Direktvergleich

GPT-5.4 vs. Grok 4.5

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

gemeinsame Messreihen: 171
verschiedene Benchmarks: 18
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 GPT-5.4 und Grok 4.5
Merkmal	GPT-5.4	Grok 4.5
Anbieter	OpenAI	xAI
Erschienen	März 2026	16. Juli 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.050.000 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.

API-Preise von GPT-5.4 und Grok 4.5
Preisart	GPT-5.4	Grok 4.5
API-Eingabe	2,5 $ ≤272K / 5 $ >272K	2 $ ≤200K / 4 $ >200K
API-Ausgabe	15 $ ≤272K / 22,5 $ >272K	6 $ ≤200K / 12 $ >200K
Cache lesen	0,25 $ ≤272K / 0,5 $ >272K	0,3 $ ≤200K / 0,6 $ >200K
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	11.08.2026 Quelle

GPT-5.4Grok 4.5

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.42,5 $

Grok 4.52 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.415 $

Grok 4.56 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.40,25 $

Grok 4.50,3 $

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 GPT-5.4 und Grok 4.5
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-5.4	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	2,5 $	15 $	Quelle30.07.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	5 $	22,5 $	Quelle30.07.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	2,75 $	16,5 $	Quelle25.08.2026
	Azure	Über OpenRouterazure	2,5 $	15 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/eu	2,75 $	16,5 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/us	2,75 $	16,5 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai	2,5 $	15 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 7,5 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/priority	5 $	30 $	Quelle25.08.2026
Grok 4.5	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle11.08.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	4 $	12 $	Quelle11.08.2026
	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

Grok 4.5

Coding: 96,6 / 100 (6 Benchmarkfamilien)

Reasoning: 99 / 100 (2 Benchmarkfamilien)

Mathematik: 98,7 / 100 (1 Benchmarkfamilie)

Wissen: 98,8 / 100 (2 Benchmarkfamilien)

Finanzen: 99,2 / 96,6 (4 Benchmarkfamilien)

Recht: 66,7 / 99,9 (3 Benchmarkfamilien)

Agenten-Aufgaben: 78,3 / 100 (1 Benchmarkfamilie)

Multimodal: 100 / 70,6 (1 Benchmarkfamilie)

46 passende Messreihen aus 18 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.

GPT-5.4Grok 4.5

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

GPT-5.434,984 %

Grok 4.536,596 %

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

GPT-5.465,268 %

Grok 4.567,405 %

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

GPT-5.491,666 %

Grok 4.592,929 %

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

GPT-5.40 %

Grok 4.512,917 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.486,044 %

Grok 4.585,965 %

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

GPT-5.484,141 %

Grok 4.587,351 %

LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.41.465,739

Grok 4.51.470,287

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.441,292 %

Grok 4.543,291 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.477,549 %

Grok 4.586,884 %

MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.487,482 %

Grok 4.589,216 %

MMMU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.487,514 %

Grok 4.561,792 %

MortgageTaxOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.468,323 %

Grok 4.561,804 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.4 und Grok 4.5
Benchmark und Aufgabe	GPT-5.4	Grok 4.5	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	34,984 %	Gewinner36,596 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	65,268 %	Gewinner67,405 %	Vals AI Quellendetails Datenstand: 12.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	91,666 %	Gewinner92,929 %	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 besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	0 %	Gewinner12,917 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner86,044 %	85,965 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	84,141 %	Gewinner87,351 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Grok 4.5: Snapshot: grok-4.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 63.659 anonymen Paarvergleichen.Grok 4.5: Stilbereinigte Arena-Bewertung aus 22.030 anonymen Paarvergleichen.	1.465,739 95-%-Konfidenzintervall: ±3,812Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Kein klarer Vorsprung1.470,287 95-%-Konfidenzintervall: ±5,161Der 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 besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	41,292 %	Gewinner43,291 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	77,549 %	Gewinner86,884 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	87,482 %	Gewinner89,216 %	Vals AI Quellendetails Datenstand: 19.08.2026
MMMU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner87,514 %	61,792 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner68,323 %	61,804 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProgramBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gleichstand0 %	Gleichstand0 %	Vals AI Quellendetails Datenstand: 19.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner43,312 %	34,967 %	Vals AI Quellendetails Datenstand: 19.08.2026
SkillsBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands Grok 4.5: Harness: OpenHands	51,711 %	Gewinner66,034 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	78,2 %	Gewinner86,6 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner73,958 %	71,668 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands Grok 4.5: Harness: OpenHands	67,421 %	Gewinner69,002 %	Vals AI Quellendetails Datenstand: 19.08.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	23,788 %	Höherer Messwert25,461 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	64,103 %	Höherer Messwert66,317 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	91,414 %	Höherer Messwert92,929 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	76,449 %	Höherer Messwert87,319 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	88,939 %	Höherer Messwert89,507 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger99,068 %	Kein direkter Sieger99,068 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Grok 4.5: Snapshot: grok-4.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 60.708 anonymen Paarvergleichen.Grok 4.5: Stilbereinigte Arena-Bewertung aus 22.030 anonymen Paarvergleichen.	Höherer Messwert1.476,487 95-%-Konfidenzintervall: ±3,885Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.470,287 95-%-Konfidenzintervall: ±5,161Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProBiology Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	92,887 %	Höherer Messwert94,282 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert75,994 %	62,798 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert7 %	4,5 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Grok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	21,428 %	Höherer Messwert32,54 %	Vals AI Quellendetails Datenstand: 09.08.2026
SkillsBenchNo Skills Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	Höherer Messwert48,905 %	48,808 %	Vals AI Quellendetails Datenstand: 07.08.2026
SWE-bench Verified<15 min fix Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	88,144 %	Höherer Messwert93,814 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert64,922 %	62,551 %	Vals AI Quellendetails Datenstand: 09.08.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	68,571 %	Höherer Messwert70 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	64,918 %	Höherer Messwert67,483 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	91,919 %	Höherer Messwert92,929 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert83,921 %	83,22 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	67,714 %	Höherer Messwert73,429 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Grok 4.5: Snapshot: grok-4.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 13.077 anonymen Paarvergleichen.Grok 4.5: Stilbereinigte Arena-Bewertung aus 4.365 anonymen Paarvergleichen.	Kein klarer Vorsprung1.475,009 95-%-Konfidenzintervall: ±6,546Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.463,609 95-%-Konfidenzintervall: ±9,541Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProBusiness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	91,762 %	Höherer Messwert93,283 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxSemantic Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	60,652 %	Höherer Messwert60,811 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Grok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert70,988 %	59,568 %	Vals AI Quellendetails Datenstand: 09.08.2026
SkillsBenchWith Skills Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	51,711 %	Höherer Messwert66,034 %	Vals AI Quellendetails Datenstand: 07.08.2026
SWE-bench Verified>4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	0 %	Höherer Messwert66,667 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Stepwise Reasoning Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert82,993 %	80,785 %	Vals AI Quellendetails Datenstand: 09.08.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	3,632 / 5	Höherer Messwert4,078 / 5	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Shared Max Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	66,783 %	Höherer Messwert68,415 %	Vals AI Quellendetails Datenstand: 06.08.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	66,667 %	Höherer Messwert92,115 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchIssue Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert90,526 %	90,129 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	85,64 %	Höherer Messwert89,556 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Grok 4.5: Snapshot: grok-4.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 12.366 anonymen Paarvergleichen.Grok 4.5: Stilbereinigte Arena-Bewertung aus 4.365 anonymen Paarvergleichen.	Höherer Messwert1.483,67 95-%-Konfidenzintervall: ±6,667Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.463,609 95-%-Konfidenzintervall: ±9,541Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProChemistry Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	91,078 %	Höherer Messwert91,608 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchRaw Pass Rate Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert68,596 %	65,246 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Grok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert68,826 %	46,964 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified1-4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	50 %	Höherer Messwert73,81 %	Vals AI Quellendetails Datenstand: 08.08.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchRhetoric Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert82,824 %	82,802 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlChinese Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Grok 4.5: Snapshot: grok-4.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.555 anonymen Paarvergleichen.Grok 4.5: Stilbereinigte Arena-Bewertung aus 1.462 anonymen Paarvergleichen.	1.495,577 95-%-Konfidenzintervall: ±11,192Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Kein klarer Vorsprung1.510,774 95-%-Konfidenzintervall: ±16,427Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProComputer Science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	89,756 %	Höherer Messwert90,976 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEPartial Differential Equations Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Grok 4.5: Reasoning: high, Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert39,683 %	25,397 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified15 min - 1 hour Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	76,245 %	Höherer Messwert83,525 %	Vals AI Quellendetails Datenstand: 08.08.2026
Harvey's Legal Agent BenchmarkBanking Finance · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	80,297 %	Höherer Messwert95,539 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchRule Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Grok 4.5: Reasoning: high, Temperatur: 0.7, Top P: 0.95	84,008 %	Höherer Messwert84,168 %	Vals AI Quellendetails Datenstand: 09.08.2026
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 GPT-5.4 und Grok 4.5 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich