Sprach- und Reasoning-Modelle

Worauf du achten solltest

Die Fragen, die die Optionen unterscheiden, nach Wichtigkeit geordnet.

1. 01

   Der Benchmark deiner Aufgabe, nicht die Platzierung in der Schlagzeile

   Entscheide zuerst, ob du Chatqualität, Programmieren, Agentenarbeit oder günstige Massenverarbeitung brauchst, denn die Spitzenreiter unterscheiden sich. Ein Modell, das eine blinde Chat-Abstimmung anführt, kann bei langen Agentenläufen zurückliegen, und umgekehrt. Lies in jeder Rangliste unten die Spalte, die zu deiner Arbeitslast passt, und behandle jede einzelne Behauptung über das "beste Modell" als Marketing.

2. 02

   Artificial Analysis Intelligence Index: vergleiche bei dem Aufwand, den du bezahlen wirst

   Version 4.3 ist ein gewichteter Durchschnitt aus 10 Evaluierungen, die Artificial Analysis selbst mit einem einheitlichen Harness durchführt: Agenten 30%, Programmieren 20%, Allgemeinwissen 30% und wissenschaftliches Reasoning 20%, vier davon auf privaten Testdatensätzen. Es ist die beste einzelne unabhängige Zahl, aber dasselbe Modell erscheint mehrmals mit verschiedenen Aufwandsstufen (max, xhigh, high), und der oberste Eintrag ist meist der teuerste. Lies die Spalten Cost per Task, Median Tokens/s und First Chunk neben dem Wert; ein Abstand von zwei Punkten ist selten die doppelte Rechnung wert.

3. 03

   Arena (früher LMArena): eine Präferenzabstimmung, mit Fehlerbalken

   Arena, seit Januar 2026 unter arena.ai, ordnet Modelle nach blinden Gegenüberstellungen, über die seine Nutzer abstimmen. Style Control, das Länge und Markdown herausrechnet, ist seit Mai 2025 der Standard. Achte auf das Konfidenzintervall von 95% und den Rangbereich: Modelle, deren Intervalle sich überlappen, liegen statistisch gleichauf, egal auf welchem Platz. Nutze die Kategorie-Tabs (Coding, Hard Prompts, Long Queries, WebDev) und denk daran, dass gemessen wird, was Menschen in einem Chatfenster bevorzugen, nicht ob ein Agent eine Aufgabe mit 40 Schritten zu Ende bringt.

4. 04

   Coding-Werte: SWE-bench Verified ist kein sauberes Signal mehr

   OpenAI hörte im Februar 2026 auf, SWE-bench Verified zu melden, und nannte Kontamination als Grund: Modelle hatten die Aufgaben im Training gesehen, und eine Prüfung der Fehlschläge ergab, dass viele durch fehlerhafte Tests verursacht waren. Im Juli 2026 zog es auch seine Empfehlung für SWE-bench Pro zurück, nachdem etwa 30% der öffentlichen Aufgaben als defekt befunden wurden. Behandle SWE-bench-Zahlen von Anbietern als schwache Belege, prüfe, welches Agenten-Gerüst genutzt wurde, und gib neueren oder unabhängig durchgeführten Tests mehr Gewicht, etwa Terminal-Bench 4.0 im Index von Artificial Analysis, DeepSWE und einer Evaluierung an deinem eigenen Repository.

5. 05

   Agenten und Tool-Aufrufe: lies pass^k bei tau-bench, dann teste deine eigenen Tools

   Sierras tau-bench, inzwischen in der dritten Version (τ³-bench, unter taubench.com), simuliert Kundenservice-Agenten, die Tools gegenüber einem simulierten Nutzer einsetzen. Die nützliche Spalte ist pass^k: der Anteil der Aufgaben, die in jedem von k Läufen gelöst wurden, was Beständigkeit statt glücklicher Einzelversuche misst. Die Rangfolge ändert sich mit wachsendem k, ein Modell, das pass^1 gewinnt, kann also bei pass^4 verlieren. Werte aus dem ursprünglichen tau-bench und aus τ³ sind nicht vergleichbar. Prüfe auch praktische Grenzen: Manche Modelle brauchen für Tools eine bestimmte API (GPT-6.1 Sol erfordert die Responses API von OpenAI), und strikte Ausgabe nach JSON-Schema unterscheidet sich je nach Anbieter.

6. 06

   Starttabellen der Anbieter gegenüber unabhängigen Läufen

   Starttabellen werden vom Anbieter erstellt, mit Einstellungen, die er gewählt hat, und Konkurrenten, die er ausgesucht hat. Unabhängige Läufe weichen oft ab: Bei Humanity's Last Exam reichte der Spitzenwert im Oktober 2026 von etwa 54% auf Scales Tabelle ohne Hilfsmittel bis etwa 65% auf Tabellen, die Tools erlauben. Prüfe vor dem Vergleich zweier Zahlen, wer den Test durchgeführt hat, ob Tools erlaubt waren, welche Aufwandsstufe genutzt wurde und ob der Testdatensatz öffentlich ist (und damit womöglich in den Trainingsdaten).

7. 07

   Echter Preis: Ausgabe-Tokens, Caching und auslaufende Rabatte

   Listenpreise pro 1M Eingabe- und Ausgabe-Tokens sind der Anfang, nicht die Rechnung. Reasoning-Modelle verbrauchen Ausgabe-Tokens beim Nachdenken, ein günstigeres Modell, das länger nachdenkt, kann pro Aufgabe also mehr kosten. Prompt Caching verändert die Rechnung bei Agenten und langen System-Prompts: Claude Opus 5.5 verlangt 0,20 $ pro 1M gecachte Eingabe-Tokens gegenüber 4 $ ungecacht. Achte auf Aufschläge für lange Prompts (OpenAI ab 272K Tokens), Batch-Rabatte von 50% und Einführungspreise, die enden (Gemini 4 Argon verdoppelt sich am 1. Dezember 2026).

8. 08

   Kontextfenster, Geschwindigkeit und Lizenz

   Ein Fenster von 1M Tokens sagt nichts darüber, wie gut das Modell es nutzt; schau dir Tests für langen Kontext wie AA-LCR an und das Limit für Ausgabe-Tokens, das lange Generierungen begrenzt. Für interaktive Apps zählen Zeit bis zum ersten Token und Tokens pro Sekunde bei Artificial Analysis mehr als ein Punkt Benchmark-Wert, und bei offenen Modellen hängen sie vom Host ab. Lies bei offenen Gewichten die Lizenz: Apache 2.0 und MIT sind uneingeschränkt, während die geänderten MIT-Lizenzen von Kimi K3 und GLM-5.3 Bedingungen für sehr große API-Hosts hinzufügen. Prüfe auch die Hardware: gpt-oss-120b passt auf eine GPU mit 80GB, DeepSeek-V4-Pro braucht einen Cluster.

15 Tools im Vergleich

Sortiert nach unserer Bewertung. Öffne einen Testbericht für Quellen, Preise und das vollständige Fazit.

Tools für Sprach- und Reasoning-Modelle im Vergleich

Tool	Bewertung	Unser Fazit	Ideal für	Preis
Claude Opus 5.5Modell	4.7/5	Anthropics neuer Standard verdient den Titel: Platz eins im unabhängigen Index von Artificial Analysis und pro Token ein Fünftel günstiger als das Opus, das es ersetzt.	Teams mit langen Coding-Agenten, Code-Audits oder dokumentenlastiger Recherche, bei denen das Erledigen der Aufgabe wichtiger ist als die Kosten jedes Aufrufs.	API: 4 $ pro 1 Mio. Input-Tokens, 20 $ pro 1 Mio. Output; Cache-Lesezugriffe 0,20 $, 5-Minuten-Cache-Schreibzugriffe 5 $; Batch API 50 % günstiger; Fast Mode 8 $/40 $; reine US-Inferenz zum 1,1-Fachen.
Claude Sonnet 5.5Modell	4.6/5	In Anthropics Test für Wissensarbeit bis auf zwei Punkte an Opus 5.5 heran, zum halben Preis. Damit wird Opus zum bewussten Upgrade statt zum Standard.	Teams, die Coding-Agenten, Support-Automatisierung oder Dokumentenarbeit in großem Umfang betreiben und fast Opus-Qualität zum halben Token-Preis wollen.	API: 2 $ pro 1 Mio. Input-Tokens, 10 $ pro 1 Mio. Output-Tokens; Cache-Lesezugriffe 0,10 $; Batch API 50 % günstiger.
GPT-6.1 SolModell	4.6/5	Für die meisten OpenAI-Kunden ist dies das Spitzenmodell, auf das es ankommt: einen Punkt hinter Astra im Index von Artificial Analysis, zu einem Fünftel des Token-Preises.	Teams, die Agenten und Geschäftsprozesse auf OpenAI bauen, Ergebnisse nahe an Astra zu Kosten der Mittelklasse wollen und mit langsamerem Output leben können.	API: 2 $ pro 1 Mio. Input-Tokens, 10 $ pro 1 Mio. Output-Tokens; gecachter Input 0,10 $; Batch/Flex zum halben Preis; Prompts über 272K Input-Tokens zahlen für die gesamte Anfrage das 2-Fache beim Input und das 1,5-Fache beim Output.
Gemini 4 ArgonModell	4.5/5	Mit Argon ist Google zurück an der Spitze, und seine native Video- und Audioeingabe können die Spitzenmodelle von Claude und GPT noch immer nicht bieten.	Teams, die mit Video, Audio oder sehr großen Dokumentensammlungen arbeiten und ein Reasoning-Modell der Spitzenklasse wollen.	API: 2 $ Input / 10 $ Output pro 1 Mio. Tokens bis 30. Nov. 2026, danach 4 $ / 20 $; Batch und Flex zum halben Preis; gecachter Input 0,10 $ (danach 0,20 $). Keine kostenlose Stufe.
Qwen3.8-27BModell	4.5/5	Ein 27B-Modell mit Apache-Lizenz, das nach Alibabas eigenen Zahlen beim Coding knapp an Claude Opus 4.6 Max vorbeizieht und in 4 Bit auf eine einzelne 24-GB-Karte passt.	Entwickler, die das stärkste freizügig lizenzierte Modell suchen, das auf eine einzelne High-End-GPU passt, besonders für Coding- und Computer-Use-Agenten.	Kostenlose Gewichte unter Apache 2.0. Qwen Cloud: 0,50 $ Eingabe / 3,00 $ Ausgabe pro 1M Tokens (0,10 $ gecacht). Drittanbieter auf OpenRouter ab etwa 0,04 $ / 1,25 $.
GLM-5.3Modell	4.4/5	Offenes Coding wenige Punkte hinter der geschlossenen Spitze, unter einer Lizenz, die kaum jemand zweimal lesen muss.	Entwickler und Unternehmen, die ein leistungsfähiges offenes Modell für Coding und Agenten mit minimalen Lizenzauflagen wollen.	Offene Gewichte unter einer modifizierten MIT-Lizenz. API von Z.ai: 1,40 $ Input / 0,26 $ gecacht / 4,40 $ Output pro 1 Mio. Tokens; GLM-5.3-Flash 0,15 $ / 0,50 $.
Gemma 4Modell	4.4/5	Gemma 4 ist jetzt die Standardfamilie unter den offenen Modellen unter 32B Parametern, weil seine Lizenz endlich zu seiner Qualität passt.	Entwickler, die Apps auf dem Gerät, lokal oder auf einer einzelnen GPU bauen und eine freizügige Lizenz und multimodale Eingabe wollen.	Kostenlose Gewichte unter Apache 2.0. Gehostet bei Google Cloud und Drittanbietern; OpenRouter listet 31B für 0,20 $/0,40 $ und 26B A4B für etwa 0,08 $/0,26 $ pro 1 Mio. Tokens.
DeepSeek-V4-ProModell	4.3/5	DeepSeek-V4-Pro bietet Reasoning auf Frontier-Niveau unter MIT-Lizenz zu etwa einem Viertel des Token-Preises von Opus 5.5, sofern deine Daten nach China dürfen oder du ein Rack voller H200 besitzt.	Teams, die offene Gewichte auf Frontier-Niveau für Coding und Reasoning wollen, entweder auf dem eigenen Server mit acht GPUs oder über eine sehr günstige API für unkritische Aufgaben.	Kostenlose Gewichte unter MIT-Lizenz. DeepSeek-API: 0,66 $ Eingabe / 1,98 $ Ausgabe pro 1M Tokens außerhalb der Spitzenzeiten, 1,32 $ / 3,96 $ zur Spitzenzeit; Cache-Treffer ab 0,022 $.
Kimi K3Modell	4.3/5	Kimi K3 führt Moonshots eigene Agenten-Wertung an, kostet aber mit 2 $ pro Aufgabe bei Artificial Analysis das Siebenfache von GLM-5.3-Flash für zwei Indexpunkte mehr.	Teams, die Browsing- und Recherche-Agenten bauen, offene Gewichte wollen und selbst hosten oder API-Preise auf Spitzenniveau zahlen können.	Offene Gewichte unter einer modifizierten MIT-Lizenz. Kimi API: 3 $ Input / 15 $ Output pro 1 Mio. Tokens; gecachter Input 0,30 $.
GPT-6 AstraModell	4.2/5	Ein Rekordmodell für Mathematik und Naturwissenschaften, das pro Aufgabe viereinhalbmal so viel kostet wie ein Geschwistermodell, das einen Punkt weniger erreicht.	Teams aus Forschung, Mathematik und Naturwissenschaften, die das stärkste Reasoning von OpenAI brauchen und den Preis rechtfertigen können.	API: 10 $ pro 1 Mio. Input-Tokens, 50 $ Output; gecachter Input 1 $; Batch/Flex zum halben Preis; Prompts über 272K Input-Tokens kosten das 2-Fache beim Input und das 1,5-Fache beim Output.
DeepSeek-V4.1-FlashModell	4.2/5	Coding-Agent-Werte nahe der Spitze für 0,15 $ pro Million Eingabe-Tokens, sofern du Datenverarbeitung in China akzeptierst oder einen Checkpoint mit 763 Milliarden Parametern selbst hostest.	Kostenbewusste Teams mit Coding- und Automatisierungsagenten, die eine in China gehostete API oder einen Drittanbieter nutzen können oder Server mit mehreren GPUs für die offenen Gewichte haben.	Kostenlose Gewichte unter MIT-Lizenz. DeepSeek-API: 0,15 $ Eingabe / 0,60 $ Ausgabe pro 1M Tokens außerhalb der Spitzenzeiten, 0,30 $ / 1,20 $ zur werktäglichen Spitzenzeit; Cache-Treffer 0,003 $ bis 0,006 $.
Gemini 3.8 FlashModell	4.1/5	Vielseitige Eingaben und eine kostenlose Stufe halten Gemini 3.8 Flash nützlich, doch es verbraucht inzwischen mehr pro Aufgabe als besser bewertete Konkurrenten, und im Januar verdoppelt sich der Preis.	Teams, die in Googles Ökosystem Audio, Video und lange PDFs verarbeiten und langsame erste Antworten in Kauf nehmen können.	API: 0,75 $ Input / 3,75 $ Output pro 1 Mio. Tokens bis 31. Dez. 2026, danach 1,50 $ / 7,50 $; Batch und Flex zum halben Preis; kostenlose Stufe mit Limits.
gpt-oss-120bModell	4.0/5	Vierzehn Monate später ist gpt-oss-120b nicht mehr das stärkste offene Modell, bietet aber weiterhin die schlichteste Lizenz und die breiteste Unterstützung für Reasoning auf einer GPU mit 80 GB.	Teams, die ein freizügig lizenziertes Reasoning-Modell mit ausgereiften Werkzeugen brauchen, das sie privat auf einer GPU betreiben können.	Kostenlose Gewichte unter Apache 2.0; die Preise beim Hosting unterscheiden sich je nach Anbieter.
MiniMax-M3.1-FlashModell	4.0/5	Nahe der Spitze der Open-Weight-Tabelle für den Bruchteil eines Cents pro Aufgabe, solange nichts, was es sagt, ungeprüft hinausgeht.	Teams mit umfangreicher Agent- und Automatisierungsarbeit oder langen multimodalen Eingaben, die Ausgaben prüfen können und die Lizenzbedingungen von MiniMax akzeptieren.	Offene Gewichte unter der MiniMax-Community-Lizenz. MiniMax API pro 1 Mio. Tokens, pauschal bei jeder Prompt-Länge: 0,15 $ Input, 0,60 $ Output, 0,015 $ gecachter Input.
BeamModell	3.8/5	Beam ist das stärkste amerikanische offene Modell mit einer wirklich offenen Lizenz, und seine Sparsamkeit bei Tokens ist echt, doch die chinesischen offenen Modelle, gegen die es antritt, schneiden noch deutlich besser ab.	Teams, die ein großes Reasoning-Modell aus einem US-Labor unter Apache 2.0 wollen, vor allem zum Distillieren in kleinere Modelle oder für kostensensible Agenten, bei denen Output-Tokens die Rechnung bestimmen.	Gewichte kostenlos unter Apache 2.0. Reflection-API in der öffentlichen Beta kostenlos, mit täglichen Grenzen. Gehostet: Together AI und Baseten 0,40 $ Input / 0,04 $ gecacht / 1,20 $ Output pro 1 Mio. Tokens; OpenRouter ab 0,24 $ / 0,98 $.

Im direkten Vergleich

Die Spezifikationen, die für diesen Schritt zählen. Geprüft am 23. Okt. 2026; prüf sie auf der Website des Anbieters, bevor du dich festlegst.

Direktvergleiche und Ranglisten

• DeepSeek-V4.1-Flash vs. MiniMax-M3.1-Flash
• Die besten Large Language Models (LLMs)
• Die besten KI-Reasoning-Modelle
• Die besten kleinen und On-Device-KI-Modelle

Wo diese Stufe hingehört

• Mit deinen Dokumenten chatten: Wir würden mit Claude Sonnet 5.5 anfangen.
• Kundensupport-Agent: Wir würden mit Claude Haiku 5.5 anfangen.
• Coding-Agent: Wir würden mit Claude Opus 5.5, GLM-5.3 anfangen.
• Recherche und Knowledge Graph: Wir würden mit Gemini 4 Argon anfangen.
• Assistent mit Langzeitgedächtnis: Wir würden mit GPT-6.1 Sol anfangen.
• Pipeline für Bildgenerierung: Wir würden mit Gemini 3.8 Flash anfangen.
• Videoproduktion: Wir würden mit Gemini 3.8 Flash anfangen.
• Sprachagent: Wir würden mit Gemini 3.8 Flash anfangen.
• Private KI auf dem eigenen Gerät: Wir würden mit Gemma 4, Qwen3.8-27B anfangen.
• Dokumentenverarbeitung: Wir würden mit GPT-6 Luna anfangen.
• Dein eigenes feinabgestimmtes Modell: Wir würden mit Qwen3.8-27B anfangen.
• Workflow-Automatisierung: Wir würden mit Claude Haiku 5.5 anfangen.

Quellen für diesen Leitfaden

• Artificial Analysis: Intelligence Index methodology
• Artificial Analysis: model leaderboard
• Arena leaderboard (formerly LMArena)
• Arena: LMArena is now Arena (28 January 2026)
• Arena leaderboard dataset notes on style control
• OpenAI: Why we no longer evaluate SWE-bench Verified
• OpenAI: Separating signal from noise in coding evaluations (SWE-bench Pro audit, July 2026)
• SWE-bench leaderboards
• Sierra tau-bench repository (τ³-bench)
• Artificial Analysis: Humanity's Last Exam results
• Z.ai: GLM-5.3 overview