Direktvergleich

Grok 4.3 vs. GLM-5.1

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

gemeinsame Messreihen: 173
verschiedene Benchmarks: 20
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 Grok 4.3 und GLM-5.1
Merkmal	Grok 4.3	GLM-5.1
Anbieter	xAI	Z.ai
Erschienen	6. Mai 2026	7. Apr. 2026
Verfügbarkeit	Aktiv	Open Source
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	744 Mrd., 40 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.000.000 Token	200.000 Token
Wissensstand	Nicht veröffentlicht	Nicht veröffentlicht
Technische Quellen	Modell	Modell, Kontext

Kosten

API-Preise im Vergleich

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

API-Preise von Grok 4.3 und GLM-5.1
Preisart	Grok 4.3	GLM-5.1
API-Eingabe	1,25 $ ≤200K / 2,5 $ >200K	1,4 $
API-Ausgabe	2,5 $ ≤200K / 5 $ >200K	4,4 $
Cache lesen	0,2 $ ≤200K / 0,4 $ >200K	0,26 $
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	11.08.2026 Quelle	30.07.2026 Quelle

Grok 4.3GLM-5.1

API-EingabeUSD pro 1 Mio. Token, Basistarif

Grok 4.31,25 $

GLM-5.11,4 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

Grok 4.32,5 $

GLM-5.14,4 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

Grok 4.30,2 $

GLM-5.10,26 $

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 Grok 4.3 und GLM-5.1
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
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
GLM-5.1	Z.ai	Direkt beim EntwicklerStandard-API	1,4 $	4,4 $	Quelle30.07.2026
	Alibaba	Über OpenRouteralibaba/fp8	1,33 $	4,18 $	Quelle25.08.2026
	AtlasCloud	Über OpenRouteratlas-cloud/fp8	1,26 $	3,96 $	Quelle25.08.2026
	Baidu	Über OpenRouterbaidu/fp8	1,4 $	4,4 $	Quelle25.08.2026
	Chutes	Über OpenRouterchutes/fp8	0,98 $	3,08 $	Quelle25.08.2026
	Crusoe	Über OpenRoutercrusoe/fp8	1,2 $	4,4 $	Quelle25.08.2026
	DeepInfra	Über OpenRouterdeepinfra/fp4	1,05 $	3,5 $	Quelle25.08.2026
	DigitalOcean	Über OpenRouterdigitalocean	1,3 $	4,3 $	Quelle25.08.2026
	Friendli	Über OpenRouterfriendli	1,4 $	4,4 $	Quelle25.08.2026
	GMICloud	Über OpenRoutergmicloud/fp8	Günstigster erfasster Preis: 0,91 $	Günstigster erfasster Preis: 2,86 $	Quelle25.08.2026
	Nebius	Über OpenRouternebius/fp8	1,4 $	4,4 $	Quelle25.08.2026
	Novita	Über OpenRouternovita/fp8	1,38 $	4,4 $	Quelle25.08.2026
	Parasail	Über OpenRouterparasail/fp8	1,4 $	4,4 $	Quelle25.08.2026
	Phala	Über OpenRouterphala	1,21 $	4,2 $	Quelle25.08.2026
	SiliconFlow	Über OpenRoutersiliconflow/fp8	1,19 $	3,74 $	Quelle25.08.2026
	StreamLake	Über OpenRouterstreamlake/fp8	0,966 $	3,036 $	Quelle25.08.2026
	Venice	Über OpenRoutervenice/fp8	1,54 $	4,84 $	Quelle25.08.2026
	Z.AI	Über OpenRouterz-ai/fp8	1,4 $	4,4 $	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.

Grok 4.3

GLM-5.1

Coding: 79,9 / 99,4 (6 Benchmarkfamilien)

Reasoning: 98,7 / 96,2 (2 Benchmarkfamilien)

Mathematik: 96,5 / 100 (1 Benchmarkfamilie)

Wissen: 98,1 / 100 (2 Benchmarkfamilien)

Finanzen: 95,5 / 98,5 (4 Benchmarkfamilien)

Recht: 88,1 / 75 (4 Benchmarkfamilien)

Agenten-Aufgaben: 77,1 / 100 (1 Benchmarkfamilie)

Produktivität: 83,6 / 100 (1 Benchmarkfamilie)

48 passende Messreihen aus 19 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.

Grok 4.3GLM-5.1

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

Grok 4.36,795 %

GLM-5.125,768 %

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

Grok 4.368,532 %

GLM-5.164,452 %

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

Grok 4.337,728 %

GLM-5.144,792 %

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

Grok 4.391,414 %

GLM-5.184,518 %

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

Grok 4.30,417 %

GLM-5.10 %

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

Grok 4.315,385 %

GLM-5.127,885 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Grok 4.384,458 %

GLM-5.184,394 %

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

Grok 4.384,494 %

GLM-5.181,38 %

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

Grok 4.31.441,922

GLM-5.11.467,757

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Grok 4.338,068 %

GLM-5.141,604 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

Grok 4.374,399 %

GLM-5.172,27 %

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

Grok 4.385,838 %

GLM-5.186,9 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von Grok 4.3 und GLM-5.1
Benchmark und Aufgabe	Grok 4.3	GLM-5.1	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	6,795 %	Gewinner25,768 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner68,532 %	64,452 %	Vals AI Quellendetails Datenstand: 12.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	37,728 %	Gewinner44,792 %	Vals AI Quellendetails Datenstand: 19.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner91,414 %	84,518 %	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	Gewinner0,417 %	0 %	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	15,385 %	Gewinner27,885 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner84,458 %	84,394 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner84,494 %	81,38 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.3: Snapshot: grok-4.3, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.3: Stilbereinigte Arena-Bewertung aus 61.016 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen.	1.441,922 95-%-Konfidenzintervall: ±3,866Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Gewinner1.467,757 95-%-Konfidenzintervall: ±4,079Der 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	38,068 %	Gewinner41,604 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner74,399 %	72,27 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	85,838 %	Gewinner86,9 %	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	51,691 %	Gewinner61,84 %	Vals AI Quellendetails Datenstand: 12.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	71,4 %	Gewinner76,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	70,81 %	Gewinner71,194 %	Vals AI Quellendetails Datenstand: 19.08.2026
Terminal-Bench 2.0Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besser	43,446 %	Gewinner53,933 %	Vals AI Quellendetails Datenstand: 04.06.2026
Terminal-Bench 2.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser	41,948 %	Gewinner56,929 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	Höherer Messwert70,047 %	65,268 %	Vals AI Quellendetails Datenstand: 09.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	19,403 %	Gewinner31,456 %	Vals AI Quellendetails Datenstand: 19.08.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	9,06 %	Höherer Messwert18,833 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert66,783 %	61,772 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	31,863 %	Höherer Messwert43,276 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert92,929 %	85,787 %	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 besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	61,594 %	Höherer Messwert71,377 %	Vals AI Quellendetails Datenstand: 07.08.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	25,758 %	Höherer Messwert31,818 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,912 %	89,575 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	98,447 %	Höherer Messwert98,754 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.3: Snapshot: grok-4.3, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.3: Stilbereinigte Arena-Bewertung aus 12.328 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen.	1.438,834 95-%-Konfidenzintervall: ±6,725Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Gewinner1.465,984 95-%-Konfidenzintervall: ±7,262Der 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 besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	93,305 %	Höherer Messwert93,724 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	0 %	Höherer Messwert1 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified<15 min fix Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	83,505 %	Höherer Messwert88,66 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	60,589 %	Höherer Messwert61,538 %	Vals AI Quellendetails Datenstand: 09.08.2026
Terminal-Bench 2.0Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	66,667 %	Höherer Messwert75 %	Vals AI Quellendetails Datenstand: 04.06.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	75 %	Höherer Messwert83,333 %	Vals AI Quellendetails Datenstand: 06.08.2026
Vals IndexFinance Agent v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	37,766 %	Höherer Messwert44,79 %	Vals AI Quellendetails Datenstand: 09.08.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	0 %	Höherer Messwert46,571 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert68,765 %	66,317 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	26,373 %	Höherer Messwert32,68 %	Vals AI Quellendetails Datenstand: 06.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,899 %	83,249 %	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 besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	73,866 %	Höherer Messwert80,005 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert81,805 %	81,709 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert66 %	57,429 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlChinese Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.3: Snapshot: grok-4.3, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.3: Stilbereinigte Arena-Bewertung aus 3.345 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.556 anonymen Paarvergleichen.	1.482,605 95-%-Konfidenzintervall: ±11,398Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Gewinner1.519,694 95-%-Konfidenzintervall: ±12,722Der 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 besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert92,902 %	91,128 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified>4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Kein direkter Sieger33,333 %	Kein direkter Sieger33,333 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Stepwise Reasoning Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert81,03 %	80,851 %	Vals AI Quellendetails Datenstand: 09.08.2026
Terminal-Bench 2.0Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	24,444 %	Höherer Messwert36,667 %	Vals AI Quellendetails Datenstand: 04.06.2026
Terminal-Bench 2.1Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	14,444 %	Höherer Messwert37,778 %	Vals AI Quellendetails Datenstand: 06.08.2026
Vals IndexSWE-bench Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besser	70,588 %	Gewinner72,549 %	Vals AI Quellendetails Datenstand: 09.08.2026
Code MigrationCode Quality Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	3,098 / 5	Höherer Messwert3,544 / 5	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Shared Max Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert70,047 %	65,268 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)Comparables Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95	35,857 %	Höherer Messwert41,557 %	Vals AI Quellendetails Datenstand: 06.08.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	Höherer Messwert68,1 %	53,405 %	Vals AI Quellendetails Datenstand: 07.08.2026
Legal Research BenchBusiness & Commercial · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	13,953 %	Höherer Messwert23,256 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchIssue Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,182 %	89,02 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	Höherer Messwert89,034 %	87,958 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlCoding Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.3: Snapshot: grok-4.3, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.3: Stilbereinigte Arena-Bewertung aus 17.221 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 11.848 anonymen Paarvergleichen.	1.487,326 95-%-Konfidenzintervall: ±5,99Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Gewinner1.515,26 95-%-Konfidenzintervall: ±6,441Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProChemistry Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95	91,608 %	Höherer Messwert91,844 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchRaw Pass Rate Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	22,105 %	Höherer Messwert50,879 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified1-4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Reasoning: high, Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	38,095 %	Höherer Messwert45,238 %	Vals AI Quellendetails Datenstand: 08.08.2026
Terminal-Bench 2.0Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGrok 4.3: Temperatur: 0.7, Top P: 0.95 GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens	52,121 %	Höherer Messwert61,818 %	Vals AI Quellendetails Datenstand: 04.06.2026
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 Grok 4.3 und GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich