KI-Zeichentest: Welches Modell überzeugt wirklich?

KI-Zeichentest: Vier Modelle malen die Mona Lisa, das teuerste zahlt sich nicht aus

Markus Seyfferth

Autor Dr. Web

31. Juli 2026

2 Min. Lesezeit

Vier führende KI-Bildmodelle bekamen dieselbe Aufgabe: die Mona Lisa mit virtuellen Buntstiften nachzuzeichnen, Strich für Strich auf leerer Leinwand. Ein offener Test der Plattform tryai.dev trennt dabei die Bildqualität sauber vom Preis. Beides fällt weiter auseinander, als die Tarife vermuten lassen.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Im KI-Zeichentest der Plattform tryai.dev traten vier Modelle gegeneinander an, und das teuerste kostete rund das Zwanzigfache der Konkurrenz, ohne die beste Zeichnung abzuliefern.^[1] GPT-5.6 Sol, Claude Fable 5, Grok 4.5 und Gemini 3.6 Flash malten je sieben Motive, zwei davon nach einer objektiven Ähnlichkeitszahl bewertet. Teams, die bei Bildaufgaben auf Autopilot setzen, zahlen schnell für das Verhalten der KI statt für die Qualität.

Das Wichtigste in Kürze

Im Zeichentest von tryai.dev malten GPT-5.6 Sol, Claude Fable 5, Grok 4.5 und Gemini 3.6 Flash je sieben Motive auf leerer Leinwand, gesteuert über einen Buntstift-Werkzeugkasten.
Claude Fable 5 verursachte für seine sieben Bilder rund 140 Euro Rechenkosten, etwa zwanzigmal so viel wie GPT-5.6 Sol mit rund 7 Euro.
In allen acht bewerteten Läufen lag das fertige Bild unter dem besten Zwischenstand: Das jeweilige Modell zeichnete über seinen eigenen Höhepunkt hinaus.
Optisch überzeugte GPT-5.6 Sol die Tester am meisten, die höchste Messzahl erreichte Gemini 3.6 Flash, was die Lücke zwischen Kennzahl und Bildeindruck zeigt.

Was zeigt ein Zeichentest, den Benchmarks verschweigen?

Ein Stifthalter mit drei Bleistiften und einem goldenen Stift, der ein Preisschild trägt — Alle Modelle nutzten dieselben Werkzeuge: Farbe, Strich, Verwischen, Radieren. Offene Aufgaben zeigen Unterschiede besser als optimierte Benchmarks

Der Reiz liegt in der Unschärfe der Aufgabe. Jedes Modell steuerte denselben Werkzeugkasten aus Farbwahl, Strich, Verwischen, Radieren und einem prüfenden Blick auf die eigene Leinwand. Solche offenen Aufgaben trennen die Spitzenmodelle vom Rest deutlicher als polierte Benchmark-Tabellen, in denen Labore gezielt auf die Wertung hin optimieren. Grok 4.5 lieferte trotz hektischer Werkzeugnutzung kaum Brauchbares, und die getesteten Modelle mit offenen Gewichten gaben teils eine leere Leinwand zurück. Genau diese Kluft zwischen Kennzahl und Können treibt auch die Debatte um aussagearme KI-Benchmarks.

Zahlt sich das teuerste KI-Modell aus?

Den größten Ausschlag gab nicht die Auflösung, sondern das Verhalten im Werkzeug. Claude Fable 5 überprüfte und verwischte am ausdauerndsten, verbrauchte dabei die meisten Token und kam so auf rund 140 Euro für seine sieben Bilder, während GPT-5.6 Sol mit rund 7 Euro auskam und optisch vorn lag. Grok blieb trotz 34 Millionen Token günstig, weil fast alles aus zwischengespeicherten Lesevorgängen stammte. Der Preis pro Aufgabe hängt also an der Zahl der Schritte und Selbstkontrollen, nicht allein am Tarif je Token, ein Muster, das auch autonome KI-Agenten unnötig teuer macht. Bei einem günstigen Modell wie Gemini 3.6 Flash fällt der Aufschlag durch viele Zwischenschritte weniger ins Gewicht.

Der Zeichentest widerlegt die bequeme Annahme, das teuerste Modell sei automatisch das beste. Entscheidend ist, wie sparsam ein Modell zum Ziel kommt und wann es aufhört, nicht der Tarif auf dem Datenblatt.
— Michael Dobler, Herausgeber Dr. Web

rund 7 €

GPT-5.6 Sol, zugleich die beste Optik im Test

rund 8 €

Grok 4.5, günstig, aber kaum brauchbare Ergebnisse

rund 11 €

Gemini 3.6 Flash, höchste Messzahl (SSIM)

rund 140 €

Claude Fable 5, rund zwanzigmal teurer, Qualität auf Platz zwei

Drei Zahlen aus dem Test

20-fach

Kostenunterschied zwischen dem teuersten und dem günstigsten Modell

8 von 8

bewertete Läufe, in denen das Endbild schlechter ausfiel als der beste Zwischenstand

34 Mio.

Token verbrauchte Grok und blieb dank zwischengespeicherter Daten dennoch günstig

SSIM ist nicht OptikDie höchste Ähnlichkeitszahl erreichte Gemini 3.6 Flash. Optisch überzeugte GPT-5.6 Sol die Tester am meisten.

Worauf sollten DACH-Teams bei KI-Bildern achten?

Für Design- und Marketingteams zählt daraus vor allem eins: die eigene Aufgabe schlägt jede Rangliste. Die höchste Messzahl erreichte Gemini 3.6 Flash, den Testern gefiel jedoch GPT-5.6 Sol am besten, weil die Ähnlichkeitszahl SSIM nur die Struktur misst, nicht den Bildeindruck. Prüfen Sie ein Modell deshalb am besten an einem echten Auftrag und rechnen Sie die Kosten je fertigem Motiv, nicht je Token. Läuft eine KI in einer Schleife, begrenzen Sie besser die Zahl der Korrekturrunden, denn die Modelle malten über ihren besten Stand hinaus. Für den Alltag im Marketing entscheidet ohnehin oft die passende Anwendung, wie der Vergleich Adobe Firefly gegen Midjourney zeigt.

Die Werkzeuge des Tests sind quelloffen und lassen sich mit eigenen Vorlagen nachstellen.^[2] Bevor das nächste Budget in ein größeres Modell fließt, lohnt der eigene Bildtest mehr als der Blick auf die Bestenliste.