LLM-Anbieter im Vergleich 2026: USA, China, Europa

Alle Anbieter auf einen Blick

Diese Tabelle sortiert nach Herkunftsregion, weil genau daran die wichtigste Entscheidung hängt: nicht die Rohleistung, sondern die Frage, wohin Ihre Daten fließen und wer darauf zugreifen kann. Die Detailprofile mit Benchmarks, Preisen, Lizenzen und Datenschutz folgen unten, gruppiert nach USA, China und Europa. Danach kommt die Entscheidungslogik: welches Modell für welche Aufgabe.

LLM-Anbieter vergleichen: Warum "das beste Modell" die falsche Frage ist

Kurz gesagt: Fast jeder Vergleich von KI-Modellen kürt einen Sieger anhand eines Benchmarks. Das Problem: Kein Anbieter gewinnt über alle Dimensionen. Das stärkste Coding-Modell ist eine geschlossene US-API ohne direktes EU-Hosting. Das günstigste Modell pro Token ist ein chinesisches Open-Weight-Modell, das Sie in der EU selbst hosten können. Das souveränste Setup verlangt eigene GPU-Infrastruktur. Diese Achsen zeigen in verschiedene Richtungen.

Vier Fragen statt einer Rangliste

Bevor Sie einen Anbieter wählen, klären Sie vier Dinge: Welche Aufgabe (Coding, Massenverarbeitung, Recherche, sensible Daten)? Wie sensibel sind die Daten (öffentlich, intern, personenbezogen)? Wie hoch ist das Volumen (ein paar Anfragen am Tag oder Hunderttausende)? Und wie viel Betrieb wollen Sie selbst übernehmen (fertige API oder eigenes Hosting)? Die Antworten führen fast immer zu unterschiedlichen Modellen für unterschiedliche Aufgaben, nicht zu einem Gewinner.

Ein tieferer Einstieg in die Frage, wie Sie ein Modell überhaupt DSGVO-konform selbst betreiben, steht in DSGVO-konforme KI: On-Premise-LLM. Wer die praktische Hosting-Seite sucht, findet in Lokale LLM-Systeme mit Open Source den passenden nächsten Schritt. Dieser Artikel bleibt bei der Ebene darüber: Welchen Anbieter, welches Modell wählen Sie?

Die drei Öffnungsgrade: Open Weights, Open Source, geschlossen

Der wichtigste technische Begriff in diesem Vergleich wird ständig verwechselt. Es gibt drei Stufen, nicht zwei.

Geschlossen (nur API): Das Modell ist nur über die API des Anbieters erreichbar. Keine Gewichte, kein Trainingscode, kein Self-Hosting. Sie mieten Zugang. Beispiele: Claude, GPT-5.x, Gemini Pro, Grok 4.x.

Open Weights: Die trainierten Gewichte sind herunterladbar und lokal ausführbar. Trainingsdaten und vollständiger Trainingscode bleiben zurück, und die Lizenz kann bestimmte Nutzungen einschränken. Sie können das Modell selbst hosten und feinjustieren. Beispiele: Llama 4, DeepSeek, Qwen, Mistral.

Open Source (nach OSI): Die strengste Stufe nach der Definition der Open Source Initiative verlangt zusätzlich offengelegte Trainingsdaten und -pipeline. Praktisch erfüllt kein großes Modell diese Definition vollständig, weil selbst MIT- oder Apache-lizenzierte Modelle ihre Trainingsdaten zurückhalten.

US-Anbieter: die Kapazitätsführer

Fünf US-Labore dominieren die Rohleistung. Vier davon liefern ihr Flaggschiff nur geschlossen über API, eines (Meta) setzt konsequent auf Open Weights, hat aber ein Lizenzproblem für Europa.

Anthropic — Claude

Anthropic ist der aktuelle Referenzpunkt für agentisches Coding. Das Flaggschiff Claude Fable 5 erreicht rund 95 Prozent auf SWE-bench Verified (Stand Juli 2026, laut Benchmark-Trackern), dem realistischsten öffentlichen Coding-Benchmark. Darunter sitzen Claude Opus 4.8 als Reasoning-Arbeitspferd, Claude Sonnet 5 als ausgewogenes Standardmodell und Claude Haiku 4.5 für schnelle, günstige Aufgaben. Alle mit 1 Million Token Kontext.

Alle Claude-Modelle sind geschlossen. Kein Open-Weight-Release, kein Self-Hosting. Die Preise sind die höchsten im Feld: Fable 5 kostet 10 USD pro 1 Million Input-Token und 50 USD pro 1 Million Output-Token, Opus 4.8 liegt bei 5 / 25 USD. Der Batch-API-Rabatt halbiert beide, Prompt-Caching senkt Input-Kosten auf 10 Prozent bei Cache-Treffern.

Beim Datenschutz hat Anthropic die sauberste Standardregel: API-Daten werden nach 7 Tagen automatisch gelöscht und nicht fürs Training genutzt (vertraglich zugesichert seit Anfang 2026). Zertifiziert nach SOC 2 Type II, ISO 27001 und ISO 42001. Der Haken für Europa: Die eigene API von Anthropic bietet kein EU-Hosting. DSGVO-konforme Verarbeitung in der EU läuft nur über AWS Bedrock oder Google Vertex AI in EU-Regionen, mit rund 10 Prozent Aufpreis.

OpenAI — GPT

OpenAI hat die größte Reichweite. Das Flaggschiff GPT-5.6 Sol (Juli 2026) zielt auf komplexes Reasoning und Coding, darunter sitzen GPT-5.6 Terra (ausgewogen) und GPT-5.6 Luna (Volumen), alle mit 1 Million Token Kontext. Auffällig: OpenAI veröffentlichte zum GPT-5.6-Launch kaum klassische akademische Benchmarks (kein SWE-bench Verified, kein MMLU) und setzte stattdessen auf agentische Tests wie Terminal-Bench, wo Sol 88,8 Prozent erreicht. Das macht den direkten Vergleich schwerer.

Wichtig für dieses Feld: OpenAI hat mit gpt-oss-120b und gpt-oss-20b zwei echte Open-Weight-Modelle unter Apache 2.0 veröffentlicht. Das 120B-Modell läuft auf einer einzelnen 80-GB-GPU, das 20B-Modell auf 16-GB-Edge-Geräten. Die GPT-5.x-Flaggschiffe bleiben geschlossen.

Preise: GPT-5.6 Sol kostet 5 / 30 USD pro 1 Million Token, das günstige GPT-5.4 nano nur 0,20 / 1,25 USD. OpenAI bietet seit 2026 natives EU-Data-Residency plus Zugang über Azure OpenAI in EU-Regionen (Sweden Central, France Central). API- und Enterprise-Daten fließen nicht ins Training.

Google — Gemini

Google liefert das beste Preis-Leistungs-Verhältnis im oberen Feld. Das Flaggschiff Gemini 3.1 Pro führt auf GPQA Diamond mit rund 94 Prozent und bietet bis zu 2 Millionen Token Kontext, steht aber seit Februar 2026 im Preview-Status. Die Flash-Modelle (3.5 Flash, 3.6 Flash) sind das eigentliche Argument: Bei rund 1,50 USD Input pro 1 Million Token liegen sie um ein Vielfaches unter konkurrierenden Flaggschiffen, das Flash-Lite sogar bei 0,30 USD.

Open Weights liefert Google über die separate Gemma-4-Familie (2B bis 31B) unter Apache 2.0. Die Gemini-Flaggschiffe selbst sind geschlossen. Beim Datenschutz hat Google die breiteste Zertifizierung (inklusive ISO 42001 für KI-Governance) und natives EU-Multi-Region-Hosting über Vertex AI. Bezahlte API-Daten fließen nicht ins Training.

Meta — Llama

Meta ist der große Open-Weight-Vorreiter unter den US-Laboren. Llama 4 Scout (10 Millionen Token Kontext, der größte im Feld) und Llama 4 Maverick sind frei herunterladbar und über Anbieter wie Together, Fireworks oder AWS Bedrock ab 0,08 USD pro 1 Million Token verfügbar, die günstigsten Frontier-nahen Modelle überhaupt.

Aber: Llama 4 hat für Europa ein hartes Problem. Die Llama 4 Community License untersagt Unternehmen mit Sitz in der EU ausdrücklich die Nutzung der multimodalen Modelle. Da die gesamte Llama-4-Familie multimodal ist, ist sie für EU-Unternehmen wie IJONIS rechtlich nicht nutzbar, ohne Ausnahme für Forschung, ohne Umweg über die Cloud. Meta begründet das mit "regulatorischer Unsicherheit" rund um den EU AI Act. Zudem ist die Lizenz nach Einschätzung von OSI und FSF kein Open Source: Sie enthält eine 700-Millionen-Nutzer-Schwelle und Namensauflagen für Derivate.

xAI — Grok

xAI bietet das beste Preis-Leistungs-Verhältnis unter den geschlossenen Flaggschiffen. Grok 4.5 (Juli 2026) hat 500K Kontext und konfigurierbaren Reasoning-Aufwand, Grok 4.3 liegt bei 1,25 / 2,50 USD pro 1 Million Token, deutlich günstiger als Claude oder GPT. Auf dem Artificial Analysis Intelligence Index landet Grok 4.5 hinter Claude, GPT und Gemini. Ältere Modelle (Grok-1, Grok-2) sind Open Weight, die aktuellen Flaggschiffe geschlossen.

Der Haken ist der Datenschutz: xAI hat die schwächste DSGVO-Position im Feld. Kein EU-Data-Residency, keine Standard-DPA, und mehrere europäische Aufsichtsbehörden untersuchen die Nutzung von X-Nutzerdaten fürs Grok-Training. Für regulierte europäische Daten ist Grok damit schwer vertretbar.

China: die Open-Weight-Disruption

Die spannendste Bewegung im Feld kommt aus China. Die meisten chinesischen Modelle sind Open Weight, mehrere unter echtem MIT oder Apache 2.0, und sie erreichen auf Coding-Benchmarks Frontier-Niveau bei einem Bruchteil der Kosten. Das ändert die Rechnung für jede Aufgabe, bei der Sie selbst hosten können oder wollen.

DeepSeek — MIT-Lizenz und Frontier-Coding

DeepSeek ist der bekannteste chinesische Anbieter. DeepSeek V4 Pro (1,6 Billionen Parameter, MoE) erreicht rund 80 Prozent auf SWE-bench Verified, das stärkste Open-Weight-Coding-Ergebnis, und das bei 0,30 USD Input und 0,50 USD Output pro 1 Million Token über die eigene API. Alle Modelle stehen unter MIT, der permissivsten Lizenz überhaupt: kommerzielle Nutzung, Modifikation, Weiterverteilung ohne Einschränkung.

Das macht DeepSeek zum Musterfall des EU-Self-Hosting-Arguments: Frontier-nahe Coding-Leistung, herunterladbar von Hugging Face, ausführbar über vLLM oder SGLang auf eigener EU-Infrastruktur.

Ehrlich dazugehört: Sicherheitsforscher fanden auf der offiziellen API dokumentierte Schwachstellen (eine offene Datenbank, hohe Jailbreak-Raten), und die Zensur ist in die Gewichte eintrainiert.

Moonshot AI — Kimi

Moonshot hat mit Kimi K3 (Juli 2026, 2,8 Billionen Parameter) das bisher größte angekündigte Open-Weight-Modell vorgelegt. Der Vorgänger Kimi K2.6 ist aktuell das stärkste Open-Weight-Coding-Modell auf SWE-bench Pro (58,6 Prozent) und schlägt dort GPT-5.4 und Claude Opus 4.6. Die Lizenz ist "Modified MIT": faktisch MIT, mit einer Attributionspflicht erst oberhalb von 100 Millionen aktiven Nutzenden oder 20 Millionen USD Monatsumsatz, für die allermeisten Unternehmen also uneingeschränkt.

K2.6 kostet 0,95 / 4,00 USD pro 1 Million Token, K3 liegt mit 15 USD Output auf Frontier-Niveau. Dieselbe Datenschutz-Logik wie bei allen chinesischen Anbietern: API nach China, Self-Hosting der Gewichte sauber.

Zhipu AI — GLM

Zhipu (Z.ai, seit Januar 2026 börsennotiert in Hongkong) liefert mit GLM-5.2 (rund 753B, MoE) das höchste SWE-bench-Pro-Ergebnis aller Open-Weight-Modelle (62,1 Prozent, Stand Juli 2026). Lizenz: MIT. Preise: 1,40 / 4,40 USD über die eigene API, über OpenRouter rund 0,95 / 3,00 USD, was Zhipu selbst als "etwa ein Sechstel von GPT-5.5" beschreibt.

Ein bemerkenswertes Detail: GLM-5 wurde vollständig auf Huawei-Ascend-Chips trainiert, also auf einer kompletten Lieferkette ohne US-Silizium. Das ist weniger ein Nutzer-Argument als ein Signal, wie unabhängig chinesische Labore inzwischen produzieren können.

Alibaba — Qwen

Qwen von Alibaba hat die breiteste Modellpalette, von 3B bis 397B. Das Flaggschiff Qwen 3.7 Max erreicht rund 80 Prozent auf SWE-bench Verified und ist mit Platz 5 das höchstplatzierte chinesische Modell auf LMArena, ist aber geschlossen. Die Open-Weight-Modelle (Qwen 3.5, Qwen 3.6-27B) stehen unter Apache 2.0 mit explizitem Patent-Grant, der rechtlich saubersten Lizenz im chinesischen Feld.

Das dichte Qwen 3.6-27B ist besonders interessant fürs EU-Self-Hosting: 77 Prozent SWE-bench auf einer einzelnen A100, also praxistauglich ohne Multi-Node-Cluster. Der Haken: Das beste Qwen (3.7 Max) ist geschlossen, nur die kleineren Modelle sind selbst hostbar.

MiniMax — multimodal, aber eigene Lizenz

MiniMax aus Shanghai punktet mit MiniMax M3 (Juni 2026), dem ersten Open-Weight-Modell, das Frontier-Coding, 1 Million Kontext und native Multimodalität kombiniert. Auf GPQA Diamond führt M3 mit 92,9 Prozent unter den Open-Weight-Modellen. Preise sind aggressiv: 0,60 / 2,40 USD.

Aber Vorsicht bei der Lizenz: M3 nutzt die "MiniMax Community License", eine eigene Lizenz mit kommerziellen Einschränkungen, also weder MIT noch Apache noch OSI-konform. Vor einem kommerziellen Einsatz gehört der Lizenztext gelesen. Der Vorgänger M2.7 stand noch unter Modified MIT, der Wechsel bedeutet eine Verschärfung.

Europa: Souveränität als Verkaufsargument

Europäische Labore führen keine Rohleistungs-Benchmarks an, und sie versuchen es auch nicht. Ihr Argument ist ein anderes: Datenhoheit, EU-Hosting ohne US-CLOUD-Act-Zugriff, und im Fall von Aleph Alpha nachweisbare Deployments in klassifizierten Umgebungen. Für viele europäische Unternehmen, vom Mittelstand bis zum Konzern, ist das der entscheidende Faktor.

Mistral — Frankreich

Mistral aus Paris ist der stärkste europäische Anbieter und der einzige, der Frontier-nahe Leistung mit voller Souveränität glaubwürdig verbindet. Das Flaggschiff Mistral Medium 3.5 erreicht 77,6 Prozent auf SWE-bench Verified, konkurrenzfähig im oberen Open-Weight-Feld, wenn auch unter den US-Spitzenmodellen. Fast die gesamte Modellfamilie (Large 3, Medium 3.5, Small 4, Devstral 2, Magistral Small) steht unter Apache 2.0.

Der eigentliche Punkt ist der Datenschutz: Mistral ist EU-ansässig, hostet nativ in Paris und unterliegt nicht dem US CLOUD Act, anders als jeder US-Anbieter, selbst in EU-Regionen. Preise sind aggressiv: Medium 3.5 bei 1,50 / 7,50 USD, das große Large 3 sogar bei 0,50 / 1,50 USD. Und weil die meisten Modelle Apache 2.0 sind, lassen sie sich on-premise oder air-gapped ohne jeden Datenabfluss betreiben.

Aleph Alpha — Deutschland

Aleph Alpha aus Heidelberg verfolgt bewusst eine andere Strategie. Statt um das beste Chat-Modell zu konkurrieren, baut das Unternehmen souveräne KI-Infrastruktur. Die Pharia-1-Modelle (7B) sind kein Benchmark-Führer und geben sich auch nicht dafür aus, sie bewegen sich in der 7-8B-Klasse. Das Produkt ist nicht das Modell, sondern die PhariaAI-Plattform: air-gapped, on-premise, auditierbar, DSGVO- und EU-AI-Act-konform von Grund auf.

Genau das hat Aleph Alpha Produktivkunden gebracht, die kein US- oder chinesisches Modell bekommt: Bundeswehr, Bundes- und Landesverwaltung, BMW, Siemens. Die öffentlichen Gewichte stehen unter der "Open Aleph License" (nur nicht-kommerziell), kommerzielle Nutzung läuft über den Vertrieb. Im April 2026 wurde eine Fusion mit dem kanadischen Anbieter Cohere angekündigt (Gesamtwert rund 20 Milliarden USD), die Cohere-Retrieval-Stärke in die souveräne Deployment-Umgebung bringen soll.

Benchmarks richtig lesen: trauen Sie keiner einzelnen Zahl

Bevor Sie eine Entscheidung auf einen Benchmark-Wert stützen, sollten Sie wissen, wie diese Zahlen entstehen und wo sie täuschen. Die wichtigsten Plattformen zum Selbstprüfen:

Der wichtigste blinde Fleck heißt Kontamination: MMLU ist zu einem erheblichen Teil in Trainingsdaten geleakt, und Studien finden bei populären Benchmarks Kontaminationsraten bis über 90 Prozent. Ein Modell kann eine Frage kennen, weil es die Antwort im Training gesehen hat, nicht weil es sie löst. Dynamische, laufend aktualisierte Benchmarks wie LiveCodeBench sind die beste Gegenmaßnahme. Fazit: Nutzen Sie mehrere Quellen, nicht eine Zahl, und testen Sie am Ende auf Ihrer eigenen Aufgabe.

Datenschutz unter DSGVO: die vier Wege

Für ein europäisches Unternehmen, ob Mittelstand oder Konzern, ist der Datenschutz oft die eigentliche Entscheidung. Es gibt vier Wege, sortiert nach Datenhoheit:

Weg 1 — API zu einem US-Anbieter: Daten verlassen die EU, es sei denn, Sie pinnen die Verarbeitung auf eine EU-Region (Azure OpenAI EU, Google Vertex EU, Anthropic über Bedrock/Vertex EU). Rechtsgrundlage ist das EU-US Data Privacy Framework, das derzeit gilt, aber juristisch angefochten ist. Praktischer Mindeststandard: DPA, Standardvertragsklauseln, Zero Data Retention wo verfügbar.

Weg 2 — API zu einem chinesischen Anbieter: Daten fließen nach China, Chinas Datengesetze gelten, kein Angemessenheitsbeschluss. Für regulierte personenbezogene EU-Daten praktisch ausgeschlossen.

Weg 3 — Open Weights auf EU-Infrastruktur selbst hosten: Kein Datenabfluss, weil die Gewichte lokal laufen und nichts an den Anbieter senden. Genau deshalb sind chinesische und europäische Open-Weight-Modelle für sensible Workloads nutzbar, obwohl der Hersteller ausländisch ist. Das Modell ist Mathematik, das Risiko steckt im Dienst.

Weg 4 — Open-Weight-Modell für eine enge Aufgabe feinjustieren und selbst hosten: Das stärkste Muster für sensible Daten. Ein kleines Open-Weight-Modell auf eigener Infrastruktur, feinjustiert auf eine klar umrissene Aufgabe (etwa PII-Extraktion oder Vertragsanalyse), verarbeitet sensible Daten, ohne sie je nach außen zu geben. Wichtig: PII vor dem Fine-Tuning maskieren, kein Inference-Filter repariert Training auf unmaskierten Daten.

Entscheidungslogik: welches Modell für welche Aufgabe

Statt einer Rangliste eine Zuordnung nach Aufgabe. Das ist die eigentliche Antwort dieses Artikels.

Die ehrliche Meta-Aussage: Der Coding-Führer ist eine geschlossene US-API ohne direktes EU-Hosting. Die günstigsten Modelle pro Token sind chinesische Open-Weight-Modelle, die Sie in der EU souverän selbst hosten können. Das souveränste Setup verlangt eigene GPU-Kompetenz, und die stärkste EU-verwaltete Option (Azure OpenAI EU) begrenzt Sie auf die GPT-Familie.

Wer ein europäisches Unternehmen führt, trifft 2026 eine mehrdimensionale Abwägung, keine Wahl eines Siegers. Genau diese Abwägung treffen wir bei IJONIS in Hamburg täglich, je nach Aufgabe mit einem anderen Modell. Für den Bau unserer Produkte nutzen wir Claude Code, teils geprüft und ausgeführt über OpenAIs Codex. Für sensible Aufgaben kommen feinjustierte, selbst gehostete Open-Weight-Modelle zum Einsatz, etwa in unserem Cybersecurity-Produkt DeepMantis für DSGVO-konforme PII-Extraktion.

FAQ: LLM-Anbieter im Vergleich

Was ist das beste LLM 2026?

Es gibt kein bestes LLM, weil die Bewertungsachsen in verschiedene Richtungen zeigen. Für agentisches Coding führen aktuell Claude Fable 5 und GPT-5.6. Fürs Preis-Leistungs-Verhältnis Googles Gemini Flash. Für Datenhoheit selbst gehostete Open-Weight-Modelle auf EU-Infrastruktur oder Mistral. Für klassifizierte Umgebungen Aleph Alpha. Die brauchbare Frage ist immer "am besten wofür", nicht "am besten".

Sind chinesische KI-Modelle sicher für europäische Unternehmen?

Das hängt davon ab, ob Sie die API oder die Gewichte nutzen. Die offizielle API (DeepSeek, Kimi, GLM, MiniMax) schickt Daten auf Server in China, wo Chinas Datengesetze gelten und kein EU-Angemessenheitsbeschluss existiert, für personenbezogene Daten praktisch ausgeschlossen. Die Open-Weight-Gewichte dagegen können Sie auf eigener EU-Infrastruktur ausführen, ohne dass Daten China erreichen, das ist DSGVO-konform. Zusätzlich zu beachten: Politische Zensur ist in die Gewichte eintrainiert und bleibt auch beim Self-Hosting bestehen.

Was ist der Unterschied zwischen Open Weights und Open Source?

Open Weights heißt, die trainierten Gewichte sind herunterladbar und lokal ausführbar, aber Trainingsdaten und -pipeline bleiben zurück, und die Lizenz kann Nutzungen einschränken. Open Source nach der OSI-Definition verlangt zusätzlich offengelegte Trainingsdaten und -code. Praktisch erfüllt kaum ein großes Modell die strenge Open-Source-Definition, auch MIT- oder Apache-lizenzierte Modelle wie DeepSeek oder Mistral halten ihre Trainingsdaten zurück. Für die Praxis zählt die Lizenz: MIT und Apache 2.0 erlauben freie kommerzielle Nutzung, Metas Llama-Lizenz nicht.

Welches KI-Modell ist DSGVO-konform?

Am saubersten ist ein selbst gehostetes Open-Weight-Modell auf EU-Infrastruktur, weil keine Daten Ihr System verlassen. Unter den fertigen Diensten bietet Mistral (Paris-Hosting, kein US CLOUD Act) die stärkste Position, gefolgt von Azure OpenAI in EU-Regionen und Anthropic oder Google über EU-Regionen der Hyperscaler mit DPA und Standardvertragsklauseln. xAI/Grok hat die schwächste Position mit aktiven EU-Untersuchungen. Details zum Selbstbetrieb stehen in DSGVO-konforme KI: On-Premise-LLM.

Warum kann ich Llama 4 in der EU nicht nutzen?

Die Llama 4 Community License untersagt Unternehmen mit Sitz in der EU ausdrücklich die Nutzung der multimodalen Modelle. Da die gesamte Llama-4-Familie multimodal ist, betrifft das alle Modelle. Meta begründet das mit regulatorischer Unsicherheit rund um den EU AI Act. Die Ausnahme: End-Nutzende eines Produkts, das Llama-4-Modelle enthält, sind nicht betroffen, und Nicht-EU-Unternehmen dürfen Produkte mit Llama 4 in der EU vertreiben. Ein EU-Unternehmen darf die Modelle aber nicht selbst einsetzen.

Wie viel günstiger sind chinesische Modelle wirklich?

Deutlich. DeepSeek V4 kostet über die eigene API 0,30 USD pro 1 Million Input-Token, gegenüber 10 USD bei Claude Fable 5, also grob 30-mal günstiger. GLM-5.2 beschreibt Zhipu selbst als "etwa ein Sechstel von GPT-5.5". Beim Self-Hosting fallen nach der Hardware-Investition gar keine Token-Kosten mehr an. Der Preisunterschied ist der Hauptgrund, warum chinesische Open-Weight-Modelle für Massenaufgaben und Self-Hosting so attraktiv sind, sofern Datenschutz und Zensur geklärt sind.

Sollte ich mich auf einen Benchmark-Wert verlassen?

Nein. Benchmarks sind nützlich, aber jeder hat blinde Flecken: LMArena bevorzugt ausführliche Antworten, SWE-bench deckt nur Python ab, und viele Benchmarks sind zu erheblichen Teilen in Trainingsdaten geleakt (Kontamination bis über 90 Prozent bei populären Tests). Nutzen Sie mehrere unabhängige Quellen (LMArena, Artificial Analysis, SWE-bench) und testen Sie am Ende auf Ihrer eigenen Aufgabe. Die einzige Zahl, die wirklich zählt, ist die Leistung auf Ihrem konkreten Anwendungsfall.

---