Das Modell, für das Sie bezahlen, ist das Modell, das antwortet

Ein Modell bleibt im Verkauf, wenn sein bester Durchlauf hier höchstens eine Aufgabe vom Wert des Herstellers abweicht, sein Tool-Aufruf identisch ist, sein Thinking-Block signiert ist, wo der Hersteller einen signiert, und seine Prompt-Tokens denen des Herstellers entsprechen oder sich nur durch den eigenen Kontext der Linie unterscheiden, den diese Seite ausweist.

Solve all 12 items exactly. You have no tools; reason carefully. Reply with ONLY 12 lines in the form `N: answer` (no words, no units, no thousands separators).
1: Sum of the decimal digits of 2^200.
2: Number of integer partitions of 50.
3: Number of twin prime pairs (p, p+2) with p < 3000.
4: Determinant of the matrix [[3, -1, 4, 2], [1, 5, -9, 2], [6, 5, 3, -5], [8, 9, -7, 9]].
5: Day of the week (English) of 17 March 2031.
6: Length of the longest common subsequence of "AGGTABCXKQTRPLMZNVWY" and "GXTXAYBKQRTPLZMNWVYC".
7: Let f(n) be the number of Collatz steps to reach 1 (n -> n/2 if even, 3n+1 if odd). Let m be the n in 1..199 with the largest f(n) (smallest n on ties). Answer m*1000 + f(m).
8: The permutation at 0-indexed lexicographic position 31337 of the digits 01234567, written as 8 digits.
9: 7^222 mod 1009.
10: How many integers from 1 to 10000 have digit sum 19.
11: Number of derangements of 10 elements.
12: Number of occurrences of the letter r in: "the quick brown fox jumps over the lazy dog while seventeen irritated terriers hurriedly retrieve arbitrary forgotten rubber rings".

Exakte Antworten

Eine Zeile zählt, wenn sie der erwarteten Antwort entspricht. Claude lief mit adaptivem Denken. Die anderen Modelle liefen mit den Einstellungen, mit denen ihr Endpunkt startet, und noch einmal mit gesetztem Reasoning-Aufwand, wo beide Seiten unterschiedlich begannen.

Prompt-Token

Die Nutzung, die jeder Endpunkt für drei feste Prompts meldet. Der Tokenizer eines Modells bestimmt die Zahl, daher meldet das Modell eines anderen Herstellers eine andere, und eine versteckte Anweisung erhöht sie.

Tool-Aufruf

Eine Anfrage mit einem Wetter-Tool, das eine Stadt und eine Einheit erwartet. Die Argumente müssen mit denen übereinstimmen, die das Modell des Herstellers zurückgibt.

Signiertes Denken

Anthropic signiert den Denkblock einer Claude-Antwort. Jede Claude-Antwort kam hier mit diesem Block und seiner Signatur zurück.

Die Referenz

Claude wurde mit der API von Anthropic verglichen, aufgerufen mit unserem eigenen Schlüssel. GPT, Gemini und Grok wurden mit demselben Modell über OpenRouter verglichen, einen öffentlichen Router.

Zeitpunkt

Zwischen 14:10 und 14:46 UTC am 11. November 2026. Jeder Aufruf war eine neue Unterhaltung, wurde gestreamt und ging an die Linie, die das Modell bereitstellt, noch vor der eigenen Abrechnung des Endpunkts.

Claude direkt aufgerufen

Bei einem direkten API-Aufruf mit adaptivem Denken hat die Claude-Linie in einigen Durchläufen länger gedacht als der Endpunkt von Anthropic. Über 8 Durchläufe der Testreihe hinweg nutzte Claude Opus 5.5 hier 2.982 bis 31.999 Output-Tokens, bei Anthropic waren es 2.883 bis 7.903 über 5 Durchläufe. Eine Antwort von Claude Sonnet 5.5 umfasste 46.822 Output-Tokens bei einem max_tokens-Wert von 32.000, und einige Aufrufe meldeten 724 Prompt-Tokens mehr, als Anthropic für denselben Prompt angibt. Die Claude-Linie kappt den Text bei dem max_tokens-Wert, den eine Anfrage festlegt, sodass der Endpunkt darüber hinaus keinen Claude-Output berechnet. Innerhalb dieser Grenze werden Output und diese Prompt-Tokens wie gemeldet abgerechnet. Ein direkter Aufruf, der länger denkt, kostet also mehr.

Claude über Claude Code

Über Claude Code mit mittlerem Aufwand gesendet, benötigte die Testreihe 1.438 Ausgabe-Token bei Claude Opus 5.5 und 1.992 bei Claude Fable 5.2, gegenüber 5.564 und 1.578 bei Anthropic, wobei auf beiden Seiten jede Antwort richtig war.

Reasoning-Aufwand

Die Linien GPT-6.1 Terra und Gemini 4 Argon starten mit geringerem Denkaufwand als der Endpunkt des Herstellers, wenn die Anfrage keinen festlegt. GPT-6.1 Terra erreichte so 11 von 12 und 12, wenn der Aufwand auf „high“ gesetzt war. Gemini 4 Argon erreichte 7 und danach 12 mit gesetztem Aufwand. Legen Sie reasoning_effort in der Anfrage fest, wenn die Aufgabe es erfordert.

Output-Limit

Die GPT-Linien und die Grok-4.7-Linie halten nicht bei max_tokens an. Als wir am selben Tag später einen langen Essay mit einem max_tokens-Wert von 300 angefordert haben, lieferte jede den kompletten Essay mit 2.370 bis 4.538 Output-Tokens, obwohl die Endpunkte von OpenAI und xAI beim Limit stoppen. Diese Antworten werden so abgerechnet, wie sie geliefert werden, legen Sie die gewünschte Länge daher im Prompt fest. Claude und Gemini 4 Argon halten beim Limit an, wobei Gemini 4 Argon ein Limit unter 128 Tokens auf 128 anhebt.

Zusätzlicher Kontext

Zwei Linien stellen dem Prompt eigene Tokens voran, und der Endpunkt zieht sie von der angezeigten und abgerechneten Nutzung ab: 288 bei Gemini 4 Argon und 1.200 bei Grok 4.7, nahe an den 1.247 Prompt-Tokens, die der Endpunkt von xAI selbst für einen Prompt aus zwei Wörtern meldet. Die Grok-4.7-Aufrufe, die mehr meldeten, wurden für den Rest berechnet. Die Tabelle zeigt die jeweils eigene Zählung jeder Linie vor diesem Abzug, weshalb das über den Endpunkt ausgeführte Skript bei diesen beiden Modellen weniger Prompt-Tokens meldet als der Hersteller.

Ein Tag

Die Ergebnisse stammen vom 11. November 2026. Anbieter ändern sich, deshalb wird die Prüfung für jedes angebotene Modell in der ersten Woche jedes Monats wiederholt, außerdem bevor ein Modell zu einem neuen Anbieter wechselt und bevor ein neues Modell in den Verkauf geht. Ein Modell, das durchfällt, wird noch am selben Tag aus dem Angebot genommen. Diese Seite trägt das Datum ihres letzten Durchlaufs.

Modelle eines Herstellers

Zwei starke Modelle eines Herstellers können beide jede Aufgabe richtig lösen und Tokens auf die gleiche Weise zählen. Die Testreihe unterscheidet ein Modell von einem schwächeren Ersatz und vom Modell eines anderen Herstellers. Sie kann nicht erkennen, welches von zwei Modellen, die beide bestehen, die Antwort gegeben hat.

Zwölf Aufgaben

Eine kurze Testreihe erkennt ein schwächeres Modell und übersieht kleine Unterschiede. Ein Ergebnis von 11 und ein Ergebnis von 12 gelten hier als gleich.

Öffentliche Aufgaben

Die Aufgaben und ihre Antworten stehen im Skript, daher könnte ein Anbieter eine Linie darauf abstimmen. Ändern Sie die Zahlen im Skript, um eine Testreihe zu erstellen, die niemand kennt.

Die Referenz

Nur Claude wurde direkt mit der API seines Herstellers verglichen. GPT, Gemini und Grok wurden über OpenRouter verglichen, ohne einen eigenen Schlüssel bei OpenAI, Google oder xAI.

Wo die Modelle laufen

AIGROW stellt jedes Modell über Kapazitäten bereit, die das Unternehmen aus mehr als einer Quelle bezieht, und nennt diese nicht. Einstellungen wie der anfängliche Denkaufwand können vom Endpunkt des Herstellers abweichen, wie der Abschnitt oben zeigt.

Keine Verbindung

AIGROW ist unabhängig von Anthropic, OpenAI, Google und xAI. Deren Namen geben an, was der Endpunkt bereitstellt, und deuten weder eine Partnerschaft noch eine Empfehlung an.