Grok 4.20 (Reasoning) (thinking on)
Grok 4.20 (Reasoning) ist xAIs Frontier-Modell mit dediziertem Reasoning-Modus und proprietärer Cloud-only-Lizenz aus den USA. Das am 9. März 2026 veröffentlichte Modell liefert Reasoning-Schritte über Provider-Metadaten statt Content-Tags und ist Teil einer Familie mit Non-Reasoning- und Multi-Agent-Varianten.
- Proprietär
- Frontier
- API
- Text
- Vision
- Real-Time
Sovereign Risk: MEDIUM Das Modell wird von xAI entwickelt, einem Unternehmen mit Sitz in den USA. Aufgrund der US-amerikanischen Rechtslage (einschließlich des CLOUD Acts) besteht ein mittleres Risiko hinsichtlich des Zugriffs von Behörden auf Daten und Modellgewichte, falls diese in der US-Jurisdiktion gehostet werden. Als reines Cloud-API-Modell ohne Möglichkeit lokalen Betriebs ist diese Risikoeinstufung durchgehend relevant, nicht nur optional wie bei Open-Weight-Modellen.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 69.4
- Routine
- 43.85
- Reasoning
- 25.55
- LLM Judge Avg
- 3.49 / 5
- 100 Coverage
- Avg Task Duration
- 15.79s
- Real-Time
- Token Rate
- 40.97tok/s
- Output Rate
- P95 Latency
- 29.5s
- Top 5 %
- Total Tokens
- 49000
- Output Volume
- Cost per 1K
- $0.0025
- USD / 1K Requests
- Benchmark Cost
- $0.12
- Total · 49000 tok
Benchmark-Module
10 Module · gewichtet · vs. Modellmedian & Spitzenreiter
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.