Direktvergleich
DeepSeek-V4-Pro vs. GLM-5.1
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 202
- verschiedene Benchmarks
- 20
- jüngster Abruf
- 26.08.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
| Merkmal | DeepSeek-V4-Pro | GLM-5.1 |
|---|---|---|
| Anbieter | DeepSeek | Z.ai |
| Erschienen | 24. Apr. 2026 | 7. Apr. 2026 |
| Verfügbarkeit | Preview | Open Source |
| Modelltyp | Open Weights | Open Weights |
| Parameter | 1,6 Billionen, 49 Mrd. aktiv | 744 Mrd., 40 Mrd. aktiv |
| Architektur | Mixture of Experts | Mixture of Experts |
| Kontextfenster | 1.000.000 Token | 200.000 Token |
| Wissensstand | Nicht veröffentlicht | Nicht veröffentlicht |
| Technische Quellen | Modell, Kontext | Modell, Kontext |
Kosten
API-Preise im Vergleich
Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
| Preisart | DeepSeek-V4-Pro | GLM-5.1 |
|---|---|---|
| API-Eingabe | 0,43 $ | 1,4 $ |
| API-Ausgabe | 0,87 $ | 4,4 $ |
| Cache lesen | 0, $ | 0,26 $ |
| Cache schreiben (5 Min.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Preis geprüft | 30.07.2026 Quelle | 30.07.2026 Quelle |
DeepSeek-V4-ProGLM-5.1
API-EingabeUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-ProGünstiger0,435 $
GLM-5.11,4 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-ProGünstiger0,87 $
GLM-5.14,4 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
DeepSeek-V4-ProGünstiger0,004 $
GLM-5.10,26 $
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Preise nach Anbieter
Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.
| Modell | Anbieter | Bezugsweg und Tarif | Eingabe pro 1 Mio. Token | Ausgabe pro 1 Mio. Token | Quelle |
|---|---|---|---|---|---|
| DeepSeek-V4-Pro | DeepSeek | Direkt beim EntwicklerStandard-API | Günstigster erfasster Preis: 0,435 $ | Günstigster erfasster Preis: 0,87 $ | Quelle30.07.2026 |
| Alibaba | Über OpenRouteralibaba | 1,122 $ | 3,366 $ | Quelle25.08.2026 | |
| BaseTen | Über OpenRouterbaseten/fp4 | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| Cloudflare | Über OpenRoutercloudflare | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/fp8 | 1,3 $ | 2,6 $ | Quelle25.08.2026 | |
| DeepSeek | Über OpenRouterdeepseek | 0,66 $ | 1,98 $ | Quelle25.08.2026 | |
| DigitalOcean | Über OpenRouterdigitalocean | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| Fireworks | Über OpenRouterfireworks | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| GMICloud | Über OpenRoutergmicloud/fp8 | 1,122 $ | 3,366 $ | Quelle25.08.2026 | |
| Novita | Über OpenRouternovita/fp8 | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| Parasail | Über OpenRouterparasail/fp8 | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| Phala | Über OpenRouterphala | 1,45 $ | 4,36 $ | Quelle25.08.2026 | |
| Sail Research | Über OpenRoutersail-research/fp4 | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| SiliconFlow | Über OpenRoutersiliconflow/fp8 | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| StreamLake | Über OpenRouterstreamlake | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| Together | Über OpenRoutertogether | 1,32 $ | 3,96 $ | Quelle25.08.2026 | |
| GLM-5.1 | Z.ai | Direkt beim EntwicklerStandard-API | 1,4 $ | 4,4 $ | Quelle30.07.2026 |
| Alibaba | Über OpenRouteralibaba/fp8 | 1,33 $ | 4,18 $ | Quelle25.08.2026 | |
| AtlasCloud | Über OpenRouteratlas-cloud/fp8 | 1,26 $ | 3,96 $ | Quelle25.08.2026 | |
| Baidu | Über OpenRouterbaidu/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Chutes | Über OpenRouterchutes/fp8 | 0,98 $ | 3,08 $ | Quelle25.08.2026 | |
| Crusoe | Über OpenRoutercrusoe/fp8 | 1,2 $ | 4,4 $ | Quelle25.08.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/fp4 | 1,05 $ | 3,5 $ | Quelle25.08.2026 | |
| DigitalOcean | Über OpenRouterdigitalocean | 1,3 $ | 4,3 $ | Quelle25.08.2026 | |
| Friendli | Über OpenRouterfriendli | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| GMICloud | Über OpenRoutergmicloud/fp8 | Günstigster erfasster Preis: 0,91 $ | Günstigster erfasster Preis: 2,86 $ | Quelle25.08.2026 | |
| Nebius | Über OpenRouternebius/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Novita | Über OpenRouternovita/fp8 | 1,38 $ | 4,4 $ | Quelle25.08.2026 | |
| Parasail | Über OpenRouterparasail/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Phala | Über OpenRouterphala | 1,21 $ | 4,2 $ | Quelle25.08.2026 | |
| SiliconFlow | Über OpenRoutersiliconflow/fp8 | 1,19 $ | 3,74 $ | Quelle25.08.2026 | |
| StreamLake | Über OpenRouterstreamlake/fp8 | 0,966 $ | 3,036 $ | Quelle25.08.2026 | |
| Venice | Über OpenRoutervenice/fp8 | 1,54 $ | 4,84 $ | Quelle25.08.2026 | |
| Z.AI | Über OpenRouterz-ai/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 |
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.
DeepSeek-V4-Pro
GLM-5.1
Coding: 99,8 / 92,2 (6 Benchmarkfamilien)
Reasoning: 99,5 / 97,3 (2 Benchmarkfamilien)
Mathematik: 98,3 / 100 (1 Benchmarkfamilie)
Wissen: 99,6 / 99,8 (2 Benchmarkfamilien)
Finanzen: 98,3 / 99,7 (4 Benchmarkfamilien)
Recht: 94,4 / 75 (4 Benchmarkfamilien)
Agenten-Aufgaben: 94,1 / 98 (1 Benchmarkfamilie)
Produktivität: 100 / 98,3 (1 Benchmarkfamilie)
48 passende Messreihen aus 19 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.
DeepSeek-V4-ProGLM-5.1
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner26,201 %
GLM-5.125,768 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro61,383 %
GLM-5.1Gewinner64,452 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro44,083 %
GLM-5.1Gewinner44,792 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner89,394 %
GLM-5.184,518 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner3,75 %
GLM-5.10 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro23,077 %
GLM-5.1Gewinner27,885 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro80,323 %
GLM-5.1Gewinner84,394 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner87,484 %
GLM-5.181,38 %
LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro1.457,7
GLM-5.1Gewinner1.467,757
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-Pro40,455 %
GLM-5.1Gewinner41,604 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner75,144 %
GLM-5.172,27 %
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
DeepSeek-V4-ProGewinner87,249 %
GLM-5.186,9 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | DeepSeek-V4-Pro | GLM-5.1 | Quelle |
|---|---|---|---|
Code MigrationOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner26,201 % | 25,768 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 61,383 % | Gewinner64,452 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
Finance Agent (v2)OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 44,083 % | Gewinner44,792 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
GPQA DiamondOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner89,394 % | 84,518 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser | Gewinner3,75 % | 0 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Legal Research BenchOverall · All-passTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser | 23,077 % | Gewinner27,885 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LegalBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 80,323 % | Gewinner84,394 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LiveCodeBench v6OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner87,484 % | 81,38 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlDeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 54.263 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen. | 1.457,7 95-%-Konfidenzintervall: ±4,017Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.467,757 95-%-Konfidenzintervall: ±4,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MedCodeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 40,455 % | Gewinner41,604 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MedScribeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner75,144 % | 72,27 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MMLU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner87,249 % | 86,9 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
ProgramBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gleichstand0 % | Gleichstand0 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Public Benefits Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner62,923 % | 61,84 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
SWE-bench VerifiedOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner77,4 % | 76,4 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
TaxEval v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner72,077 % | 71,194 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Terminal-Bench 2.0OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besser | Gewinner56,18 % | 53,933 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser | 50,187 % | Gewinner56,929 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vals IndexCorpFin v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | 61,888 % | Höherer Messwert65,268 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Vibe Code Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands | Gewinner49,931 % | 31,456 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Code MigrationCLITestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 15,47 % | Höherer Messwert18,833 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Exact PagesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | 59,207 % | Höherer Messwert61,772 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)AdjustmentsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | 41,586 % | Höherer Messwert43,276 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
GPQA DiamondFew-Shot CoTTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Höherer Messwert90,404 % | 85,787 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert83,696 % | 71,377 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchAdministrative / Regulatory · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 28,788 % | Höherer Messwert31,818 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchConclusion TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | 89,117 % | Höherer Messwert89,575 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Höherer Messwert98,758 % | 98,754 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlDeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 51.642 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen. | 1.455,038 95-%-Konfidenzintervall: ±4,085Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.467,757 95-%-Konfidenzintervall: ±4,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProBiologyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | 92,887 % | Höherer Messwert93,724 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchAlmost ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 0 % | Höherer Messwert1 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified<15 min fixTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 87,629 % | Höherer Messwert88,66 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
TaxEval v2CorrectnessTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | 60,589 % | Höherer Messwert61,538 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.0EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger75 % | Kein direkter Sieger75 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 66,667 % | Höherer Messwert83,333 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Vals IndexFinance Agent v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | 44,081 % | Höherer Messwert44,79 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Code MigrationCOBOLTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert58,393 % | 46,571 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Max Fitting ContextTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | 63,054 % | Höherer Messwert66,317 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)All-PassTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | 31,448 % | Höherer Messwert32,68 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
GPQA DiamondZero-Shot CoTTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Höherer Messwert88,384 % | 83,249 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchAdministrative / Regulatory · Weighted partial creditTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert83,372 % | 80,005 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchInterpretation TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | 75,169 % | Höherer Messwert81,709 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Höherer Messwert72,571 % | 57,429 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-V4-Pro: Snapshot: deepseek-v4-pro, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlDeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 10.743 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen. | 1.460,843 95-%-Konfidenzintervall: ±6,925Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.465,984 95-%-Konfidenzintervall: ±7,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProBusinessTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Höherer Messwert91,888 % | 91,128 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchFully ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified>4 hoursTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 0 % | Höherer Messwert33,333 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
TaxEval v2Stepwise ReasoningTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Höherer Messwert83,565 % | 80,851 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.0HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 33,333 % | Höherer Messwert36,667 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 31,111 % | Höherer Messwert37,778 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Vals IndexSWE-benchTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besser | Gewinner75,49 % | 72,549 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Code MigrationCode QualityTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 3,401 / 5 | Höherer Messwert3,544 / 5 | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Shared Max ContextTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | 61,888 % | Höherer Messwert65,268 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)ComparablesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens | 39,632 % | Höherer Messwert41,557 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert83,512 % | 53,405 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchBusiness & Commercial · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger23,256 % | Kein direkter Sieger23,256 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchIssue TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | 84,587 % | Höherer Messwert89,02 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6MediumTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 128.000 tokens | Höherer Messwert91,123 % | 87,958 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserDeepSeek-V4-Pro: Snapshot: deepseek-v4-pro-high-preview, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlDeepSeek-V4-Pro: Stilbereinigte Arena-Bewertung aus 10.412 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen. | 1.448,356 95-%-Konfidenzintervall: ±7,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.465,984 95-%-Konfidenzintervall: ±7,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProChemistryTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens | Höherer Messwert92,491 % | 91,844 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchRaw Pass RateTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 384.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 47,778 % | Höherer Messwert50,879 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified1-4 hoursTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Reasoning: max, Ausgabegrenze: 256.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger45,238 % | Kein direkter Sieger45,238 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
Terminal-Bench 2.0MediumTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserDeepSeek-V4-Pro: Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert67,273 % | 61,818 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand | |||
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
Ähnliche LLM-Vergleiche
Vergleiche DeepSeek-V4-Pro und GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.