Kimi K2.6, DeepSeek V4, GPT-5.5 oder Claude Opus 4.7: welches Modell wählen?

Wichtig ist die Einordnung: Die Zahlen mischen teils Varianten, Tool-Nutzung, Tool-freie Läufe sowie Effort- oder Thinking-Modi. Sie sind also gute Signale, aber keine endgültige Rangliste für jeden produktiven Workflow .

Kurzfazit: erst den Engpass klären

Was die Benchmarks wirklich sagen

Humanity’s Last Exam, kurz HLE, ist ein multimodaler akademischer Benchmark mit 2.500 Fragen aus Mathematik, Geisteswissenschaften und Naturwissenschaften. Er soll Frontier-Fähigkeiten anhand überprüfbarer Antworten testen . SWE-Bench Pro bewertet Software-Engineering über mehrsprachige Aufgaben auf Basis realer GitHub-Issues, wie DocsBot es beschreibt . Terminal-Bench 2.0 taucht bei VentureBeat im Umfeld agentischer Software-Engineering-Ergebnisse auf .

Praktisch heißt das: Claude Opus 4.7 hat in den vergleichbaren Daten die stärkste Qualitätsspur, GPT-5.5 hat den klarsten Terminal-Vorsprung, Kimi K2.6 sieht beim Verhältnis aus Coding-Leistung und Preis besonders interessant aus, und DeepSeek V4 wird vor allem dann attraktiv, wenn Kosten und Kontextfenster dominieren .

Preis und Kontext: Benchmarks bezahlen nicht die Rechnung

Bei Agenten, die in Schleifen planen, Dateien lesen, Tests starten und mehrfach nachfragen, kann der Tokenpreis wichtiger werden als ein kleiner Benchmark-Abstand. Die vorliegenden Quellen stellen Kimi K2.6 und DeepSeek V4 in die aggressivere Preiszone, während GPT-5.5 und Claude Opus 4.7 eher Premium-Modelle bleiben .

Auffällig ist eine Abweichung bei Claude: Artificial Analysis nennt für Opus 4.7 5/25 US-Dollar und 1 Mio. Kontext, während die von CodeRouter genutzte Kimi-Tabelle für Claude andere Werte führt . Für eine produktive Budgetfreigabe zählt daher immer das aktuelle Angebot des jeweiligen Providers.

Entscheidung nach Einsatzfall

Claude Opus 4.7: wenn ein Fehler teuer wäre

Claude Opus 4.7 ist die naheliegende erste Probe für komplexe Code-Reviews, lange Analysen und Aufgaben, bei denen versteckte Fehler teurer sind als zusätzliche Token. Es liegt in VentureBeats HLE-Auszug vor GPT-5.5 und DeepSeek, führt bei CodeRouter in SWE-Bench Pro mit 64,3 %, und Artificial Analysis ordnet es unter den führenden Intelligenzmodellen ein, warnt aber vor Kosten, Tempo und Verbosität . Für die Anbindung nennt Artificial Analysis die Anthropic-API sowie Amazon Bedrock, Microsoft Azure und Google Vertex; das Kontextfenster wird dort mit 1 Mio. Token angegeben .

GPT-5.5: wenn der Workflow in OpenAI lebt oder das Terminal zählt

GPT-5.5 schlägt Claude Opus 4.7 in den HLE-Zahlen von VentureBeat nicht. Sein stärkstes Signal ist Terminal-Bench 2.0: 82,7 % gegenüber 69,4 % für Claude Opus 4.7 und 67,9 % für DeepSeek V4 . Wenn ein Team bereits mit ChatGPT oder Codex arbeitet, beschreibt eine Praxisanalyse GPT-5.5 als naheliegende Route, bevor man vollständig zu einem anderen Anbieter wechselt .

Kimi K2.6: wenn Coding-Leistung günstiger werden soll

Kimi K2.6 ist in den vorliegenden Quellen der klarste Preis-Leistungs-Kandidat für Coding. CodeRouter sieht es in SWE-Bench Pro mit 58,6 % gleichauf mit GPT-5.5 und listet den Preis mit 0,60/4,00 US-Dollar je 1 Mio. Token . Das Kontextfenster von 256.000 Token ist kleiner als die 1 Mio. Token, die CodeRouter für GPT-5.5 und DeepSeek V4-Pro nennt; wenn der relevante Code aber in dieses Fenster passt, kann der Kostenvorteil entscheidend sein . Wer eigene Gewichte betreiben muss, bekommt bei Kimi zusätzlich einen dokumentierten Pfad: Verdent berichtet, dass K2.6 auf Hugging Face liegt, mit vLLM, SGLang oder KTransformers läuft und für die INT4-Variante bei reduziertem Kontext mindestens 4× H100 als praktikable Hardware nennt .

DeepSeek V4: wenn Volumen und langer Kontext wichtiger sind als die Spitze

DeepSeek V4-Pro beziehungsweise Pro-Max ist in den genannten Benchmarkauszügen nicht der Spitzenreiter: VentureBeat sieht DeepSeek hinter Claude Opus 4.7 und GPT-5.5 bei HLE, Terminal-Bench 2.0 und SWE-Bench Pro . Der Reiz liegt eher in Preis und Kontext. CodeRouter führt V4-Pro mit 1,74/3,48 US-Dollar je 1 Mio. Token und 1 Mio. Kontext; V4 Flash ist mit 0,14/0,28 US-Dollar nochmals günstiger, sollte aber als eigene Variante geprüft werden .

Vier Stolperfallen vor der Migration

1. Nicht jede Zahl beschreibt dieselbe Konfiguration. HLE erscheint mit und ohne Tools; andere Quellen arbeiten mit Modi wie high effort, max effort oder thinking .
2. Varianten dürfen nicht vermischt werden. GPT-5.5 ist nicht GPT-5.5 Pro. Ebenso sind DeepSeek V4-Pro, V4-Pro-Max und V4 Flash nicht automatisch austauschbar .
3. Preise und Leaderboards altern schnell. Verdent weist darauf hin, dass solche Zahlen in einem Umfeld ständiger Modellstarts rasch veralten können .
4. Der eigene Workflow schlägt die lauteste Launch-Woche. Eine Praxisanalyse empfiehlt, dieselbe Aufgabe selbst laufen zu lassen, bevor man die Route wechselt .

Fazit

Wenn nur Qualität zählt, startet der Test sinnvollerweise mit Claude Opus 4.7. Wenn Terminal-Aufgaben, Agenten oder die OpenAI-Umgebung im Vordergrund stehen, ist GPT-5.5 der erste Kandidat. Wenn Coding-Leistung möglichst günstig sein soll, verdient Kimi K2.6 die erste Evaluation. Und wenn der Engpass viele günstige Aufrufe mit langem Kontext sind, lohnt die Prüfung von DeepSeek V4-Pro oder V4 Flash, allerdings mit der Einschränkung, dass DeepSeek in den härtesten verfügbaren Vergleichszahlen nicht führt .