Wie stark ist GPT-5.5? Öffentliche Benchmarks zeigen Stärken und Lücken

Gleichzeitig gibt es Disziplinen, in denen andere Modelle vorne liegen. In SWE-Bench Pro, einem Benchmark zur Lösung von GitHub-Issues, übertrifft Claude Opus 4.7 GPT-5.5. Bei BrowseComp liegen Gemini 3.1 Pro und Mythos Preview vor GPT-5.5. Wer also beruflich ein Modell auswählt, sollte GPT-5.5 unbedingt testen – aber nicht ohne Vergleich mit den wichtigsten Alternativen.

Die wichtigsten Benchmarks im Überblick

Das Muster ist wichtiger als jede einzelne Zahl: GPT-5.5 wirkt besonders stark bei Terminal-Arbeit, mathematischem Schließen, Office-nahen Aufgaben und Wissensarbeit. Bei GitHub-Issue-Lösung, Web-Browsing und bestimmten Computer-Use-Aufgaben bleibt der Wettbewerb sehr eng.

Wo GPT-5.5 in der Praxis besonders sinnvoll wirkt

1. Entwicklung, Terminal und Debugging

Für Entwicklerinnen und Entwickler ist GPT-5.5 vor allem dann interessant, wenn ein Modell nicht nur Code schreiben, sondern auch mit Befehlszeile, Tool-Ketten und Fehlersuche umgehen soll. OpenAI nennt Codeerstellung und Debugging ausdrücklich als Stärken, und Terminal-Bench 2.0 weist für GPT-5.5 einen Wert von 82,7 aus.

Das heißt aber nicht, dass GPT-5.5 bei jeder Art von Softwareentwicklung vorne liegt. SWE-Bench Pro prüft die Lösung von GitHub-Issues; dort erreicht GPT-5.5 58,6, während Claude Opus 4.7 mit 64,3 höher liegt. Für Teams mit großen bestehenden Repositories, vielen Tickets und anspruchsvollen Refactorings bleibt ein direkter Vergleich daher Pflicht.

2. Recherche, Datenanalyse und mehrstufige Aufgaben

OpenAI positioniert GPT-5.5 als Modell für Online-Recherche, Datenanalyse und Aufgaben, die mehrere Tools und Schritte umfassen. Es soll planen, Werkzeuge verwenden, die eigene Arbeit prüfen und auch bei unklaren Vorgaben weiterarbeiten können.

Bei stark browserlastigen Aufgaben ist das Bild allerdings nicht eindeutig. In BrowseComp kommt GPT-5.5 auf 84,4, während Gemini 3.1 Pro 85,9 und Mythos Preview 86,9 erreichen. Wer also vor allem Recherche mit vielen Such- und Browse-Schritten automatisieren möchte, sollte diese Modelle ebenfalls in die Auswahl nehmen.

3. Dokumente, Tabellen und Büroarbeit

Bei klassischer Wissens- und Büroarbeit scheint GPT-5.5 besonders gut zu passen: OpenAI nennt das Erstellen von Dokumenten und Tabellen sowie das Bedienen von Software als Einsatzfelder. Die New York Times berichtete ebenfalls, OpenAI habe die neue Technik als stärker beim Schreiben von Code und bei Aufgaben rund um Büroarbeit beschrieben.

Dazu passt OfficeQA Pro: GPT-5.5 erreicht dort 54,1 und liegt damit vor Claude Opus 4.7 mit 43,6 und Gemini 3.1 Pro mit 18,1. Für Berichte, interne Unterlagen, Tabellenanalysen, Prozessdokumentation oder ähnliche Arbeiten ist GPT-5.5 deshalb ein sehr naheliegender Kandidat.

4. Mathematik und technisches Schlussfolgern

Auch bei mathematischen und technischen Aufgaben gehört GPT-5.5 in die Spitzengruppe. In FrontierMath erreicht es 51,7 in Tier 1–3 und 35,4 in Tier 4; in derselben Vergleichstabelle liegen Claude Opus 4.7 und Gemini 3.1 Pro niedriger.

Für Aufgaben mit Berechnungen, Modellierung, technischer Analyse oder mehrstufiger Logik spricht das klar für GPT-5.5 – auch wenn Benchmarks nie garantieren, dass ein Modell in jedem Einzelfall richtig liegt.

Was sich gegenüber GPT-5.4 verändert hat

GPT-5.4 wurde bereits als Modell beschrieben, das Fortschritte bei Reasoning, Coding und agentischen Workflows bündelt und besser mit Tools, Softwareumgebungen sowie professionellen Aufgaben rund um Tabellen, Präsentationen und Dokumente umgehen soll.

GPT-5.5 verschiebt diesen Ansatz noch stärker in Richtung selbstständiger Arbeitsausführung. OpenAI sagt, das Modell verstehe schneller, was Nutzer erreichen wollen, und könne mehr Arbeit eigenständig übernehmen. Außerdem nennt OpenAI eine klare Verbesserung gegenüber GPT-5.4 bei GeneBench, einem Benchmark für mehrstufige wissenschaftliche Aufgaben.

Ist GPT-5.5 stärker als Claude oder Gemini?

Die ehrliche Antwort lautet: Es kommt auf den Job an.

GPT-5.5 liegt in den veröffentlichten Vergleichsdaten bei Terminal-Bench 2.0, FrontierMath, OfficeQA Pro und GDPval vor Claude Opus 4.7 und Gemini 3.1 Pro. Das spricht für GPT-5.5, wenn es um Terminal-Workflows, mathematisches Schließen, Office-Aufgaben und Wissensarbeit geht.

Anders sieht es bei einzelnen Spezialdisziplinen aus. In SWE-Bench Pro liegt Claude Opus 4.7 vor GPT-5.5, und in BrowseComp schneiden Gemini 3.1 Pro sowie Mythos Preview besser ab. Für GitHub-Issues, browserlastige Recherche oder Computerbedienung sollte man daher nicht nur auf den Gesamteindruck schauen, sondern die Modelle mit den eigenen Aufgaben testen.

Worauf Teams bei der Einführung achten sollten

Benchmarks sind nützlich, aber sie ersetzen keinen Praxistest. Entscheidend ist, wie stabil ein Modell mit den eigenen Dateien, Tools, Repositories, Datenquellen und Arbeitsabläufen umgeht. GPT-5.5 wird von OpenAI zwar ausdrücklich für Code, Recherche, Datenanalyse, Dokumente, Tabellen, Softwarebedienung und toolübergreifende Aufgaben positioniert, doch die öffentlichen Benchmark-Ergebnisse zeigen je nach Disziplin unterschiedliche Sieger.

Für eine realistische Auswahl bieten sich diese Tests an:

• Bei bestehenden Codebasen und GitHub-Issues GPT-5.5 direkt gegen Claude Opus 4.7 testen, weil Claude in SWE-Bench Pro vorne liegt.
• Bei Terminal-lastigen Entwicklungsabläufen GPT-5.5 als sehr starken Kandidaten prüfen, weil es in Terminal-Bench 2.0 82,7 erreicht.
• Bei Recherche mit vielen Browse-Schritten auch Gemini 3.1 Pro und Mythos Preview vergleichen, da beide in BrowseComp vor GPT-5.5 liegen.
• Bei Dokumenten, Tabellen und Büroprozessen GPT-5.5 besonders ernst nehmen, weil OpenAI diese Felder hervorhebt und OfficeQA Pro starke Ergebnisse zeigt.

Schlussbewertung

GPT-5.5 ist sehr stark – aber nicht der unangefochtene Sieger in jeder Kategorie. Die öffentlichen Benchmarks zeigen Spitzenwerte bei Terminal-Arbeit, Mathematik, OfficeQA und Wissensarbeit. Gleichzeitig gibt es Bereiche wie SWE-Bench Pro, BrowseComp und OSWorld-Verified, in denen andere Modelle gleichziehen oder vorbeiziehen.

Die praktischste Einordnung lautet daher: GPT-5.5 ist einer der besten Allround-Kandidaten für anspruchsvolle Arbeit mit KI. Wer es produktiv einsetzen will, sollte aber nicht nur auf Ranglisten schauen, sondern es mit den eigenen Aufgaben gegen Claude, Gemini und gegebenenfalls Mythos Preview antreten lassen.