Direktvergleich

GPT-5.6 Sol vs. Grok 4.6

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

gemeinsame Messreihen: 46
verschiedene Benchmarks: 24
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 Sol und Grok 4.6
Merkmal	GPT-5.6 Sol	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 Sol und Grok 4.6
Preisart	GPT-5.6 Sol	Grok 4.6
API-Eingabe	4 $ ≤272K / 8 $ >272K	2 $ ≤200K / 4 $ >200K
API-Ausgabe	20 $ ≤272K / 30 $ >272K	6 $ ≤200K / 12 $ >200K
Cache lesen	0,4 $ ≤272K / 0,8 $ >272K	0,5 $ ≤200K / 1 $ >200K
Cache schreiben (5 Min.)	5 $ ≤272K / 10 $ >272K	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	24.08.2026 Quelle	16.08.2026 Quelle

GPT-5.6 SolGrok 4.6

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Sol4 $

Grok 4.62 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Sol20 $

Grok 4.66 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.6 Sol0,4 $

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 Sol und Grok 4.6
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-5.6 Sol	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	4 $	20 $	Quelle24.08.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	8 $	30 $	Quelle24.08.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	5,5 $	33 $	Quelle25.08.2026
	Azure	Über OpenRouterazure	5 $	30 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/eu	5,5 $	33 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/us	5,5 $	33 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai	2 $	10 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 1 $	Günstigster erfasster Preis: 5 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/priority	4 $	20 $	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 Sol

Grok 4.6

Coding: 98,4 / 94,6 (4 Benchmarkfamilien)

Reasoning: 100 / 99,5 (1 Benchmarkfamilie)

Mathematik: 100 / 61,4 (1 Benchmarkfamilie)

Wissen: 99,7 / 100 (1 Benchmarkfamilie)

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

Recht: 71,9 / 99,7 (3 Benchmarkfamilien)

Agenten-Aufgaben: 99 / 78,7 (3 Benchmarkfamilien)

Produktivität: 99,5 / 100 (1 Benchmarkfamilie)

23 passende Messreihen aus 23 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.

GPT-5.6 SolGrok 4.6

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

GPT-5.6 Sol52,916 %

Grok 4.644,572 %

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

GPT-5.6 Sol64,375 %

Grok 4.666,161 %

EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Sol72,339 %

Grok 4.662,727 %

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

GPT-5.6 Sol53,756 %

Grok 4.653,682 %

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

GPT-5.6 Sol95,202 %

Grok 4.694,697 %

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

GPT-5.6 Sol2,5 %

Grok 4.615,833 %

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

GPT-5.6 Sol48,077 %

Grok 4.648,077 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Sol86,965 %

Grok 4.686,307 %

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

GPT-5.6 Sol82,604 %

Grok 4.688,224 %

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

GPT-5.6 Sol1.482,26

Grok 4.61.461,162

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Sol43,974 %

Grok 4.644,712 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.6 Sol85,233 %

Grok 4.686,534 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.6 Sol und Grok 4.6
Benchmark und Aufgabe	GPT-5.6 Sol	Grok 4.6	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner52,916 %	44,572 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	64,375 %	Gewinner66,161 %	Vals AI Quellendetails Datenstand: 12.08.2026
EMBOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner72,339 %	62,727 %	Vals AI Quellendetails Datenstand: 19.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner53,756 %	53,682 %	Vals AI Quellendetails Datenstand: 19.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner95,202 %	94,697 %	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	2,5 %	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	Gleichstand48,077 %	Gleichstand48,077 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner86,965 %	86,307 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	82,604 %	Gewinner88,224 %	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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 19.541 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 3.473 anonymen Paarvergleichen.	Höherer Messwert1.482,26 95-%-Konfidenzintervall: ±5,4Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.461,162 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	43,974 %	Gewinner44,712 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	85,233 %	Gewinner86,534 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	89,1 %	Gewinner89,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner67,289 %	64,189 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProofBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner83 %	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	66,509 %	Gewinner66,847 %	Vals AI Quellendetails Datenstand: 12.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner52,563 %	28,9 %	Vals AI Quellendetails Datenstand: 19.08.2026
SkillsBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	54,1 %	Gewinner55,766 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner96,2 %	95,6 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner74,775 %	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	Gewinner85,768 %	78,277 %	Vals AI Quellendetails Datenstand: 19.08.2026
Time Horizon Index: KSPOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: progressBewertung: Mehr ist besser	Gewinner13 %	5,833 %	Vals AI Quellendetails Datenstand: 20.08.2026
Vals IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner63,709 %	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	Gewinner80,495 %	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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 3.815 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 713 anonymen Paarvergleichen.	Höherer Messwert1.487,572 95-%-Konfidenzintervall: ±10,213Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.467,859 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 1.320 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 290 anonymen Paarvergleichen.	Höherer Messwert1.546,638 95-%-Konfidenzintervall: ±17,222Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.541,173 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 5.490 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 845 anonymen Paarvergleichen.	Höherer Messwert1.529,974 95-%-Konfidenzintervall: ±8,641Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.509,109 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 3.838 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen.	Höherer Messwert1.477,093 95-%-Konfidenzintervall: ±10,495Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.457,4 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 8.101 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.436 anonymen Paarvergleichen.	Höherer Messwert1.487,454 95-%-Konfidenzintervall: ±7,266Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 4.823 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 779 anonymen Paarvergleichen.	Höherer Messwert1.474,303 95-%-Konfidenzintervall: ±9,401Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.443,068 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 14.776 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.527 anonymen Paarvergleichen.	Höherer Messwert1.495,782 95-%-Konfidenzintervall: ±6,947Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.464,956 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 2.121 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 414 anonymen Paarvergleichen.	Höherer Messwert1.527,339 95-%-Konfidenzintervall: ±13,189Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 12.850 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.331 anonymen Paarvergleichen.	Höherer Messwert1.505,824 95-%-Konfidenzintervall: ±6,322Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.484,448 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 5.325 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 933 anonymen Paarvergleichen.	Höherer Messwert1.505,518 95-%-Konfidenzintervall: ±8,681Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 6.679 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.242 anonymen Paarvergleichen.	Höherer Messwert1.484,179 95-%-Konfidenzintervall: ±7,999Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.457,85 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 1.616 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen.	Höherer Messwert1.492,222 95-%-Konfidenzintervall: ±15,145Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.478,025 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 3.144 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 522 anonymen Paarvergleichen.	1.486,852 95-%-Konfidenzintervall: ±11,005Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 8.976 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.636 anonymen Paarvergleichen.	Höherer Messwert1.494,462 95-%-Konfidenzintervall: ±7,349Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.479,341 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 861 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 223 anonymen Paarvergleichen.	Höherer Messwert1.485,703 95-%-Konfidenzintervall: ±19,824Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 1.088 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen.	Höherer Messwert1.511,423 95-%-Konfidenzintervall: ±18,192Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 1.445 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 232 anonymen Paarvergleichen.	Höherer Messwert1.483,322 95-%-Konfidenzintervall: ±16,236Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.465,391 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 3.254 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 573 anonymen Paarvergleichen.	Höherer Messwert1.490,68 95-%-Konfidenzintervall: ±11,019Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 11.436 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 2.037 anonymen Paarvergleichen.	Höherer Messwert1.473,4 95-%-Konfidenzintervall: ±6,493Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.456,633 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 2.048 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 412 anonymen Paarvergleichen.	Höherer Messwert1.493,615 95-%-Konfidenzintervall: ±13,551Der 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 7.844 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 1.380 anonymen Paarvergleichen.	Höherer Messwert1.519,459 95-%-Konfidenzintervall: ±7,479Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.502,489 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 Sol: Snapshot: gpt-5.6-sol-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 Sol: Stilbereinigte Arena-Bewertung aus 5.064 anonymen Paarvergleichen.Grok 4.6: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen.	Höherer Messwert1.483,075 95-%-Konfidenzintervall: ±9,123Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.445,185 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 Sol und Grok 4.6 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich