Modellvergleich
GPT-3.5 Turbo
vs. Hermes 4 - Llama-3.1 70B (Non-reasoning)
Vergleich von 2 KI-Modellen · 6 Benchmarks · OpenAI, Nous Research
Chatten mit GPT-3.5 & HermesGuenstigstes Modell
$0.13/1M
Hoechste Intelligenz
49.1% GPQA
Bestes Coding
10.7 Coding-Index
Preisunterschied
3.8x
Input-Kostenspanne
Composite Indices
Intelligence, Coding, Math
Standard Benchmarks
Academic and industry benchmarks
Benchmark-Sieger
6 Tests GPT-3.5 Turbo
- MATH 500
Hermes 4 - Llama-3.1 70B (Non-reasoning)
- GPQA
- MMLU Pro
- HLE
- LiveCodeBench
- AIME 2025
EU-Hosted Inference API Power your AI models with
the best open-source models.
Drop-in OpenAI-compatible API. No data leaves Europe.
Explore Inference APIGLM
GLM 5
$1.00 / $3.20
per M tokens
Kimi
Kimi K2.5
$0.60 / $2.80
per M tokens
MiniMax
MiniMax M2.5
$0.30 / $1.20
per M tokens
Qwen
Qwen3.5 122B
$0.40 / $3.00
per M tokens
| Metrik | Op GPT-3.5 Turbo | No Hermes 4 - Llama-3.1 70B (Non-reasoning) |
|---|---|---|
| Preise pro 1 Mio. Tokens | ||
| Input-Kosten | $0.50/1M | $0.13/1M |
| Output-Kosten | $1.50/1M | $0.40/1M |
| Gemischt (3:1) | $0.75/1M | $0.20/1M |
| Spezifikationen | ||
| Anbieter | OpenAI | Nous Research |
| Veröffentlichung | 30. Nov. 2022 | 27. Aug. 2025 |
| Leistung & Geschwindigkeit | ||
| Durchsatz | 98.7 tok/s | 77.1 tok/s |
| TTFT | 518ms | 595ms |
| Latenz | 518ms | 595ms |
| Composite-Indizes | ||
| Intelligenz | 9.0 | 12.6 |
| Coding | 10.7 | 9.2 |
| Mathe | — | 11.3 |
| Standard-Benchmarks | ||
| GPQA | 29.7% | 49.1% |
| MMLU Pro | 46.2% | 66.4% |
| HLE | — | 3.6% |
| LiveCodeBench | — | 26.9% |
| MATH 500 | 44.1% | — |
| AIME 2025 | — | 11.3% |
| AIME (Original) | — | — |
| SciCode | — | 27.7% |
| LCR | — | 2.0% |
| IFBench | — | 29.0% |
| TAU-bench v2 | — | 21.6% |
| TerminalBench Hard | — | 0.0% |
Wichtigste Erkenntnisse
Hermes 4 - Llama-3.1 70B (Non-reasoning) bietet das beste Preis-Leistungs-Verhaeltnis mit $0.13/1M, ideal fuer volumenstarke Anwendungen und kostenbewusste Projekte.
Hermes 4 - Llama-3.1 70B (Non-reasoning) fuehrt bei Reasoning mit 49.1% GPQA, stark bei komplexen Analysen und Problemlosung.
GPT-3.5 Turbo erreicht einen 10.7 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
GPT-3.5 Turbo
- Code-Generierung
- Softwareentwicklung
Hermes 4 - Llama-3.1 70B (Non-reasoning)
- Kostensensitive Anwendungen
- Hohe Verarbeitungslast
- Komplexe Reasoning-Aufgaben
- Forschung und Analyse
Made in Europe Chat with 100+ AI Models in one App.
Use Claude, ChatGPT, Gemini alongside with EU-Hosted Models like Deepseek, GLM-5, Kimi K2.5 and many more.
Empfohlene Vergleiche
Beliebte Alternativen
Leitfaden zum KI-Modellvergleich
Vergleichen Sie Large-Language-Modelle (LLMs) direkt nebeneinander mit detaillierten Benchmark-Werten, Preisen und Performance-Metriken. Unser interaktiver Vergleich hilft Ihnen bei der Bewertung von Modellen von OpenAI, Anthropic, Google, Meta, DeepSeek und weiteren Anbietern. In unserer KI-Rangliste finden Sie weitere Modelle.
Composite-Indizes verstehen
- Intelligenz-Index: Aggregierter Wert aus MMLU-Pro, GPQA und HLE - misst allgemeine Reasoning- und Wissensfaehigkeiten
- Coding-Index: Kombinierte Metrik aus LiveCodeBench, SciCode und LiveCodeBench Review - bewertet Programmierfaehigkeit ueber mehrere Sprachen
- Mathe-Index: Kombinierter Wert aus AIME, AIME 2025 und MATH-500 - bewertet mathematisches Reasoning von Schul- bis Wettbewerbsniveau
Wichtige Vergleichsmetriken
- Benchmark-Werte: Standardisierte Tests fuer Intelligenz, Coding, Mathe und Spezialfaehigkeiten - hoehere Prozentwerte bedeuten bessere Leistung
- Preisanalyse: Vergleicht Input- und Output-Tokenkosten - wichtig fuer Budgetplanung und Skalierung
- Performance-Metriken: Durchsatz (Tokens/Sekunde) und Latenzwerte fuer die Echtzeit-Planung
- Kontextfenster: Maximale Token-Kapazitaet fuer Dokumente und Verlauf
So vergleichen Sie KI-Modelle effektiv
Leistung vs. Kosten
Waegen Sie Benchmark-Leistung gegen Tokenkosten ab - Flaggschiffmodelle sind oft 10-15% besser, aber 5-10x teurer als kleinere Alternativen
Aufgabenspezifische Auswahl
Priorisieren Sie passende Indizes: Coding fuer Entwicklung, Mathe fuer STEM, Intelligenz fuer allgemeines Reasoning
Praxistest
Nutzen Sie unsere kostenlose KI-Chat-Oberflaeche um Modelle mit Ihren echten Prompts zu testen, bevor Sie in die API-Integration gehen
Alle Benchmark-Werte, Preisdaten und Performance-Metriken stammen von Artificial Analysis und werden taeglich aktualisiert. Vergleichen Sie Modelle nach Intelligenz, Coding, Mathe, Geschwindigkeit, Kosten oder Veroeffentlichungsdatum in unserer umfassenden KI-Rangliste.