GPT-5.5 vs. Claude Opus 4.7 vs. DeepSeek V4 vs. Kimi K2.6: Wer gewinnt welchen Benchmark?

Für die praktische Auswahl ist deshalb nicht die Frage entscheidend, welches Modell abstrakt das beste ist. Wichtiger ist: Welches Modell sollte für eine konkrete Aufgabe zuerst in den eigenen Testlauf?

Die schnelle Einordnung

• Terminal- und Kommandozeilen-Agenten: GPT-5.5 ist der naheliegende erste Kandidat. OpenAI nennt 82,7 % im Terminal-Bench 2.0; öffentliche Vergleichstabellen führen Claude Opus 4.7 mit 69,4 % und Kimi K2.6 mit 66,7 % .
• GitHub-Issues, Code-Reparatur und Review-nahe Aufgaben: Claude Opus 4.7 ist der stärkste erste Kandidat. Öffentlich berichtet werden 64,3 % im SWE-Bench Pro und 87,6 % im SWE-Bench Verified; GPT-5.5 liegt im SWE-Bench Pro bei 58,6 % .
• Lange multimodale Kontexte: Kimi K2.6 gehört auf die Shortlist, wenn lange Eingaben mit Text, Bildern oder Video wichtig sind. Das Modell wird mit Text-, Bild- und Videoeingaben sowie einer 256k-Kontext-Route beschrieben .
• Kostenkritische Massenaufrufe: DeepSeek V4 fällt preislich auf. Mashable nennt pro 1 Million Token 1,74 US-Dollar für Eingaben und 3,48 US-Dollar für Ausgaben; bei GPT-5.5 sind es 5 bzw. 30 US-Dollar, bei Claude Opus 4.7 5 bzw. 25 US-Dollar .

Zentrale Benchmarks im Überblick

Das — in der Tabelle bedeutet: In den bereitgestellten öffentlichen Quellen lässt sich für dieses Modell kein direkt passender Wert für denselben Benchmark sicher zuordnen. Es heißt nicht, dass das Modell die Aufgabe grundsätzlich nicht bewältigen kann.

Was die einzelnen Modelle nahelegen

GPT-5.5: stark bei langen Terminal-Abläufen

OpenAI bezeichnet GPT-5.5 als bisher stärkstes agentisches Coding-Modell des Unternehmens und nennt 82,7 % im Terminal-Bench 2.0 sowie 58,6 % im SWE-Bench Pro . Terminal-Bench 2.0 prüft laut OpenAI komplexe Kommandozeilen-Workflows mit Planung, Iteration und Tool-Koordination; SWE-Bench Pro misst die Lösung realer GitHub-Issues .

Das spricht dafür, GPT-5.5 zuerst zu testen, wenn ein Agent längere Shell-Sitzungen, Sandbox-Ausführungen, CI-Reproduktionen oder Dateiänderungen Schritt für Schritt erledigen soll. Der Vorsprung gilt aber nicht für jede Coding-Aufgabe: Im SWE-Bench Pro liegt Claude Opus 4.7 mit 64,3 % über den 58,6 % von GPT-5.5 .

Claude Opus 4.7: besonders interessant für Code-Reparatur und Review-Workflows

Claude Opus 4.7 wird mit 64,3 % im SWE-Bench Pro und 87,6 % im SWE-Bench Verified ausgewiesen . DataCamp beschreibt außerdem, dass Opus 4.7 über 14 Benchmarks hinweg bewertet wurde, darunter Coding, Reasoning, Tool-Nutzung, Computer Use und visuelles Schließen .

Im direkten öffentlichen Vergleich mit GPT-5.5 liegt Claude Opus 4.7 unter anderem bei GPQA Diamond mit 94,2 % zu 93,6 % und bei MCP Atlas mit 79,1 % zu 75,3 % vorne . Umgekehrt hat GPT-5.5 bei Terminal-Bench 2.0 und BrowseComp die höheren Werte . Claude Opus 4.7 wirkt daher weniger wie der pauschale Terminal-Automat, sondern eher wie ein sehr starker Kandidat für echte Issue-Behebung, Code-Review und strukturierte Reparaturarbeit.

Kimi K2.6: attraktiv für lange multimodale Eingaben, aber die Benchmarks brauchen Kontext

Kimi K2.6 wird mit 58,6 % im SWE-Bench Pro und 80,2 % im SWE-Bench Verified geführt; eine weitere Übersicht nennt außerdem 66,7 % im Terminal-Bench 2.0 und 54,0 % bei HLE mit Tools . Dieselbe Übersicht verweist jedoch darauf, dass die K2.6-Werte aus der offiziellen Moonshot-AI-Modellkarte stammen und der SWE-Bench-Pro-Wert über einen Moonshot-in-house-Harness läuft .

Die identische Zahl von 58,6 % im SWE-Bench Pro bei Kimi K2.6 und GPT-5.5 sollte deshalb nicht automatisch als perfektes Unentschieden unter gleichen Bedingungen gelesen werden . Der stärkere Produktgrund für Kimi K2.6 liegt an anderer Stelle: Das Modell wird mit Text-, Bild- und Videoeingaben sowie einer 256k-Kontext-Route beschrieben . Wer sehr lange multimodale Eingaben auswerten will, sollte es gesondert prüfen.

DeepSeek V4: preislich auffällig, aber Genauigkeit muss separat geprüft werden

DeepSeek V4 passt in diese Gegenüberstellung nicht so sauber in die Benchmark-Tabelle. Für Terminal-Bench 2.0, SWE-Bench Pro, SWE-Bench Verified oder GPQA Diamond liefern die vorliegenden Quellen nicht genügend direkt vergleichbare Werte. Artificial Analysis berichtet stattdessen, dass DeepSeek V4 Pro Max bei AA-Omniscience -10 erreicht und damit um 11 Punkte besser als V3.2 abschneidet; V4 Flash Max liegt bei -23 . Dieselbe Quelle meldet für V4 Pro und V4 Flash sehr hohe Halluzinationsraten von 94 % bzw. 96 % und interpretiert das so, dass die Modelle nahezu immer antworten, auch wenn sie etwas nicht wissen .

Technisch und wirtschaftlich gibt es dennoch Gründe, DeepSeek V4 anzuschauen. DataCamp beschreibt DeepSeek V4 als Mixture-of-Experts-Modell: Die Pro-Variante habe 1,6 Billionen Gesamtparameter, davon 49 Milliarden aktiv; die Flash-Variante 284 Milliarden Gesamtparameter, davon 13 Milliarden aktiv . Die von Mashable zusammengefassten API-Preise liegen zudem deutlich unter GPT-5.5 und Claude Opus 4.7 .

Damit ist DeepSeek V4 vor allem ein Kandidat für kostenkritische Stapelverarbeitung, intern überprüfbare Workflows oder Open-Weights-nahe Evaluierungen. Bei Produkten, in denen falsche Antworten teuer werden, sind jedoch eigene Tests, Nachprüfung, Fehlererkennung und gegebenenfalls Post-Processing Pflicht .

Welche Aufgabe passt zu welchem ersten Test?

Warum es keinen sauberen Gesamtgewinner gibt

Erstens fehlt in den bereitgestellten Quellen ein durchgängiger unabhängiger Vierer-Vergleich mit denselben Prompts, denselben Tools, demselben Reasoning-Budget und demselben Scorer. GPT-5.5 und Claude Opus 4.7 haben relativ viele gemeinsame öffentliche Werte. Bei Kimi K2.6 kommen Modellkarten- und in-house-Harness-Werte hinzu; bei DeepSeek V4 bleiben mehrere gemeinsame Benchmark-Zeilen leer .

Zweitens kann derselbe Benchmarkname unterschiedliche Testbedingungen verbergen. Eine Auswertung zu GPT-5.5 und Claude Opus 4.7 kommt zwar auf gemeinsame Benchmarks, betont aber, dass die Werte eher in der Form vergleichbar sind, nicht zwingend in der Methodik . Anthropic nennt für Terminal-Bench 2.0 etwa den Terminus-2-Harness, deaktiviertes Thinking und eine bestimmte 1× garantierte bzw. 3× maximale Ressourcenzuteilung .

Drittens ist ein Benchmarkwert nur ein Ausschnitt der Produktqualität. In der Praxis zählen auch Fehlermuster, Halluzinationsrate, Latenz, Kosten, Stabilität von Tool-Aufrufen, Sicherheitsregeln und Reproduzierbarkeit der Logs. ExplainX weist ebenfalls darauf hin, dass Benchmarkdefinitionen, Prompts und Tool-Policies die Werte verschieben können und eigene Evaluierungs-Harnesses nicht ersetzen .

Fazit

Nach den derzeit öffentlich belegten Zahlen ist die sinnvollste Startstrategie: GPT-5.5 für Terminal- und Agenten-Coding, Claude Opus 4.7 für SWE-Bench-nahe Code-Reparatur, Kimi K2.6 für lange multimodale Kontexte und DeepSeek V4 für kostenkritische Massenaufrufe mit strenger Nachprüfung . Einen endgültigen Gesamtsieger auszurufen, wäre dagegen zu grob. Dafür unterscheiden sich Prompts, Tool-Zugriff, Reasoning-Einstellungen und Test-Harnesses zu stark .