Methodik
Aufnahme. Als lauffähig gilt, was im Browser startet und sich bewegt, auch wenn es eher einer Säule als einer Giraffe gleicht. Wie gut der Gang ist, wurde nicht bewertet. Bei den übrigen Läufen steht der Grund auf der Karte.
Tokens. „Eingabe neu“ und „Ausgabe“ wurden tatsächlich berechnet, „aus Cache“ ist der bei jeder Anfrage erneut gelesene Verlauf. Reasoning-Tokens zählen zur Ausgabe.
Thinking. Was pi und OpenCode zum Thinking an das Modell schickten, ist nachgemessen: Jeder Lauf wurde mit derselben Harness-Version und der Konfiguration vom Testtag noch einmal gegen einen Server gestartet, der nur die Anfragen mitschreibt. In 75 der 84 lokalen Läufe ging keine Thinking-Angabe mit; dann entschied die Voreinstellung des Modells. 71 dieser Läufe enthalten trotzdem Denktext, nur die vier der beiden Mistral-Modelle nicht. OpenCode sandte in keinem Lauf eine Stufe. pi zeigt intern immer eine Stufe an, gab sie aber nur weiter, wo die Modellkonfiguration das vorsah. Die Zeichenzahl ist der Denktext, den das Modell im Lauf ausgab. Bei den Cloud-Läufen schickte keine der beiden Harnesses eine Thinking-Einstellung an OpenRouter; die Karte nennt stattdessen die Reasoning-Tokens, die OpenRouter abgerechnet hat.
OpenRouter-Kosten (theoretisch). Bei lokal gelaufenen Modellen: was dieselben Tokens beim selben Modell über OpenRouter gekostet hätten, nach den Listenpreisen vom 13. November 2026: neue Eingabe zum Eingabepreis, Cache zum Cache-Preis (oder zum Eingabepreis, wenn keiner angegeben ist), Ausgabe zum Ausgabepreis. Dort laufen die Modelle meist in höherer Präzision als die hier getesteten Quantisierungen. Abliterated-Varianten und viele kleine Modelle bietet OpenRouter nicht an.
OpenRouter-Kosten (real). Bei den Cloud-Läufen: was OpenRouter tatsächlich berechnet hat. Alle Anfragen liefen über einen kleinen lokalen Proxy, der OpenRouter um den günstigsten Anbieter des Modells bat und die Kosten mitschrieb, die OpenRouter für jede Anfrage meldete. Brauchte ein Lauf einen zweiten Versuch, sind beide enthalten. Alle gezeigten Cloud-Läufe zusammen kosteten 267,69 $.
Ausgabegrenze. pi und OpenCode erlaubten bis zu 32.768 Ausgabe-Tokens pro Antwort. Ausnahmen mit höherer Grenze, jeweils mit pi: Claude Opus 5.5 (128.000), Gemini 4 Argon und MiniMax-M3 (je 131.072). Die Karte nennt die Grenze.
Modelle. Erscheinungstermin ist, wann das Originalmodell auf Hugging Face angelegt wurde. Prüfsummen sind die SHA256-Werte, die Hugging Face für die GGUF-Dateien angibt. Alle lokalen Läufe nutzten llama.cpp auf einem Mac Studio M5 Ultra mit 256 GB. Der Mac Studio zieht beim Rechnen 259 Watt. Daraus und aus der Coding-Zeit ergibt sich der Stromverbrauch auf jeder lokalen Karte, die Stromkosten rechnen mit 37,3 Cent pro Kilowattstunde, dem Durchschnittspreis für Haushalte 2026 laut BDEW. Das ist eine Obergrenze, denn in Pausen zwischen den Anfragen, etwa wenn die Harness Dateien schreibt, braucht der Rechner weniger. Sie stammen vom 4. bis 13. November 2026, die Cloud-Läufe vom 8. bis 13. November. Wo mehrere Quantisierungen eines Modells im Test sind, steht die Quantisierung im Namen, bei Qwen3.8-27B dahinter auch ihre Herkunft: Unsloth hat seine Dynamic-Quants am 10. und 11. November als Version 3.1 neu hochgeladen, daher ist UD-Q4_K_M in beiden Versionen im Test. „ISTA“ steht für die GSQ-RCO-Quants des ISTA-DASLab. Bei Cloud-Modellen ist der Erscheinungstermin der Tag, an dem das Modell bei OpenRouter erschien. Zwei Cloud-Modelle ließen sich nicht testen: Crouton Alpha wird in unserer Region nicht angeboten, und der einzige Anbieter von Muse Spark 1.3 Contributor darf Anfragen zum Training nutzen, was unser OpenRouter-Konto ausschließt. Die normale Variante Muse Spark 1.3 ist im Test. Wurde ein Lauf nach einer Server-Änderung wiederholt, zählt nur der neue Versuch.
Die Giraffen stammen unverändert von den Modellen; manche laden Three.js von einem CDN. Die Standbilder entstanden mit Software-Rendering.
Bewertung. Die Giraffen bewerten die Besucher im Giraffen-Duell: Zwei laufende Giraffen erscheinen ohne Modellnamen nebeneinander, man kann sie drehen und zoomen, wählt die schönere und schickt die Wahl ab. Erst dann zeigt die Seite die Modelle. Aus allen Stimmen entsteht eine Elo-Rangliste. Gegen Manipulation prüft Cloudflare Turnstile beim Start, ob ein Mensch abstimmt; jede Stimme braucht ein vom Server signiertes Ticket für genau dieses Paar, und jede IP-Adresse zählt pro Paar nur einmal am Tag.
Speicher. Der Speicherbedarf ist die Größe der Modelldateien plus 10 % für den Kontext, mindestens aber 1,5 GB, aufgerundet auf volle GB. „Passt in X GB“ vergleicht damit. Auf einem Mac darf die GPU standardmäßig nur einen Teil des gemeinsamen Speichers nutzen, also etwas Luft lassen.
Geschwindigkeit. Ausgabe-Tokens geteilt durch die Coding-Zeit. Darin stecken auch die Verarbeitung des Prompts und die Laufzeit der Werkzeuge, daher liegt der Wert unter der reinen Generierungsgeschwindigkeit.
