Alle LLM-Vergleiche
Direktvergleich
Grok 4.5 vs. DeepSeek-V4-Pro
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
154
gemeinsame Messreihen
20
verschiedene Benchmarks
11.08.2026
jüngster Abruf
Modellauswahl ändern
Steckbrief und Kosten
Allgemeine Daten und Standard-API-Preise
Nicht veröffentlichte Parameterzahlen oder Wissensstände bleiben als solche markiert. Die Tabelle zeigt direkte Standardtarife pro Token einschließlich hinterlegter Kontextstufen. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
| Merkmal | Grok 4.5 | DeepSeek-V4-Pro |
|---|---|---|
| Anbieter | xAI | DeepSeek |
| Erschienen | 16. Juli 2026 | 24. Apr. 2026 |
| Verfügbarkeit | Aktiv | Preview |
| Modelltyp | Proprietär | Open Weights |
| Parameter | Nicht veröffentlicht | 1,6 Billionen, 49 Mrd. aktiv |
| Architektur | Nicht veröffentlicht | Mixture of Experts |
| Kontextfenster | 500.000 Token | 1.000.000 Token |
| Wissensstand | 1. Februar 2026 | Nicht veröffentlicht |
| Technische Quellen | Modell | Modell, Kontext |
| API-Preise pro 1 Mio. Token | ||
| API-Eingabe | 2 $ ≤200K / 4 $ >200K | 0,43 $ |
| API-Ausgabe | 6 $ ≤200K / 12 $ >200K | 0,87 $ |
| Cache lesen | 0,3 $ ≤200K / 0,6 $ >200K | 0, $ |
| Cache schreiben (5 Min.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Preis geprüft | 11.08.2026Quelle | 30.07.2026Quelle |
Grok 4.5DeepSeek-V4-Pro
API-EingabeUSD pro 1 Mio. Token, Basistarif
Grok 4.52 $DeepSeek-V4-Pro0,435 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Grok 4.56 $DeepSeek-V4-Pro0,87 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
Grok 4.50,3 $DeepSeek-V4-Pro0,004 $
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.
154 gemeinsame Messreihen
Grok 4.5DeepSeek-V4-Pro
Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.536,596 %DeepSeek-V4-Pro26,201 %
CorpFin v2Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.567,405 %DeepSeek-V4-Pro61,383 %
EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.552,911 %DeepSeek-V4-Pro51,623 %
Finance Agent (v2)Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.548,349 %DeepSeek-V4-Pro44,083 %
GPQA DiamondOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.592,929 %DeepSeek-V4-Pro89,394 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.512,917 %DeepSeek-V4-Pro3,75 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.537,981 %DeepSeek-V4-Pro23,077 %
LegalBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.585,965 %DeepSeek-V4-Pro80,323 %
LiveCodeBench v6Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.587,351 %DeepSeek-V4-Pro87,484 %
MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.543,291 %DeepSeek-V4-Pro40,455 %
MedScribeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.586,884 %DeepSeek-V4-Pro75,144 %
MMLU-ProOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.589,216 %DeepSeek-V4-Pro87,249 %
| Benchmark und Aufgabe | Grok 4.5 | DeepSeek-V4-Pro | Vergleichbarkeit | Quelle |
|---|---|---|---|---|
| Code MigrationOverall | 36,596 %höher | 26,201 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Overall | 67,405 %höher | 61,383 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| EMBOverall | 52,911 %höher | 51,623 % | 1accuracyMehr ist besserKohorte: vals-emb:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Overall | 48,349 %höher | 44,083 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondOverall | 92,929 %höher | 89,394 % | 1accuracyMehr ist besserKohorte: vals-gpqa:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkOverall · Task fully resolved | 12,917 %höher | 3,75 % | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchOverall · All-pass | 37,981 %höher | 23,077 % | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchOverall | 85,965 %höher | 80,323 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Overall | 87,351 % | 87,484 %höher | 1accuracyMehr ist besserKohorte: vals-lcb:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MedCodeOverall | 43,291 %höher | 40,455 % | 1accuracyMehr ist besserKohorte: vals-medcode:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 Token DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-medcode-2026-08-11-59016050c3a3Abgerufen am 11.08.2026 |
| MedScribeOverall | 86,884 %höher | 75,144 % | 1accuracyMehr ist besserKohorte: vals-medscribe:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 Token DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-medscribe-2026-08-11-d7cf1ca6b81fAbgerufen am 11.08.2026 |
| MMLU-ProOverall | 89,216 %höher | 87,249 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchOverall | 0 % | 0 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| ProofBenchOverall | 30 %höher | 10 % | 1accuracyMehr ist besserKohorte: vals-proof-bench:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-proof_bench-2026-08-11-c6615e599d88Abgerufen am 11.08.2026 |
| SkillsBenchOverall | 66,034 %höher | 51,274 % | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench VerifiedOverall | 86,6 %höher | 77,4 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Overall | 71,668 % | 72,077 %höher | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Overall | 67,79 %höher | 50,187 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Vals IndexOverall | 65,299 %höher | 55,615 % | 1.2weighted index scoreMehr ist besserKohorte: vals-vals-index:1.2:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Vibe Code Bench v1.1Overall | 69,002 %höher | 49,931 % | 1.1accuracyMehr ist besserKohorte: vals-vibe-code-bench:1.1:overallTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: vals-vibe-code-2026-08-11-b6b708f7b194Abgerufen am 11.08.2026 |
| Code MigrationCLI | 25,461 %höher | 15,47 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cliTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Exact Pages | 66,317 %höher | 59,207 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:exact_pagesTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| EMBComps | 39,489 % | 57,434 %höher | 1accuracyMehr ist besserKohorte: vals-emb:1:compsTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Adjustments | 38,568 % | 41,586 %höher | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:adjustmentsTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondFew-Shot CoT | 92,929 %höher | 90,404 % | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_few_shot_cotTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed | 87,319 %höher | 83,696 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__antitrust_competitionTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · All-pass | 51,515 %höher | 28,788 % | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:administrative_regulatoryTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchConclusion Tasks | 89,507 %höher | 89,117 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:conclusion_tasksTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Easy | 99,068 %höher | 98,758 % | 1accuracyMehr ist besserKohorte: vals-lcb:1:easyTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBiology | 94,282 %höher | 92,887 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:biologyTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchAlmost Resolved | 4,5 %höher | 0 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:almostTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SkillsBenchNo Skills | 48,808 %höher | 27,226 % | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:no_skillsTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench Verified<15 min fix | 93,814 %höher | 87,629 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:<15 min fixTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Correctness | 62,551 %höher | 60,589 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:correctnessTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Easy | 91,667 %höher | 66,667 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:easyTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Vals IndexCorpFin v2 | 68,415 %höher | 61,888 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-index:1.2:corp_fin_v2Testaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Code MigrationCOBOL | 70 %höher | 58,393 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cobolTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Max Fitting Context | 67,483 %höher | 63,054 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:max_fitting_contextTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| EMBDataroom | 64,953 %höher | 62,572 % | 1accuracyMehr ist besserKohorte: vals-emb:1:dataroomTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)All-Pass | 36,743 %höher | 31,448 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:all_passTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondZero-Shot CoT | 92,929 %höher | 88,384 % | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_zero_shot_cotTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved | 0 % | 0 % | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:antitrust_competitionTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · Weighted partial credit | 88,75 %höher | 83,372 % | 1weighted partial-credit scoreMehr ist besserKohorte: vals-legal-research:1:weighted_pass__administrative_regulatoryTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchInterpretation Tasks | 83,22 %höher | 75,169 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:interpretation_tasksTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Hard | 73,429 %höher | 72,571 % | 1accuracyMehr ist besserKohorte: vals-lcb:1:hardTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBusiness | 93,283 %höher | 91,888 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:businessTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchFully Resolved | 0 % | 0 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:strictTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SkillsBenchWith Skills | 66,034 %höher | 51,274 % | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:with_skillsTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench Verified>4 hours | 66,667 %höher | 0 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:>4 hoursTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Stepwise Reasoning | 80,785 % | 83,565 %höher | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:stepwise_reasoningTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Hard | 56,667 %höher | 31,111 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:hardTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Vals IndexFinance Agent v2 | 48,751 %höher | 44,081 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-index:1.2:finance_agentTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Code MigrationCode Quality | 4,078 / 5höher | 3,401 / 5 | 1mean reviewer code-quality ratingMehr ist besserKohorte: vals-code-migration:1:code_qualityTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Shared Max Context | 68,415 %höher | 61,888 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:shared_max_contextTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| EMBDCF | 41,455 % | 44,435 %höher | 1accuracyMehr ist besserKohorte: vals-emb:1:dcfTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Comparables | 41,768 %höher | 39,632 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:comparablesTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed | 92,115 %höher | 83,512 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__arbitration_international_dispute_resolutionTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchBusiness & Commercial · All-pass | 30,233 %höher | 23,256 % | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:business_commercialTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchIssue Tasks | 90,129 %höher | 84,587 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:issue_tasksTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Medium | 89,556 % | 91,123 %höher | 1accuracyMehr ist besserKohorte: vals-lcb:1:mediumTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProChemistry | 91,608 % | 92,491 %höher | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:chemistryTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| ProgramBenchRaw Pass Rate | 65,246 %höher | 47,778 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:partialTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SWE-bench Verified1-4 hours | 73,81 %höher | 45,238 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:1-4 hoursTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| Terminal-Bench 2.1Medium | 72,121 %höher | 59,394 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:mediumTestaufbau nicht identisch dokumentiertGrok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95 DeepSeek-V4-Pro: Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
Die Tabelle zeigt 64 diversifizierte Messreihen aus insgesamt 154 gemeinsamen Ergebnissen. Dadurch verdrängt ein Benchmark mit vielen Unteraufgaben nicht alle anderen Tests.
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.
Preise beziehen sich auf die offiziellen API-Tarife pro 1 Mio. Token. Web-Abos und Cloud-Aufschläge können davon abweichen.
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.