Direktvergleich

GPT-5.6 Luna vs. Grok 4.3

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

gemeinsame Messreihen: 202
verschiedene Benchmarks: 26
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-5.6 Luna und Grok 4.3
Merkmal	GPT-5.6 Luna	Grok 4.3
Anbieter	OpenAI	xAI
Erschienen	26. Juni 2026	6. Mai 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.050.000 Token	1.000.000 Token
Wissensstand	16. Februar 2026	Nicht veröffentlicht
Technische Quellen	Modell, Kontext, Wissensstand	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-5.6 Luna und Grok 4.3
Preisart	GPT-5.6 Luna	Grok 4.3
API-Eingabe	0,2 $ ≤272K / 0,4 $ >272K	1,25 $ ≤200K / 2,5 $ >200K
API-Ausgabe	1,2 $ ≤272K / 1,8 $ >272K	2,5 $ ≤200K / 5 $ >200K
Cache lesen	0,02 $ ≤272K / 0,04 $ >272K	0,2 $ ≤200K / 0,4 $ >200K
Cache schreiben (5 Min.)	0,25 $ ≤272K / 0,5 $ >272K	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	11.08.2026 Quelle	11.08.2026 Quelle

GPT-5.6 LunaGrok 4.3

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna0,2 $

Grok 4.31,25 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna1,2 $

Grok 4.32,5 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna0,02 $

Grok 4.30,2 $

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-5.6 Luna und Grok 4.3
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-5.6 Luna	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	0,2 $	1,2 $	Quelle11.08.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	0,4 $	1,8 $	Quelle11.08.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	0,22 $	1,32 $	Quelle25.08.2026
	Azure	Über OpenRouterazure	0,2 $	1,2 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/eu	0,22 $	1,32 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/us	0,22 $	1,32 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai	0,2 $	1,2 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 0,1 $	Günstigster erfasster Preis: 0,6 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/priority	0,4 $	2,4 $	Quelle25.08.2026
Grok 4.3	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle11.08.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	2,5 $	5 $	Quelle11.08.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/priority	2,5 $	5 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 2,5 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr/priority	2,5 $	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-5.6 Luna

Grok 4.3

Coding: 100 / 47,6 (5 Benchmarkfamilien)

Reasoning: 100 / 99,7 (1 Benchmarkfamilie)

Wissen: 100 / 99,8 (1 Benchmarkfamilie)

Finanzen: 98,7 / 72,1 (5 Benchmarkfamilien)

Recht: 99,8 / 58,5 (3 Benchmarkfamilien)

Agenten-Aufgaben: 100 / 60,2 (2 Benchmarkfamilien)

Multimodal: 100 / 97,7 (1 Benchmarkfamilie)

Produktivität: 100 / 84,5 (1 Benchmarkfamilie)

29 passende Messreihen aus 25 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 12 vergleichbaren Kategorien.

GPT-5.6 LunaGrok 4.3

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

GPT-5.6 Luna44,55 %

Grok 4.36,795 %

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

GPT-5.6 Luna64,219 %

Grok 4.368,532 %

CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna83,898 %

Grok 4.347,457 %

EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna67,116 %

Grok 4.318,394 %

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

GPT-5.6 Luna55,044 %

Grok 4.337,728 %

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

GPT-5.6 Luna91,666 %

Grok 4.391,414 %

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

GPT-5.6 Luna1,25 %

Grok 4.30,417 %

IOIOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna72,917 %

Grok 4.315,334 %

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

GPT-5.6 Luna36,538 %

Grok 4.315,385 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna84,034 %

Grok 4.384,458 %

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

GPT-5.6 Luna1.450,797

Grok 4.31.441,922

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna42,391 %

Grok 4.338,068 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.6 Luna und Grok 4.3
Benchmark und Aufgabe	GPT-5.6 Luna	Grok 4.3	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner44,55 %	6,795 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	64,219 %	Gewinner68,532 %	Vals AI Quellendetails Datenstand: 12.08.2026
CyberBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner83,898 %	47,457 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner67,116 %	18,394 %	Vals AI Quellendetails Datenstand: 19.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner55,044 %	37,728 %	Vals AI Quellendetails Datenstand: 19.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner91,666 %	91,414 %	Vals AI Quellendetails Datenstand: 19.08.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser	Gewinner1,25 %	0,417 %	Vals AI Quellendetails Datenstand: 19.08.2026
IOIOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner72,917 %	15,334 %	Vals AI Quellendetails Datenstand: 09.08.2026
Legal Research BenchOverall · All-pass Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser	Gewinner36,538 %	15,385 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	84,034 %	Gewinner84,458 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.3: Snapshot: grok-4.3, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 20.693 anonymen Paarvergleichen.Grok 4.3: Stilbereinigte Arena-Bewertung aus 61.016 anonymen Paarvergleichen.	Höherer Messwert1.450,797 95-%-Konfidenzintervall: ±5,266Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.441,922 95-%-Konfidenzintervall: ±3,866Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MedCodeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner42,391 %	38,068 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner84,391 %	74,399 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner86,036 %	85,838 %	Vals AI Quellendetails Datenstand: 19.08.2026
MMMU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner85,029 %	83,064 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner67,29 %	48,252 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProgramBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gleichstand0 %	Gleichstand0 %	Vals AI Quellendetails Datenstand: 19.08.2026
Public Benefits Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner61,164 %	51,691 %	Vals AI Quellendetails Datenstand: 12.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner44,22 %	19,736 %	Vals AI Quellendetails Datenstand: 19.08.2026
SkillsBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner60,447 %	40,638 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner93 %	71,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner76,166 %	70,81 %	Vals AI Quellendetails Datenstand: 19.08.2026
Terminal-Bench 2.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner79,026 %	41,948 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner59,881 %	24,294 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals Multimodal IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner69,058 %	43,293 %	Vals AI Quellendetails Datenstand: 11.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner77,055 %	19,403 %	Vals AI Quellendetails Datenstand: 19.08.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert36,067 %	9,06 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	63,52 %	Höherer Messwert66,783 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPatch Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner79,661 %	64,407 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert54,573 %	16,558 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert52,027 %	31,863 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	92,424 %	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-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert85,145 %	61,594 %	Vals AI Quellendetails Datenstand: 07.08.2026
IOIIOI 2024 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert78 %	13 %	Vals AI Quellendetails Datenstand: 09.08.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert48,485 %	25,758 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	88,864 %	Höherer Messwert89,912 %	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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.3: Snapshot: grok-4.3, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 3.979 anonymen Paarvergleichen.Grok 4.3: Stilbereinigte Arena-Bewertung aus 12.328 anonymen Paarvergleichen.	Höherer Messwert1.466,521 95-%-Konfidenzintervall: ±10,029Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.438,834 95-%-Konfidenzintervall: ±6,725Der 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-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger93,305 %	Kein direkter Sieger93,305 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 256.000 tokens	Höherer Messwert75,596 %	37,52 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert9 %	0 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	31,35 %	Höherer Messwert35,318 %	Vals AI Quellendetails Datenstand: 09.08.2026
SkillsBenchNo Skills Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	Höherer Messwert45,189 %	19,305 %	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-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert96,392 %	83,505 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert66,558 %	60,589 %	Vals AI Quellendetails Datenstand: 09.08.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert83,333 %	75 %	Vals AI Quellendetails Datenstand: 06.08.2026
Vals IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	65,035 %	Höherer Messwert70,047 %	Vals AI Quellendetails Datenstand: 09.08.2026
Vals Multimodal IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	65,035 %	Höherer Messwert70,047 %	Vals AI Quellendetails Datenstand: 09.08.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70 %	0 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	64,103 %	Höherer Messwert68,765 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPoC Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner88,136 %	30,508 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert83,009 %	29,176 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert43,285 %	26,373 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert90,909 %	89,899 %	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-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
IOIIOI 2025 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert67,833 %	17,667 %	Vals AI Quellendetails Datenstand: 09.08.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert87,513 %	73,866 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert82,142 %	81,805 %	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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.3: Snapshot: grok-4.3, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 1.471 anonymen Paarvergleichen.Grok 4.3: Stilbereinigte Arena-Bewertung aus 3.345 anonymen Paarvergleichen.	1.477,909 95-%-Konfidenzintervall: ±16,694Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.482,605 95-%-Konfidenzintervall: ±11,398Der 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-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95	91,001 %	Höherer Messwert92,902 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxSemantic Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Temperatur: 0.7, Top P: 0.95, Ausgabegrenze: 256.000 tokens	Kein direkter Sieger58,983 %	Kein direkter Sieger58,983 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: 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-5.6 Luna: Reasoning: max, Ausgabegrenze: 30.000 tokens Grok 4.3: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 30.000 tokens	Höherer Messwert64,506 %	48,148 %	Vals AI Quellendetails Datenstand: 09.08.2026
SkillsBenchWith Skills Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Harness: OpenHands, Temperatur: 0.7, Top P: 0.95	Höherer Messwert60,447 %	40,638 %	Vals AI Quellendetails Datenstand: 07.08.2026
SWE-bench Verified>4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.6 Luna: Reasoning: max, Ausgabegrenze: 128.000 tokens Grok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert66,667 %	33,333 %	Vals AI Quellendetails Datenstand: 08.08.2026
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-5.6 Luna und Grok 4.3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich