GPT-5.5 gegen Claude Opus 4.7: Benchmarks richtig lesen

Wer GPT-5.5 und Claude Opus 4.7 nur nach einem Gesamtscore sortiert, stellt die Frage zu grob. Die nützlichere Lesart lautet: Die Benchmarks küren keinen universellen Sieger, sondern zeigen unterschiedliche Stärken je nach Aufgabe. LLM Stats kommt zu einer ähnlichen Einordnung: Die Zahlen wählen eher den Workload als das Modell .

In den vorliegenden Berichten wirkt GPT-5.5 besonders stark bei Terminal-Ausführung, mathematischem Reasoning und BrowseComp-ähnlicher Recherche. Claude Opus 4.7 liefert die besseren Signale bei schwieriger Softwareentwicklung und bei MCP-/Tool-Orchestrierung, also bei Agenten, die mehrere externe Werkzeuge koordiniert nutzen .

Benchmark-Überblick

Benchmark / Bereich	GPT-5.5	Claude Opus 4.7	Einordnung
SWE-Bench Verified	88,7 %	87,6 %	Praktisch Gleichstand; 1,1 Prozentpunkte Vorsprung sind hier kaum entscheidend .
SWE-Bench Pro	58,6 %	64,3 %	Deutlicheres Signal für Claude bei schwierigeren Engineering-Aufgaben .
Terminal-Bench 2.0	82,7 %	69,4 % angegeben	GPT-5.5 wirkt bei Terminal-orientierter Ausführung stärker; die Opus-Zahl ist in öffentlichen Quellen aber nicht überall gleich vollständig ausgewiesen .
MCP Atlas	75,3 %	77,3–79,1 %	Claude liegt bei Tool-Calling und Orchestrierung vorn .
FrontierMath Tier 1–3	51,7 %	43,8 %	GPT-5.5 hat bei mathematischem Reasoning einen klaren Vorsprung .
FrontierMath Tier 4	35,4 %	22,9 %	Auch im schwierigeren Mathematik-Tier liegt GPT-5.5 vorn .
GPQA Diamond	93,6 %	94,2 %	Nahezu Gleichstand, mit leichtem Vorteil für Claude .
Humanity’s Last Exam, ohne Tools	41,4 %	46,9 %	Claude liegt bei diesem breiten Exam-Reasoning vorn .
Humanity’s Last Exam, mit Tools	52,2 %	54,7 %	Auch mit Tools bleibt Claude leicht vorn .
BrowseComp	84,4 %	79,3 %	GPT-5.5 wird bei BrowseComp-ähnlicher Recherche stärker berichtet .

Zwei Zeilen verdienen besondere Vorsicht. Bei Terminal-Bench 2.0 nennen LLM Stats und andere Zusammenfassungen für Claude Opus 4.7 69,4 %, während eine andere Gegenüberstellung GPT-5.5 mit 82,7 % zeigt, aber keinen öffentlichen Opus-Wert ausweist . Bei MCP Atlas zeigt BenchLMs öffentliche Momentaufnahme Claude Opus 4.7 mit 77,3 % und GPT-5.5 mit 75,3 %, während andere Berichte für Claude 79,1 % nennen . Die Richtung bleibt trotzdem relativ stabil: GPT-5.5 sieht bei Terminal-Ausführung stark aus, Claude Opus 4.7 bei Tool-Orchestrierung.

Coding: Nicht nur auf SWE-Bench Verified schauen

SWE-bench testet, wie gut ein Modell reale GitHub-Issues lösen kann; die Pro-Variante gilt als schwieriger und enthält komplexere Aufgaben . Auf SWE-Bench Verified liegen GPT-5.5 mit 88,7 % und Claude Opus 4.7 mit 87,6 % so nah beieinander, dass man eher von einem praktischen Gleichstand sprechen sollte .

Der interessantere Coding-Hinweis kommt von SWE-Bench Pro. Dort wird Claude Opus 4.7 mit 64,3 % und GPT-5.5 mit 58,6 % angegeben — ein Abstand von 5,7 Prozentpunkten zugunsten von Claude . Auch die Struktur des Benchmarks spricht dafür, diesen Wert ernst zu nehmen: Ein Überblick beschreibt SWE-Bench Verified mit 500 Aufgaben aus 12 Python-Repositories, während SWE-Bench Pro 1.865 Aufgaben aus 41 Repositories umfasst, darunter Python, Go, TypeScript und JavaScript; die durchschnittlich geänderten Dateien steigen von ungefähr 1 auf 4,1 .

Für die Praxis heißt das: Wer Multi-File-Bugfixes, Pull-Request-Reparaturen, Refactorings oder produktionsnahe Coding-Agenten baut, sollte Claude Opus 4.7 zuerst testen. MindStudio beschreibt Opus 4.7 ebenfalls als stärker bei Aufgaben, die breiteres Architekturverständnis in großen Codebasen verlangen .

Agenten und Tools: Terminal ist nicht dasselbe wie Orchestrierung

Bei Terminal-lastigen Workflows hat GPT-5.5 den besseren Fall. Terminal-Bench 2.0 wird für GPT-5.5 mit 82,7 % und für Claude Opus 4.7 mit 69,4 % angegeben . Wegen der uneinheitlichen öffentlichen Darstellung des Opus-Werts sollte man das aber eher als Richtungssignal denn als endgültige Ranglistenwahrheit lesen .

Anders sieht es bei Tool-Orchestrierung aus. MCP Atlas misst Tool-Calling über Model-Context-Protocol-Integrationen und externe Werkzeuge . BenchLMs öffentliche Momentaufnahme zeigt Claude Opus 4.7 mit 77,3 % vor GPT-5.5 mit 75,3 % . Andere Berichte nennen denselben Vergleich als 79,1 % zu 75,3 % zugunsten von Claude . Wenn ein Agent mehrere APIs, Dienste und Tools in einer Sequenz zuverlässig aufrufen muss, ist Claude Opus 4.7 der bessere erste Testkandidat.

Reasoning und Recherche: Mathematik ist nicht gleich Allgemeinwissen

„Reasoning“ sollte man hier nicht als eine einzige Kategorie behandeln. In OpenAIs GPT-5.5-Tabelle liegt GPT-5.5 bei FrontierMath Tier 1–3 mit 51,7 % vor Claude Opus 4.7 mit 43,8 %. Bei FrontierMath Tier 4 ist der Abstand noch deutlicher: 35,4 % für GPT-5.5 gegenüber 22,9 % für Claude . Für mathematisch geprägte Aufgaben spricht das klar für GPT-5.5.

Andere Reasoning-Benchmarks zeigen jedoch ein anderes Bild. Bei GPQA Diamond liegen beide Modelle fast gleichauf: GPT-5.5 erreicht 93,6 %, Claude Opus 4.7 94,2 % . Bei Humanity’s Last Exam wird Claude vorn berichtet: ohne Tools mit 46,9 % gegenüber 41,4 % für GPT-5.5, mit Tools mit 54,7 % gegenüber 52,2 % .

Für BrowseComp-ähnliche Web-Recherche sieht GPT-5.5 stärker aus. Der berichtete Wert liegt bei 84,4 %, während Claude Opus 4.7 mit 79,3 % angegeben wird . Wer also Recherche-Automation mit viel Browsing testet, sollte GPT-5.5 als ersten Kandidaten einplanen.

Entscheidungshilfe: Welches Modell zuerst testen?

GPT-5.5 ist naheliegender, wenn …

• der Workflow stark auf Terminal-Ausführung, Shell-Automation, CLI-Agenten oder schrittweises Arbeiten am Computer setzt; in Terminal-Bench-2.0-Vergleichen liegt GPT-5.5 vorn .
• die Aufgaben mathematisch geprägt sind; GPT-5.5 führt sowohl bei FrontierMath Tier 1–3 als auch bei Tier 4 .
• BrowseComp-ähnliche Web-Recherche oder browsinglastige Analyse wichtig ist; GPT-5.5 wird mit 84,4 % gegenüber 79,3 % für Claude Opus 4.7 angegeben .

Claude Opus 4.7 ist naheliegender, wenn …

• der Schwerpunkt auf komplexen Codebase-Änderungen, Multi-File-Bugfixing oder SWE-Bench-Pro-artigen Engineering-Aufgaben liegt; Claude führt dort mit 64,3 % zu 58,6 % .
• Agenten viele Tools, APIs oder Dienste orchestrieren müssen; MCP-Atlas-Snapshots zeigen Claude Opus 4.7 vor GPT-5.5 .
• große Codebasen und Architekturentscheidungen im Mittelpunkt stehen; MindStudio beschreibt Opus 4.7 bei breitem architektonischem Reasoning über große Codebasen hinweg als stärker .

Warum eigene Tests wichtiger sind als ein Siegerlabel

Veröffentlichte Benchmark-Zahlen sind kein Ersatz für eine Produktionsentscheidung. Anthropic weist in den Release Notes zu Claude Opus 4.7 auf Änderungen am Test-Harness, interne Implementierungen und Methodik-Updates hin; manche Werte seien nicht direkt mit öffentlichen Leaderboards vergleichbar . Auch eine builderorientierte Zusammenfassung zu GPT-5.5 markiert einige Benchmark-Werte als von OpenAI berichtet und weist auf fehlende unabhängige Replikation hin .

Die bessere Vorgehensweise ist ein kleiner interner Eval: Nehmen Sie aktuelle Tickets, eigene Repositories, reale Tool-Chains, typische Prompts und klare Pass/Fail-Kriterien. Leaderboards geben eine Richtung vor. Die tatsächliche Modellwahl hängt aber von Workload, Latenz-Toleranz, Tooling und den Kosten eines Fehlers ab.

Fazit

Für allgemeine Automation, Terminal-Ausführung, mathematisch geprägtes Reasoning und BrowseComp-ähnliche Recherche wirkt GPT-5.5 als stärkerer Startpunkt . Für schwierige Coding-Aufgaben, produktionsnahe Coding-Agenten und Multi-Tool-Orchestrierung ist Claude Opus 4.7 der robustere Kandidat . Die knappste, aber brauchbarste Regel lautet: GPT-5.5 für breite Ausführung und Mathematik; Claude Opus 4.7 für harte Softwareentwicklung und Tool-Agenten.