Direktvergleich

GPT-5.6 Luna vs. Grok 4.6

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

gemeinsame Messreihen: 44
verschiedene Benchmarks: 22
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 4.6
Merkmal	GPT-5.6 Luna	Grok 4.6
Anbieter	OpenAI	xAI
Erschienen	26. Juni 2026	12. Aug. 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.050.000 Token	500.000 Token
Wissensstand	16. Februar 2026	1. Februar 2026
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 4.6
Preisart	GPT-5.6 Luna	Grok 4.6
API-Eingabe	0,2 $ ≤272K / 0,4 $ >272K	2 $ ≤200K / 4 $ >200K
API-Ausgabe	1,2 $ ≤272K / 1,8 $ >272K	6 $ ≤200K / 12 $ >200K
Cache lesen	0,02 $ ≤272K / 0,04 $ >272K	0,5 $ ≤200K / 1 $ >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	16.08.2026 Quelle

GPT-5.6 LunaGrok 4.6

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna0,2 $

Grok 4.62 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna1,2 $

Grok 4.66 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Luna0,02 $

Grok 4.60,5 $

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Preise nach Anbieter

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

Anbieterpreise von GPT-5.6 Luna und Grok 4.6
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 4.6	xAI	Direkt beim EntwicklerBis 200.000 Kontext-Token	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle16.08.2026
	xAI	Direkt beim EntwicklerÜber 200.000 Kontext-Token	4 $	12 $	Quelle16.08.2026
	xAI	Über OpenRouterxai	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/priority	4 $	12 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr	Günstigster erfasster Preis: 2 $	Günstigster erfasster Preis: 6 $	Quelle25.08.2026
	xAI	Über OpenRouterxai/zdr/priority	4 $	12 $	Quelle25.08.2026

Leistung

Gemeinsame Benchmarks

Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.

Fähigkeitsprofil aus vergleichbaren Benchmarks

Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.

GPT-5.6 Luna

Grok 4.6

Coding: 99,1 / 99,6 (3 Benchmarkfamilien)

Reasoning: 96,8 / 100 (1 Benchmarkfamilie)

Mathematik: 100 / 85 (1 Benchmarkfamilie)

Wissen: 96,2 / 100 (1 Benchmarkfamilie)

Finanzen: 99,4 / 95,9 (5 Benchmarkfamilien)

Recht: 60,4 / 100 (3 Benchmarkfamilien)

Agenten-Aufgaben: 100 / 95,7 (2 Benchmarkfamilien)

Produktivität: 91,5 / 100 (1 Benchmarkfamilie)

21 passende Messreihen aus 21 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.

GPT-5.6 LunaGrok 4.6

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

GPT-5.6 Luna44,55 %

Grok 4.644,572 %

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

GPT-5.6 Luna64,219 %

Grok 4.666,161 %

EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna67,116 %

Grok 4.662,727 %

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

GPT-5.6 Luna55,044 %

Grok 4.653,682 %

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

GPT-5.6 Luna91,666 %

Grok 4.694,697 %

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

GPT-5.6 Luna1,25 %

Grok 4.615,833 %

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

GPT-5.6 Luna36,538 %

Grok 4.648,077 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna84,034 %

Grok 4.686,307 %

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

GPT-5.6 Luna1.450,797

Grok 4.61.461,162

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna42,391 %

Grok 4.644,712 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Luna84,391 %

Grok 4.686,534 %

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

GPT-5.6 Luna86,036 %

Grok 4.689,4 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.6 Luna und Grok 4.6
Benchmark und Aufgabe	GPT-5.6 Luna	Grok 4.6	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	44,55 %	Gewinner44,572 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	64,219 %	Gewinner66,161 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner67,116 %	62,727 %	Vals AI Quellendetails Datenstand: 19.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner55,044 %	53,682 %	Vals AI Quellendetails Datenstand: 19.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	91,666 %	Gewinner94,697 %	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	1,25 %	Gewinner15,833 %	Vals AI Quellendetails Datenstand: 19.08.2026
Legal Research BenchOverall · All-pass Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser	36,538 %	Gewinner48,077 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	84,034 %	Gewinner86,307 %	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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 20.693 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 3.473 anonymen Paarvergleichen.	1.450,797 95-%-Konfidenzintervall: ±5,266Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.461,162 95-%-Konfidenzintervall: ±10,096Der 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	42,391 %	Gewinner44,712 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	84,391 %	Gewinner86,534 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	86,036 %	Gewinner89,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner67,29 %	64,189 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProofBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner60 %	51 %	Vals AI Quellendetails Datenstand: 21.08.2026
Public Benefits Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	61,164 %	Gewinner66,847 %	Vals AI Quellendetails Datenstand: 12.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner44,22 %	28,9 %	Vals AI Quellendetails Datenstand: 19.08.2026
SkillsBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner60,447 %	55,766 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	93 %	Gewinner95,6 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner76,166 %	71,096 %	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 %	78,277 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner59,881 %	59,167 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner77,055 %	76,239 %	Vals AI Quellendetails Datenstand: 19.08.2026
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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 3.979 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 713 anonymen Paarvergleichen.	1.466,521 95-%-Konfidenzintervall: ±10,029Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.467,859 95-%-Konfidenzintervall: ±22,004Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 1.471 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 290 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 Messwert1.541,173 95-%-Konfidenzintervall: ±33,852Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 5.888 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 845 anonymen Paarvergleichen.	1.497,453 95-%-Konfidenzintervall: ±8,436Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.509,109 95-%-Konfidenzintervall: ±20,613Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 4.071 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen.	1.407,415 95-%-Konfidenzintervall: ±10,217Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.457,4 95-%-Konfidenzintervall: ±23,914Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 8.559 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.436 anonymen Paarvergleichen.	Höherer Messwert1.465,68 95-%-Konfidenzintervall: ±7,144Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.459,348 95-%-Konfidenzintervall: ±15,37Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 5.249 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 779 anonymen Paarvergleichen.	1.421,196 95-%-Konfidenzintervall: ±9,097Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.443,068 95-%-Konfidenzintervall: ±21,783Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 15.634 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.527 anonymen Paarvergleichen.	1.453,328 95-%-Konfidenzintervall: ±6,864Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.464,956 95-%-Konfidenzintervall: ±13,989Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 2.274 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 414 anonymen Paarvergleichen.	Höherer Messwert1.488,87 95-%-Konfidenzintervall: ±12,848Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.478,225 95-%-Konfidenzintervall: ±28,194Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 13.814 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.331 anonymen Paarvergleichen.	1.472,66 95-%-Konfidenzintervall: ±6,176Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.484,448 95-%-Konfidenzintervall: ±12,422Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 5.703 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 933 anonymen Paarvergleichen.	Höherer Messwert1.484,161 95-%-Konfidenzintervall: ±8,459Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.475,625 95-%-Konfidenzintervall: ±19,264Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 7.381 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.242 anonymen Paarvergleichen.	1.443,337 95-%-Konfidenzintervall: ±7,674Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.457,85 95-%-Konfidenzintervall: ±16,841Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 1.742 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen.	1.463,29 95-%-Konfidenzintervall: ±14,861Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.478,025 95-%-Konfidenzintervall: ±33,23Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 3.327 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 522 anonymen Paarvergleichen.	1.454,651 95-%-Konfidenzintervall: ±10,685Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.492,244 95-%-Konfidenzintervall: ±25,382Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 9.736 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.636 anonymen Paarvergleichen.	1.451,617 95-%-Konfidenzintervall: ±7,234Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.479,341 95-%-Konfidenzintervall: ±14,99Der 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-5.6 Luna: Snapshot: gpt-5.6-luna-xhigh, Reasoning: xhigh, Harness: Arena text, style control Grok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 924 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 223 anonymen Paarvergleichen.	Höherer Messwert1.481,051 95-%-Konfidenzintervall: ±19,275Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.428,489 95-%-Konfidenzintervall: ±39,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlMathematical professions 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 1.050 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen.	Höherer Messwert1.475,524 95-%-Konfidenzintervall: ±18,829Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.460,407 95-%-Konfidenzintervall: ±38,79Der 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 ControlMedicine and healthcare 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 1.558 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 232 anonymen Paarvergleichen.	1.433,963 95-%-Konfidenzintervall: ±15,915Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.465,391 95-%-Konfidenzintervall: ±37,05Der 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 ControlMulti-turn 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 3.491 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 573 anonymen Paarvergleichen.	Höherer Messwert1.457,414 95-%-Konfidenzintervall: ±10,654Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.447,57 95-%-Konfidenzintervall: ±25,054Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlNon-English 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 12.129 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.037 anonymen Paarvergleichen.	1.434,13 95-%-Konfidenzintervall: ±6,409Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.456,633 95-%-Konfidenzintervall: ±13,061Der 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 ControlRussian 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 2.095 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 412 anonymen Paarvergleichen.	Höherer Messwert1.449,157 95-%-Konfidenzintervall: ±13,304Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.448,146 95-%-Konfidenzintervall: ±29,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
LMArena Text, Style ControlSoftware and IT services 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 8.312 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.380 anonymen Paarvergleichen.	1.491,697 95-%-Konfidenzintervall: ±7,357Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.502,489 95-%-Konfidenzintervall: ±16,151Der 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 ControlWriting, literature and language 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 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style controlGPT-5.6 Luna: Stilbereinigte Arena-Bewertung aus 5.474 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen.	1.435,874 95-%-Konfidenzintervall: ±8,794Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.445,185 95-%-Konfidenzintervall: ±19,748Der 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-5.6 Luna und Grok 4.6 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich