Direktvergleich

GPT-5.4 vs. Mistral Large 3

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

gemeinsame Messreihen: 58
verschiedene Benchmarks: 1
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 Mistral Large 3
Merkmal	GPT-5.4	Mistral Large 3
Anbieter	OpenAI	Mistral AI
Erschienen	März 2026	2. Dez. 2025
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	675 Mrd., 41 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.050.000 Token	256.000 Token
Wissensstand	31. August 2025	Nicht veröffentlicht
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 Mistral Large 3
Preisart	GPT-5.4	Mistral Large 3
API-Eingabe	2,5 $ ≤272K / 5 $ >272K	0,5 $
API-Ausgabe	15 $ ≤272K / 22,5 $ >272K	1,5 $
Cache lesen	0,25 $ ≤272K / 0,5 $ >272K	Nicht ausgewiesen
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	30.07.2026 Quelle

GPT-5.4Mistral Large 3

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.42,5 $

Mistral Large 30,5 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.415 $

Mistral Large 31,5 $

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Preise nach Anbieter

Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.

Anbieterpreise von GPT-5.4 und Mistral Large 3
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
Mistral Large 3	Mistral AI	Direkt beim EntwicklerStandard-API	Günstigster erfasster Preis: 0,5 $	Günstigster erfasster Preis: 1,5 $	Quelle30.07.2026
	Mistral	Über OpenRoutermistral	Günstigster erfasster Preis: 0,5 $	Günstigster erfasster Preis: 1,5 $	Quelle25.08.2026
	Mistral	Über OpenRoutermistral/eu	0,55 $	1,65 $	Quelle25.08.2026
	Mistral	Über OpenRoutermistral/zdr	Günstigster erfasster Preis: 0,5 $	Günstigster erfasster Preis: 1,5 $	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

Mistral Large 3

Coding: 100 / 97 (1 Benchmarkfamilie)

Reasoning: 100 / 96,2 (1 Benchmarkfamilie)

Mathematik: 100 / 96,2 (1 Benchmarkfamilie)

Wissen: 100 / 95,9 (1 Benchmarkfamilie)

Finanzen: 100 / 95,8 (1 Benchmarkfamilie)

Recht: 100 / 96,3 (1 Benchmarkfamilie)

Gesundheit: 100 / 97,6 (1 Benchmarkfamilie)

Allgemein: 100 / 96 (1 Benchmarkfamilie)

29 passende Messreihen aus 1 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 8 vergleichbaren Kategorien.

GPT-5.4Mistral Large 3

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

GPT-5.41.465,739

Mistral Large 31.414,148

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

GPT-5.41.476,487

Mistral Large 31.414,148

LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.41.475,009

Mistral Large 31.413,419

LMArena Text, Style ControlBusiness, management and finance. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-5.41.483,67

Mistral Large 31.413,419

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

GPT-5.41.495,577

Mistral Large 31.430,005

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

GPT-5.41.505,82

Mistral Large 31.430,005

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

GPT-5.41.513,554

Mistral Large 31.468,701

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

GPT-5.41.520,374

Mistral Large 31.468,701

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

GPT-5.41.436,792

Mistral Large 31.374,861

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

GPT-5.41.444,221

Mistral Large 31.374,861

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

GPT-5.41.468,999

Mistral Large 31.428,085

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

GPT-5.41.478,054

Mistral Large 31.428,085

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 Mistral Large 3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich

Benchmarkwerte von GPT-5.4 und Mistral Large 3
Benchmark und Aufgabe	GPT-5.4	Mistral Large 3	Quelle
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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 63.659 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 62.644 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.	1.414,148 95-%-Konfidenzintervall: ±3,124Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 60.708 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 62.644 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.	1.414,148 95-%-Konfidenzintervall: ±3,124Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 13.077 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 11.895 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.	1.413,419 95-%-Konfidenzintervall: ±6,034Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 12.366 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 11.895 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.	1.413,419 95-%-Konfidenzintervall: ±6,034Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlChinese Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.555 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 3.385 anonymen Paarvergleichen.	Gewinner1.495,577 95-%-Konfidenzintervall: ±11,192Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.430,005 95-%-Konfidenzintervall: ±10,86Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.347 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 3.385 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.	1.430,005 95-%-Konfidenzintervall: ±10,86Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCoding Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 17.712 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 15.520 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.	1.468,701 95-%-Konfidenzintervall: ±5,352Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCoding Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 16.467 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 15.520 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.	1.468,701 95-%-Konfidenzintervall: ±5,352Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCreative writing Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 10.304 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 10.357 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.	1.374,861 95-%-Konfidenzintervall: ±6,475Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlCreative writing Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 10.087 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 10.357 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.	1.374,861 95-%-Konfidenzintervall: ±6,475Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEnglish Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 29.599 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 28.538 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.	1.428,085 95-%-Konfidenzintervall: ±4,227Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEnglish Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 28.092 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 28.538 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.	1.428,085 95-%-Konfidenzintervall: ±4,227Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEntertainment, sports and media Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 13.612 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 12.993 anonymen Paarvergleichen.	Gewinner1.433,968 95-%-Konfidenzintervall: ±6,456Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.372,945 95-%-Konfidenzintervall: ±5,837Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlEntertainment, sports and media Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 12.951 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 12.993 anonymen Paarvergleichen.	Höherer Messwert1.442,888 95-%-Konfidenzintervall: ±6,618Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.372,945 95-%-Konfidenzintervall: ±5,837Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExcluding ties Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 48.891 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 45.394 anonymen Paarvergleichen.	Gewinner1.472,042 95-%-Konfidenzintervall: ±4,969Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.401,505 95-%-Konfidenzintervall: ±4,363Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExcluding ties Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 46.454 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 45.394 anonymen Paarvergleichen.	Höherer Messwert1.485,931 95-%-Konfidenzintervall: ±5,061Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.401,505 95-%-Konfidenzintervall: ±4,363Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExpert prompts Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 6.132 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 5.398 anonymen Paarvergleichen.	Gewinner1.490,685 95-%-Konfidenzintervall: ±8,604Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.423,702 95-%-Konfidenzintervall: ±8,53Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlExpert prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 5.793 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 5.398 anonymen Paarvergleichen.	Höherer Messwert1.516,017 95-%-Konfidenzintervall: ±8,758Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.423,702 95-%-Konfidenzintervall: ±8,53Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlFrench 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 2.302 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 1.670 anonymen Paarvergleichen.	Gewinner1.485,131 95-%-Konfidenzintervall: ±14,917Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.437,964 95-%-Konfidenzintervall: ±16,349Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlFrench 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 2.269 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 1.670 anonymen Paarvergleichen.	Höherer Messwert1.501,816 95-%-Konfidenzintervall: ±15,031Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.437,964 95-%-Konfidenzintervall: ±16,349Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlGerman 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 956 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 998 anonymen Paarvergleichen.	Gewinner1.448,434 95-%-Konfidenzintervall: ±20,475Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.402,917 95-%-Konfidenzintervall: ±19,739Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlGerman 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 1.053 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 998 anonymen Paarvergleichen.	Höherer Messwert1.466,272 95-%-Konfidenzintervall: ±19,534Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.402,917 95-%-Konfidenzintervall: ±19,739Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 41.847 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 37.379 anonymen Paarvergleichen.	Gewinner1.487,835 95-%-Konfidenzintervall: ±4,597Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.431,17 95-%-Konfidenzintervall: ±3,917Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 39.351 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 37.379 anonymen Paarvergleichen.	Höherer Messwert1.498,09 95-%-Konfidenzintervall: ±4,635Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.431,17 95-%-Konfidenzintervall: ±3,917Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts, English Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 20.294 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 17.481 anonymen Paarvergleichen.	Gewinner1.487,07 95-%-Konfidenzintervall: ±5,664Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.439,438 95-%-Konfidenzintervall: ±5,127Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlHard prompts, English Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 18.968 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 17.481 anonymen Paarvergleichen.	Höherer Messwert1.495,027 95-%-Konfidenzintervall: ±5,726Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.439,438 95-%-Konfidenzintervall: ±5,127Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlInstruction following Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 21.774 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 19.190 anonymen Paarvergleichen.	Gewinner1.461,878 95-%-Konfidenzintervall: ±5,537Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.400,463 95-%-Konfidenzintervall: ±4,921Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlInstruction following Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 20.315 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 19.190 anonymen Paarvergleichen.	Höherer Messwert1.472,987 95-%-Konfidenzintervall: ±5,605Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.400,463 95-%-Konfidenzintervall: ±4,921Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlJapanese 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 639 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 572 anonymen Paarvergleichen.	Gewinner1.449,061 95-%-Konfidenzintervall: ±25,44Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.371,242 95-%-Konfidenzintervall: ±26,241Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlJapanese 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 637 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 572 anonymen Paarvergleichen.	Höherer Messwert1.479,21 95-%-Konfidenzintervall: ±26,113Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.371,242 95-%-Konfidenzintervall: ±26,241Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlKorean 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 1.139 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 1.058 anonymen Paarvergleichen.	Gewinner1.424,608 95-%-Konfidenzintervall: ±19,583Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.352,743 95-%-Konfidenzintervall: ±19,619Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlKorean 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 1.081 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 1.058 anonymen Paarvergleichen.	Höherer Messwert1.434,6 95-%-Konfidenzintervall: ±20,165Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.352,743 95-%-Konfidenzintervall: ±19,619Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLegal and government Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 5.063 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 4.653 anonymen Paarvergleichen.	Gewinner1.476,705 95-%-Konfidenzintervall: ±9,312Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.422,025 95-%-Konfidenzintervall: ±9,12Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLegal and government Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 4.897 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 4.653 anonymen Paarvergleichen.	Höherer Messwert1.490,534 95-%-Konfidenzintervall: ±9,444Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.422,025 95-%-Konfidenzintervall: ±9,12Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLife, physical and social science Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 10.322 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 10.106 anonymen Paarvergleichen.	Gewinner1.478,783 95-%-Konfidenzintervall: ±6,917Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.427,678 95-%-Konfidenzintervall: ±6,312Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLife, physical and social science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 9.895 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 10.106 anonymen Paarvergleichen.	Höherer Messwert1.487,839 95-%-Konfidenzintervall: ±7,04Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.427,678 95-%-Konfidenzintervall: ±6,312Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLonger queries Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 27.412 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 21.776 anonymen Paarvergleichen.	Gewinner1.478,853 95-%-Konfidenzintervall: ±5,378Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.417,899 95-%-Konfidenzintervall: ±4,85Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlLonger queries Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 26.054 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 21.776 anonymen Paarvergleichen.	Höherer Messwert1.483,529 95-%-Konfidenzintervall: ±5,45Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.417,899 95-%-Konfidenzintervall: ±4,85Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMath Testdetails 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 Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.343 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 3.663 anonymen Paarvergleichen.	Gewinner1.459,928 95-%-Konfidenzintervall: ±10,707Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.403,343 95-%-Konfidenzintervall: ±10,013Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMath Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Mistral Large 3: Snapshot: mistral-large-3, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.186 anonymen Paarvergleichen.Mistral Large 3: Stilbereinigte Arena-Bewertung aus 3.663 anonymen Paarvergleichen.	Höherer Messwert1.493,836 95-%-Konfidenzintervall: ±10,978Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.403,343 95-%-Konfidenzintervall: ±10,013Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026