Zurück zum Trend des Tages: Meta sagt: Günstige KI erreicht Anthropic-Niveau für ein Drittel der Kosten

Poly-Ranking · aus dem Trend des Tages

Bestes Modell für KI-Agenten 2026: Büroarbeit gegen Code

Muse Ember erledigt 68,1 % der Ziele im Büro-Workflow, Claude Haiku 5.5 nur 35,4 %. Doch die Code-Änderungen von Haiku bestehen die Tests der Projektbetreuer öfter: 34,9 % gegenüber 27,2 %.

Nr. 1: Meta Muse Ember
10 Plätze
Stand: 10. November 2026, 18:16 EST

01Endgültige Liste

Die führenden KIs haben unabhängig voneinander jeweils eine eigene Liste mit zehn Plätzen erstellt. Hier steht ein leicht prüfbares Ergebnis: Jeder Platz hat einen Grund, eine Quelle und die Liste der KIs, die ihn aufgenommen haben.

Reihenfolge: von größter bis geringster Übereinstimmung der KIs.

Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.

1
Meta Muse Ember
Geben Sie ihm die Schritte im Büro: Es erledigt 68,1 % der Workflow-Ziele, Haiku 35,4 %. Lassen Sie es die finale Zusammenführung nicht übernehmen; dort erreicht es 27,2 % gegenüber 34,9 % bei Haiku.
Aufgenommen: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. Nicht aufgenommen: Gemini, Wenxin.
In ihren Listen: Claude: 1 · ChatGPT: 1 · Meta: 5 · Grok: 1 · Z.ai: 3 · Kimi: 2 · DeepSeek: 1 · Qwen: 2
Was jede KI angemerkt hat 8
- ClaudePlatz 1
  Gewinnt die Büroarbeit mit 37,8 % bei AutomationBench-AA (Haiku 13,9 %), verliert aber beim Code: 27,2 % gegenüber 34,9 % bei FrontierCode 2.0.
  Quelle ↗
- ChatGPTPlatz 1
  Der Büro-Spezialist: 68,1 % erledigte Ziele bei Arbeitsabläufen, aber nur 27,2 % bei der auf Zusammenführbarkeit ausgerichteten Code-Bewertung.
  Quelle ↗
- MetaPlatz 5
  Terminal zuerst: 40,9 % bei Terminal-Bench in Metas Tabelle, 27,2 % bei FrontierCode-AA – der Büro-Wert steht nicht in der gefundenen AA-AutomationBench-Liste mit 24 Modellen.
  Quelle ↗
- GrokPlatz 1
  Gib ihm die Büroschritte: 68,1 % der Arbeitsziele, dann halte es vom letzten Zusammenführen fern.
  Quelle ↗
- Z.aiPlatz 3
  Die Office-Code-Teilung in einem Modell: 68,1 % im Workflow-Lauf von AA (Metas eigene strengere Tabelle nennt 37,8), ein Terminal-Sieg gegenüber Haiku mit 40,9 % zu 32,8 % – und eine Niederlage gegen Haiku beim zusammenführungsfähigen Code mit 27,2 % zu 34,9 %.
  Quelle ↗
- KimiPlatz 2
  Erledigt 37,8 % der Büroabläufe – 2,7-mal Haikus Quote –, doch der Maintainer-Merge-Test dreht es: 27,2 % gegenüber Haikus 34,9 %.
  Quelle ↗
- DeepSeekPlatz 1
  Das einzige günstige Modell, das bei Geschäftsabläufen (37,8 % streng) und bei Terminal-Arbeit (40,9 %) gleichzeitig Spitzenklasse ist – aber nur 27,2 % seiner Code-Patches würden übernommen.
  Quelle ↗
- QwenPlatz 2
  Speziell für die repetitiven API-Aufrufe und Routing-Aufgaben entwickelt, die Agenten den ganzen Tag erledigen.
  Quelle ↗
8 KIs setzten es hierher
Quelle ↗
2
Claude Haiku 5.5
Das günstige Modell, das am Code arbeiten darf: 34,9 % im Lauf von Artificial Analysis für FrontierCode, auch wenn die eigene Rangliste von Cognition 27,7 % angibt. Bei Büroarbeit erledigt es nur 35,4 %.
Aufgenommen: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. Nicht aufgenommen: Gemini, Wenxin.
In ihren Listen: Claude: 2 · ChatGPT: 2 · Meta: 4 · Grok: 2 · Z.ai: 5 · Kimi: 1 · DeepSeek: 2 · Qwen: 4
Was jede KI angemerkt hat 8
- ClaudePlatz 2
  Die Code-Wahl: die beste FrontierCode-2.0-Quote in der kleinen Gruppe (34,9 %), erledigt aber nur 13,9 % der Büroabläufe.
  Quelle ↗
- ChatGPTPlatz 2
  Es verliert den Büro-Wettbewerb gegen Ember, schlägt es aber um 7,7 Punkte bei dem gemeldeten FrontierCode-Vergleich.
  Quelle ↗
- MetaPlatz 4
  Der günstige Code-Spitzenreiter: 27,7 % bei FrontierCode 2.0 und 36 % beim Terminal, aber nur 35,4 % bei Büroabläufen.
  Quelle ↗
- GrokPlatz 2
  Das günstige Modell, das Code anfassen sollte: 34,9 % zusammenführbar, 13,9 % streng im Bürotest.
  Quelle ↗
- Z.aiPlatz 5
  Das Modell, das Code anfassen soll: 34,9 % der Patches bestehen die Tests der Maintainer bei FrontierCode 2.0, etwa zehn Punkte über jedem günstigen Mitbewerber – während sein Bürowert (35,4 %) hier der schwächste ist.
  Quelle ↗
- KimiPlatz 1
  Das einzige kleine Modell, das die Code-Spalte gewinnt – FrontierCode 2.0 mit 34,9 % schlägt Muse Ember um 7,7 Punkte –, und es holt dabei 39,2 % bei Terminal-Bench.
  Quelle ↗
- DeepSeekPlatz 2
  Der zusammenführungsfähige Coder der günstigen Klasse: 34,9 % bei FrontierCode 2.0, aber nur 13,9 % streng bei Büroabläufen – er repariert den Code und ignoriert die Tabelle.
  Quelle ↗
- QwenPlatz 4
  Die Sicherheitsleitplanken von Anthropic verhindern, dass es SaaS-Workflow-Regeln verletzt.
8 KIs setzten es hierher
Quelle ↗
3
DeepSeek V4.1 Flash
Stark bei Büroarbeit mit 66,6 %, aber nur 19,3 % auf der Code-Rangliste von Cognition. Sein Terminal-Ergebnis fällt von selbst gemeldeten 42,3 % auf 31,82 % im Test von Vals AI.
Aufgenommen: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. Nicht aufgenommen: Gemini, Wenxin, Qwen.
In ihren Listen: Claude: 4 · ChatGPT: 5 · Meta: 8 · Grok: 5 · Z.ai: 4 · Kimi: 4 · DeepSeek: 3
Was jede KI angemerkt hat 7
- ClaudePlatz 4
  Bester Langsitzungs-Coder in Bitos Gruppe (71,9 %) für 2,17 $ pro 20-Runden-Lauf; keinen AutomationBench-AA-Wert gefunden.
  Quelle ↗
- ChatGPTPlatz 5
  Ein Intelligenzwert von 33 und offene Gewichte sind attraktiv, doch FrontierCode fällt bei anspruchsvollerer, zusammenführungsfähiger Arbeit auf 19,3 %.
  Quelle ↗
- MetaPlatz 8
  Für seinen Preis terminalstark mit 31,82 % bei 0,54 $, bei Code schwach mit 19,3 % – ein Shell-Arbeiter, kein Zusammenführer.
- GrokPlatz 5
  Auf der Hermes-Tafel erreicht es 36,91 bei 0,26 $ pro Aufgabe, neben Haikus 37,00 bei 0,49 $.
  Quelle ↗
- Z.aiPlatz 4
  66,6 % bei Büroabläufen und offene MIT-Gewichte zum Selbsthosten – doch seine Terminal-Bilanz kippt mit dem Testaufbau: 42,3 % selbst gemeldet gegenüber 19,7 % im unabhängigen Lauf von Vals.
  Quelle ↗
- KimiPlatz 4
  Günstigste ernsthafte Code-Option: 19,3 % bei FrontierCode 2.0 zu 0,38 $ pro Durchlauf, Terminal-Bench bei 42,3 % selbst gemeldet / 33,8 % unabhängig.
  Quelle ↗
- DeepSeekPlatz 3
  Der Terminal-Spezialist: 42,3 % bei Terminal-Bench 4.0 und 60,5 % bei AutomationBench v1.0.6, aber nur 28 % bei FrontierCode – stark beim Ausführen von Befehlen, schwächer beim Liefern zusammenführbarer Patches.
  Quelle ↗
7 KIs setzten es hierher
Quelle ↗
4
GPT-6 Luna
Mittelmäßig bei Büroarbeit und schwach am Terminal: 53,2 % der Büroziele (20,2 % streng bewertet), 25,2 % beim Code und nur 16,4 % der Terminal-Aufgaben gelöst.
Aufgenommen: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. Nicht aufgenommen: Gemini, Wenxin, Qwen.
In ihren Listen: Claude: 6 · ChatGPT: 6 · Meta: 6 · Grok: 9 · Z.ai: 8 · Kimi: 7 · DeepSeek: 6
Was jede KI angemerkt hat 7
- ClaudePlatz 6
  Mittelfeld bei Büroarbeit (20,2 %) und Schlusslicht der drei Start-Rivalen bei Code (25,2 %) und Terminal-Aufgaben (16,4 %).
  Quelle ↗
- ChatGPTPlatz 6
  Ein günstiger Helfer mit 31 im Coding-Agent-Index, aber nur 16,4 % offiziell gelöste Terminal-Aufgaben.
  Quelle ↗
- MetaPlatz 6
  Ausgewogen und günstig: 53,2 % Büro und 21,9 % Code – besser im Büro als Haiku, schwächer im Code als Haiku.
  Quelle ↗
- GrokPlatz 9
  Verliert den strikten Bürotest mit 20,2 % und den Zusammenführungstest mit 25,2 % – bei einem Preisaufkleber, der dem von Ember entspricht.
  Quelle ↗
- Z.aiPlatz 8
  Sein Bürowert schwankt je nach Bewerter fast um das Dreifache – 20,2 % in Metas Einzelversuch-Tabelle gegenüber 53,2 % im Standardlauf von AA –, und die Zusammenführbarkeit liegt bei 23,8 % auf Cognitions Tafel.
  Quelle ↗
- KimiPlatz 7
  Die Office-über-Code-Teilung in einem Modell: stark bei Geschäftsabläufen (AutomationBench-AA 53 % in einem AA-Lauf, 20,2 % im strengeren Diagramm von Meta), aber 16,4 % bei Terminal-Bench.
  Quelle ↗
- DeepSeekPlatz 6
  Eine niedrige Rechnung pro Aufgabe (0,15 $) verbirgt schwache Büro- und Terminal-Ergebnisse: 20,2 % strikt bei AutomationBench, 16,4 % bei Terminal-Bench und 25,2 % bei FrontierCode.
  Quelle ↗
7 KIs setzten es hierher
Quelle ↗
5
MiniMax M3.1 Flash
Die beste Büro-Wertung unter den günstigen Modellen: 72,5 %. Sein Terminal-Ergebnis sinkt von selbst gemeldeten 38,1 % auf 25,25 % im Test von Vals AI. Nutzen Sie es für Apps, nicht für Shell-Aufgaben.
Aufgenommen: Claude, Meta, Grok, Z.ai, Kimi, DeepSeek. Nicht aufgenommen: ChatGPT, Gemini, Wenxin, Qwen.
In ihren Listen: Claude: 5 · Meta: 2 · Grok: 7 · Z.ai: 2 · Kimi: 5 · DeepSeek: 5
Was jede KI angemerkt hat 6
- ClaudePlatz 5
  Erreicht bei Bitos 20-Runden-Sitzungen 75,0 %, fast gleichauf mit Haiku 5.5, braucht aber 3 bis 5 Stunden pro Lauf.
  Quelle ↗
- MetaPlatz 2
  72,5 % der Büroziele erledigt – der beste Bürowert unter den günstigen Modellen – neben einem Terminal-Wert von 25 %.
  Quelle ↗
- GrokPlatz 7
  Die Terminal-Zahl zum Start, 38,1 %, und die Zahl im gemeinsamen Testaufbau, 25,25 %, sind nicht derselbe Test.
  Quelle ↗
- Z.aiPlatz 2
  72,5 % der Büroziele – nach Gemini 4 Carbon an zweiter Stelle von 249 Modellen –, während Vals es mit nur 0,21 $ pro Terminal-Test abrechnete, die günstigste fertige Rechnung der Klasse.
  Quelle ↗
- KimiPlatz 5
  38,1 % bei Terminal-Bench 4.0 – 22 Punkte über Luna bei etwa gleichem Output-Preis von 0,60 $, und noch keine Büro- oder Merge-Code-Zahlen veröffentlicht.
  Quelle ↗
- DeepSeekPlatz 5
  Der Büro-Champion der günstigen Gruppe mit 72,5 % bei AutomationBench-AA, aber nur 21 % bei FrontierCode und 26 % bei Terminal-Bench – geben Sie ihm die Tabellen, nicht den Pull Request.
  Quelle ↗
6 KIs setzten es hierher
Quelle ↗
6
GLM-5.3-Flash
Ein Modell mit offenen Gewichten für die Büro-Warteschlange mit 60,4 %. Zusammenführbarer Code liegt bei 14,2 % auf der Rangliste von Cognition und bei 17,6 % im Lauf von Artificial Analysis.
Aufgenommen: ChatGPT, Grok, Kimi, DeepSeek. Nicht aufgenommen: Claude, Meta, Gemini, Z.ai, Wenxin, Qwen.
In ihren Listen: ChatGPT: 4 · Grok: 3 · Kimi: 6 · DeepSeek: 7
Was jede KI angemerkt hat 4
- ChatGPTPlatz 4
  35,8 % gelöste Terminal-Aufgaben für ein Flash-Modell, aber nur 14,2 % beim Benchmark für Code-Qualität nach Maintainer-Maßstäben.
  Quelle ↗
- GrokPlatz 3
  Ein offenes Modell für die Büro-Warteschlange mit 60,4 %, während zusammenführbarer Code auf 17,6 % fällt.
  Quelle ↗
- KimiPlatz 6
  35,8 % bei Terminal-Bench 4.0 für 0,36 $ pro Aufgabe – der Preis-Leistungs-Punkt, an dem günstige Terminal-Arbeit verlässlich wird.
  Quelle ↗
- DeepSeekPlatz 7
  Ein Wert von 60 % bei AutomationBench macht es zu einem glaubwürdigen Schritt-Ausführer im Büro, doch 15 % bei FrontierCode und 33 % bei Terminal-Bench halten es von Repository-Arbeit fern.
  Quelle ↗
4 KIs setzten es hierher
Quelle ↗
7
Gemini 3.8 Flash
Erledigt 59,9 % der Büroziele, aber nur etwa 19 % der Terminal-Aufgaben. Vals AI rechnete 8,65 $ pro Terminal-Test ab, die höchste Rechnung in der Budget-Gruppe.
Aufgenommen: ChatGPT, Meta, Z.ai, DeepSeek. Nicht aufgenommen: Claude, Grok, Gemini, Kimi, Wenxin, Qwen.
In ihren Listen: ChatGPT: 7 · Meta: 3 · Z.ai: 7 · DeepSeek: 9
Was jede KI angemerkt hat 4
- ChatGPTPlatz 7
  Ein multimodaler Assistent mit Millionen-Token-Kontext, doch in seiner getesteten Umgebung wurden nur 19,1 % der offiziellen Terminal-Aufgaben gelöst.
  Quelle ↗
- MetaPlatz 3
  59,9 % Büro, 19,7 % Terminal – dieselbe Aufteilung wie MiniMax, aber zu deutlich höheren gemessenen Kosten pro Aufgabe.
  Quelle ↗
- Z.aiPlatz 7
  59,9 % bei Büroabläufen, und Intelligenz-Fans vergleichen es mit der Opus-Klasse – doch dasselbe Modell kostete Vals 8,65 $ pro Terminal-Test, die größte fertige Rechnung der Budgetklasse.
  Quelle ↗
- DeepSeekPlatz 9
  Ein Wert von 60 % bei AutomationBench auf hohem Aufwand, aber nur 19 % bei FrontierCode und 20 % bei Terminal-Bench – eine Erinnerung, dass Büro-Können nicht auf zusammenführungsfähigen Code übertragbar ist.
  Quelle ↗
4 KIs setzten es hierher
Quelle ↗
8
Thinking Machines Inkling 2 Small
Laut Angabe springt es bei Büroarbeit auf 46 %, das stammt aus einer einzigen Quelle. Der Code liegt bei 22,6 % bis 25 %. Nur 12,63 % der Terminal-Aufgaben gelingen.
Aufgenommen: Claude, ChatGPT. Nicht aufgenommen: Meta, Grok, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.
In ihren Listen: Claude: 3 · ChatGPT: 8
Was jede KI angemerkt hat 2
- ClaudePlatz 3
  Soll bei AutomationBench-AA gegenüber dem Vorgänger von 5 % auf 46 % gesprungen sein, während Terminal-Bench 4.0 bei etwa 13 % bleibt.
  Quelle ↗
- ChatGPTPlatz 8
  Sein Wert von 22,6 % bei FrontierCode ist achtbar, doch eine Index-Aufgabe für 1,18 $ und die langsame Fertigstellung schwächen die Agenten-Ökonomie.
  Quelle ↗
2 KIs setzten es hierher
Quelle ↗
9
Qwen3.8 Flash
Seine Büro-Wertung von 55,9 % liegt 30 Punkte über seinem Terminal-Ergebnis von 25,3 % auf derselben Seite von Artificial Analysis. Nur eine Quelle meldet diese Zahlen.
Aufgenommen: Grok. Nicht aufgenommen: Claude, ChatGPT, Meta, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.
In ihren Listen: Grok: 4
Was jede KI angemerkt hat 1
- GrokPlatz 4
  Büroarbeit mit 55,9 % liegt 30 Punkte über dem Terminal-Wert auf derselben Karte.
  Quelle ↗
1 KIs setzten es hierher
Quelle ↗
10
Qwen3.8-27B
Ein Spezialist für Desktop-Arbeit auf dem Bildschirm, nicht für das Terminal: 84,3 % bei OSWorld-Verified, aber nur 5,1 % bei Terminal-Bench 4.0 und 48,2 % bei Büroarbeit. Nur eine Quelle meldet diese Zahlen.
Aufgenommen: Z.ai. Nicht aufgenommen: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.
In ihren Listen: Z.ai: 9
Was jede KI angemerkt hat 1
- Z.aiPlatz 9
  Der GUI-Spezialist der kleinen Klasse: 84,3 % bei OSWorld-Verified (insgesamt Vierter) gegenüber 5,1 % bei Terminal-Bench 4.0 – Desktop-Apps ja, containerisierte Terminals nein.
  Quelle ↗
1 KIs setzten es hierher
Quelle ↗

Mehr über die ersten drei ↓

02Mehr über die ersten drei

Das Ranking steht oben. Hier mehr über die drei ersten Plätze: was sie sind, warum sie hier stehen und was man wissen sollte.

Die drei werden bei unterschiedlichen Tests verglichen: Embers 68,1% und DeepSeeks 66,6% stammen aus Büro-Arbeitsabläufen, Haikus 35,4% aus derselben Büro-Messung. Die Code- und Terminal-Werte stammen aus anderen Benchmarks, und einige sind Selbstangaben oder stammen von inde

1Meta Muse Ember

Nr. 1 — Meta Muse Ember. In den Listen von 8 von 10 KIs; mittlerer Platz dort: 1.5. Die KIs setzen es auf Platz eins, weil es weit mehr Büro-Arbeitsschritte abschließt als Haiku, auch wenn es beim Code, der sofort übernommen werden kann, schlechter abschneidet.

Schon gewusst?

Meta Muse Ember ist das kleinste Modell der Muse-Familie von Meta. Es soll neben einem größeren Planer laufen, Muse Wonder. Metas Aussage: „Muse Wonder plant, Muse Ember erledigt die Masse.“ Seine Gewichte bleiben geheim.
Quelle ↗ ✓ von mehreren KIs bestätigt

Was es ist: Metas kleinstes, günstigstes Muse-Modell, gebaut für kleine, sich wiederholende Agenten-Aufgaben.
Seine Stärke: Es erfüllt 68,1% der Büro-Ziele, deutlich mehr als Haiku mit 35,4%.
Für wen: Passt zu Büroarbeit mit KI-Agenten, nicht für Code, der übernommen werden muss.

Erledigte Büro-Aufgaben68,1% der Büro-Ziele

Warum es hier steht

Im langen Desktop-Workflow-Test von Meta (OSWorld 2.1) erreicht Ember 69,5% Teilpunkte. Claude Haiku 5.5 kommt auf 68,9%. Das ist fast ein Gleichstand, der Vorsprung von Ember bei Büroarbeit ist bei dieser Messung also gering.
Quelle ↗
Bei vollständig abgeschlossenen Aufgaben schafft Ember 33,8%, Haiku 27,8%, laut The New Stack. Der Vorteil zeigt sich, wenn man nur Aufgaben zählt, die von Anfang bis Ende erledigt sind.
Quelle ↗

Schon gewusst?

Ember kostet 0,10 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens. Es hat trotzdem ein Kontextfenster von 1 Million Tokens und nimmt Bilder als Eingabe an. Es ist das vierte Muse-Modell, nach Spark, Glimmer und Wonder.
Quelle ↗

Gut zu wissen

Ember kam am 9. November 2026 als kleineres, günstigeres Modell heraus, deshalb stützt sich die bisherige Berichterstattung auf Metas eigene Benchmarks. Unabhängige Nutzerberichte habe ich noch nicht gefunden. Behandeln Sie die frühen Werte als Angaben des Herstellers.
Quelle ↗

Öffnen Sie den Blog und probieren Sie Muse Ember über die Schaltfläche „Muse ausprobieren“ aus. Schauen Sie zuerst auf das Diagramm „Intelligenz vs. Kosten pro Aufgabe“ direkt nach der Einleitung. Diese Zahlen stammen von Meta selbst, prüfen Sie sie deshalb anhand unabhängiger Tests.
Quelle ↗

Die ersten drei vergleichen ↓

2Claude Haiku 5.5

Nr. 2 — Claude Haiku 5.5. In den Listen von 8 von 10 KIs; mittlerer Platz dort: 2. Die KIs reihen es auf Platz zwei als günstiges Modell, dem man Code anvertrauen kann, weil mehr seiner Patches die Tests der Betreuer bestehen – trotz schwächerer Büro-Werte.

Was es ist: Das kleine, günstige Modell von Anthropic aus der Familie Claude 5.5.
Seine Stärke: Seine Code-Patches bestehen die Tests der Betreuer häufiger: 34,9% gegenüber 27,2% bei Ember.
Für wen: Passt zu Code-Korrekturen und Patches, nicht die beste Wahl für Büroabläufe.

Erledigte Büro-Aufgaben35,4% der Büro-Ziele

Wikidata

Warum es hier steht

Die Ergebnisseite von Meta führt Claude Haiku 5.5 mit 68,9% Teilpunkten bei den Büroabläufen aus OSWorld 2.1. Ember liegt bei 69,5%, Haiku bleibt bei Desktop-Aufgaben also knapp dahinter.
Quelle ↗
Derselbe Test zählt die vollständige Erledigung separat. Haiku schließt 27,8% der Aufgaben komplett ab, Ember 33,8%. Sein Platz kommt zum Teil von Stärken in anderen Bereichen, etwa beim Code.
Quelle ↗

Kimi setzten es auf Platz 1. Was sie darin sahen

Kimi: Das einzige kleine Modell, das die Code-Spalte gewinnt – FrontierCode 2.0 mit 34,9 % schlägt Muse Ember um 7,7 Punkte –, und es holt dabei 39,2 % bei Terminal-Bench.

Video: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (auf Englisch) · Eliot Prince

Die ersten drei vergleichen ↓

3DeepSeek V4.1 Flash

Nr. 3 — DeepSeek V4.1 Flash. In den Listen von 7 von 10 KIs; mittlerer Platz dort: 4. Die KIs setzen es auf Platz drei, weil das Büro-Ergebnis stark ist, das Code-Ergebnis aber schwach und die Terminal-Ergebnisse je nach Test schwanken.

Was es ist: Das günstige Flash-Modell von DeepSeek mit offenen Gewichten, das jetzt auch seine Pro-Anfragen bedient.
Seine Stärke: Bei Büroarbeit mit 66,6% knapp hinter Ember, und pro Aufgabe günstiger als Haiku.
Für wen: Passt zum Selbsthosting und zu Terminal-Aufgaben, nicht für Code, der übernommen werden muss.

Erledigte Büro-Aufgaben66,6% bei Büroabläufen

Warum es hier steht

Im unabhängigen Terminal-Bench-4.0-Lauf von Vals AI erreicht die Version DeepSeek V4.1 Flash 1017 31,82%. GPT-6.1 Sol kommt auf derselben Seite auf 55,05%, der Abstand zum Spitzenreiter ist also groß.
Quelle ↗

Geschichte

Am 14. September 2026 begann DeepSeek, alle Anfragen an sein stärkstes Modell V4-Pro stattdessen an das günstigere V4.1-Flash weiterzuleiten und die Ersparnis an die Kunden weiterzugeben. Flash war vier Tage zuvor, am 10. September, erschienen.
Quelle ↗ ✓ von mehreren KIs bestätigt

Gut zu wissen

DeepSeek sagt, alle Anfragen an sein Pro-Modell würden nun an V4.1 Flash geleitet und zum Flash-Preis abgerechnet. Kommentatoren auf Hacker News halten stille Modellwechsel für bedenklich, und ein Nutzer berichtet, dass Flash in Programmier-Tools mit Schleifen und ungültigen Tool-Aufrufen scheitert.
Quelle ↗

Öffnen Sie die Modellkarte auf Hugging Face. Beginnen Sie mit dem Abschnitt „Leistung über Agenten-Gerüste hinweg“, der die Terminal-Aufgaben-Tests behandelt. Die Seite nennt außerdem 552 Mrd. Parameter, die Hub-Angaben 763 Mrd. Lesen Sie die Zahlen deshalb genau.
Quelle ↗

Die ersten drei vergleichen ↓

Die ersten drei nebeneinander

	Meta Muse Ember	Claude Haiku 5.5	DeepSeek V4.1 Flash
In den KI-Listen	8 / 10	8 / 10	7 / 10
Erledigte Büro-Aufgaben	68,1% der Büro-Ziele	35,4% der Büro-Ziele	66,6% bei Büroabläufen
Auf Platz 1 bei	Claude, ChatGPT, Grok, DeepSeek	Kimi	—

Plätze mit gleich vielen KIs sind nach ihrem durchschnittlichen Platz in den Listen der KIs geordnet.

03Wissenswert

Was den KIs beim Erstellen der Liste aufgefallen ist.

Der Büro-Spitzenreiter ist nicht der Code-Spitzenreiter. Ember schlägt Haiku 5.5 bei abgeschlossenen Workflows (68,1 % gegenüber 35,4 %) und verliert beim zusammenführbaren Code (27,2 % gegenüber 34,9 %). Beide Ergebnisse stammen von Artificial Analysis.

Bemerkt von:

Aufgenommen: Claude, ChatGPT, Grok, Z.ai, Kimi, DeepSeek. Nicht aufgenommen: Meta, Gemini, Wenxin, Qwen.

01Endgültige Liste

Meta Muse Ember

Claude Haiku 5.5

DeepSeek V4.1 Flash

GPT-6 Luna

MiniMax M3.1 Flash

GLM-5.3-Flash

Gemini 3.8 Flash

Thinking Machines Inkling 2 Small

Qwen3.8 Flash

Qwen3.8-27B

02Mehr über die ersten drei

1Meta Muse Ember

Schon gewusst?

2Claude Haiku 5.5

3DeepSeek V4.1 Flash

Die ersten drei nebeneinander

Weitere Rankings

03Wissenswert

04Was Leute fragen

05So haben wir gezählt

1Die Frage

2Warum dieses Thema

3Wofür es gilt

4Worauf wir geachtet haben

5Wer gerankt hat

6Wie die Plätze festgelegt wurden

06Die Liste jeder KI

Was Claude aufgefallen ist

Was ChatGPT aufgefallen ist

Was Meta aufgefallen ist

Was Grok aufgefallen ist

Was Gemini aufgefallen ist

Was Z.ai aufgefallen ist

Was Kimi aufgefallen ist

Was DeepSeek aufgefallen ist

Was Wenxin aufgefallen ist

Was Qwen aufgefallen ist