Direktvergleich

GPT-5.4 vs. MiMo-V2.5

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

gemeinsame Messreihen: 114
verschiedene Benchmarks: 16
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 MiMo-V2.5
Merkmal	GPT-5.4	MiMo-V2.5
Anbieter	OpenAI	Xiaomi
Erschienen	März 2026	23. Apr. 2026
Verfügbarkeit	Aktiv	Open Source
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.050.000 Token	1.000.000 Token
Wissensstand	31. August 2025	Nicht veröffentlicht
Technische Quellen	Modell	Modell, Kontext

Kosten

API-Preise im Vergleich

Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.

API-Preise von GPT-5.4 und MiMo-V2.5
Preisart	GPT-5.4	MiMo-V2.5
API-Eingabe	2,5 $ ≤272K / 5 $ >272K	0,14 $
API-Ausgabe	15 $ ≤272K / 22,5 $ >272K	0,28 $
Cache lesen	0,25 $ ≤272K / 0,5 $ >272K	0, $
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	31.07.2026 Quelle

GPT-5.4MiMo-V2.5

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.42,5 $

MiMo-V2.50,14 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.415 $

MiMo-V2.50,28 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.40,25 $

MiMo-V2.50,003 $

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 MiMo-V2.5
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
MiMo-V2.5	Xiaomi	Direkt beim EntwicklerStandard-API	0,14 $	0,28 $	Quelle31.07.2026
	DeepInfra	Über OpenRouterdeepinfra/bf16	0,4 $	2 $	Quelle25.08.2026
	GMICloud	Über OpenRoutergmicloud/fp8	Günstigster erfasster Preis: 0,119 $	Günstigster erfasster Preis: 0,238 $	Quelle25.08.2026
	Novita	Über OpenRouternovita/fp8	0,168 $	0,336 $	Quelle25.08.2026
	Parasail	Über OpenRouterparasail/fp8	0,14 $	0,28 $	Quelle25.08.2026
	Xiaomi	Über OpenRouterxiaomi/fp8	0,14 $	0,28 $	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

MiMo-V2.5

Coding: 100 / 77,9 (5 Benchmarkfamilien)

Reasoning: 100 / 93,8 (2 Benchmarkfamilien)

Mathematik: 100 / 98,7 (1 Benchmarkfamilie)

Wissen: 100 / 96,5 (2 Benchmarkfamilien)

Finanzen: 100 / 93,3 (4 Benchmarkfamilien)

Recht: 66,7 / 96,1 (3 Benchmarkfamilien)

Multimodal: 100 / 91,4 (1 Benchmarkfamilie)

Gesundheit: 100 / 89,7 (3 Benchmarkfamilien)

44 passende Messreihen aus 16 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 10 vergleichbaren Kategorien.

GPT-5.4MiMo-V2.5

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

GPT-5.434,984 %

MiMo-V2.514,228 %

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

GPT-5.465,268 %

MiMo-V2.559,907 %

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

GPT-5.491,666 %

MiMo-V2.581,566 %

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

GPT-5.40 %

MiMo-V2.51,667 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.486,044 %

MiMo-V2.578,886 %

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

GPT-5.484,141 %

MiMo-V2.581,512 %

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

GPT-5.41.465,739

MiMo-V2.51.433,655

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.441,292 %

MiMo-V2.531,895 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.477,549 %

MiMo-V2.572,151 %

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

GPT-5.487,482 %

MiMo-V2.582,931 %

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

GPT-5.487,514 %

MiMo-V2.580 %

MortgageTaxOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.468,323 %

MiMo-V2.559,26 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.4 und MiMo-V2.5
Benchmark und Aufgabe	GPT-5.4	MiMo-V2.5	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner34,984 %	14,228 %	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	Gewinner65,268 %	59,907 %	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	Gewinner91,666 %	81,566 %	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 %	Gewinner1,667 %	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 %	78,886 %	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	Gewinner84,141 %	81,512 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 63.659 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 44.557 anonymen Paarvergleichen.	Gewinner1.465,739 95-%-Konfidenzintervall: ±3,812Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.433,655 95-%-Konfidenzintervall: ±4,349Der 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	Gewinner41,292 %	31,895 %	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	Gewinner77,549 %	72,151 %	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	Gewinner87,482 %	82,931 %	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 %	80 %	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 %	59,26 %	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 %	43,265 %	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	Gewinner78,2 %	71 %	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 %	71,832 %	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 MiMo-V2.5: Harness: OpenHands	Gewinner67,421 %	42,174 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert23,788 %	9,88 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert64,103 %	59,441 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert91,414 %	79,798 %	Vals AI Quellendetails Datenstand: 09.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert88,939 %	86,386 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert99,068 %	98,447 %	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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 60.708 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 44.557 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.	1.433,655 95-%-Konfidenzintervall: ±4,349Der 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert92,887 %	90,237 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert75,994 %	61,049 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	21,428 %	Höherer Messwert29,762 %	Vals AI Quellendetails Datenstand: 09.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert88,144 %	80,928 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert64,922 %	60,752 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert68,571 %	27,273 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert64,918 %	60,14 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert91,919 %	83,333 %	Vals AI Quellendetails Datenstand: 09.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert83,921 %	74,351 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert67,714 %	59,143 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 13.077 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 9.124 anonymen Paarvergleichen.	Gewinner1.475,009 95-%-Konfidenzintervall: ±6,546Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.441,586 95-%-Konfidenzintervall: ±7,443Der 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert91,762 %	89,227 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert60,652 %	57,472 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert68,826 %	58,762 %	Vals AI Quellendetails Datenstand: 09.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert82,993 %	82,911 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert3,632 / 5	2,788 / 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert66,783 %	60,14 %	Vals AI Quellendetails Datenstand: 06.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert90,526 %	86,337 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	85,64 %	Höherer Messwert86,945 %	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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 12.366 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 9.124 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.	1.441,586 95-%-Konfidenzintervall: ±7,443Der 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert91,078 %	89,841 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	39,683 %	Höherer Messwert41,27 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert50 %	33,333 %	Vals AI Quellendetails Datenstand: 08.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert82,824 %	77,776 %	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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.555 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 2.144 anonymen Paarvergleichen.	Kein klarer Vorsprung1.495,577 95-%-Konfidenzintervall: ±11,192Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.484,396 95-%-Konfidenzintervall: ±13,568Der 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert89,756 %	86,585 %	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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert76,245 %	70,498 %	Vals AI Quellendetails Datenstand: 08.08.2026
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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert84,008 %	69,582 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlChinese 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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.347 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 2.144 anonymen Paarvergleichen.	Höherer Messwert1.505,82 95-%-Konfidenzintervall: ±11,394Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.484,396 95-%-Konfidenzintervall: ±13,568Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProEconomics 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert89,692 %	86,73 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlCoding Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 17.712 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 12.875 anonymen Paarvergleichen.	Gewinner1.513,554 95-%-Konfidenzintervall: ±5,97Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.490,724 95-%-Konfidenzintervall: ±6,691Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProEngineering 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert85,243 %	81,011 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlCoding 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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 16.467 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 12.875 anonymen Paarvergleichen.	Höherer Messwert1.520,374 95-%-Konfidenzintervall: ±6,012Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.490,724 95-%-Konfidenzintervall: ±6,691Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProHealth 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert82,396 %	78,362 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlCreative writing Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 10.304 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 7.321 anonymen Paarvergleichen.	Gewinner1.436,792 95-%-Konfidenzintervall: ±7,067Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.393,348 95-%-Konfidenzintervall: ±8,025Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProHistory 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert79,265 %	68,241 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlCreative writing 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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 10.087 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 7.321 anonymen Paarvergleichen.	Höherer Messwert1.444,221 95-%-Konfidenzintervall: ±7,207Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.393,348 95-%-Konfidenzintervall: ±8,025Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProLaw 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert75,477 %	66,757 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlEnglish Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 29.599 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 20.247 anonymen Paarvergleichen.	Gewinner1.468,999 95-%-Konfidenzintervall: ±4,954Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.452,366 95-%-Konfidenzintervall: ±5,601Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProMath 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 MiMo-V2.5: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 128.000 tokens	Höherer Messwert94,671 %	94,004 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlEnglish 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 MiMo-V2.5: Snapshot: mimo-v2.5, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 28.092 anonymen Paarvergleichen.MiMo-V2.5: Stilbereinigte Arena-Bewertung aus 20.247 anonymen Paarvergleichen.	Höherer Messwert1.478,054 95-%-Konfidenzintervall: ±5Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.452,366 95-%-Konfidenzintervall: ±5,601Der 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 GPT-5.4 und MiMo-V2.5 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich