Direktvergleich

Gemini 3.1 Pro Preview vs. Grok 4.6

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

gemeinsame Messreihen: 44
verschiedene Benchmarks: 22
jüngster Abruf: 26.08.2026

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 Gemini 3.1 Pro Preview und Grok 4.6
Merkmal	Gemini 3.1 Pro Preview	Grok 4.6
Anbieter	Google	xAI
Erschienen	19. Feb. 2026	12. Aug. 2026
Verfügbarkeit	Preview	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.048.576 Token	500.000 Token
Wissensstand	Nicht veröffentlicht	1. Februar 2026
Technische Quellen	Modell	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 Gemini 3.1 Pro Preview und Grok 4.6
Preisart	Gemini 3.1 Pro Preview	Grok 4.6
API-Eingabe	2 $ ≤200K / 4 $ >200K	2 $ ≤200K / 4 $ >200K
API-Ausgabe	12 $ ≤200K / 18 $ >200K	6 $ ≤200K / 12 $ >200K
Cache lesen	0,2 $ ≤200K / 0,4 $ >200K	0,5 $ ≤200K / 1 $ >200K
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	16.08.2026 Quelle

Gemini 3.1 Pro PreviewGrok 4.6

API-EingabeUSD pro 1 Mio. Token, Basistarif

Gemini 3.1 Pro Preview2 $

Grok 4.62 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Gemini 3.1 Pro Preview12 $

Grok 4.66 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Gemini 3.1 Pro Preview0,2 $

Grok 4.60,5 $

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.

Anbieterpreise von Gemini 3.1 Pro Preview und Grok 4.6
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
Gemini 3.1 Pro Preview	Google	Direkt beim EntwicklerBis 200.000 Kontext-Token	2 $	12 $	Quelle30.07.2026
	Google	Direkt beim EntwicklerÜber 200.000 Kontext-Token	4 $	18 $	Quelle30.07.2026
	Google	Über OpenRoutergoogle-vertex/global	2 $	12 $	Quelle25.08.2026
	Google	Über OpenRoutergoogle-vertex/global/flex	Günstigster erfasster Preis: 1 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	Google	Über OpenRoutergoogle-vertex/global/priority	3,6 $	21,6 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio	2 $	12 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/flex	Günstigster erfasster Preis: 1 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/priority	3,6 $	21,6 $	Quelle25.08.2026
Grok 4.6	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle16.08.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	4 $	12 $	Quelle16.08.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/priority	4 $	12 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr/priority	4 $	12 $	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.

Gemini 3.1 Pro Preview

Grok 4.6

Coding: 65,8 / 99,9 (4 Benchmarkfamilien)

Reasoning: 100 / 99,2 (1 Benchmarkfamilie)

Mathematik: 51 / 100 (1 Benchmarkfamilie)

Wissen: 100 / 98,3 (1 Benchmarkfamilie)

Finanzen: 92,3 / 98 (5 Benchmarkfamilien)

Recht: 47,7 / 99,6 (3 Benchmarkfamilien)

Agenten-Aufgaben: 90,4 / 100 (1 Benchmarkfamilie)

Produktivität: 80,5 / 100 (1 Benchmarkfamilie)

21 passende Messreihen aus 21 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.

Gemini 3.1 Pro PreviewGrok 4.6

Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview17,313 %

Grok 4.644,572 %

CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview64,491 %

Grok 4.666,161 %

EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview52,616 %

Grok 4.662,727 %

Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview42,982 %

Grok 4.653,682 %

GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview95,454 %

Grok 4.694,697 %

Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview0 %

Grok 4.615,833 %

Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview20,673 %

Grok 4.648,077 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview87,398 %

Grok 4.686,307 %

LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview88,485 %

Grok 4.688,224 %

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

Gemini 3.1 Pro Preview1.486,268

Grok 4.61.461,162

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview59,062 %

Grok 4.644,712 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Gemini 3.1 Pro Preview76,114 %

Grok 4.686,534 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Gemini 3.1 Pro Preview und Grok 4.6
Benchmark und Aufgabe	Gemini 3.1 Pro Preview	Grok 4.6	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	17,313 %	Gewinner44,572 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	64,491 %	Gewinner66,161 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	52,616 %	Gewinner62,727 %	Vals AI Quellendetails Datenstand: 19.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	42,982 %	Gewinner53,682 %	Vals AI Quellendetails Datenstand: 19.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner95,454 %	94,697 %	Vals AI Quellendetails Datenstand: 19.08.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser	0 %	Gewinner15,833 %	Vals AI Quellendetails Datenstand: 19.08.2026
Legal Research BenchOverall · All-pass Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser	20,673 %	Gewinner48,077 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner87,398 %	86,307 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner88,485 %	88,224 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 99.182 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 3.473 anonymen Paarvergleichen.	Höherer Messwert1.486,268 95-%-Konfidenzintervall: ±3,275Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.461,162 95-%-Konfidenzintervall: ±10,096Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MedCodeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner59,062 %	44,712 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	76,114 %	Gewinner86,534 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner90,987 %	89,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner69,396 %	64,189 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProofBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	26 %	Gewinner51 %	Vals AI Quellendetails Datenstand: 21.08.2026
Public Benefits Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	53,789 %	Gewinner66,847 %	Vals AI Quellendetails Datenstand: 12.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner48,677 %	28,9 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	78,8 %	Gewinner95,6 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner72,882 %	71,096 %	Vals AI Quellendetails Datenstand: 19.08.2026
Terminal-Bench 2.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser	70,787 %	Gewinner78,277 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser	41,903 %	Gewinner59,167 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	32,034 %	Gewinner76,239 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 19.582 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 713 anonymen Paarvergleichen.	Höherer Messwert1.476,214 95-%-Konfidenzintervall: ±5,563Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.467,859 95-%-Konfidenzintervall: ±22,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 5.615 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 290 anonymen Paarvergleichen.	1.532,092 95-%-Konfidenzintervall: ±9,242Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.541,173 95-%-Konfidenzintervall: ±33,852Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCoding Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 27.416 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 845 anonymen Paarvergleichen.	Höherer Messwert1.521,216 95-%-Konfidenzintervall: ±5,044Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.509,109 95-%-Konfidenzintervall: ±20,613Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCreative writing Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 17.162 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen.	Höherer Messwert1.480,096 95-%-Konfidenzintervall: ±6,025Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.457,4 95-%-Konfidenzintervall: ±23,914Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 45.728 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.436 anonymen Paarvergleichen.	Höherer Messwert1.489,133 95-%-Konfidenzintervall: ±4,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.459,348 95-%-Konfidenzintervall: ±15,37Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEntertainment, sports and media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 21.882 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 779 anonymen Paarvergleichen.	Höherer Messwert1.466,206 95-%-Konfidenzintervall: ±5,546Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.443,068 95-%-Konfidenzintervall: ±21,783Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExcluding ties Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 74.559 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.527 anonymen Paarvergleichen.	Höherer Messwert1.500,408 95-%-Konfidenzintervall: ±4,427Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.464,956 95-%-Konfidenzintervall: ±13,989Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExpert prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 9.848 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 414 anonymen Paarvergleichen.	Höherer Messwert1.508,94 95-%-Konfidenzintervall: ±7,124Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.478,225 95-%-Konfidenzintervall: ±28,194Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 64.253 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.331 anonymen Paarvergleichen.	Höherer Messwert1.507,083 95-%-Konfidenzintervall: ±3,981Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.484,448 95-%-Konfidenzintervall: ±12,422Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts, English Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 30.653 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 933 anonymen Paarvergleichen.	Höherer Messwert1.506,691 95-%-Konfidenzintervall: ±4,898Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.475,625 95-%-Konfidenzintervall: ±19,264Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlInstruction following Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 33.383 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.242 anonymen Paarvergleichen.	Höherer Messwert1.480,511 95-%-Konfidenzintervall: ±4,739Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.457,85 95-%-Konfidenzintervall: ±16,841Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLegal and government Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 8.098 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen.	Höherer Messwert1.496,275 95-%-Konfidenzintervall: ±7,658Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.478,025 95-%-Konfidenzintervall: ±33,23Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLife, physical and social science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 16.368 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 522 anonymen Paarvergleichen.	Höherer Messwert1.510,668 95-%-Konfidenzintervall: ±5,823Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.492,244 95-%-Konfidenzintervall: ±25,382Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLonger queries Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 42.340 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.636 anonymen Paarvergleichen.	Höherer Messwert1.499,799 95-%-Konfidenzintervall: ±4,66Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.479,341 95-%-Konfidenzintervall: ±14,99Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMath Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 5.219 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 223 anonymen Paarvergleichen.	Höherer Messwert1.490,042 95-%-Konfidenzintervall: ±8,892Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.428,489 95-%-Konfidenzintervall: ±39,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMathematical professions Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 5.340 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen.	Höherer Messwert1.485,26 95-%-Konfidenzintervall: ±9,094Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.460,407 95-%-Konfidenzintervall: ±38,79Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMedicine and healthcare Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 7.332 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 232 anonymen Paarvergleichen.	Höherer Messwert1.501,318 95-%-Konfidenzintervall: ±8,026Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.465,391 95-%-Konfidenzintervall: ±37,05Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMulti-turn Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 17.230 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 573 anonymen Paarvergleichen.	Höherer Messwert1.493,589 95-%-Konfidenzintervall: ±5,817Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.447,57 95-%-Konfidenzintervall: ±25,054Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlNon-English Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 53.449 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.037 anonymen Paarvergleichen.	Höherer Messwert1.480,122 95-%-Konfidenzintervall: ±4,082Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.456,633 95-%-Konfidenzintervall: ±13,061Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlRussian Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 10.269 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 412 anonymen Paarvergleichen.	Höherer Messwert1.500,293 95-%-Konfidenzintervall: ±6,973Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.448,146 95-%-Konfidenzintervall: ±29,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlSoftware and IT services Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 39.219 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.380 anonymen Paarvergleichen.	Höherer Messwert1.511,726 95-%-Konfidenzintervall: ±4,486Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.502,489 95-%-Konfidenzintervall: ±16,151Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlWriting, literature and language Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGemini 3.1 Pro Preview: Snapshot: gemini-3.1-pro-preview, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGemini 3.1 Pro Preview: Stilbereinigte Arena-Bewertung aus 24.434 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen.	Höherer Messwert1.480,665 95-%-Konfidenzintervall: ±5,255Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.445,185 95-%-Konfidenzintervall: ±19,748Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
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

Vergleiche Gemini 3.1 Pro Preview und Grok 4.6 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich