Wir vermenschlichen Sprachmodelle heutzutage ziemlich oft. Weil wir so viel Zeit mit ihnen verbringen, stellen wir uns für diese Geschichte einmal vor, sie wären wirklich unsere Freunde. Genau wie die Menschen um uns herum prägen sie unsere Maßstäbe, unsere Leistung und unsere blinden Flecken.
Jahrelang galt GPT als der selbstverständliche KI-Begleiter. Heute führt Claude Opus 5.5 von Anthropic diese Auswahl bei faktischer Zuverlässigkeit, wissenschaftlichem Reasoning und Coding an. Der brillante Freund, den du anrufst, wenn ein Problem knifflig wird.
Doch diese Freundschaft hat ihren Preis: Claude kostete 5,98 USD pro Benchmark-Aufgabe, GPT dagegen 0,72 USD. GPT-6.1 Sol von OpenAI bleibt bei den Fähigkeiten dicht dran und kostet deutlich weniger – der pragmatische Freund für mehr Workflows. Im Alltag fallen die Kosten unterschiedlich aus. AA-Vergleich.
Gemini 3.8 Flash von Google DeepMind ist der visuelle Denker. Sein Bildverständnis reicht an die Spitzenreiter heran, bei Zuverlässigkeit, Reasoning und Coding liegt er jedoch hinter Claude und GPT.
GLM-5.3 von Z.ai aus China ist die Coding-Freundin. In unserem Coding-Score liegt sie hinter Claude und GPT, bei der faktischen Zuverlässigkeit schneidet sie jedoch schwächer ab. Die getestete Max-Variante verarbeitet nur Text.
Kimi K3 von Moonshot AI, ebenfalls aus China, überzeugt beim wissenschaftlichen Reasoning mehr als GLM und bietet ein respektables Bildverständnis. Die schwächere Terminal-Performance drückt jedoch den Coding-Durchschnitt. AA-Vergleich.
Aus Frankreich bringt Mistral AI Large 4 Preview ins Spiel, den preiswerten Joker. Die Aktionspreise sind attraktiv, doch beim wissenschaftlichen Reasoning landet das Modell hier auf dem letzten Platz und teilt sich mit DeepSeek den schwächsten Wert bei der faktischen Zuverlässigkeit. Die visuelle Leistung ist bislang nicht bewertet. AA-Vergleich.
Grok 4.7 von xAI / SpaceXAI ist bei Fakten vergleichsweise zuverlässig, liegt bei Reasoning und Coding aber hinter den Spitzenreitern. Die getestete Konfiguration kostet deutlich mehr als GPT. AA-Ergebnisse.
Muse Spark 1.1 von Meta zeigt, warum alte Freundschaften einen frischen Blick verdienen. Die faktische Zuverlässigkeit ist respektabel, Terminal-Aufgaben sind jedoch eine Schwäche. Diese ältere Version entspricht nicht Metas neuestem Release. AA-Modellprofil.
Qwen3.8 Max von Alibaba bietet stärkeres Coding als Grok, aber eine schwächere faktische Zuverlässigkeit und hohe Kosten pro Aufgabe. V4.1 Flash von DeepSeek ist das günstigste Mitglied der ganzen Runde, auch wenn die faktische Zuverlässigkeit eine klare Schwäche ist. AA-Vergleich.
| Anbieter / Modell | Zuverlässigkeit ↑ | Reasoning /100 ↑ | Coding /100 ↑ | Vision ↑ | USD/Aufgabe ↓ |
|---|---|---|---|---|---|
| OpenAI / GPT-6.1 Sol | 42 | 42,5 | 55,0 | 86,0 % | 0,72 |
| Anthropic / Opus 5.5 | 46 | 46,5 | 63,5 | 87,7 % | 5,98 |
| Google / Gemini 3.8 Flash | 30 | 33,0 | 38,5 | 85,6 % | 1,24 |
| xAI / Grok 4.7 | 32 | 30,5 | 41,5 | — | 3,74 |
| Meta / Muse Spark 1.1 | 28 | 30,5 | 32,5 | — | 1,38 |
| Alibaba / Qwen3.8 Max | 12 | 30,5 | 45,5 | 82,8 % | 5,41 |
| DeepSeek / V4.1 Flash | -5 | 26,5 | 39,5 | 77,0 % | 0,27 |
| Mistral / Large 4 Preview | -5 | 23,0 | 40,5 | — | 1,13* |
| Moonshot / Kimi K3 | 20 | 35,0 | 36,0 | 80,5 % | 2,00 |
| Z.ai / GLM-5.3 | 14 | 30,5 | 50,5 | — | 2,01 |
Stand der Momentaufnahme: 12. Oktober 2026. Sofern nicht anders angegeben, Max-Einstellungen: Gemini High; Grok/Muse Xhigh; Claude Max mit Default Fallback; Qwen Version 0902; Mistral Preview. Ein Modell pro Anbieter – nicht jeweils das stärkste Modell jedes Anbieters.
Die Zuverlässigkeit basiert auf AA Omniscience (-100 bis +100): Richtige Antworten werden belohnt, Fehler bestraft, Enthaltungen bleiben neutral. Es handelt sich nicht um eine Halluzinationsquote. Reasoning ist mein gleich gewichteter Durchschnitt aus HLE und CritPt; Coding mittelt Terminal-Bench und SciCode. Diese Benchmarks messen wissenschaftliches Reasoning sowie Terminal- und wissenschaftliches Coding; Urteilsvermögen im Alltag und Softwarequalität decken sie nur begrenzt ab. CritPt und SciCode sind bei AA derzeit als „under review“ markiert. Methodik.
Vision basiert auf MMMU-Pro, wie von BenchGecko wiedergegeben. Striche: Für Mistral, Muse und Grok gab es in den geprüften Quellen keinen bestätigten Wert; GLM verarbeitet nur Text. Bilderzeugung sowie Audio- und Videoleistung bleiben unbewertet, weil für diese Auswahl keine vergleichbaren Daten vorliegen.
DeepSeek, GLM und Kimi bieten offene Gewichte (Open Weights); das getestete Qwen Max ist proprietär. Die Kosten sind gewichtete Durchschnittswerte aus API-Benchmarks, ohne Self-Hosting. *Mistrals Aktionspreise ergeben bei identischem Token-Verbrauch etwa 0,57 USD; dabei handelt es sich um eine Schätzung.
Wähle deinen KI-Freundeskreis so sorgfältig wie deinen menschlichen. Es ist großartig, ein paar kluge Freunde um dich zu haben – aber Intelligenz ist nicht die einzige Eigenschaft, die zählt.