Direktvergleich
GPT-5.4 mini vs. Grok 4.6
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 39
- verschiedene Benchmarks
- 17
- 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 | GPT-5.4 mini | Grok 4.6 |
|---|---|---|
| Anbieter | OpenAI | xAI |
| Erschienen | März 2026 | 12. Aug. 2026 |
| Verfügbarkeit | Aktiv | Aktiv |
| Modelltyp | Proprietär | Proprietär |
| Parameter | Nicht veröffentlicht | Nicht veröffentlicht |
| Architektur | Nicht veröffentlicht | Nicht veröffentlicht |
| Kontextfenster | 400.000 Token | 500.000 Token |
| Wissensstand | 31. August 2025 | 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.
| Preisart | GPT-5.4 mini | Grok 4.6 |
|---|---|---|
| API-Eingabe | 0,75 $ | 2 $ ≤200K / 4 $ >200K |
| API-Ausgabe | 4,5 $ | 6 $ ≤200K / 12 $ >200K |
| Cache lesen | 0,07 $ | 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 |
GPT-5.4 miniGrok 4.6
API-EingabeUSD pro 1 Mio. Token, Basistarif
GPT-5.4 miniGünstiger0,75 $
Grok 4.62 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
GPT-5.4 miniGünstiger4,5 $
Grok 4.66 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
GPT-5.4 miniGünstiger0,075 $
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.
| Modell | Anbieter | Bezugsweg und Tarif | Eingabe pro 1 Mio. Token | Ausgabe pro 1 Mio. Token | Quelle |
|---|---|---|---|---|---|
| GPT-5.4 mini | OpenAI | Direkt beim EntwicklerStandard-API | 0,75 $ | 4,5 $ | Quelle30.07.2026 |
| Azure | Über OpenRouterazure | 0,75 $ | 4,5 $ | Quelle25.08.2026 | |
| Azure | Über OpenRouterazure/us | 0,825 $ | 4,95 $ | Quelle25.08.2026 | |
| OpenAI | Über OpenRouteropenai | 0,75 $ | 4,5 $ | Quelle25.08.2026 | |
| OpenAI | Über OpenRouteropenai/flex | Günstigster erfasster Preis: 0,375 $ | Günstigster erfasster Preis: 2,25 $ | Quelle25.08.2026 | |
| OpenAI | Über OpenRouteropenai/priority | 1,5 $ | 9 $ | 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.
GPT-5.4 mini
Grok 4.6
Coding: 72 / 100 (5 Benchmarkfamilien)
Reasoning: 93,6 / 100 (2 Benchmarkfamilien)
Mathematik: 99,7 / 99,6 (1 Benchmarkfamilie)
Wissen: 96,2 / 100 (2 Benchmarkfamilien)
Finanzen: 91,2 / 100 (6 Benchmarkfamilien)
Recht: 41,5 / 100 (3 Benchmarkfamilien)
Agenten-Aufgaben: 69,9 / 100 (1 Benchmarkfamilie)
Gesundheit: 99,1 / 100 (1 Benchmarkfamilie)
39 passende Messreihen aus 17 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.
GPT-5.4 miniGrok 4.6
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini12,936 %
Grok 4.6Gewinner44,572 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini60,917 %
Grok 4.6Gewinner66,161 %
EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini45,426 %
Grok 4.6Gewinner62,727 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini45,36 %
Grok 4.6Gewinner53,682 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini83,08 %
Grok 4.6Gewinner94,697 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini0 %
Grok 4.6Gewinner15,833 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini12,5 %
Grok 4.6Gewinner48,077 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini81,465 %
Grok 4.6Gewinner88,224 %
LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini1.448,161
Grok 4.6Kein klarer Vorsprung1.461,162
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini84,554 %
Grok 4.6Gewinner89,4 %
MortgageTaxOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 mini63,514 %
Grok 4.6Gewinner64,189 %
SAGEOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.4 miniGewinner50,813 %
Grok 4.628,9 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | GPT-5.4 mini | Grok 4.6 | Quelle |
|---|---|---|---|
Code MigrationOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 12,936 % | Gewinner44,572 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 60,917 % | Gewinner66,161 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
EMBOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 45,426 % | Gewinner62,727 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Finance Agent (v2)OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 45,36 % | Gewinner53,682 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
GPQA DiamondOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 83,08 % | Gewinner94,697 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 0 % | Gewinner15,833 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Legal Research BenchOverall · All-passTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 12,5 % | Gewinner48,077 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LiveCodeBench v6OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 81,465 % | Gewinner88,224 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlOverallTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 59.502 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 3.473 anonymen Paarvergleichen. | 1.448,161 95-%-Konfidenzintervall: ±3,857Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.461,162 95-%-Konfidenzintervall: ±10,096Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 84,554 % | Gewinner89,4 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
MortgageTaxOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 63,514 % | Gewinner64,189 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
SAGEOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | Gewinner50,813 % | 28,9 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
SWE-bench VerifiedOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 73 % | Gewinner95,6 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
TaxEval v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | Gewinner71,218 % | 71,096 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Terminal-Bench 2.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 54,682 % | Gewinner78,277 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vals IndexOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17 | 39,632 % | Gewinner59,167 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vibe Code Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-2026-03-17, Harness: OpenHands Grok 4.6: Harness: OpenHands | 47,969 % | Gewinner76,239 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 12.118 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 713 anonymen Paarvergleichen. | 1.459,918 95-%-Konfidenzintervall: ±6,664Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.467,859 95-%-Konfidenzintervall: ±22,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlChineseTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 3.222 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 290 anonymen Paarvergleichen. | 1.478,454 95-%-Konfidenzintervall: ±11,501Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.541,173 95-%-Konfidenzintervall: ±33,852Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlCodingTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 16.230 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 845 anonymen Paarvergleichen. | 1.496,23 95-%-Konfidenzintervall: ±6,038Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.509,109 95-%-Konfidenzintervall: ±20,613Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlCreative writingTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 9.827 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen. | 1.403,972 95-%-Konfidenzintervall: ±7,31Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.457,4 95-%-Konfidenzintervall: ±23,914Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlEnglishTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 27.835 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.436 anonymen Paarvergleichen. | 1.451,356 95-%-Konfidenzintervall: ±5,017Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.459,348 95-%-Konfidenzintervall: ±15,37Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlEntertainment, sports and mediaTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 12.725 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 779 anonymen Paarvergleichen. | 1.410,659 95-%-Konfidenzintervall: ±6,686Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.443,068 95-%-Konfidenzintervall: ±21,783Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlExcluding tiesTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 45.630 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.527 anonymen Paarvergleichen. | 1.449,938 95-%-Konfidenzintervall: ±5,024Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.464,956 95-%-Konfidenzintervall: ±13,989Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlExpert promptsTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 5.799 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 414 anonymen Paarvergleichen. | Kein klarer Vorsprung1.481,186 95-%-Konfidenzintervall: ±8,649Der 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. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlHard promptsTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 38.954 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.331 anonymen Paarvergleichen. | 1.470,183 95-%-Konfidenzintervall: ±4,613Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.484,448 95-%-Konfidenzintervall: ±12,422Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlHard prompts, EnglishTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 19.027 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 933 anonymen Paarvergleichen. | 1.467,035 95-%-Konfidenzintervall: ±5,75Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.475,625 95-%-Konfidenzintervall: ±19,264Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlInstruction followingTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 20.208 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.242 anonymen Paarvergleichen. | 1.434,794 95-%-Konfidenzintervall: ±5,581Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.457,85 95-%-Konfidenzintervall: ±16,841Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLegal and governmentTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 4.746 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen. | 1.456,447 95-%-Konfidenzintervall: ±9,605Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.478,025 95-%-Konfidenzintervall: ±33,23Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLife, physical and social scienceTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 9.795 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 522 anonymen Paarvergleichen. | 1.466,475 95-%-Konfidenzintervall: ±7,088Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.492,244 95-%-Konfidenzintervall: ±25,382Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLonger queriesTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 25.467 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.636 anonymen Paarvergleichen. | 1.448,484 95-%-Konfidenzintervall: ±5,433Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Gewinner1.479,341 95-%-Konfidenzintervall: ±14,99Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMathTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 3.168 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 223 anonymen Paarvergleichen. | Kein klarer Vorsprung1.439,592 95-%-Konfidenzintervall: ±11,107Der 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. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMathematical professionsTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 3.129 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen. | 1.451,61 95-%-Konfidenzintervall: ±11,426Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.460,407 95-%-Konfidenzintervall: ±38,79Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMedicine and healthcareTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 4.436 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 232 anonymen Paarvergleichen. | 1.452,729 95-%-Konfidenzintervall: ±10,006Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.465,391 95-%-Konfidenzintervall: ±37,05Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMulti-turnTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 11.181 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 573 anonymen Paarvergleichen. | Kein klarer Vorsprung1.469,025 95-%-Konfidenzintervall: ±6,846Der 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. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlNon-EnglishTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 31.666 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.037 anonymen Paarvergleichen. | 1.439,003 95-%-Konfidenzintervall: ±4,818Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.456,633 95-%-Konfidenzintervall: ±13,061Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlRussianTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 6.157 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 412 anonymen Paarvergleichen. | Kein klarer Vorsprung1.454,772 95-%-Konfidenzintervall: ±8,467Der 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. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlSoftware and IT servicesTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 23.548 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.380 anonymen Paarvergleichen. | 1.486,06 95-%-Konfidenzintervall: ±5,323Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.502,489 95-%-Konfidenzintervall: ±16,151Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlWriting, literature and languageTestdetailsKein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4 mini: Snapshot: gpt-5.4-mini-high, Reasoning: high, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.4 mini: Stilbereinigte Arena-Bewertung aus 14.561 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen. | 1.425,221 95-%-Konfidenzintervall: ±6,226Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Kein klarer Vorsprung1.445,185 95-%-Konfidenzintervall: ±19,748Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 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
Ähnliche LLM-Vergleiche
Vergleiche GPT-5.4 mini und Grok 4.6 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.