Modellvergleich
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)
vs. Phi-4 Mini Instruct
Vergleich von 2 KI-Modellen · 12 Benchmarks · Anthropic, Microsoft
Empfehlung
An Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) 11 Metrik-Siege Staerkste Bereiche: Durchsatz, Reasoning, Intelligenz
Niedrigster Preis
Phi-4 Mini Instruct
$0.00/1M Eingabepreis
Bestes Reasoning
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)
56.4 Reasoning-Score
Kombiniert verfuegbare Reasoning-Benchmarks
Bestes Coding
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)
50.9 Coding-Index
Composite Indices
Higher is better; speed and price are normalized
Standard Benchmarks
Only benchmarks with data are shown
Wichtige Unterschiede
Preisunterschied
Phi-4 Mini Instruct ist ∞x guenstiger bei Eingabetokens als Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort).
Geschwindigkeitsunterschied
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) generiert etwa 2,8x so viele Tokens pro Sekunde wie Phi-4 Mini Instruct.
Reasoning-Unterschied
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) liegt 37.6 Punkte vor Phi-4 Mini Instruct beim Reasoning.
Coding-Unterschied
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) liegt 47.3 Punkte vor Phi-4 Mini Instruct beim Coding.
Top-Wahl-Begruendung
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) gewinnt 11 messbare Kategorien, darunter Durchsatz, Reasoning, Intelligenz, Coding.
Response Face-Off
Sende einen Prompt an die ausgewaehlten Modelle und vergleiche Antwortqualitaet mit Live-Metriken zu Tempo und Kosten.
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)
Anthropic
TTFT
—
Zeit
—
tok/s
—
Tokens
—
Kosten
—
Phi-4 Mini Instruct
Microsoft
TTFT
—
Zeit
—
tok/s
—
Tokens
—
Kosten
—
Welche Antwort war nuetzlicher?
Vollständiger Vergleich
| Metrik | Top-Wahl An Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) | Mi Phi-4 Mini Instruct |
|---|---|---|
| Preise pro 1 Mio. Tokens | ||
| Input-Kosten | $3.00/1M | $0.00/1M |
| Output-Kosten | $15.00/1M | $0.00/1M |
| Gemischt (3:1) | $6.00/1M | — |
| Spezifikationen | ||
| Anbieter | Anthropic | Microsoft |
| Veröffentlichung | 17. Feb. 2026 | 26. Feb. 2024 |
| Leistung & Geschwindigkeit | ||
| Durchsatz | 62.0 tok/s | 21.9 tok/s |
| TTFT | 70526ms | 395ms |
| Latenz | 70526ms | 395ms |
| Composite-Indizes | ||
| Wert-Score | 100.0 | — |
| Reasoning-Score | 56.4 | 18.8 |
| Intelligenz | 51.7 | 8.4 |
| Coding | 50.9 | 3.6 |
| Mathe | — | 6.7 |
| Standard-Benchmarks | ||
| GPQA | 87.5% | 33.1% |
| MMLU Pro | — | 46.5% |
| HLE | 30.0% | 4.2% |
| LiveCodeBench | — | 12.6% |
| MATH 500 | — | 69.6% |
| AIME 2025 | — | 6.7% |
| AIME (Original) | — | 3.0% |
| SciCode | 46.8% | 10.8% |
| LCR | 70.7% | 13.7% |
| IFBench | 56.6% | 21.1% |
| TAU-bench v2 | 75.7% | 8.2% |
| TerminalBench Hard | 53.0% | 0.0% |
Wichtigste Erkenntnisse
Phi-4 Mini Instruct bietet das beste Preis-Leistungs-Verhaeltnis mit $0.00/1M, ideal fuer volumenstarke Anwendungen und kostenbewusste Projekte.
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) hat das staerkste Reasoning-Profil mit 56.4 Reasoning-Score, basierend auf den verfuegbaren Reasoning-Benchmarks.
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort) erreicht einen 50.9 Coding-Index, und ist damit eine Top-Wahl fuer Softwareentwicklung und Code-Generierung.
Alle Modelle unterstuetzen Kontextfenster von ∞+ Tokens, geeignet fuer lange Dokumente und ausgedehnte Gespraeche.
Wann welches Modell sinnvoll ist
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)
- Komplexe Reasoning-Aufgaben
- Forschung und Analyse
- Code-Generierung
- Softwareentwicklung
Phi-4 Mini Instruct
- Kostensensitive Anwendungen
- Hohe Verarbeitungslast
