Sprache: Japanisch – Benchmark für KI-Modelle Mehrsprachige LLM-Leistung vergleichen

Die fünf besten KI-Modelle für Aufgaben in der Sprache Japanisch sind Gemini 3.1 Pro Preview, Gemini 3 Pro Preview (high), Claude Opus 4.6 (max), Claude Opus 4.6 (Non-reasoning, high) und Claude Opus 4.5. Sie erreichen im Artificial Analysis Multilingual Index die höchsten Werte für Schlussfolgern in Japanisch.

Einen Leistungsvergleich über alle unterstützten Sprachen finden Sie auf der vollständigen Seite zum mehrsprachigen Benchmark für KI-Modelle.

🇯🇵 Führende Modelle für Japanisch

#1
Gemini 3.1 Pro PreviewGemini 3.1 Pro Preview
94#2
Gemini 3 Pro Preview (high)Gemini 3 Pro Preview (high)
93#3
Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Claude Opus 4.6 (max)
93#4
Claude Opus 4.6 (Non-reasoning, High Effort)Claude Opus 4.6 (Non-reasoning, high)
93#5
Claude Opus 4.5 (Reasoning)Claude Opus 4.5
93

Wichtigste Ergebnisse

Multilingual Index: Japanese · Higher is better
Output tokens per second · Higher is better
USD per 1M tokens (blended) · Lower is better

Multilingual Index

Multilingual Index: Sprache Japanisch

Artificial Analysis Multilingual Index · Higher is better

Multilingual Index: Sprache Japanisch vs. Preis

Artificial Analysis Multilingual Index · USD per 1M tokens (blended)
Most attractive quadrant

Multilingual Index: Sprache Japanisch vs. Ausgabegeschwindigkeit

Artificial Analysis Multilingual Index · Output speed: output tokens per second
Most attractive quadrant

Multilingual Index: Sprache Japanisch vs. Kontextfenster

Artificial Analysis Multilingual Index · Context window: tokens limit
Most attractive quadrant

Global-MMLU-Lite

Mehrsprachiges Global-MMLU-Lite: Sprache Japanisch

Multilingual Global-MMLU-Lite · Higher is better

Preise

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens)

Geschwindigkeit und Latenz

Output Speed

Output tokens per second · Higher is better

Latency: Time To First Answer Token

Seconds to first answer token received · Accounts for reasoning model 'thinking' time

End-to-End Response Time

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better