Wofür · Entscheidungshilfe
Bild, Audio & Video
Multimodale Ein- und Ausgabe jenseits von Text. Hier die kuratierten Empfehlungen – Modelle und Werkzeuge.
Zwei Dinge unter einem Dach: Die Modelle hier verstehen Bild, Audio und Video (multimodale Eingabe) – die Werkzeuge erzeugen Bilder (Ausgabe). Wer Bilder generieren will, schaut bei den Werkzeugen.
Empfohlene Modelle
Alle Modelle →Reihenfolge: zuerst unsere kuratierte Einstufung ( Spitze zuerst, dann solide, situativ, überholt), bei Gleichstand nach dem unabhängigen AA Intelligence-Index. Der Balken zeigt diesen Wert je Modell (länger = besser); markiert den besten Wert der Liste – er steht ggf. nicht oben, weil die Einstufung zuerst zählt.
Anthropic · proprietär
Claude Opus 5.5
Allrounder-Spitze (löst Opus 5 ab)
Nachfolger von Opus 5 zu 4 $/20 $ je Mio. Token – ein Fünftel unter dem Vorgänger, Treffer im Zwischenspeicher sogar 60 Prozent günstiger. Artificial Analysis misst am Erscheinungstag 57,6 Punkte im Intelligenz-Index und damit den höchsten Wert der gesamten Messreihe (Fable 5.1: 53,4, GPT-6 Astra: 52,7, Opus 5: 50,8). Der Kostenvorteil zeigt sich stufenweise: In der Voreinstellung medium kostet eine Index-Aufgabe 1,34 $ statt 2,19 $ bei Opus 5 und bringt dort schon mehr Punkte als Opus 5 in seiner höchsten Stufe; in der höchsten Stufe kostet Opus 5.5 dagegen minimal mehr als der Vorgänger und erzeugt dort 64 Prozent mehr Ausgabe-Token. Coding- und Agentic-Index fehlen noch.
Xiaomi · open-weight
MiMo-V2.6-Pro
Preis-Leistungs-Spitze im Index
46,3 Punkte im AA-Intelligence-Index – gleichauf mit Grok 4.7 (high) – bei 0,13 $ Kosten je Index-Aufgabe. Kein anderes von Artificial Analysis gemessenes Modell mit mindestens 44 Punkten arbeitet günstiger; Grok 4.7 kostet in der höchsten Stufe das 28-Fache. Die Grenzen: Coding- und Agentic Index sind noch nicht gemessen, und die MIT-Lizenz hilft nur, wer 524 GB Gewichte auf zwei Rechenknoten legen kann.
Anthropic · proprietär
Claude Haiku 5.5
Kleinstes Claude zum Zehntel des alten Preises
Nachfolger von Haiku 4.5 zu 0,10 $/0,50 $ je Mio. Token bis 100.000 Token Prompt-Länge – ein Zehntel des alten Preises und gleichauf mit GPT-6 Luna. Artificial Analysis misst in der höchsten Denkstufe 43 Punkte im Intelligenz-Index, Luna kommt auf 38, Haiku 4.5 auf 17. Erstmals hat ein Haiku einstellbare Denkstufen. Laut eigener System Card verweigert es aber häufiger als alle anderen getesteten Anthropic-Modelle und halluziniert mehr als die jüngsten Vorgänger.
Z.ai · open-weight
GLM-5.3-Flash
Offenes Agentik-Modell zum Flash-Preis (MIT)
Das Modell, das eine Woche lang anonym als „Ox Alpha“ lief: 320 Mrd. Gesamt- / 18 Mrd. aktive Parameter, MIT-Lizenz, erstes nativ multimodales Modell der GLM-5-Reihe. Unabhängig gemessen steht es im Agentic-Index bei 58 – Rang 6 von 175 gemessenen Modellen, vor GPT-5.6 Sol (max) und Claude Fable 5 – bei $0,15 / $0,50 je Mio. Token. Es überholt damit GLM-5.2 (max) auf allen drei AA-Achsen zu rund einem Neuntel des Preises. Der Haken steht im Praxistest, nicht im Index: Auf einem privaten Projekt-Benchmark landet es am unteren Ende, und ein Lauf dauert dort rund neun Minuten.
Alibaba · open-weight
Qwen3.8-Flash-Next
Die Qwen4-Architektur im Vorlauf – 6 von 125 Mrd. Parametern aktiv
Alibaba legt am selben Tag wie Z.ai ein offenes Flash-Modell vor und nennt es ausdrücklich einen Vorgriff auf die nächste Architektur-Generation: 125 Mrd. Gesamtparameter, davon 6 Mrd. je Token aktiv, dazu 51 Mrd. Parameter in einer ausgelagerten N-Gram-Tabelle. Unabhängig gemessen steht es bei AA Intelligenz 55,8 / Coding 73,1 / Agentic 56,4 zu 0,15 $ / 0,47 $ je Mio. Token. Der Unterschied zum am selben Tag erschienenen GLM-5.3-Flash liegt nicht im Index, sondern in der Geschwindigkeit: 73 gegen 50 Token je Sekunde und 37 gegen 52 Sekunden bis zur fertigen Antwort.
Alibaba · open-weight
Qwen3.8-27B
Das stärkste Modell, das auf eine Karte passt
27 Mrd. Parameter, dicht statt MoE, unter Apache 2.0 – und im AA Intelligence Index auf 52, gleichauf mit GPT-5.6 Luna (max) und einen Punkt hinter GLM-5.2 (753 Mrd. Parameter). Für den Eigenbetrieb derzeit die beste Kombination aus Leistung, Lizenz und Hardware-Bedarf. Der Preis dafür ist Geschwätzigkeit: 160 Mio. Ausgabe-Token für den Index-Durchlauf, fast das Vierfache des Medians.
Google · proprietär
Gemini 3.1 Pro
Multimodal-Spezialist
Erste Wahl für breit multimodale Arbeit – Bild, Video, Audio und PDF, was sonst kein Flaggschiff im Katalog leistet. Beim Coding (69) stärker, als der Allzweck-Wert (46) vermuten lässt, und günstiger als die Index-Spitze. Höchster Human-Präferenz-Elo nach dem gesperrten Fable 5.
Anthropic · proprietär
Claude Opus 5
Vorgänger von Opus 5.5 – weiter verfügbar
Nachfolger von Opus 4.8 zum unveränderten Preis (5 $/25 $ je Mio. Token). Die 193-seitige System-Card weist die größten Sprünge bei agentischem Coding, Computer-Use und langer Wissensarbeit aus; unabhängig verifiziert sind die drei ARC-AGI-Werte (u. a. 90,4 % auf ARC-AGI-2), zwei von Artificial Analysis gefahrene Profi-Arbeits-Ranglisten und seit dem 25.07. die AA-Composite-Indizes: Intelligenz 60,7 (Rang 1, vor Fable 5) und Coding 78,0 (Rang 2, 0,3 Punkte hinter GPT-5.6 Sol xhigh) – zum halben Fable-Preis. Erste Wahl für Agenten-, Computer-Use- und Wissensarbeit; Praxis-Stimmen mahnen allerdings, den Token-Verbrauch im Blick zu behalten, weil der halbe Listenpreis den Vorteil nur bringt, wenn er nicht gegenläuft.
Moonshot AI · open-weight
Kimi K3
Offenes Drei-Billionen-Modell für Oberflächen
Das größte offene Modell des Katalogs: 2,8 Bio. Parameter als MoE, davon 104 Mrd. je Token aktiv, 1-Mio.-Token-Kontext und Bild-Eingabe. Im AA Intelligence Index steht es bei 43,8 und damit klar hinter GPT-6 Astra (52,8) und Claude Fable 5.1 (53,4) – im Coding-Index aber fast gleichauf mit Astra (76,2 zu 76,9), und bei Gestaltungsaufgaben führt es die Design Arena an. Self-Hosting bleibt Theorie: Die Gewichte umfassen rund 1,56 TB.
DeepSeek · open-weight
DeepSeek-V4.1-Flash
Offenes Flash-Modell zum Zehntel-Preis
Das kleine DeepSeek-Modell, das den großen Vorgänger ersetzt: 552 Mrd. Gesamt- und 8 Mrd. aktive Parameter im Prefill, MIT-Lizenz, Bild-Eingabe. Unabhängig gemessen steht es im Intelligenz-Index bei 39,5 und damit 3,2 Punkte über DeepSeek-V4-Pro, bei 39 % der Kosten je Aufgabe und fast dreifachem Ausgabe-Tempo. Frontier-Niveau ist das nicht – GPT-6 Astra und Claude Fable 5.1 liegen bei 53 –, aber es ist der günstigste Weg zu brauchbarer Agentik und das erste DeepSeek-Modell, dessen Gewichte und Bild-Eingabe zusammenfallen.
Moonshot AI · open-weight
Kimi K2.6
Open-Weight Agenten-/Coding-Schwergewicht
Open-Weight-MoE mit 1 Bio. Parametern (32 Mrd. aktiv), stark bei Long-Horizon-Coding und Agenten-Schwärmen. Im AA Intelligence Index 43 / Coding 62 (Coding führt) – eine der stärksten offenen Coding-/Agenten-Optionen, multimodal mit 256-K-Kontext.
MiniMax · open-weight
MiniMax-M3
Open-Weight Allzweck (1-Mio.-Kontext)
Open-Weight-Flaggschiff mit 1-Mio.-Token-Kontext und nativer Multimodalität (Text/Bild/Video-Eingabe) zum Kampfpreis ($0,30 / $1,20). Im AA Intelligence Index 44 / Coding 59 – starke, günstige Allzweck-/Coding-Wahl fürs Self-Hosting, wenn keine absolute Spitzenqualität nötig ist.
Google · proprietär
Gemini 3.5 Flash
in der eigenen Familie überholt
War der Preis-Leistungs-Ausreißer des Katalogs: Intelligence-Index 50 (über Sonnet 4.6 und dem teureren Gemini 3.1 Pro) und Agentic 37 – deutlich über dem hauseigenen 3.1 Pro (21) und zum Bruchteil des Flaggschiff-Preises. Rein auf die Indizes gerechnet war er schon seit der 80-Prozent-Preissenkung von GPT-5.6 Luna (0,20 $/1,20 $ gegen 1,50 $/9 $ bei 51/71/46) unterboten; seit dem 2. September 2026 unterbietet ihn auch das eigene Haus. Artificial Analysis misst Gemini 3.8 Flash (hohe Stufe) mit 58,7 / 76,3 / 50,0 gegen die hier geführten 52 / 70 / 40 – besser in allen drei Indizes, bei 0,75 $ statt 1,50 $ Input und 3,75 $ statt 9 $ Output. Wir stufen 3.5 Flash deshalb auf „situativ“ herunter, nicht auf „überholt“: Für die Nachfolger der Flash-Reihe dokumentiert Google weder Kontextfenster noch Modalitäten, und genau die (Video, Audio, PDF bei 1 Mio. Token Kontext) sind der belegte Grund, 3.5 Flash noch einzusetzen.
Google · open-weight
Gemma 4 12B
Lokal & On-Device
Nicht für Spitzenleistung gebaut, sondern für lokalen/Edge-Betrieb: läuft auf Consumer-Laptops, multimodal und Apache-2.0-offen. Empfehlung dort, wo Offline-Betrieb, Datenschutz oder Hardware-Limits wichtiger sind als Benchmark-Spitzen.
Meta · open-weight
Llama 4 Maverick
Kontext-Spezialist
Mit bis zu 10 Mio. Token das größte Kontextfenster im Katalog – aber der niedrigste Human-Präferenz-Elo (1327). Lohnt vor allem für extrem lange Kontexte und Self-Hosting, weniger für Spitzen-Antwortqualität.
Anthropic · proprietär
Claude Haiku 4.5
Schnell & günstig, aber überholt
Seit 7. Oktober 2026 durch Claude Haiku 5.5 abgelöst, das ein Zehntel kostet (0,10 $/0,50 $ bis 100.000 Token) und bei Artificial Analysis 43 statt 17 Indexpunkte erreicht. Schon zuvor beim reinen Preis-Leistungs-Verhältnis von DeepSeek-V4-Pro überholt – das erreicht alle drei AA-Indizes höher und kostet weniger pro Token. Haiku bleibt sinnvoll, wo niedrige Latenz, ein gemanagter Anbieter oder Bild-Eingabe zählen (die DeepSeek nicht bietet).
Passende Werkzeuge
Alle Werkzeuge →Nemotron 3 Diarization
NVIDIA
Offenes Modell mit 100 Millionen Parametern, das in Aufnahmen und im laufenden Ton bis zu acht Sprecher auseinanderhält – Nachfolger von Sortformer, der bei vier Sprechern endete, unter einer Lizenz, die kommerzielle Nutzung ausdrücklich erlaubt.
Breeze TTS 2
BreezeBlue / RESONIA, INC.
Offenes Sprachsynthese-Modell mit 3 Mrd. Parametern, das eine Stimme aus reiner Textbeschreibung erzeugen oder eine geklonte Stimme in Ton und Emotion steuern kann – Rang 1 unter den offenen Modellen der Artificial-Analysis-Sprachbestenliste, aber unter einer Lizenz, die jede kommerzielle Nutzung ausschließt.
GPT Image 2
OpenAI
OpenAIs Bildmodell: erzeugt und bearbeitet Bilder mit verlässlichem In-Bild-Text und plant vor dem Zeichnen („Bild mit Nachdenken“).
Nano Banana Pro (Gemini 3 Pro Image)
Google DeepMind
Googles Bildmodell auf Gemini-3-Basis: erdet Motive über die Google-Suche und komponiert aus mehreren Vorlagen.
Midjourney
Midjourney
Bildgenerator mit Fokus auf ästhetische, künstlerische Bildsprache – über Web und Discord, im Abo.
Google Veo (Veo 3.1)
Google DeepMind
Googles Video-Modell: erzeugt aus Text oder Bild kurze Clips samt nativer Tonspur, tief ins Google-Ökosystem integriert.
Kling (Kling 3.0)
Kuaishou
Video-Modell mit langen Einzelclips und mehrsprachiger nativer Tonspur – nach Anbieterangaben die umsatzstärkste Video-Plattform der Welt.
Runway (Gen-4.5)
Runway
Video-Modell mit Profi-Fokus: konsistente Figuren und Szenen, feine Bewegungssteuerung – im Einsatz bis nach Hollywood.