Der MeshTok-Katalog listet mehr als ein Dutzend Modelle mit einem Kontextfenster von einer Million Token oder mehr. Fast alle geben etwas auf, um dorthin zu kommen — keine Vision, kein Video, kein Audio, ein kleiner Max-Output oder ein fehlendes flagship-Tag. Gemini 3.1 Pro ist die Ausnahme: ein 1.048.576-Token-Kontextfenster, ein 65.536-Token Max-Output, native Bild+Video+Audio-Eingabe, reasoning, tools, json und das flagship-Label, alles in einer einzigen Modell-ID. Die Frage, die dieser Artikel beantwortet, ist, ob diese Kombination den Preis von 2 $ / 12 $ pro Million Token wert ist.
Dies ist eine Spec-and-Pricing-Analyse, kein synthetischer Benchmark. Wir haben keine Latenztests durchgeführt, kein Needle-in-a-Haystack-Recall an jeder Kontextposition gemessen und werden keine Zahl veröffentlichen, die wir nicht durch den Live-Katalog belegen können. Jede Zahl unten ist Arithmetik, die Sie mit einem Taschenrechner aus src/data/models.ts nachvollziehen können. Ziel ist es, Ihnen bei der Entscheidung zu helfen, ob das Millionen-Token-Fenster von Gemini 3.1 Pro einen Platz in Ihrer Routing-Schicht verdient — basierend auf den Daten, die fürs Budget wirklich zählen: Kontextfenster, Max-Output, multimodale Abdeckung und Preis pro Million Token.
Eine ehrliche Anmerkung vor den Zahlen: Die Modell-ID im Katalog lautet google/gemini-3.1-pro-preview. Das -preview-Suffix steht in den Quelldaten und wir werden es nicht verschweigen. Behandeln Sie das Datenblatt als korrekt, aber verifizieren Sie gegen https://meshtok.com/v1/models, bevor Sie eine Produktions-Routing-Entscheidung festlegen.
Gemini 3.1 Pro: das Datenblatt
Heute verfügbar über die MeshTok-unifizierte API unter https://meshtok.com/v1 unter der Modell-ID google/gemini-3.1-pro-preview.
| Feld | Wert |
|---|---|
| Anbieter | Google (USA) |
| Kontextfenster | 1.048.576 Token (2²⁰, leicht über 1 M) |
| Max-Output | 65.536 Token |
| Eingabepreis (pro 1 M) | 2,00 $ |
| Ausgabepreis (pro 1 M) | 12,00 $ |
| Fähigkeiten | image, video, audio, reasoning, tools, json, flagship |
| Veröffentlicht | 2026-06 |
| Wissensstand | 2026-05 |
Drei Dinge stechen auf dieser Ebene heraus:
- Das größte kombinierte Kontext+Output-Fenster aller multimodalen Modelle im Katalog. 1.048.576 Eingabe-Token + 65.536 Output-Token bedeuten, dass ein einziger Aufruf ungefähr eine Million Token aus Text, Bildern, Audio und Video aufnehmen und eine 65K-Token-Antwort ausgeben kann. Kein anderes Modell in
models.tsbringt gleichzeitig alle drei mit: 1M+ Kontext, 65K+ Max-Output und Bild+Video+Audio-Eingabe. - Vollständig nativ multimodal, inklusive Video und Audio. Die meisten 1M-Kontext-Konkurrenten stoppen bei
image(DeepSeek V4 Pro, Qwen3.7 Max, Doubao Seed 2.1 Pro) oder verzichten ganz auf Vision (GLM-5.2). Gemini 3.1 Pro ist der einzige 1M-Kontext-Flagship im Katalog, der Video und Audio nativ neben Text und Bildern akzeptiert. - Es ist als
flagshipundreasoninggelabelt. Google wendet dieselben Capability-Tags an, die es seiner Frontier-Ebene vorbehält. Die günstigeren Gemini-Flash-Varianten tragenfaststattreasoningundflagship— das ist die strukturelle Trennung innerhalb der Familie.
Die Millionen-Token-Frage: Was kostet ein 1M-Kontext wirklich?
Das ist der Teil, den die meisten Marketing-Seiten auslassen. Ein Millionen-Token-Kontextfenster ist ein Budget, kein Geschenk. Jedes Token, das Sie hineinstecken, wird zum Eingabepreis berechnet. Die ehrliche Methode, Long-Context-Modelle zu vergleichen, besteht darin, die Kosten der tatsächlichen Nutzung des Fensters zu berechnen.
Kosten eines voll ausgelasteten Aufrufs (1M Eingabe + eine kurze Zusammenfassung)
Eine typische Long-Context-Workload: ~1M Token an Dokumenten senden und eine kurze Zusammenfassung oder ein paar Aktionspunkte anfordern. Wir nehmen 1.048.576 Eingabe-Token und 1.000 Output-Token an.
| Modell | Eingabekosten | Ausgabekosten | Gesamt pro Aufruf |
|---|---|---|---|
| Gemini 3.1 Pro | 2,097 $ | 0,012 $ | 2,109 $ |
| Gemini 2.5 Pro | 1,311 $ | 0,010 $ | 1,321 $ |
| Gemini 3 Flash | 0,524 $ | 0,003 $ | 0,527 $ |
| DeepSeek V4 Pro | 0,449 $ | 0,001 $ | 0,450 $ |
| GLM-5.2 | 1,143 $ | 0,004 $ | 1,147 $ |
| Claude Sonnet 5 | 3,000 $ | 0,015 $ | 3,015 $ |
Ein einzelner voll ausgelasteter Gemini-3.1-Pro-Aufruf kostet etwa 2,11 $. Führen Sie das tausendmal am Tag aus und Sie geben 2.109 $/Tag aus — rund 63K $/Monat — allein für Eingabe-Token. Das ist kein Grund, das Modell zu meiden; es ist ein Grund, bewusst zu entscheiden, wann Sie wirklich das volle Fenster brauchen.
Kosten eines voll ausgelasteten Long-Output-Aufrufs (1M Eingabe + voller Max-Output)
Wo die Preisgestaltung von Gemini 3.1 Pro strukturell anders wird, ist, wenn Sie auch den großen Max-Output nutzen. Hier nehmen wir an, dass der Kontext bis oben hin gefüllt ist und das Modell seinen vollen Max-Output ausgeben darf.
| Modell | 1M-Eingabe | Max-Output genutzt | Ausgabekosten | Gesamt pro Aufruf |
|---|---|---|---|---|
| Gemini 3.1 Pro | 2,097 $ | 65.536 | 0,786 $ | 2,883 $ |
| GLM-5.2 | 1,143 $ | 128.000 | 0,512 $ | 1,655 $ |
| DeepSeek V4 Pro | 0,449 $ | 32.768 | 0,028 $ | 0,477 $ |
| Claude Sonnet 5 | 3,000 $ | 16.384 | 0,246 $ | 3,246 $ |
GLM-5.2 ist pro voll ausgelastetem Aufruf günstiger, weil sein Max-Output 128K beträgt, aber zu 4 $/1 M statt 12 $/1 M bewertet wird. Der entscheidende Faktor zwischen Gemini 3.1 Pro und GLM-5.2 ist nicht der Preis — sondern ob Sie Video- und Audioeingabe brauchen, die GLM-5.2 gar nicht akzeptiert.
Kosten von 1 Million kurzen Chat-Aufrufen (1K Eingabe + 500 Output jeweils)
Zur Gesundheitsprüfung am anderen Ende des Spektrums: eine Million kurze Aufrufe, jeder 1.000 Eingabe-Token konsumierend und 500 Output-Token produzierend. Das sind insgesamt 1 Milliarde Eingabe-Token und 500 Millionen Output-Token.
| Modell | Eingabekosten (1 Mrd. in) | Ausgabekosten (500 M out) | Gesamt für 1M Aufrufe |
|---|---|---|---|
| Gemini 3.1 Pro | 2.000 $ | 6.000 $ | 8.000 $ |
| Gemini 2.5 Pro | 1.250 $ | 5.000 $ | 6.250 $ |
| Gemini 3 Flash | 500 $ | 1.500 $ | 2.000 $ |
| DeepSeek V4 Pro | 429 $ | 429 $ | 857 $ |
| GLM-5.2 | 1.143 $ | 2.000 $ | 3.143 $ |
| Claude Sonnet 5 | 3.000 $ | 7.500 $ | 10.500 $ |
Beim kurzen Chat-Traffic ist Gemini 3.1 Pro etwa 9,3× teurer als DeepSeek V4 Pro und 2,5× teurer als GLM-5.2. Die Lektion ist einfach: Das Millionen-Token-Fenster ist ein Premium-Feature, und Sie sollten es nicht für Traffic bezahlen, der es nie nutzt.
Innerhalb der Gemini-Familie: welches wählen?
Der MeshTok-Katalog führt sieben Gemini-Modelle mit einem 1M-Klassen-Kontextfenster. Das richtige zu wählen ist meistens ein Trade-off zwischen Reasoning-Tiefe, multimodaler Abdeckung und Preis.
| Modell | Kontext | Max-Out | Eingabe $/M | Ausgabe $/M | Video | Audio | Reasoning | Flagship |
|---|---|---|---|---|---|---|---|---|
| Gemini 3.1 Pro | 1.048.576 | 65.536 | 2,00 $ | 12,00 $ | ✅ | ✅ | ✅ | ✅ |
| Gemini 2.5 Pro | 1.048.576 | — | 1,25 $ | 10,00 $ | ✅ | ✅ | ✅ | ✅ |
| Gemini 3.5 Flash | 1.048.576 | 65.536 | 1,50 $ | 9,00 $ | ✅ | ✅ | — | — |
| Gemini 3 Flash | 1.048.576 | 65.536 | 0,50 $ | 3,00 $ | ✅ | ✅ | — | — |
| Gemini 3.1 Flash Lite | 1.048.576 | — | 0,25 $ | 1,50 $ | ✅ | ✅ | — | — |
| Gemini 2.5 Flash | 1.048.576 | — | 0,30 $ | 2,50 $ | ✅ | ✅ | — | — |
| Gemini 2.5 Flash Lite | 1.000.000 | — | 0,10 $ | 0,40 $ | ✅ | ✅ | — | — |
Lesehilfen zur Matrix:
- Gemini 3.1 Pro vs Gemini 2.5 Pro — 2.5 Pro ist der ältere Flagship und auf beiden Achsen günstiger (1,25 $/10 $ vs 2 $/12 $). Argumente für den Aufpreis auf 3.1 Pro: ein definierter 65.536 Max-Output (2.5 Pro hat keinen expliziten
maxOutput-Eintrag im Katalog), ein aktuellerer Wissensstand (2026-05) und die neuere 3.1-Generation. Argumente, bei 2.5 Pro zu bleiben: Wenn Sie das nicht brauchen, ist er strikt günstiger. - Gemini 3.1 Pro vs Gemini 3 Flash — Flash kostet ein Viertel und teilt sich das 1M-Kontextfenster, den 65K Max-Output und die vollständige multimodale Eingabe. Was Sie aufgeben, sind
reasoningundflagship. Für hochvolumige multimodale Klassifizierung, Transkription oder Routing, wo schrittweises Denken nicht nötig ist, ist Flash die richtige Wahl. Für alles, was von Reasoning-Ketten profitiert — mehrstufige Analyse, Long-Doc-Q&A mit Synthese — ist 3.1 Pro das Upgrade. - Gemini 3.1 Pro vs Gemini 3.1 Flash Lite / 2.5 Flash Lite — die Lite-Varianten sind das Budget-Ende. Sie behalten den 1M-Kontext und die multimodale Eingabe, verzichten aber auf Reasoning und die explizite Max-Output-Obergrenze. Nutzen Sie sie, wenn Sie viele Token günstig aufnehmen müssen und die Qualitätslatte der Antwort moderat ist.
Gemini 3.1 Pro vs andere 1M-Kontext-Flagships
Wie schlägt sich Gemini 3.1 Pro gegen die bekannteren 1M-Kontext-Flagships anderer Labs?
| Modell | Kontext | Max-Out | Eingabe $/M | Ausgabe $/M | Video | Audio | Veröffentlicht |
|---|---|---|---|---|---|---|---|
| Gemini 3.1 Pro | 1.048.576 | 65.536 | 2,00 $ | 12,00 $ | ✅ | ✅ | 2026-06 |
| DeepSeek V4 Pro | 1.000.000 | 32.768 | 0,4286 $ | 0,8571 $ | — | — | 2026-04 |
| GLM-5.2 | 1.000.000 | 128.000 | 1,1429 $ | 4,0000 $ | — | — | 2026-07 |
| Qwen3.7 Max | 1.000.000 | 8.192 | 0,8571 $ | 2,5714 $ | — | — | 2026-06 |
| Claude Sonnet 5 | 1.000.000 | 16.384 | 3,0000 $ | 15,0000 $ | — | — | 2026-05 |
| Claude Opus 4.8 | 1.000.000 | 32.000 | 5,0000 $ | 25,0000 $ | — | — | 2026-06 |
Zwei strukturelle Beobachtungen:
- Gemini 3.1 Pro ist das einzige Modell in dieser Tabelle mit nativer Video- und Audioeingabe. Jeder andere 1M-Kontext-Flagship akzeptiert höchstens Bilder. Wenn Ihre Workload Video-Verständnis, Meeting-Transkription oder eine Pipeline ist, die Audio/Video neben Text aufnimmt, dann ist Gemini 3.1 Pro nicht die günstigste Option — es ist die einzige Option in der 1M-Kontext-Klasse.
- GLM-5.2 hat den größten Max-Output (128K), aber keinerlei Multimodalität. Wenn Ihre Workload sehr lange Single-Turn-Textantworten aus reinen Texteingaben erzeugen muss, ist GLM-5.2 sowohl günstiger als auch hat ein längeres Ausgabefenster. Sobald Sie ein Bild, Video oder Audio brauchen, fällt GLM-5.2 aus und Gemini 3.1 Pro kommt zurück ins Gespräch.
Der Long-Context-vs-RAG-Trade-off (die ehrliche Antwort)
Die Frage „lohnt sich das Millionen-Token-Fenster?” reduziert sich fast immer auf eine Kostenfrage, nicht auf eine Fähigkeitsfrage. Ein 1M-Kontext erlaubt es, eine Retrieval-Pipeline zu überspringen und einfach alles in den Prompt zu kippen. Das ist bequem, aber bei 2 $/1 M Eingabe ist es auch bei jedem einzelnen Aufruf teuer — und Sie zahlen es beim nächsten Aufruf erneut, denn das Kontextfenster wird nicht kostenlos gecacht.
Eine einfache Faustregel, ausschließlich aus der obigen Preisgestaltung abgeleitet:
- Wenn derselbe große Korpus oft abgefragt wird, ist Retrieval günstiger. Senden Sie 5K abgerufene Token zu 2 $/1 M = 0,01 $ pro Aufruf statt 1M Token zu 2 $/1 M = 2,00 $ pro Aufruf. Sie erreichen die Gewinnschwelle nach etwa 200 reinen Retrieval-Aufrufen für jeden einzelnen Full-Context-Aufruf.
- Wenn der Korpus ein- oder zweimal abgefragt und dann verworfen wird (einmalige Zusammenfassung eines neuen Transkripts, ein einzelnes Deep-Read eines Vertrags, ad-hoc-Erkundung einer Codebase), ist Long Context das richtige Werkzeug. Das Retrieval-System würde mehr kosten, als es an Token einspart.
- Wenn Sie Audio- oder Video-Verständnis über einen langen Zeitraum brauchen (eine 2-stündige Meeting-Aufnahme, ein langes Video), ist Gemini 3.1 Pro das einzige Modell im Katalog, das diese Eingabemodalität mit einem 1M-Fenster kombiniert. Es gibt keinen günstigeren Ersatz innerhalb der 1M-Klasse — der Trade-off ist zwischen Gemini 3.1 Pro und einem Modell mit kürzerem Kontext plus Chunking.
Wann Sie Gemini 3.1 Pro wählen (und wann nicht)
Es gibt kein „bestes Modell” — nur das richtige Modell für eine gegebene Workload und ein gegebenes Budget. Nutzen Sie diese Matrix als Startpunkt und validieren Sie mit Ihrem eigenen Eval.
| Workload | Empfohlen | Warum |
|---|---|---|
| Langes Video- oder Audio-Verständnis (1M+ Token Medien) | Gemini 3.1 Pro | Einziges 1M-Kontext-Modell im Katalog mit nativer video- und audio-Eingabe. Kein günstigerer Ersatz in dieser Klasse. |
| Gemischte multimodale Long-Context-Analyse (Text + Bilder + Audio) | Gemini 3.1 Pro | Einziger Flagship, der 1M-Kontext, 65K Max-Output und vollständige multimodale Eingabe kombiniert. |
| Long-Context rein textbasiert mit sehr langem Output (>65K, bis 128K) | GLM-5.2 | GLM-5.2s 128K Max-Output ist einzigartig. Günstiger bei voll ausgelasteten Long-Output-Aufrufen. Keine Vision. |
| Hochvolumiger 1M-Kontext multimodal mit Budget | Gemini 3 Flash | Ein Viertel des Preises von 3.1 Pro, gleicher 1M-Kontext, gleiche multimodale Eingabe. Verzichtet auf Reasoning. |
| Günstigstmöglicher 1M-Kontext (Text oder Bild) | DeepSeek V4 Pro | 0,43 $/1 M Eingabe — 4,7× günstiger als Gemini 3.1 Pro bei der Eingabe. Kein Video/Audio. |
| Top-Tier-Code-Qualität, Kosten zweitrangig | Claude Sonnet 5 | Anthropics Positionierung und Community-Evals setzen Sonnet 5 ganz oben für Code. Gemini 3.1 Pro, wenn multimodaler Long-Context wichtiger ist. |
| Long-Context-analytisches Reasoning ohne Multimodalität | GLM-5.2 oder DeepSeek V4 Pro | Beide günstiger für rein textbasierte Long-Context-Arbeit. GLM-5.2 für langen Output, V4 Pro für niedrigste Kosten. |
Eine vernünftige Standard-Routing-Policy: leiten Sie jeden Aufruf, der Video oder Audio enthält, an Gemini 3.1 Pro; leiten Sie Long-Text-Refactorings mit sehr langem Output an GLM-5.2; leiten Sie günstigen hochvolumigen Text+Bild-Traffic an DeepSeek V4 Pro; reservieren Sie Claude Sonnet 5 für Code mit hohen Einsätzen. Gemini 3.1 Pro ist der multimodale Long-Context-Spezialist, nicht der Default für alles.
Wie man Gemini 3.1 Pro aufruft (echter, ausführbarer Code)
MeshTok stellt einen einzigen OpenAI-kompatiblen Endpoint unter https://meshtok.com/v1 bereit. Zwischen Gemini 3.1 Pro und jedem anderen Modell in diesem Artikel zu wechseln ist eine einzeilige Änderung des model-Felds — gleiches SDK, gleicher API-Key, gleiches Anfrageformat. Das Beispiel unten zeigt das Long-Context-Multimodal-Muster: ein langer Text-Prompt plus eine Bild-URL, gesendet als ein einzelner Aufruf.
# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-meshtok-key",
)
def ask(model_id: str, prompt: str, image_url: str | None = None) -> str:
"""Same call, different model and modality — switch with one string."""
content = [{"type": "text", "text": prompt}]
if image_url:
content.append({"type": "image_url", "image_url": {"url": image_url}})
resp = client.chat.completions.create(
model=model_id,
messages=[{"role": "user", "content": content}],
)
return resp.choices[0].message.content
# Real model IDs from the MeshTok catalog
multimodal_long = ask("google/gemini-3.1-pro-preview",
"Summarize this 800K-token transcript and extract action items.",
image_url="https://example.com/chart.png")
text_only_long = ask("bigmodel/glm-5.2",
"Rewrite this 50K-token file with the new API.")
cheap_long = ask("deepseek/deepseek-v4-pro",
"Summarize this 200K-token document.")
coding_flagship = ask("anthropic/claude-sonnet-5",
"Refactor this Python function and add tests.")Streaming, Tool Calling, JSON-Modus und Bildeingabe funktionieren alle gleich — ändern Sie den model-String und fügen Sie die relevanten Parameter hinzu. Für Streaming-Antworten übergeben Sie stream=True; für Tool Calling übergeben Sie das tools-Argument; für strukturierte Ausgabe verwenden Sie response_format={"type": "json_object"}. Siehe die MeshTok-Streaming-Doku und die Tool-Calling-Doku für vollständige Beispiele in Python, JavaScript und cURL.
FAQ
Ist Gemini 3.1 Pro wirklich das einzige 1M-Kontext-Modell mit Video- und Audioeingabe?
Stand 2026-07-21, ja. Alle anderen Modelle in src/data/models.ts mit einem 1M+-Kontextfenster — DeepSeek V4 Pro, DeepSeek V4 Flash, GLM-5.2, Qwen3.7 Max/Plus, Qwen3.5 Plus/Flash, Qwen3.6 Plus, Claude Sonnet 5, Claude Opus 4.6/4.7/4.8, MiniMax M3, Longcat 2.0, Mimo V2 Pro/V2.5 — akzeptieren entweder nur Text oder Text plus Bilder. Keines trägt das video- oder audio-Capability-Tag. Die einzigen Modelle mit nativer Video/Audio-Eingabe ist die Gemini-Familie selbst.
Warum keine Latenz- oder Recall-Benchmarks in diesem Artikel? Weil wir keine durchgeführt haben und wir keine Zahlen veröffentlichen, die wir nicht mit rohen Logs belegen können. Long-Context-Recall (die Frage nach der Nadel im Heuhaufen) hängt von Prompt-Form, Position, Sprache und dem Aufmerksamkeitsverhalten des Modells in jeder Tiefe ab — eine einzelne Recall-Prozentzahl ohne Test-Harness, ohne Prompts und ohne rohe Outputs ist Marketing, keine Daten. Wenn Sie Recall-Zahlen für Ihre Workload brauchen, führen Sie sie selbst auf MeshTok mit Ihrem eigenen Korpus aus. Die obenstehenden Preis- und Capability-Daten sind der stabile und verifizierbare Teil.
Ist das -preview-Suffix in der Modell-ID ein Problem?
Es ist ein Signal, kein Blocker. Google liefert 3.1 Pro als Preview-Modell im Katalog (google/gemini-3.1-pro-preview). Das bedeutet normalerweise, dass das Datenblatt korrekt ist, das Modell aber sein Verhalten ohne Versions-Bump ändern kann. Für Produktions-Routing, wo Stabilität wichtiger ist als die neueste Fähigkeit, ist Gemini 2.5 Pro die Nicht-Preview-Flagship-Alternative zu einem niedrigeren Preis.
Wie vergleicht sich Gemini 3.1 Pro mit Gemini 2.5 Pro?
2.5 Pro ist der ältere Google-Flagship. Er ist günstiger (1,25 $/10 $ vs 2 $/12 $), trägt dieselben flagship + reasoning + voll-multimodal-Tags und hat dasselbe 1.048.576-Kontextfenster. Argumente für den Aufpreis auf 3.1 Pro: ein definierter 65.536 Max-Output, ein aktuellerer Wissensstand (2026-05) und die neuere 3.1-Generation. Argumente, bei 2.5 Pro zu bleiben: er ist strikt günstiger, wenn Sie diese drei Dinge nicht brauchen.
Unterstützt Gemini 3.1 Pro Tool Calling und strukturierte Ausgaben?
Ja. Das Feld capabilities listet tools und json, was bedeutet, dass nativer Function Calling und JSON-Modus-strukturierte Ausgabe beide über den OpenAI-kompatiblen MeshTok-Endpoint unterstützt werden. Das Anfrageformat ist identisch mit dem von OpenAI — nur das Feld model ändert sich.
Ist das 1M-Kontextfenster echt oder Marketing?
Es ist das deklarierte Kontextfenster in src/data/models.ts, gespiegelt aus Googles eigener Modellkarte. Der tatsächlich nutzbare Kontext hängt von Ihrer Prompt-Form, Ihrer Retrieval-Strategie und davon ab, wie das Modell Long-Context-Aufmerksamkeit handhabt — all das sollten Sie auf Ihren eigenen Daten testen. Die Katalog-Zahl ist die obere Grenze, die das Modell akzeptiert, keine Qualitätsgarantie an jeder Position.
Warum ist Gemini 3.1 Pro so viel teurer als DeepSeek V4 Pro? Unterschiedliche Kostenstrukturen und unterschiedliche Fähigkeiten. DeepSeek V4 Pro ist aggressiv für Text+Bild-Volumen bepreist und akzeptiert kein Video oder Audio. Gemini 3.1 Pro ist als voller multimodaler Flagship mit nativer Video- und Audio-Unterstützung bepreist — das ist eine andere Eingabeoberfläche, kein direkter Text-zu-Text-Vergleich. MeshTok schlägt keine Margen auf; Sie sehen genau, was jedes Lab veröffentlicht.
Sind diese Preise stabil?
Modell-Anbieter aktualisieren Listenpreise regelmäßig. Die Zahlen in diesem Artikel spiegeln den MeshTok-Katalog am 2026-07-21 wider. Das Feld updatedDate oben auf der Seite sagt Ihnen, wann der Artikel zuletzt geprüft wurde; die maßgebliche Live-Quelle ist immer https://meshtok.com/models.
Zuletzt geprüft am 2026-07-21 vom MeshTok-Team. Alle Preise und Fähigkeiten stammen aus dem Live-MeshTok-Modellkatalog (src/data/models.ts) am Prüfdatum. Es wurden keine Messungen von Latenz, Token-Anzahl, Recall oder Qualität für diesen Artikel vorgenommen — die gezeigten Zahlen sind arithmetische Projektionen aus veröffentlichten Listenpreisen, keine empirischen Benchmarks.