Vergleich der Fähigkeiten von KI-Modellen
Wissensarbeit
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
Vals Finance Agent v2Vals Finanzagent v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| Nr. | Modell | Cost / TestKosten pro Test | Input costEingabepreis pro Million Token | Output costAusgabepreis pro Million Token | DurationGemeldete Testdauer | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Vals.ai-Benchmarks
Quelle: Vals.ai ↗ · Aktualisiert 2026-10-19
Vals Finance Agent v2 · Aktualisiert 2026-10-18
PandaNpc Aktualisiert 21. Okt. 2026, 06:01 UTC
Quelle: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Spaltenleitfaden
- Nr.
- Nur Anzeigereihenfolge. Sortierung ändert diese Nummer; sie ist kein veröffentlichter Fähigkeitsrang.
- Modell
- Der Name des bewerteten Modells und sein Anbietersymbol. Ein Bindestrich in einer Wertspalte bedeutet, dass hier kein veröffentlichter Wert verfügbar ist, nicht eine Null.
- Cost / Test
- Kosten pro Test · USD
- Input cost
- Eingabepreis pro Million Token · USD / 1M tokens
- Output cost
- Ausgabepreis pro Million Token · USD / 1M tokens
- Duration
- Gemeldete Testdauer · s / min
- Vals.ai
- Kosten und Zeiten werden für diesen Benchmark von Vals gemeldet, nicht als allgemeine Modellpreise oder Latenz. Die geschätzten API-Kosten für CUA-bench decken die Evaluierungsnutzung ab und sind eine untere Abschätzung, nicht die Kosten pro Aufgabe; die Zeit pro Aktion ist ein Durchschnitt, kein Median. Ein Sternchen kennzeichnet das Prompt-Cache-Verhalten am Launch-Tag, das die Cache-Schreibkosten erhöht hat. Fehlende Werte sind unveröffentlicht, nicht null.
- Vals Finance Agent v2Vals Finanzagent v2
- Testet Finanzanalyse mit Suche, Finanzberichten und Berechnungswerkzeugen, einschließlich dokumentübergreifender Datenprüfungen, Vergleichen der Unternehmensleistung und Bewertung. Die Hauptmetrik ist Partial Credit, gemittelt über drei Läufe: Antwortprüfungen erhalten schweregradbasierte Gewichtungen, und ein kritischer Dealbreaker-Fehler führt dazu, dass diese Frage mit null bewertet wird. Höher ist besser. Dies unterscheidet sich von der separaten All-Pass-Metrik und ist nicht die Bestehensrate ganzer Fragen. Evaluierungsmethodik ↗
- Harvey's Legal Agent BenchmarkHarvey-Benchmark für juristische Agenten
- Testet Agenten beim Lesen und Bearbeiten von Dateien, um mehrstufige juristische Arbeitsprodukte zu erstellen. Eine Aufgabe gilt nur dann als bestanden, wenn jede Bewertungsanforderung erfüllt ist. Der Score ist die durchschnittliche Aufgabenbestehensrate aus zwei Juroren; höher ist besser. Er ist nicht der Prozentsatz der einzelnen bestandenen Kriterien und misst juristische Agenten-Workflows statt die juristischen Argumentationsfragen von LegalBench. Evaluierungsmethodik ↗
- Vals IndexVals zusammengesetzter Index
- Ein zusammengesetzter Index professioneller Aufgaben in Bereichen wie Finanzen, Coding und Recht. Sein Prozentwert kombiniert Benchmark-Ergebnisse mithilfe der Gewichtungsmethode für diese veröffentlichte Version; ein höherer Wert bedeutet stärkere Gesamtleistung, nicht die Genauigkeit einer einzelnen Aufgabe. Enthaltene Domänen und Gewichtungen ändern sich zwischen Versionen, daher darf eine neuere Methodik nicht rückwirkend auf ältere Score-Snapshots angewendet werden. Evaluierungsmethodik ↗
- LegalBenchBenchmark für juristisches Schlussfolgern
- Testet das Verständnis und die Argumentation über juristische Texte, einschließlich des Erkennens juristischer Probleme, des Erinnerns und Anwendens von Regeln und des Beurteilens juristischer Schlussfolgerungen. Der Score ist die Genauigkeit bei juristischen Argumentationsfragen; höher ist besser. Anders als Harvey's Legal Agent Benchmark misst er nicht, wie ein Agent durch Bearbeiten von Dateien mehrstufige juristische Arbeitsprodukte erstellt. Evaluierungsmethodik ↗