Modell-Benchmarks, Anwendungsfälle und Einrichtung: November 2026

Zu CrucibleForge auf GitHub

Welches Sprachmodell sollten Sie im November 2026 für welche Aufgabe verwenden – und wie richtet man es ein? Dieser Leitfaden beantwortet diese Fragen anhand von elf Modellen, die in den gleichen Tests im Rahmen von MakoBench 4.1 getestet wurden. In der Gesamtwertung stehen noch weitere Modelle; diese elf sind diejenigen, die wir diesen Monat eingehend verglichen haben. Sie erhalten die Testergebnisse, Empfehlungen für Codierung und Chat-Anwendungen, eine fünfschrittige Anleitung zur Einrichtung einer entsprechenden Systemkonfiguration sowie Angaben zu den Kosten pro Ausführung bzw. pro gesamtem Projekt.

Alles auf einen Blick

• Beste Gesamtleistung: Es gibt ein Fünfer-Unentschieden an der Spitze: Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7, GPT-6 Astra und GPT-6.1 Sol erzielen Werte zwischen 23,9 und 25,2. Claude Fable 5.2 wird zwar zuerst aufgeführt, doch alle fünf Modelle liegen statistisch gesehen gleichauf.
• Beste Wahl für agentenbasierte Codierung: Claude Fable 5.2 – sofern Budget keine Rolle spielt: Es erzielt die höchste Work-Bewertung (12,5), verfügt über ein perfektes „Agentic Pack“ und erreicht in allen Standard-Agent-Tests 100 %. Bei geringerem Budget sind GPT-6 Astra oder GPT-6.1 Sol die bessere Wahl: Beide haben ebenfalls ein perfektes Agentic Pack, schneiden aber in den Standard-Agent-Tests mit 66,7 % ab.
• Günstigstes Modell für Codierung: DeepSeek V4.1-Flash-1017 – erzielt eine Bewertung von 10,0 bei den Standard-Codierungstests; die Kosten betragen 0,14 Dollar pro Ausführung.
• Beste Wahl für Chat-Anwendungen: GPT-6.1 Terra über die API (Chat-Bewertung: 9,2; Kosten: 0,63 Dollar pro Ausführung) oder Swish 31B Final, falls man das Modell lokal nutzen möchte. Die höchste Chat-Bewertung erzielt Claude Fable 5.2 mit 12,7 – allerdings zu einem Preis von 14,87 Dollar pro Ausführung.
• Beste Wahl für lokale Nutzung: Swish 31B Final – insgesamt erzielt es eine Bewertung von 16,3; es entstehen keine API-Kosten. Ideal also für Chat-Anwendungen oder andere Aufgaben, die lokal ausgeführt werden müssen.
• Empfohlene Systemkonfiguration: Claude Fable 5.2 übernimmt die Planung und Überprüfung; DeepSeek V4.1-Flash-1017 schreibt den eigentlichen Code. Die geschätzten Kosten liegen bei 4,82 Dollar für ein Projekt im Umfang von ChatForge sowie bei 57,86 Dollar für ein Projekt im Umfang von DisPatch.
• Korrektur: Bei den drei Agent-Tests erzielte Claude Fable 5.2 zunächst die Bewertung 0 – Grund dafür war, dass unser API-Konto während der Ausführung kein Guthaben mehr hatte. Nach einem erneuten Test bestand das Modell alle drei Tests erfolgreich; seine Gesamtbewertung stieg dadurch von 24,2 auf 25,2.

Wählen Sie ein Modell anhand von zwei Fragen aus

Beginnen Sie mit der Aufgabe und stellen Sie anschließend eine Frage. Bei Code-Aufgaben fragen Sie nach dem Budget: Ein großes Budget bedeutet die Wahl von Claude Fable 5.2; ein knappes Budget führt zu DeepSeek V4.1-Flash-1017 – Kosten: 0,14 Dollar pro Ausführung. Bei Chat-Aufgaben fragen Sie, ob das Modell auf Ihrer eigenen Hardware laufen muss: Über eine API wird GPT-6.1 Terra verwendet (Kosten: 0,63 Dollar pro Ausführung); auf eigener Hardware kommt Swish 31B Final zum Einsatz. Diese Auswahl entspricht genau den Modellen, die auch im Rest dieses Leitfadens anhand von Zahlen empfohlen werden.

Welche Aufgabe steht an?

↓

Code

Budget?

großes Budget

↓

Claude Fable 5.2teuerstes Modell

knappes Budget

↓

DeepSeekV4.1-Flash-1017

Chat

Eigene Hardware?

nein

↓

GPT-6.1 Terragünstigster Chat-Modell

ja

↓

Swish 31B Finalkeine API-Kosten

Das Board vom November 2026

Korrektur: Eine frühere Version dieses Leitfadens gab Claude Fable 5.2 einen Wert von 24,2 und bezeichnete diesen als vorläufig. Bei den drei Agentic-Tests erzielte das Modell die Punktzahl 0 – nicht weil es versagt hätte, sondern weil unser API-Konto während des Tests das Guthaben aufbrauchte. Wir führten die Tests anschließend über Anthropics eigene API mit Prompt-Caching durch; die Kosten betrugen $10,81. Das Modell bestand alle drei Tests – dadurch stieg der „Arbeit“-Wert von 11,5 auf 12,5 sowie der Gesamtwert von 24,2 auf 25,2.

Der Gesamtwert ergibt sich aus „Arbeit“ plus „Chat“. Der „Arbeit“-Wert entspricht der Spalte „Code“ im Board. Diese Zahl beinhaltet auch die durch das Modell freigeschalteten Bonuspakete; sie ist daher keine Punktzahl von maximal 20. Bei den Standardtests sind sowohl „Arbeit“ als auch „Chat“ auf jeweils 10 begrenzt – der maximale Gesamtwert beträgt somit 20, während in der Veröffentlichung Werte bis zu 28 möglich sind. „Erwachseneninhalte“ ist ein separater Test und fließt nicht in den Gesamtwert ein. Ein höherer Wert bedeutet lediglich, dass das Modell bei der Erstellung von erotischer Literatur bessere Leistungen zeigte – nicht, dass es ein generell besseres Modell ist. „Code-Bank / Agent“ bezeichnet die beiden Anteile der Codierungstests; es handelt sich dabei nicht um die Gesamtpunktzahl des Modells. Die „Laufkosten“ beziehen sich auf einen Standardlauf für Code- und Chat-Tests zu den jeweiligen Preisen des Anbieters – ohne Bonuspakete, Erwachsenentests oder Wiederholungen. „Lokal“ bedeutet, dass die Tests auf unserer eigenen Hardware durchgeführt wurden; es entstehen keine API-Kosten. „Maximierte Pakete“ sind solche, die die volle Punktzahl von 1,000 erhalten haben. In dieser Liste gibt es kein freigeschaltetes Paket, das noch bewertet werden müsste. Zeilen, bei denen der Test abbrach oder fehlschlug, zählen als gescheitert; die Rangfolge bleibt dabei unverändert: DeepSeek V4-Pro-0813 erzielte 11 Fehler, DeepSeek V4.1-Flash-1017 5, MiniMax M3.1 Flash 7 sowie ein weiterer Test wurde aufgrund von Budgetbeschränkungen abgebrochen; Kimi K3.1 Pro hatte 2 Fehler, Claude Fable 5.2 einen, und Grok 4.7 wies ebenfalls einen Fehler auf.

Bonus-Paketekönnen zu Work und Chat hinzugefügt werden

↓

Workdie Code-Spalte

Chatdie Chat-Tests

↓

GesamtwertWork plus Chat

Nicht Teil des Gesamtwerts

Adult-Testeine separater Bewertungswert

An der Spitze der Rangliste herrscht ein Unentschieden – keine eigentliche Reihenfolge. Claude Fable 5.2, Kimi K3.1 Pro, Grok 4.7, GPT-6 Astra sowie GPT-6.1 Sol erzielen Werte zwischen 23,9 und 25,2. In der Liste werden sie als Platz 1 bis 5 aufgeführt; Claude Fable 5.2 steht dabei an erster Stelle. Doch diese Abweichungen liegen innerhalb der zulässigen Toleranzgrenzen – außerdem gilt laut Regeln ein statistisches Unentschieden, wenn die Werte so nahe beieinander liegen. Die Reihenfolge in der Tabelle bedeutet also keinen Sieger. Die nächste Gruppe – GPT-6.1 Terra, DeepSeek V4.1-Flash-1017 sowie DeepSeek V4-Pro-0813 – erreicht Werte zwischen 18,4 und 19,4. Swish 31B Final, das beste lokale Modell, kommt auf 16,3 Punkte. Bei den Standard-Coding-Tests haben die führenden Modelle bereits ihr Maximum erreicht: Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 sowie DeepSeek V4.1-Flash-1017 liegen alle am oberen Limit von 10,0 Punkten. Die Werte zwischen 24 und 25 ergeben sich also aus den Bonus-Paketen sowie den Chat-Ergebnissen – nicht aus besseren Coding-Leistungen. Was diese Modelle von DeepSeek V4.1-Flash-1017 unterscheidet, ist die Leistung im Chat-Bereich: 12,4 bis 12,7 gegenüber 7,6 Punkten.

Drei Aspekte fallen besonders auf. Erstens variieren die Kosten für dieselben Aufgaben um zwei Größenordnungen: Ein Standard-Lauf kostet bei Claude Fable 5.2 14,87 Dollar, bei GPT-6 Astra 5,70 Dollar, bei Grok 4.7 3,91 Dollar und bei DeepSeek V4.1-Flash-1017 lediglich 0,14 Dollar. Zweitens verläuft der Adult-Test in die entgegengesetzte Richtung: Claude Fable 5.2 (12,0), Swish 31B Final (11,8), Grok Build 0.1 (11,7), Grok 4.7 (11,5) sowie DeepSeek V4.1-Flash-1017 akzeptierten alle neun Testfälle im Adult-Bereich. Die drei OpenAI-Modelle stoßen hingegen bereits bei den ersten Adult-Fallbeispielen an ihre Grenzen – sie erreichen Werte zwischen 1,3 und 1,6. Kimi K3.1 Pro lehnt vier der neun Fälle ab und erzielt in diesem Bereich einen Wert von 0. Dabei handelt es sich um die Leistung der Modelle selbst – keine Filter seitens des Anbieters greifen hier; kein einziger Antworttext wurde durch Inhaltsfilter blockiert. Drittens zeigen die „Agent-Fälle“ die Unterschiede in der Coding-Leistung: Alle drei OpenAI-Modelle erreichen in diesen Tests 66,7 Prozent, während Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 sowie DeepSeek V4.1-Flash-1017 jeweils 100 Prozent erzielen. GPT-6.1 Terra ist das schnellste Modell in diesem Set; Grok Build 0.1 kommt auf 8,4 Tokens pro Sekunde – langsamer als Swish 31B Final, das auf derselben Plattform 41,3 Tokens pro Sekunde erreicht.

Anwendungsfälle: Welches Modell für welche Aufgabe?

Autonomes Programmieren neuer Software

• Geld spielt keine Rolle: Claude Fable 5.2. Vorteil: erzielt die beste Chat-Bewertung in dieser Gruppe (12,7), die höchste Work-Bewertung (12,5); wird bei der Gesamtbewertung als Erstplatzierter geführt; liefert perfekte Ergebnisse beim autonomen Programmieren, erreicht 100 % bei den Standard-Coding-Tests – und lehnt keine Aufgaben ab. Nachteil: Kosten von 14,87 $ pro Ausführung – das teuerste Modell in dieser Liste.
• Ein perfektes Modell für autonomes Programmieren zu günstigeren Preisen: GPT-6 Astra oder GPT-6.1 Sol. Vorteil: ähnlich wie Claude Fable 5.2 liefern beide Modelle perfekte Ergebnisse beim autonomen Programmieren; Kosten jeweils 5,70 $ bzw. 1,17 $ pro Ausführung. Nachteil: beide erzielen nur 66,7 % bei den Standard-Agent-Tests und brechen bei Aufgaben mit Inhalten für Erwachsene ab.
• In der Mitte: Grok 4.7. Vorteil: Work-Bewertung von 11,7 – drittbestes Modell nach Claude Fable 5.2 (12,5) und Kimi K3.1 Pro (12,0); Chat-Bewertung von 12,4; Kosten von 3,91 $ pro Ausführung – etwa ein Viertel der Kosten von Claude Fable 5.2. Nachteil: Abrechnung erfolgt nach Volumen: 2 $ pro Million Eingabe-Token sowie 6 $ pro Million Ausgabe-Token; bei einem Testlauf wurden insgesamt 696.485 Token verarbeitet – daher sind lange autonome Prozesse teuer.
• Günstigste Option: DeepSeek V4.1-Flash-1017. Vorteil: erzielt die maximale Standard-Coding-Bewertung von 10,0; Work-Bewertung von 11,6 – nahe an den Spitzenwerten von 11,5 bis 12,5; Kosten von nur 0,14 $ pro Ausführung. Nachteil: Chat-Bewertung von 7,6 – daher sind für kundennahe Anwendungen weitere Modelle erforderlich. Der Preis von 0,14 $ gilt nur bei der alten Abrechnungsstruktur; neue Aufträge zu den aktuellen Tarifen kosten mehr.

Chatbot oder Kundenservice-Line

Für einen Helpdesk sind hohe Bewertungen im Bereich „Inhalte für Erwachsene“ nicht notwendig. Entscheidend sind hier Chat-Fähigkeiten, Preis sowie die Frage, ob das Modell auf Ihrer eigenen Hardware laufen muss.

• GPT-6.1 Terra. Vorteil: Chat-Bewertung von 9,2; Kosten von 0,63 $ pro Ausführung sowie 1 $ pro Million Eingabe-Token und 5 $ pro Million Ausgabe-Token. Es handelt sich um die günstigste Option mit guten Chat-Fähigkeiten – zudem ist es das schnellste Modell in dieser Gruppe. Nachteil: erzielt nur 66,7 % bei den Agent-Tests; sowohl Programme als auch der Code-Bank-Test ergeben jeweils 100 %, was auf einen Fehler beim autonomen Programmieren hindeutet – nicht auf fehlende Coding-Fähigkeiten. Die Verarbeitungsgeschwindigkeit variiert stark: zwischen 72 und 1.044 Tokens pro Sekunde.
• Grok 4.7. Vorteil: Chat-Bewertung von 12,4 – nahe an der Spitze dieser Gruppe; Kosten von 3,91 $ pro Ausführung. Die beiden Rollenspiel-Pakete erzielen Bewertungen von 0,945 bzw. 0,951. Nachteil: das Konversations-Paket erhält nur 0,814 Punkte, das Charakter-Paket sogar nur 0,483 – daher eignet sich das Modell weniger für Anwendungen, bei denen eine bestimmte Persönlichkeit erhalten bleiben muss. Abrechnung erfolgt nach Volumen: 2 $ pro Million Tokens; es existiert außerdem ein „15x-Plan“. Der Preis von 3,91 $ bezieht sich auf die reguläre Tarifstruktur – nicht auf den 15x-Plan.
• Claude Fable 5.2. Vorteil: erzielt die beste Chat-Bewertung in dieser Gruppe (12,7); das beste einzelne Chat-Paket erhält 0,964 Punkte; lehnt keine Aufgaben ab; es werden keine Reasoning-Tokens berechnet. Nachteil: Kosten von 10 $ bzw. 50 $ pro Million Tokens – damit ist es zusammen mit GPT-6 Astra das teuerste Modell in dieser Liste.
• Falls die Line auf Ihrer eigenen Hardware laufen muss: Swish 31B Final. Vorteil: Gesamtbewertung von 16,3; lehnt keine Aufgaben ab; es fallen keine API-Kosten an. Nachteil: erzielt nur 33,3 % bei den Agent-Tests; Work-Bewertung von 8,4; Verarbeitungsgeschwindigkeit von 41,3 Tokens pro Sekunde.

Einrichtung: Harness, Lead-Agent, Coder

Für die praktische Arbeit verwendet man ein Harness, ein leistungsstarkes Modell, das plant und überprüft, sowie ein günstiges Modell, das den Code schreibt. Das DeepSeek Harness (dsh) fungiert als Harness. Claude Fable 5.2 ist der Planer und Überprüfer. DeepSeek V4.1-Flash-1017 ist der Coder: Die Standard-Codierungsfähigkeiten dieses Modells sind bereits nahe an ihrer Obergrenze; die Kosten pro Ausführung betragen 0,14 Dollar. MiniMax M3.1 Flash kann im Rahmen seines Token-Plans große Datenmengen verarbeiten – wobei Claude Fable 5.2 das Ergebnis überprüft. Sein Chat-Modell mit einem Wert von 5,6 ist in diesem Set das schwächste; zudem erfordert die „Work“-Bewertung von 8,0 im Vergleich zu 11,6 mehr Überprüfungszyklen. Grok 4.7 ist die Alternative, wenn man ein einziges Modell für alle Aufgaben benötigt. Insgesamt gibt es fünf Schritte.

dshführt den Ablauf durch

↓

Lead: Claude Fable 5.2plant und überprüft

↓

CoderDeepSeek V4.1-Flash-1017schreibt den Code

Optionen

MiniMax M3.1 Flashverarbeitet große Datenmengen innerhalb seines Limits

Grok 4.7ein Modell für alle Aufgaben

Schritt 1: Das Board überprüfen und die IDs auswählen

/makobench/Das Board überprüfen

↓

Vier IDsam Anfang des Skripts

↓

LEAD_MODEL

CODER_MODEL

BULK_MODEL

ONE_MODEL

Die Modell-IDs befinden sich am Anfang des Skripts. Ändern Sie diese – nicht eine zweite Kopie weiter unten im Skript. Überprüfen Sie vorher das Board unter /makobench/.

Schritt 2: Die API-Schlüssel festlegen

ANTHROPIC_API_KEYerforderlich

DEEPSEEK_API_KEYerforderlich

MINIMAX_API_KEYerforderlich

XAI_API_KEYoptional

Das Skript benötigt die Schlüssel ANTHROPIC_API_KEY, DEEPSEEK_API_KEY und MINIMAX_API_KEY. XAI_API_KEY ist optional und wird nur für die Ein-Modell-Option benötigt. Legen Sie diese Schlüssel vor dem Ausführen des Skripts in Ihrer Shell fest. Fehlt ein erforderlicher Schlüssel, wird das Skript gestoppt.

Schritt 3: Das Skript ausführen

setup.shplus der Pfad zu Ihrem Projekt

↓

models.ymlwird in ein temporäres Verzeichnis geschrieben

↓

Kein Ausführungsprozess startetes werden lediglich die IDs geschrieben

Das Skript schreibt die IDs in eine Datei namens models.yml in einem temporären Verzeichnis. Es startet keinen Ausführungsprozess. Geben Sie ihm dazu den Pfad zu Ihrem Projekt an.

#!/usr/bin/env bash
# Do-it-all coding setup: harness, lead agent, sub-agents.
# Check /makobench/ for the current leaders before changing any id below.
set -euo pipefail

# Board labels. dsh may show a different provider string for the same model.
LEAD_MODEL="claude-fable-5-2"        # Claude Fable 5.2, plans and reviews
CODER_MODEL="deepseek-flash"         # DeepSeek V4.1-Flash-1017, writes the code
BULK_MODEL="MiniMax-M3.1-Flash"      # MiniMax M3.1 Flash, window-limited bulk
ONE_MODEL="grok-4.7"                 # Grok 4.7, optional, one model for all

: "${ANTHROPIC_API_KEY:?set ANTHROPIC_API_KEY}"
: "${DEEPSEEK_API_KEY:?set DEEPSEEK_API_KEY}"
: "${MINIMAX_API_KEY:?set MINIMAX_API_KEY}"
: "${XAI_API_KEY:=}"                  # optional, only for ONE_MODEL

# Set this to the DeepSeek provider id your dsh lists. Do not guess it.
DSH_PROVIDER="${DSH_PROVIDER:?set DSH_PROVIDER}"

PROJECT="${1:?usage: setup.sh /path/to/project}"
JOB="$(mktemp -d)"

cat > "$JOB/models.yml" <<YAML
lead: ${LEAD_MODEL}
coder:
  provider: ${DSH_PROVIDER}
  model: ${CODER_MODEL}
bulk: ${BULK_MODEL}
one_model: ${ONE_MODEL}
YAML

echo "Lead: ${LEAD_MODEL}"
echo "Coder: ${CODER_MODEL} via ${DSH_PROVIDER}"
echo "Bulk, inside the plan window: ${BULK_MODEL}"
echo "One-model alternative: ${ONE_MODEL}"
echo "Id file: ${JOB}/models.yml"
echo "Project: ${PROJECT}"
# Point dsh at CODER_MODEL. Do not hardcode a second model id here.

Schritt 4: Weisen Sie dsh auf die Coder-ID hin

dsh Ihr Harness

↓

DSH_PROVIDER Welchen Provider dsh auch immer anzeigt

↓

deepseek-flash Die Coder-ID

Weisen Sie dsh auf die Coder-ID hin. Die Provider-Zeichenkette für dsh ist jener Wert, den Ihre Installation für DeepSeek anzeigt. Die API-ID des Coders lautet deepseek-flash.

Schritt 5: Zeitplanung unter Berücksichtigung der Einschränkungen

Peak-Zeiten für DeepSeek, UTC

00:0012:0024:00

Montag bis Freitag

01:00 bis 04:00

06:00 bis 10:00

Neben-Peak-ZeitenHalbpreis

Zu Neben-Peak-Zeiten ist DeepSeek halb so teuer. Die Peak-Zeiten sind Montag bis Freitag von 01:00 bis 04:00 sowie von 06:00 bis 10:00 UTC. Planen Sie Ihre aufwendigen Programmiertätigkeiten außerhalb dieser Zeiten.

MiniMax-Plan5 Stunden bzw. wöchentlich

↓

402Das Zeitfenster wurde verbraucht

↓

Wechseln Sie zum anderen ModellDeepSeek V4.1-Flash-1017

Der MiniMax-Plan hat ein festes Preismodell. Die API-Kosten betragen bis zum Verbrauch von 5 Stunden bzw. einer wöchentlichen Nutzung $0. Ein Statuscode 402 zeigt an, dass das Zeitfenster verbraucht wurde – nicht, dass der Plan beendet ist. Wechseln Sie für den weiteren Build-Vorgang zum Modell DeepSeek V4.1-Flash-1017. Bei einem Build mit 60.000 Zeilen wird das 5-Stunden-Fenster vollständig ausgeschöpft; der Plan dient somit eher als Begrenzung, nicht als kostenlose Nutzung.

Wie viel kostet ein Projekt?

Dies sind Schätzungen auf Basis der Listenpreise – keine Messwerte aus einem realen Projekt. Für ein Projekt dieser Größe lag kein Token-Log vor. Die Annahmen: Der fertige Quellcode kostet 15 Tokens pro Zeile; somit umfasst ein ChatForge-großes Projekt mit 5.000 Zeilen insgesamt 75.000 Tokens, und ein DisPatch-großes Projekt mit 60.000 Zeilen 900.000 Tokens. Ein Agent liest seinen eigenen Quellcode erneut – daher gilt im mittleren Band die Regel: 12 Eingabe- und 3 Ausgabetokens pro Zeile; beim „denkenden“ Coder kommen das hohe Band mit 20 Eingabe- und 5 Ausgabetokens zum Einsatz. Ein neues Projekt stellt einen Cache-Miss dar. DeepSeek wird zum aktuellen Nebenzeiten-Listenpreis berechnet. Es handelt sich dabei um eine einzige Erstellung – keine Wartung – und Bildgenerierung sowie der „Judge“-Prozess sind nicht enthalten.

Codezeilen5.000 oder 60.000

↓

Quellcode-Tokens15 Tokens pro Zeile

↓

Agent liest Quellcode erneutMittleres Band: 12 Eingabe-, 3 AusgabetokensHohes Band: 20 Eingabe-, 5 Ausgabetokens

↓

Preis pro MillionListenpreise

↓

ProjektkostenEine einzige Erstellung – geschätzter Wert

Claude Fable 5.2 verbrauchte bei diesem Projekt keine „Reasoning-Tokens“ – daher ist das mittlere Band der korrekte Wert für es. Falls der Agent alle Schritte selbst durchdenkt, ergeben sich im hohen Band Kosten von $33,75 bzw. $405. Für DeepSeek V4.1-Flash-1017 betragen die Kosten im hohen Band $0,45 bzw. $5,40. In der Hauptverkehrszeit verdoppelt sich der Nebenzeitenpreis – somit sind die Kosten im mittleren Band in dieser Zeit $0,54 bzw. $6,48; das ist jedoch nicht das hohe Band. Bei der gemischten Konfiguration übernimmt Claude Fable 5.2 20 % der Eingabe- und 25 % der Ausgabetokens; DeepSeek V4.1-Flash-1017 bearbeitet den Rest – dies ergibt Nebenzeitenkosten von $4,82 bzw. $57,86. Nutzt man stattdessen MiniMax M3.1 Flash als Coder, sinken die Coder-Kosten innerhalb des Planfensters auf $0; doch dessen „Work“-Wert von 8,0 gegenüber 11,6 bedeutet mehr Überprüfungszyklen – diese sind in den Werten von $4,61 bzw. $55,35 nicht enthalten.

Empfehlung

Für Projekte wie DisPatch oder ChatForge sollte man den gemischten Stack verwenden: Claude Fable 5.2 übernimmt die Planung und Überprüfung; DeepSeek V4.1-Flash-1017 schreibt den Code, während DeepSeek Harness den Prozess ausführt. GPT-6.1 Terra beantwortet anschließend die Anfragen der Nutzer. Die geschätzten Kosten für ein ChatForge-ähnliches Projekt betragen 4,82 $, für ein DisPatch-ähnliches Projekt 57,86 $. Allein Claude Fable 5.2 verursacht Kosten von 20,25 $ bzw. 243 $; wenn DeepSeek V4.1-Flash-1017 die gesamte Arbeit übernimmt, sind es nur 0,27 $ bzw. 3,24 $. Da alle Modelle gleichwertig sind, sollte man das günstigste Modell wählen – das teurere Modell bleibt dann für Planung und Überprüfung übrig. Die genannten Preise beziehen sich auf die Gesamtkosten des Projekts, nicht auf einzelne Chat-Interaktionen. Allein Terra kommt bei gleichen Annahmen auf Kosten von 2,03 $ für ein ChatForge-Projekt bzw. 24,30 $ für ein DisPatch-Projekt – dies ist eine Alternative zum gemischten Stack; man zahlt entweder den einen oder den anderen Preis, niemals beide. Nutzen Sie den MiniMax Token Plan ausschließlich für große Aufträge innerhalb seines Zeitfensters – betrachten Sie ihn dabei als Art „Drosselmechanismus“. Wählen Sie auf keinen Fall DeepSeek V4-Pro-0813 statt DeepSeek V4.1-Flash-1017: Es erzielt in der Bewertung nur 18,4 Punkte gegenüber 19,2 Punkten bei letzterem Modell und ist zudem teurer. Falls Sie lieber ein einzelnes Modell als einen ganzen Stack nutzen möchten, ist Grok 4.7 die beste Wahl: Es erzielt insgesamt 24,1 Punkte; die geschätzten Projektkosten betragen 3,15 $ bzw. 37,80 $. Die Ausführungskosten auf dem Board liegen bei 3,91 $, was etwa einem Viertel der 14,87 $ von Claude Fable 5.2 entspricht.

Maximale Bewertungen – und was als Nächstes kommt

Vier Modelle in diesem Set erzielten bei einem bestimmten Testpaket die perfekte Bewertung von 1,000:

• Claude Fable 5.2: Arbeit/Reasoning #1, Arbeit/Agentic #1 sowie Erwachsenen-Schreiben #2.
• Grok 4.7: Arbeit/Reasoning #1 sowie Erwachsenen-Schreiben #2.
• GPT-6 Astra: Arbeit/Agentic #1.
• GPT-6.1 Sol: Arbeit/Agentic #1.

Bei dem Code-Testpaket erreichte kein Modell die Bewertung 1,000. Das Beste war GPT-6 Astra mit 0,917. Auch beim Chat-Testpaket gab es keinen Modell, der die volle Punktzahl erreichte; das Beste war Claude Fable 5.2 mit einer Bewertung von 0,964. Die „MAX“-Bewertung auf der Tafel bedeutet lediglich, dass ein Modul die Spitze seiner jeweiligen Kategorie erreicht hat – nicht, dass das gesamte Testpaket perfekt war. Deshalb trägt GPT-6 Astra die „MAX“-Bewertung im Code-Bereich, obwohl seine Leistung dort bei 0,917 liegt. Ein perfektes Ergebnis in einem Testpaket bedeutet nicht, dass dieses Paket damit abgeschlossen ist. Mittlerweile läuft MakoBench 4.5 – es werden weitere, schwierigere Testpakete hinzugefügt. Somit stellen die Ergebnisse aus Version 4,1 lediglich den aktuellen Höchststand dar, aber nicht das Endresultat.

Alle Bewertungen, die Liste der Tests sowie die Ausführungskosten jedes Modells finden Sie auf der MakoBench-Tafel.