Coding-Benchmarks für KI-Modelle

Alle Coding-Benchmark-Scores, die wir auf unseren Werkzeugseiten und im Modellvergleich gefunden haben, nach Test gruppiert. Jeder Score kommt mit seinen angegebenen Bedingungen und einem Link zur Seite des Anbieters.

Methodik: vor dem Vergleich lesen

Selbst angegebene Scores: Jede Zahl wird unverändert der Ankündigung des Modellanbieters entnommen (Blogbeitrag, Model Card oder Dokumentation, mit einem Link „Quelle“ in jeder Zeile). OrigoTech hat sie nicht selbst gemessen.
Unterschiedliche Harnesses: Jeder Anbieter wählt seinen eigenen Agent-Harness, Reasoning-Aufwand und seine Testbedingungen (Spalte „Angegebene Bedingungen“). Vergleiche zwischen Modellen sind daher mit Vorsicht zu behandeln: Ein Abstand von wenigen Punkten reicht nicht aus, um zwei Modelle in eine Rangfolge zu bringen.
Keine hinzugefügten Zahlen: Diese Seite zeigt nur Scores, die bereits in unseren Daten stehen, ohne Berechnung oder Mittelwertbildung. Ein Modell ohne veröffentlichten Score wird nicht aufgeführt.
Die Standardreihenfolge (höchster Score zuerst) ist keine Rangliste; klicken Sie auf einen Spaltenkopf, um anders zu sortieren.

Daten geprüft am 26. Okt. 2026

Angezeigte Scores: 15 · Benchmarks: 2

DeepSWE v1.1 (11 Scores)

DeepSWE v1.1-Scores laut Anbietern. Die Spaltenköpfe sind Schaltflächen zum Sortieren.
				Quellen
Gemini 4 Argon	Google	77,9 %	von Google angekündigt	Quelle — Gemini 4 Argon
DeepSeek V4.1-Flash-1017	DeepSeek	77 %	von DeepSeek angekündigt, Harness Mini-SWE-V2	Quelle — DeepSeek V4.1-Flash-1017
MiniMax M3.1 Flash	MiniMax	73,7 %	von MiniMax angekündigt	Quelle — MiniMax M3.1 Flash
Grok 4.7	xAI	71 %	hoher Aufwand, von xAI angegeben	Quelle — Grok 4.7
Kimi K3	Moonshot AI	67,3 %	Harness mini-SWE-agent (DeepSWE-Rangliste), von Moonshot zitiert	Quelle — Kimi K3
GLM-5.3	Z.ai	66,9 %	von Z.ai angegeben	Quelle — GLM-5.3
GLM-5.3-Flash	Z.ai	63,4 %	von Z.ai angegeben	Quelle — GLM-5.3-Flash
DeepSeek V4-Pro-0813	DeepSeek	62,7 %	DeepSeek Harness (Minimalmodus), maximaler Aufwand, von DeepSeek angegeben	Quelle — DeepSeek V4-Pro-0813
Muse Spark Open (816B-A42B)	Meta	60 %	von Meta angekündigt, bevorzugte Harness, xhigh Reasoning	Quelle — Muse Spark Open (816B-A42B)
Qwen3.8-Max	Alibaba (Qwen)	56,6 %	bester Wert aus Claude Code / mini-SWE-agent, von Qwen angegeben	Quelle — Qwen3.8-Max
Qwen3.8-27B	Alibaba (Qwen)	42,2 %	Claude-Code-Harness, von Qwen angegeben	Quelle — Qwen3.8-27B

Terminal-Bench 4.0 (4 Scores)

Terminal-Bench 4.0-Scores laut Anbietern. Die Spaltenköpfe sind Schaltflächen zum Sortieren.
				Quellen
Kimi K3.1 Pro	Moonshot AI	65,7 %	Claude-Code-Harness, von Moonshot angegeben	Quelle — Kimi K3.1 Pro
Gemini 4 Carbon	Google	65,2 %	Harness von Artificial Analysis, von Google veröffentlicht	Quelle — Gemini 4 Carbon
GPT-6.1 Terra	OpenAI	50,3 %	maximaler Reasoning-Aufwand, von OpenAI angegeben	Quelle — GPT-6.1 Terra
Nanbeige4.3-33B	Nanbeige (BOSS Zhipin)	23,8 %	Harness mini-swe-agent v2.4.6, von Nanbeige angegeben	Quelle — Nanbeige4.3-33B

Modellvergleich → Diagramm Preis und Leistung → Kostenrechner →

Was ist DeepSWE? · Methodik