-%-Konfidenzintervall: ±6,771Der 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 62.175 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.	1.465,374 95-%-Konfidenzintervall: ±3,602Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert70,23 %	61,84 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 GLM-5.1: Harness: OpenHands, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert83,089 %	31,456 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert60,07 %	18,833 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert52,67 %	43,276 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert93,841 %	71,377 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert63,636 %	31,818 %	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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 10.746 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.	1.508,395 95-%-Konfidenzintervall: ±6,771Der 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 12.030 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.	1.465,499 95-%-Konfidenzintervall: ±6,25Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert70 %	46,571 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert45,936 %	32,68 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert90,571 %	80,005 %	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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 158 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 1.210 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.	1.509,083 95-%-Konfidenzintervall: ±18,189Der 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 16.961 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.	1.512,302 95-%-Konfidenzintervall: ±5,549Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert4,061 / 5	3,544 / 5	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert47,933 %	41,557 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert92,473 %	53,405 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert48,837 %	23,256 %	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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Code Arena WebDev GLM-5.1: Snapshot: glm-5.1, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 787 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 8.193 veröffentlichten Paarvergleichen.	Höherer Messwert1.637,813 95-%-Konfidenzintervall: ±23,199Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.505,232 95-%-Konfidenzintervall: ±7,631Der 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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 427 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 12.127 veröffentlichten Paarvergleichen.	Höherer Messwert1.485,682 95-%-Konfidenzintervall: ±29,474Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.447,334 95-%-Konfidenzintervall: ±6,452Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert67,252 %	52,713 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert86,88 %	81,655 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlEnglish 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 802 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 26.692 veröffentlichten Paarvergleichen.	Höherer Messwert1.523,395 95-%-Konfidenzintervall: ±20,831Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.480,944 95-%-Konfidenzintervall: ±4,656Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert76,768 %	56,958 %	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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert94,424 %	71,004 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert37,037 %	22,222 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 14.753 veröffentlichten Paarvergleichen.	Höherer Messwert1.468,099 95-%-Konfidenzintervall: ±25,703Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.442,133 95-%-Konfidenzintervall: ±5,949Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Finance Agent (v2)Financial Modeling Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert22,515 %	13,466 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert20 %	0 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert89,018 %	83,513 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlExcluding ties 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.390 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 46.453 veröffentlichten Paarvergleichen.	Höherer Messwert1.538,781 95-%-Konfidenzintervall: ±18,91Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.471,538 95-%-Konfidenzintervall: ±4,716Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Finance Agent (v2)General Qualitative Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert70,779 %	63,665 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkBankruptcy Restructuring · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert89,965 %	75,433 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchConstitutional / Civil Rights · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert39,474 %	34,211 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlExpert prompts 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 212 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 6.634 veröffentlichten Paarvergleichen.	Höherer Messwert1.512,579 95-%-Konfidenzintervall: ±38,177Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.495,565 95-%-Konfidenzintervall: ±7,941Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Finance Agent (v2)General Quantitative Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert77,605 %	61,87 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkBankruptcy Restructuring · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchConstitutional / Civil Rights · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert89,259 %	84,883 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlHard prompts 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.218 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 40.763 veröffentlichten Paarvergleichen.	Höherer Messwert1.533,453 95-%-Konfidenzintervall: ±16,637Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.488,92 95-%-Konfidenzintervall: ±4,198Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Finance Agent (v2)Market Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert62,116 %	51,861 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkCapital Markets · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert92,941 %	71,765 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchCriminal · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert43,86 %	29,825 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlHard prompts, English 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 527 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 17.792 veröffentlichten Paarvergleichen.	Höherer Messwert1.524,593 95-%-Konfidenzintervall: ±25,568Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.499,484 95-%-Konfidenzintervall: ±5,442Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Finance Agent (v2)Precedents Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert32,094 %	17,764 %	Vals AI Quellendetails Datenstand: 12.10.2026
Harvey's Legal Agent BenchmarkCapital Markets · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert20 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchCriminal · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert87,417 %	78,143 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlInstruction following 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 653 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 21.796 veröffentlichten Paarvergleichen.	Höherer Messwert1.502,929 95-%-Konfidenzintervall: ±22,755Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.461,803 95-%-Konfidenzintervall: ±5,036Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Harvey's Legal Agent BenchmarkCorporate Governance · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert95,548 %	72,945 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchFamily · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert36,364 %	9,091 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlLife, physical and social science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserMuse Wonder: Snapshot: muse-wonder-max, Reasoning: max, Harness: Arena Text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 285 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 10.225 veröffentlichten Paarvergleichen.	Höherer Messwert1.527,653 95-%-Konfidenzintervall: ±35,27Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.487,252 95-%-Konfidenzintervall: ±6,562Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Harvey's Legal Agent BenchmarkCorporate Governance · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert20 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchFamily · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert83,42 %	58,154 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlLonger queries 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 866 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 28.082 veröffentlichten Paarvergleichen.	Höherer Messwert1.504,143 95-%-Konfidenzintervall: ±19,981Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.480,098 95-%-Konfidenzintervall: ±4,852Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Harvey's Legal Agent BenchmarkCorporate Ma · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert93,59 %	85,897 %	Vals AI Quellendetails Datenstand: 12.10.2026
Legal Research BenchHealth · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert76,667 %	36,667 %	Vals AI Quellendetails Datenstand: 12.10.2026
LMArena Text, Style ControlMulti-turn 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 256 veröffentlichten Paarvergleichen.GLM-5.1: Arena-Bewertung aus 9.828 veröffentlichten Paarvergleichen.	Höherer Messwert1.544,436 95-%-Konfidenzintervall: ±35,53Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	1.478,302 95-%-Konfidenzintervall: ±6,726Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall, Arena-Bereich und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 13.10.2026
Harvey's Legal Agent BenchmarkCorporate Ma · 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 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert20 %	0 %	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

GLM-5.1

Ausgabe aus Sicherheitsgründen nicht dargestellt

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 05.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: z-ai/glm-5.1
API-Modell laut Antwort: z-ai/glm-5.1
Reasoning-Einstellung: high
Festgelegter Endpunkt: Z.AI | z-ai/glm-5.1-20260406
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Nicht bestanden
Antwortzeit: 141,6 s

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

Frühere Versuche (3)

02.10.2026Ausgabe aus Sicherheitsgründen nicht dargestelltReasoning-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 GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich