Direktvergleich

Muse Wonder vs. Grok 4.3

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

gemeinsame Messreihen: 131
verschiedene Benchmarks: 10
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 Grok 4.3
Merkmal	Muse Wonder	Grok 4.3
Anbieter	Meta	xAI
Erschienen	12. Okt. 2026	6. Mai 2026
Verfügbarkeit	Preview	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.048.576 Token	1.000.000 Token
Wissensstand	Nicht veröffentlicht	Nicht veröffentlicht
Technische Quellen	Modell, Kontext	Modell

Kosten

API-Preise im Vergleich

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

API-Preise von Muse Wonder und Grok 4.3
Preisart	Muse Wonder	Grok 4.3
API-Eingabe	4 $	1,25 $ ≤200K / 2,5 $ >200K
API-Ausgabe	20 $	2,5 $ ≤200K / 5 $ >200K
Cache lesen	0,2 $	0,2 $ ≤200K / 0,4 $ >200K
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 WonderGrok 4.3

API-EingabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder4 $

Grok 4.31,25 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Muse Wonder20 $

Grok 4.32,5 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Muse Wonder0,2 $

Grok 4.30,2 $

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 Grok 4.3
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
Grok 4.3	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle22.09.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	2,5 $	5 $	Quelle22.09.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle16.10.2026
	xAI	Über OpenRouterxai/priority	2,5 $	5 $	Quelle16.10.2026
	xAI	Über OpenRouterxai/zdr/priority	2,5 $	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.

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 WonderGrok 4.3

Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder62,552 %

Grok 4.36,795 %

EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder67,084 %

Grok 4.318,394 %

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

Muse Wonder56,637 %

Grok 4.337,728 %

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

Muse Wonder17,083 %

Grok 4.30,417 %

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

Muse Wonder50,481 %

Grok 4.315,385 %

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

Muse Wonder1.650,947

Grok 4.31.357,272

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

Muse Wonder1.512,671

Grok 4.31.441,548

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

Muse Wonder70,23 %

Grok 4.351,691 %

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

Muse Wonder36,269 %

Grok 4.36,179 %

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

Muse Wonder83,089 %

Grok 4.319,403 %

Code MigrationCLI. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder60,07 %

Grok 4.39,06 %

EMBComps. Mehr ist besser. Testaufbau nicht identisch dokumentiert

Muse Wonder79,488 %

Grok 4.316,558 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Muse Wonder und Grok 4.3
Benchmark und Aufgabe	Muse Wonder	Grok 4.3	Quelle
Code MigrationOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert62,552 %	6,795 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert67,084 %	18,394 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert56,637 %	37,728 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert17,083 %	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 Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert50,481 %	15,385 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 15.006 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.	1.357,272 95-%-Konfidenzintervall: ±6,229Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.944 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 71.387 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.	1.441,548 95-%-Konfidenzintervall: ±3,628Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70,23 %	51,691 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert36,269 %	6,179 %	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 Grok 4.3: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	Höherer Messwert83,089 %	19,403 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert60,07 %	9,06 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert79,488 %	16,558 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert52,67 %	31,863 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert93,841 %	61,594 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert63,636 %	25,758 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 1.228 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 15.006 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.	1.357,272 95-%-Konfidenzintervall: ±6,229Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 338 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 14.239 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.	1.439,18 95-%-Konfidenzintervall: ±6,283Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert20 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70 %	0 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert79,232 %	29,176 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert45,936 %	26,373 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert90,571 %	73,866 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 158 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 1.776 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.	1.366,804 95-%-Konfidenzintervall: ±15,382Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 487 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 19.960 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.	1.487,781 95-%-Konfidenzintervall: ±5,635Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert71,362 %	22,85 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert4,061 / 5	3,098 / 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert51,035 %	11,421 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert47,933 %	35,857 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert92,473 %	68,1 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert48,837 %	13,953 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Code Arena WebDevMuse Wonder: Arena-Bewertung aus 787 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 11.519 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.	1.352,835 95-%-Konfidenzintervall: ±6,898Der 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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 427 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 13.239 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.	1.421,796 95-%-Konfidenzintervall: ±6,498Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert50 %	10 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBLBO Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert60,69 %	9,367 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert67,252 %	47,688 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert86,88 %	75,476 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 802 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 32.822 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.	1.450,908 95-%-Konfidenzintervall: ±4,718Der 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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert77,655 %	34,603 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBM&A Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert76,852 %	27,454 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert76,768 %	47,734 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert94,424 %	67,286 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert37,037 %	3,704 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 536 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 17.258 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.	1.416,105 95-%-Konfidenzintervall: ±5,948Der 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 BenchFact-Pattern Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert39,535 %	4,477 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBMisc Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert56,936 %	18,493 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert22,515 %	5,914 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,018 %	68,852 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.390 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 54.819 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.	1.440,317 95-%-Konfidenzintervall: ±4,783Der 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 BenchFact-Pattern Analysis Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert67,563 %	36,731 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBOperating Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert65,354 %	16,29 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70,779 %	53,198 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,965 %	52,941 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert39,474 %	13,158 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 212 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 7.544 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.	1.452,679 95-%-Konfidenzintervall: ±7,868Der 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 BenchForms & Filings Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert23,333 %	0 %	Vals AI Quellendetails Datenstand: 12.10.2026
EMBScratch Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert69,002 %	29,429 %	Vals AI Quellendetails Datenstand: 12.10.2026
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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert77,605 %	51,788 %	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	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 Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,259 %	74,824 %	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 Grok 4.3: Snapshot: grok-4.3, Harness: Arena Text, style controlMuse Wonder: Arena-Bewertung aus 1.218 veröffentlichten Paarvergleichen.Grok 4.3: Arena-Bewertung aus 47.707 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.	1.456,034 95-%-Konfidenzintervall: ±4,334Der 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 BenchForms & Filings Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserMuse Wonder: Reasoning: max, Temperatur: 1, Ausgabegrenze: 131.072 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert69,85 %	33,823 %	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

Grok 4.3

Reasoning (angefragt): high

Aktueller Versuch

Datum des Testlaufs: 07.09.2026
API-Anbieter: openrouter
Angefragtes API-Modell: x-ai/grok-4.3
API-Modell laut Antwort: x-ai/grok-4.3
Reasoning-Einstellung: high
Festgelegter Endpunkt: xAI | x-ai/grok-4.3-20260430
Temperatur: Anbieterstandard
Tokenlimit inklusive Reasoning: 8.192 Token
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung
Antwortzeit: 149 s

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

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 Grok 4.3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich