Welche KI ist die beste? Alle Modelle im Vergleich.
21 aktuelle KI-Modelle, verglichen nach 6 anerkannten Benchmarks und realen Kosten. Sortierbar, filterbar, kein Marketing, nur Daten.
Von Chatbot Arena Elo (menschliche Bewertung) über Terminal-Bench (agentisches Programmieren) bis AA-Omniscience (Wissen ohne Halluzinationen), plus Preise pro Million Tokens für einen ehrlichen Kosten-Vergleich.
21
Modelle
6
Benchmarks
13
Anbieter
6
Quellen
LLM Ranking, Alle Modelle
Klicke auf eine Spaltenüberschrift zum Sortieren. Filtere nach Use Case, Anbieter oder Open-Source-Status.
Use Case
Anbieter
21 von 21 Modellen
| Gemini 4 Carbon | 1.528 | 59.0 | 65.0 | 41.0 | 69.0 | 54.0 | $4 | $20 | 1M | |
| Claude Opus 5.5 | Anthropic | 1.509 | 58.0 | 60.0 | 46.0 | 68.0 | 48.0 | $4 | $20 | 1M |
| GPT-6 Astra | OpenAI | 1.476 | 57.0 | 59.0 | 42.0 | 64.0 | 42.0 | $10 | $50 | 1M |
| GPT-6.1 Sol | OpenAI | 1.481 | 55.0 | 56.0 | 41.0 | 59.0 | 42.0 | $2 | $10 | 1M |
| Claude Sonnet 5.5 | Anthropic | 1.477 | 54.0 | 64.0 | 42.0 | 53.0 | 30.0 | $2 | $10 | 1M |
| GPT-6.1 Terra | OpenAI | – | 51.0 | 56.0 | 42.0 | 47.0 | 30.0 | $1 | $5 | 1M |
| Gemini 4 Argon | 1.520 | 50.0 | 57.0 | 26.0 | 57.0 | 46.0 | $4 | $20 | 1M | |
| Claude Fable 5.1 | Anthropic | 1.504 | 49.0 | 52.0 | 32.0 | 60.0 | 46.0 | $10 | $50 | 1M |
| Kimi K3.1 Pro | Moonshot | – | 46.0 | 67.0 | 25.0 | 37.0 | 30.0 | $2 | $10 | 1M |
| Muse Wonder | Meta | 1.507 | 43.0 | 52.0 | 28.0 | 39.0 | 25.0 | $4 | $20 | 1.0M |
| Claude Haiku 5.5 | Anthropic | – | 36.0 | 33.0 | 35.0 | 30.0 | 12.0 | $0.10 | $0.50 | 1M |
| Grok 4.7 | xAI | – | 34.0 | 26.0 | 29.0 | 23.0 | 31.0 | $2 | $6 | 500K |
| Qwen3.8 Max | Alibaba | 1.482 | 34.0 | 39.0 | 23.0 | 24.0 | 10.0 | $2 | $6 | 984K |
| GLM-5.3Open | Z.AI | 1.481 | 32.0 | 42.0 | 22.0 | 18.0 | 6.0 | $1.4 | $4.4 | 1M |
| DeepSeek V4.1 Flash 1017Open | DeepSeek | – | 32.0 | 34.0 | 28.0 | 25.0 | 1.0 | $0.30 | $1.2 | 1M |
| Gemini 3.8 Flash | 1.496 | 31.0 | 20.0 | 19.0 | 33.0 | 23.0 | $0.75 | $3.8 | 1M | |
| MiMo-V2.6-ProOpen | Xiaomi | 1.480 | 30.0 | 35.0 | 24.0 | 15.0 | -4.0 | $0.43 | $0.87 | 1M |
| MiniMax-M3.1-FlashOpen | MiniMax | – | 29.0 | 26.0 | 21.0 | 28.0 | -6.0 | $0.15 | $0.60 | 1M |
| GPT-6 Luna | OpenAI | – | 28.0 | 13.0 | 25.0 | 22.0 | -8.0 | $0.10 | $0.50 | 1M |
| Mistral Large 4Open | Mistral | – | 26.0 | 25.0 | 15.0 | 17.0 | 5.0 | $0.70 | $2.1 | 1M |
| ERNIE 5.1 | Baidu | 1.467 | – | – | – | – | – | – | – | – |
Gemini 4 Carbon
1.528
Elo
AA-Index
59.0
Terminal
65.0
FrontierCode
41.0
HLE-D
69.0
Omni
54.0
Claude Opus 5.5
Anthropic
1.509
Elo
AA-Index
58.0
Terminal
60.0
FrontierCode
46.0
HLE-D
68.0
Omni
48.0
GPT-6 Astra
OpenAI
1.476
Elo
AA-Index
57.0
Terminal
59.0
FrontierCode
42.0
HLE-D
64.0
Omni
42.0
GPT-6.1 Sol
OpenAI
1.481
Elo
AA-Index
55.0
Terminal
56.0
FrontierCode
41.0
HLE-D
59.0
Omni
42.0
Claude Sonnet 5.5
Anthropic
1.477
Elo
AA-Index
54.0
Terminal
64.0
FrontierCode
42.0
HLE-D
53.0
Omni
30.0
GPT-6.1 Terra
OpenAI
–
Elo
AA-Index
51.0
Terminal
56.0
FrontierCode
42.0
HLE-D
47.0
Omni
30.0
Gemini 4 Argon
1.520
Elo
AA-Index
50.0
Terminal
57.0
FrontierCode
26.0
HLE-D
57.0
Omni
46.0
Claude Fable 5.1
Anthropic
1.504
Elo
AA-Index
49.0
Terminal
52.0
FrontierCode
32.0
HLE-D
60.0
Omni
46.0
Kimi K3.1 Pro
Moonshot
–
Elo
AA-Index
46.0
Terminal
67.0
FrontierCode
25.0
HLE-D
37.0
Omni
30.0
Muse Wonder
Meta
1.507
Elo
AA-Index
43.0
Terminal
52.0
FrontierCode
28.0
HLE-D
39.0
Omni
25.0
Claude Haiku 5.5
Anthropic
–
Elo
AA-Index
36.0
Terminal
33.0
FrontierCode
35.0
HLE-D
30.0
Omni
12.0
Grok 4.7
xAI
–
Elo
AA-Index
34.0
Terminal
26.0
FrontierCode
29.0
HLE-D
23.0
Omni
31.0
Qwen3.8 Max
Alibaba
1.482
Elo
AA-Index
34.0
Terminal
39.0
FrontierCode
23.0
HLE-D
24.0
Omni
10.0
GLM-5.3
Z.AI
1.481
Elo
AA-Index
32.0
Terminal
42.0
FrontierCode
22.0
HLE-D
18.0
Omni
6.0
DeepSeek V4.1 Flash 1017
DeepSeek
–
Elo
AA-Index
32.0
Terminal
34.0
FrontierCode
28.0
HLE-D
25.0
Omni
1.0
Gemini 3.8 Flash
1.496
Elo
AA-Index
31.0
Terminal
20.0
FrontierCode
19.0
HLE-D
33.0
Omni
23.0
MiMo-V2.6-Pro
Xiaomi
1.480
Elo
AA-Index
30.0
Terminal
35.0
FrontierCode
24.0
HLE-D
15.0
Omni
-4.0
MiniMax-M3.1-Flash
MiniMax
–
Elo
AA-Index
29.0
Terminal
26.0
FrontierCode
21.0
HLE-D
28.0
Omni
-6.0
GPT-6 Luna
OpenAI
–
Elo
AA-Index
28.0
Terminal
13.0
FrontierCode
25.0
HLE-D
22.0
Omni
-8.0
Mistral Large 4
Mistral
–
Elo
AA-Index
26.0
Terminal
25.0
FrontierCode
15.0
HLE-D
17.0
Omni
5.0
ERNIE 5.1
Baidu
1.467
Elo
AA-Index
–
Terminal
–
FrontierCode
–
HLE-D
–
Omni
–
Was messen diese Benchmarks?
Arena Elo
↑ Höher = besserCrowdsourced Blind-Voting: Echte Nutzer vergleichen zwei anonyme Modelle und wählen das bessere. Gilt als realistischster Qualitätsindikator, weil er menschliche Präferenz direkt misst. Die Skala wurde Anfang 2026 rekalibriert, Werte sind nicht mit älteren Snapshots vergleichbar.
Quelle: Arena (ehem. LMArena / LMSYS) →AA-Index
↑ Höher = besserSammelwert aus neun Einzeltests in vier gleich gewichteten Bereichen: Wissensarbeit, Coding, Wissenschaft und Allgemeines (je 25 Prozent), darunter AA-Briefcase, FrontierCode 2.0, Terminal-Bench 4.0, HLE-Diamond und AA-Omniscience. Artificial Analysis misst alle Tests selbst und unter gleichen Bedingungen. Skala 0 bis 100, die Spitze liegt aktuell bei 59. Im November 2026 neu zusammengesetzt, Werte sind nicht mit älteren Snapshots vergleichbar.
Quelle: Artificial Analysis →Terminal-Bench
↑ Höher = besser66 agentische Aufgaben in einer echten Shell: Das Modell muss Kommandos absetzen, Ausgaben lesen und sich zum Ziel vorarbeiten. Prüft den kompletten Werkzeugeinsatz statt nur einzelne Code-Schnipsel. Hat im September 2026 die Version 2.1 im Index abgelöst, die Werte sind nicht vergleichbar.
Quelle: Stanford / Laude Institute, erhoben von Artificial Analysis →FrontierCode
↑ Höher = besser132 Änderungen an echten Open-Source-Repositories, entwickelt mit deren Maintainern. Bewertet wird, ob die Änderung gut genug zum Mergen wäre, mit zurückgehaltenen Tests und einem Kriterienkatalog. Misst damit Codequalität von Anfang bis Ende, nicht nur, ob Tests durchlaufen. Seit November 2026 Teil des Intelligence Index, ersetzt hier SciCode.
Quelle: Cognition, erhoben von Artificial Analysis →HLE-Diamond
↑ Höher = besser1.000 überarbeitete Expertenfragen aus Humanity's Last Exam, je zur Hälfte Denk- und Wissensfragen, bewusst so gebaut, dass Suchmaschinen und Auswendiglernen nicht helfen. 272 Fragen enthalten Bilder, Modelle ohne Bildeingabe bekommen nur den Text. Ersetzt im November 2026 die volle Textfassung von HLE, die Werte sind nicht vergleichbar.
Quelle: Center for AI Safety / Scale AI, erhoben von Artificial Analysis →Omniscience
↑ Höher = besser3.000 Wissensfragen aus 42 Themen, darunter Wirtschaft, Recht, Gesundheit, Softwareentwicklung und Naturwissenschaften, mit Abzug für erfundene Antworten: Richtige Antworten zählen positiv, Halluzinationen negativ, „weiß ich nicht“ neutral. Skala −100 bis 100. Für Unternehmen wichtig, weil ein Modell, das lieber passt als erfindet, im Alltag weniger Schaden anrichtet. Ersetzt im November 2026 AA-LCR.
Quelle: Artificial Analysis →Kosten-Effizienz: Qualität pro Dollar
Der reine Benchmark-Score sagt wenig über den Praxiswert, wenn ein Modell 10× mehr kostet. Deshalb lohnt sich der Blick auf das Verhältnis von Qualität zu Kosten.
Tipp: Sortiere die Tabelle oben nach „$/1M Out“ (Kosten pro Million Output-Tokens) und vergleiche mit dem AA-Index. Modelle wie Claude Haiku 5.5, MiMo-V2.6-Pro oder DeepSeek V4.1 Flash bieten solide Leistung zu einem Bruchteil der Kosten der Flaggschiff-Modelle.
Für die meisten Business-Anwendungen ist nicht das beste Modell die richtige Wahl, sondern das effizienteste, das die eigene Qualitätsschwelle erreicht.
Claude Haiku 5.5
Anthropic
GPT-6 Luna
OpenAI
MiniMax-M3.1-Flash
MiniMax
Methodik & Quellen
Anerkannte Benchmarks
Chatbot Arena (Blind-Voting) sowie der Artificial Analysis Intelligence Index v5.0 mit Terminal-Bench 4.0, FrontierCode 2.0, HLE-Diamond und AA-Omniscience. AA-LCR, die volle Fassung von Humanity's Last Exam und SciCode sind im November 2026 entfallen, GPQA Diamond und Terminal-Bench 2.1 im Oktober, weil die aktuelle Index-Version sie nicht mehr erhebt. Fehlende Werte bleiben leer statt geschätzt.
Aktuelle Preise
Offizielle API-Preise, erhoben von Artificial Analysis. Preise können sich ändern, Stand ist das angezeigte Aktualisierungsdatum.
Redaktionelle Bewertung
Use-Case-Ratings (1–5 Sterne) sind aus den Benchmarks abgeleitet, als Rang innerhalb dieser Liste: Chat aus dem Arena-Elo, Coding aus Terminal-Bench, Mathematik aus HLE-Diamond, Reasoning aus dem AA-Index, Multimodal aus MMMU-Pro, Lange Dokumente aus AA-LCR (die beiden letzten erhebt Artificial Analysis außerhalb des Index, soweit vorhanden). Benchmark-Scores sind gemessen, die Sterne eine Einordnung.
Alle Quellen
Eine Einschränkung, die man kennen sollte: Reasoning-Modelle laufen in mehreren Effort-Stufen, und die beiden Quellen testen nicht immer dieselbe. Arena-Elo und AA-Index einer Zeile können daher aus unterschiedlichen Konfigurationen desselben Modells stammen. Modelle, die nur eine der beiden Quellen führt, haben in der anderen Spalte einen Strich. Die Arena-Werte stammen vom 27. Oktober 2026 (Gesamtwertung). Modelle, die dort fehlen oder weit hinten liegen, bleiben ohne Wert.
Letzte Aktualisierung: 2. November 2026 · Daten fehlen oder veraltet? Melden →