MiMo, Qwen3.8 Max, GLM-5.3 und Muse Spark im Test

👁 114 Aufrufe

Vier weniger bekannte KI-Modelle aus der Spitzengruppe stehen im Ranking von Artificial Analysis direkt hinter den Modellen von Anthropic und OpenAI, neben Grok 4.7: Muse Spark 1.3 von Meta, MiMo-V2.6-Pro von Xiaomi, Qwen3.8 Max von Alibaba und GLM-5.3 von Z.ai. Sie erreichen 45 bis 48 Punkte im Intelligence Index und kosten pro Output-Token 3 bis 23 Mal weniger als Claude Opus 5.5. Alle vier haben wir durch unser Labor geschickt: dieselben 13 Aufgaben in polnischer Sprache und dieselbe Blind-Bewertung wie im Ranking der 16 Modelle.

01Muse Spark 1.3: Benchmarks, Preise und Zugang im TestMuse Spark 1.3 von Meta erreicht 48 Punkte im AA-Index, generiert 214-252 Token/s und kostet 1,25/4,25 USD pro Million Token. Wir haben das Modell getestet.Lesen →02Qwen3.8 Max Test: 13 Aufgaben, Preise und ZugangQwen3.8 Max im Test: 76,4 Punkte, 30/30 in schwieriger Korrektur, 33.000 Reasoning-Token, Preise 2/6 USD und wie Sie das Modell nutzen können.Lesen →03GLM-5.3 Test: Ergebnisse, Anbieter und PreiseGLM-5.3 im Test: 63,6 von 100 Punkten, 27 Sekunden für 9 Texte, Kosten ab 0,30 USD pro Million Tokens. Schnell und günstig, aber mit Schwächen.Lesen →04Xiaomi MiMo-V2.6 Test: Benchmarks, Kosten und PraxistestMiMo-V2.6 Pro und Flash von Xiaomi: MIT-Lizenz, 1 Billion Parameter, 0,435 USD pro Million Tokens, 46 Punkte im AA-Index. Benchmarks und Test.Lesen →

Wer sie sind und wo sie im Ranking stehen

Artificial Analysis berechnet seinen Index (Version 4.3.2) aus 10 Tests: Agentenaufgaben, Programmierung, wissenschaftliches Denken und Allgemeinwissen. Unten die Werte vom 27. September 2026. Die Aufgabenkosten sind die durchschnittlichen Kosten einer Index-Aufgabe laut derselben Seite, nicht die Kosten unseres Tests.

Aus dieser Tabelle ergeben sich drei Dinge. Muse Spark ist der schnellste in der Spitzengruppe - 214-252 Token pro Sekunde, also über zweimal schneller als Opus 5.5 in der xhigh-Variante (89). MiMo-V2.6-Pro erledigt eine Index-Aufgabe für 0,13 USD, 46-mal günstiger als Opus in der max-Variante. Qwen ist der Gegenpol: kostet 5,41 USD pro Aufgabe, weil er beim Index 190 Mio. Token generierte.

Unser Test auf Polnisch: Ergebnisse

Jedes Modell erhielt über OpenRouter dieselben 13 Anweisungen wie im Ranking der besten KI zum Schreiben auf Polnisch: 9 Schreibaufgaben (Artikel, Produktbeschreibung, E-Mail, Post, Erzählung, Titel, Zusammenfassung, Übersetzung, Text für Kinder), zwei Korrekturen und zwei Quiz über Polen. Wir haben die Aufgaben auf Polnisch getestet. Einstellungen wie bei allen: effort=low, Standard-Temperatur, dieselben Token-Limits. Die Antworten wurden blind von drei Juroren aus verschiedenen Firmen bewertet (Claude Opus 5.5, GPT-6 Sol, Gemini 3.1 Pro), wobei ein Juror derselben Firma wie das bewertete Modell übersprungen wurde. Das Ergebnis setzt sich zu 70% aus Jurorenbewertungen, 20% aus Regeln der Anweisung und 10% aus Texthygiene (lange Pausen, Füllwörter) zusammen.

Zum Pool fügten wir vier Anker aus der ersten Runde hinzu: Claude Opus 5.5, GPT-6 Luna, Qwen3.8 Max und GLM-5.3. Ihre Ergebnisse unterschieden sich um 0,5-1,3 Punkte von damals, und die Reihenfolge blieb gleich, also ist die Skala vergleichbar (durchschnittliche Verschiebung +0,1 Punkte). Muse Spark kam einige Stunden später zum Test, daher bewerteten die Juroren ihn in einem separaten Pool mit denselben Ankern. Dort unterschieden sich die Anker um 1,0-1,7 Punkte von der ersten Runde, die Reihenfolge blieb wieder gleich, und die Skalenverschiebung betrug -0,15 Punkte.

* bei gleichen Token-Limits, Erklärung unten. Qwen-Kosten enthalten nicht den leeren ersten Versuch vom 26. September (0,0366 USD).
** bewertet in separatem Pool mit denselben Ankern (Opus 5.5 - 91,8, Luna - 81,8, Qwen - 77,5, GLM-5.3 - 62,7). Nach Kalibrierung auf die Skala der ersten Runde: 75,3 Punkte.

In der Tabelle des Rankings der 16 Modelle würde Muse Spark (75,3 nach Kalibrierung) Platz 11 belegen, knapp hinter Qwen (75,9) und vor DeepSeek V4 Pro (74,1). MiMo mit 69,1 Punkten würde auf Platz 14 landen, zwischen Claude Sonnet 5 (71,9) und Mistral Medium 3.5 (68,0). Qwen ist dort Zehnter, GLM Vorletzter.

Korrektur zum Qwen-Ergebnis. In der ersten Runde (26. September) dachte Qwen bei der Produktbeschreibung bis zum Limit von 6000 Token und lieferte eine leere Antwort. Wir wiederholten dann den Versuch mit höherem Limit, und diese Antwort bewerteten die Juroren - das Modell verbrauchte 14.460 Token für das Nachdenken über eine kurze Produktbeschreibung. Andere Modelle bekamen diese zweite Chance nicht, also war das ein Methodenfehler unsererseits. Wenn man diese Aufgabe als nicht bestanden zählt (Juroren-Durchschnitt 1, Regeln 0 von 3), hat Qwen 68,2 Punkte, also fast so viel wie MiMo (69,1) und deutlich weniger als Muse Spark (75,5). In dieser Runde wiederholten wir nichts mehr mit höherem Limit. Das leere Quiz von MiMo fließt nicht in das Schreibergebnis ein, da dort nur die Aufgaben T1-T9 zählen.

Was bei den Antworten herauskam

Qwen3.8 Max erfüllte als einziger der vier alle 26 Regeln aus den Anweisungen und korrigierte die schwierige Korrektur fehlerfrei. Am höchsten bewerteten die Juroren den Text über Inflation für Kinder (8,89), die Erzählung (8,56) und die SEO-Titel (8,56). Am schwächsten war die Zusammenfassung (6,22): „termin wdrożenia nie ustalono“ statt „terminu“ und fehlende Schulungen. In der Übersetzung kamen Idiome gut heraus („kubeł zimnej wody„, „szczęście w nieszczęściu„), aber daneben blieben „onboardowanie“ und „follow-up“.

Muse Spark 1.3 hat die ungleichmäßigsten Ergebnisse. Die Übersetzung mit Idiomen bekam 8,67 („to nie fizyka kwantowa“, „zimny prysznic“), der LinkedIn-Post 8,56, aber die Produktbeschreibung nur 3,44, weil das Modell den Absatz auf die geforderte Länge brachte, indem es die gesamte Spezifikation ein zweites Mal wiederholte. Im Artikel fügte es 20-mal „(to przykład)“ hinzu und setzte das türkisch-polnische „nie gerçekowa cena rynkowa“ ein. Der Juroren-Durchschnitt (6,78) und die Natürlichkeit (5,63) sind bei ihm niedriger als bei MiMo und Qwen, und das hohe Ergebnis verdankt er den Regeln (25 von 26) und der Texthygiene: 3 lange Pausen pro 1000 Wörter, am wenigsten im Feld, und null Füllwörter. Außerhalb des Schreibens fast fehlerfrei: schwierige Korrektur 29 von 30, beide Quiz vollständig.

MiMo-V2.6-Pro schrieb die beste Zusammenfassung im gesamten Pool (9,44, höher als Opus 5.5 mit 9,33) und eine fehlerfreie leichte Korrektur. Dafür bekam die Erzählung 5,0 wegen Fehlern wie „Pachniało je zawsze wieczorem“ und „zmoczne“, und im LinkedIn-Post erschien das unverständliche „Nie kubki. Dla nich.“. Pro 1000 Wörter fügte er 24,6 lange Pausen ein, bei 5,1 bei Opus.

GLM-5.3 machte in beiden Durchläufen die meisten Flexions- und Tippfehler: „w ramach przeprosiny“ erschien in beiden E-Mail-Versionen. In der Version mit OpenRouter-Routing bekam die Übersetzung 3,0 („trzymaliśmy się po dachu„, „kwartalele“), in der Version bei Z.ai 8,78. In der Erzählung von Z.ai zählten die Juroren „wypłynął z niej koperta“ und „sernak“. Ein einzelner Versuch pro Aufgabe bedeutet also große Streuung, aber im Durchschnitt schnitten beide Versionen ähnlich ab.

Leere Antworten und Denken auf Polnisch

Im früheren Test chinesischer Modelle auf Polnisch dachte MiMo-V2.6-Pro fünfmal bis zum Limit-Ende und lieferte keinen Text. Diesmal, mit derselben Einstellung effort=low wie bei anderen Modellen, lieferte er 12 von 13 Antworten, da die Anweisungen im Labor kürzer sind (Texte bis 500 Wörter). Die einzige leere ist das schwierige Quiz: 9000 Token Denken, 613 Sekunden, null Text. Wir erhöhten das Limit nicht nur für ihn, da er dann bessere Bedingungen als die anderen bekommen hätte - das Quiz zählen wir als nicht bestanden. Das Denken verbrauchte 85% aller Token, die MiMo im Test generierte (28,5 Tsd. von 33,6 Tsd.).

Wir prüften auch, ob das Problem mit langem Text verschwunden ist. Am 27. September ließen wir noch einmal jene Anweisung für 900 Wörter laufen, mit effort=low: 9000 Token Denken, 204 Sekunden, leere Antwort, 0,0079 USD. Nichts hat sich geändert.

Qwen3.8 Max denkt auch viel: 33 Tsd. Token Denken bei 13 Aufgaben und fast 10 Minuten für 9 Schreibaufgaben. Muse Spark denkt bei effort=low ebenfalls viel (17,2 Tsd. Token, 76% des Outputs), daher dauerten trotz 214-252 Token pro Sekunde in den AA-Messungen 9 Schreibaufgaben 135 Sekunden, fast so viel wie bei Opus 5.5. GLM-5.3 denkt bei effort=low kaum (211 Token im gesamten Test), deshalb ist er am schnellsten.

Preise pro Million Token

Herstellerpreise ohne MwSt., geprüft am 27. September 2026.

Beide Runden kosteten uns 3,26 USD: Runde mit MiMo und GLM - 1,66 USD (0,07 USD Modellantworten und Kontrolle, 1,59 USD Juroren), Runde mit Muse Spark - 1,60 USD (0,10 USD Antworten, 1,50 USD Juroren). Die Anker-Antworten stammen aus der ersten Runde, also zahlten wir nur für ihre erneute Bewertung.

Wie Sie sie nutzen können

• Muse Spark 1.3 - Meta Model API befindet sich in der öffentlichen Vorschau mit „erweitertem globalem Zugang“, aber Meta veröffentlicht keine Länderliste, und im September meldeten Nutzer aus Europa eine Meldung über Nichtverfügbarkeit in der Region. Auf OpenRouter ist das Modell nach Bestätigung des Alters 18+ in den Kontoeinstellungen verfügbar. Die Muse-App (persönlicher Agent) funktioniert nur in den USA. Mehr im Text über Muse Spark 1.3.
• MiMo-V2.6-Pro - API auf mimo.mi.com, kostenloser Chat MiMo Studio laut Xiaomi-FAQ, drei Anbieter auf OpenRouter, Gewichte auf Hugging Face unter MIT-Lizenz.
• Qwen3.8 Max - Alibaba Cloud Model Studio in internationaler Version und OpenRouter (nur Alibaba als Anbieter). Ob Version 0902 im kostenlosen Qwen Chat wählbar ist, konnten wir nicht bestätigen.
• GLM-5.3 - Z.ai API, GLM Coding Plan Abo ab 18 USD monatlich, über 30 Anbieter auf OpenRouter. Der Chat auf chat.z.ai läuft laut Website auf GLM-5.3-Flash, nicht auf dem vollen Modell.

Alle vier (außer Metas Apps) lassen sich am einfachsten über ein Konto auf OpenRouter ausprobieren, so wie wir diesen Test durchführten. Bei Muse Spark muss man zuerst das Alter in den Kontoeinstellungen bestätigen - ohne das gibt OpenRouter Fehler 403 zurück.

Häufig gestellte Fragen

Welches dieser Modelle schreibt am besten auf Polnisch?

In unserem Test Qwen3.8 Max: 76,4 von 100 Punkten, knapp vor Muse Spark 1.3 (75,5). Bei gleichen Token-Limits hat Qwen 68,2 Punkte und fällt hinter Muse und MiMo-V2.6-Pro (69,1). Alle verlieren gegen GPT-6 Luna (81,5), die einen Bruchteil ihres Preises kostet.

Friert MiMo-V2.6-Pro bei polnischen Texten immer noch ein?

Bei kürzeren Anweisungen selten: Mit effort=low lieferte er 12 von 13 Antworten, nur das schwierige Quiz blieb leer. Bei einem Text mit 900 Wörtern denkt er weiterhin bis zum Limit von 9000 Token und liefert nichts.

Ist Muse Spark 1.3 verfügbar?

Über OpenRouter ja, nach Bestätigung des Alters 18+ in den Kontoeinstellungen - ohne das bekamen wir Fehler 403, nach Bestätigung lief der Test problemlos. Den Zugang zur Meta Model API bestätigt Meta offiziell nicht für alle Regionen, und die Muse-App funktioniert nur in den USA.

Warum unterscheidet sich das Benchmark-Ergebnis von unserem Test?

Der Artificial-Analysis-Index misst Agentenaufgaben, Programmierung und Wissen, hauptsächlich auf Englisch, bei maximalem Reasoning. Unser Test prüft Schreiben auf Polnisch bei effort=low.

Welches ist am günstigsten?

MiMo-V2.6-Pro: 0,435 USD pro Million Input-Token und 0,87 USD Output. Unser Test mit 13 Aufgaben kostete darin 0,03 USD.

// weiterlesenQwen3.8 Max Prime Kontextfenster: 1 Million Token erklärtNachrichtenLohnt sich Qwen3.8 Max Prime? Eine ehrliche EinschätzungAnleitungenMuse Spark Open: Metas 816B-Modell, Hardware und TestBenchmarks

Kinetyra