Direktvergleich
Grok 4.6 vs. GLM-5.1
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 39
- verschiedene Benchmarks
- 17
- jüngster Abruf
- 26.08.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
| Merkmal | Grok 4.6 | GLM-5.1 |
|---|---|---|
| Anbieter | xAI | Z.ai |
| Erschienen | 12. Aug. 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 | 500.000 Token | 200.000 Token |
| Wissensstand | 1. Februar 2026 | 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.
| Preisart | Grok 4.6 | GLM-5.1 |
|---|---|---|
| API-Eingabe | 2 $ ≤200K / 4 $ >200K | 1,4 $ |
| API-Ausgabe | 6 $ ≤200K / 12 $ >200K | 4,4 $ |
| Cache lesen | 0,5 $ ≤200K / 1 $ >200K | 0,26 $ |
| Cache schreiben (5 Min.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | Nicht ausgewiesen | Nicht ausgewiesen |
| Preis geprüft | 16.08.2026 Quelle | 30.07.2026 Quelle |
Grok 4.6GLM-5.1
API-EingabeUSD pro 1 Mio. Token, Basistarif
Grok 4.62 $
GLM-5.1Günstiger1,4 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Grok 4.66 $
GLM-5.1Günstiger4,4 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
Grok 4.60,5 $
GLM-5.1Günstiger0,26 $
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.
| Modell | Anbieter | Bezugsweg und Tarif | Eingabe pro 1 Mio. Token | Ausgabe pro 1 Mio. Token | Quelle |
|---|---|---|---|---|---|
| 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 | |
| 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 4.6
GLM-5.1
Coding: 100 / 67,8 (4 Benchmarkfamilien)
Reasoning: 100 / 89,3 (1 Benchmarkfamilie)
Wissen: 100 / 97,2 (1 Benchmarkfamilie)
Finanzen: 100 / 93,6 (3 Benchmarkfamilien)
Recht: 100 / 51,9 (3 Benchmarkfamilien)
Agenten-Aufgaben: 100 / 72,7 (1 Benchmarkfamilie)
Produktivität: 100 / 92,5 (1 Benchmarkfamilie)
Gesundheit: 100 / 88,3 (2 Benchmarkfamilien)
16 passende Messreihen aus 16 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 8 vergleichbaren Kategorien.
Grok 4.6GLM-5.1
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner44,572 %
GLM-5.125,768 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner66,161 %
GLM-5.164,452 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner53,682 %
GLM-5.144,792 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner94,697 %
GLM-5.184,518 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner15,833 %
GLM-5.10 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner48,077 %
GLM-5.127,885 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner86,307 %
GLM-5.184,394 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner88,224 %
GLM-5.181,38 %
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Grok 4.61.461,162
GLM-5.1Höherer Messwert1.467,757
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner44,712 %
GLM-5.141,604 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner86,534 %
GLM-5.172,27 %
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Grok 4.6Gewinner89,4 %
GLM-5.186,9 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | Grok 4.6 | GLM-5.1 | Quelle |
|---|---|---|---|
Code MigrationOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner44,572 % | 25,768 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner66,161 % | 64,452 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
Finance Agent (v2)OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner53,682 % | 44,792 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
GPQA DiamondOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner94,697 % | 84,518 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser | Gewinner15,833 % | 0 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Legal Research BenchOverall · All-passTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser | Gewinner48,077 % | 27,885 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LegalBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner86,307 % | 84,394 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LiveCodeBench v6OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner88,224 % | 81,38 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 3.473 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen. | 1.461,162 95-%-Konfidenzintervall: ±10,096Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.467,757 95-%-Konfidenzintervall: ±4,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MedCodeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner44,712 % | 41,604 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MedScribeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner86,534 % | 72,27 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MMLU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner89,4 % | 86,9 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Public Benefits Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner66,847 % | 61,84 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
SWE-bench VerifiedOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner95,6 % | 76,4 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
TaxEval v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 71,096 % | Gewinner71,194 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Terminal-Bench 2.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner78,277 % | 56,929 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vibe Code Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands | Gewinner76,239 % | 31,456 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 713 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen. | Höherer Messwert1.467,859 95-%-Konfidenzintervall: ±22,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.465,984 95-%-Konfidenzintervall: ±7,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlChineseTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 290 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.556 anonymen Paarvergleichen. | Höherer Messwert1.541,173 95-%-Konfidenzintervall: ±33,852Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.519,694 95-%-Konfidenzintervall: ±12,722Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlCodingTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 845 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 11.848 anonymen Paarvergleichen. | 1.509,109 95-%-Konfidenzintervall: ±20,613Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.515,26 95-%-Konfidenzintervall: ±6,441Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlCreative writingTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 651 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 7.719 anonymen Paarvergleichen. | Höherer Messwert1.457,4 95-%-Konfidenzintervall: ±23,914Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.449,165 95-%-Konfidenzintervall: ±7,729Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlEnglishTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.436 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 19.039 anonymen Paarvergleichen. | 1.459,348 95-%-Konfidenzintervall: ±15,37Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.481,535 95-%-Konfidenzintervall: ±5,272Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlEntertainment, sports and mediaTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 779 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 9.479 anonymen Paarvergleichen. | 1.443,068 95-%-Konfidenzintervall: ±21,783Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.443,65 95-%-Konfidenzintervall: ±7,083Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlExcluding tiesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.527 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 31.733 anonymen Paarvergleichen. | 1.464,956 95-%-Konfidenzintervall: ±13,989Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.474,652 95-%-Konfidenzintervall: ±5,341Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlExpert promptsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 414 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 4.384 anonymen Paarvergleichen. | 1.478,225 95-%-Konfidenzintervall: ±28,194Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.499,018 95-%-Konfidenzintervall: ±9,564Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlHard promptsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.331 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 27.921 anonymen Paarvergleichen. | 1.484,448 95-%-Konfidenzintervall: ±12,422Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.490,674 95-%-Konfidenzintervall: ±4,778Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlHard prompts, EnglishTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 933 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 12.858 anonymen Paarvergleichen. | 1.475,625 95-%-Konfidenzintervall: ±19,264Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.498,435 95-%-Konfidenzintervall: ±6,201Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlInstruction followingTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.242 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 14.620 anonymen Paarvergleichen. | 1.457,85 95-%-Konfidenzintervall: ±16,841Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.461,682 95-%-Konfidenzintervall: ±5,849Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLegal and governmentTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 284 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 3.356 anonymen Paarvergleichen. | Höherer Messwert1.478,025 95-%-Konfidenzintervall: ±33,23Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.477,196 95-%-Konfidenzintervall: ±10,734Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLife, physical and social scienceTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 522 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 6.979 anonymen Paarvergleichen. | Höherer Messwert1.492,244 95-%-Konfidenzintervall: ±25,382Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.487,767 95-%-Konfidenzintervall: ±7,741Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlLonger queriesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.636 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 18.980 anonymen Paarvergleichen. | 1.479,341 95-%-Konfidenzintervall: ±14,99Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.483,373 95-%-Konfidenzintervall: ±5,596Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMathTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 223 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.097 anonymen Paarvergleichen. | 1.428,489 95-%-Konfidenzintervall: ±39,06Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.478,309 95-%-Konfidenzintervall: ±13,348Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMathematical professionsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 216 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 2.266 anonymen Paarvergleichen. | 1.460,407 95-%-Konfidenzintervall: ±38,79Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.477,24 95-%-Konfidenzintervall: ±13,062Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMedicine and healthcareTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 232 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 3.090 anonymen Paarvergleichen. | 1.465,391 95-%-Konfidenzintervall: ±37,05Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.484,81 95-%-Konfidenzintervall: ±11,356Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlMulti-turnTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 573 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 6.947 anonymen Paarvergleichen. | 1.447,57 95-%-Konfidenzintervall: ±25,054Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.479,462 95-%-Konfidenzintervall: ±7,86Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlNon-EnglishTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 2.037 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 23.226 anonymen Paarvergleichen. | Höherer Messwert1.456,633 95-%-Konfidenzintervall: ±13,061Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.452,368 95-%-Konfidenzintervall: ±4,946Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlRussianTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 412 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 4.527 anonymen Paarvergleichen. | 1.448,146 95-%-Konfidenzintervall: ±29,004Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.462,449 95-%-Konfidenzintervall: ±9,316Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlSoftware and IT servicesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 1.380 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 16.977 anonymen Paarvergleichen. | 1.502,489 95-%-Konfidenzintervall: ±16,151Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.503,199 95-%-Konfidenzintervall: ±5,534Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
LMArena Text, Style ControlWriting, literature and languageTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGrok 4.6: Snapshot: grok-4.6-high, Reasoning: high, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGrok 4.6: Stilbereinigte Arena-Bewertung aus 919 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 10.728 anonymen Paarvergleichen. | 1.445,185 95-%-Konfidenzintervall: ±19,748Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.455,092 95-%-Konfidenzintervall: ±6,667Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 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
Ähnliche LLM-Vergleiche
Vergleiche Grok 4.6 und GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.