DeepSeek V4 vs. GPT-5.5: Welche Benchmarks zählen wirklich?

Wenn die Frage lautet, welches Modell insgesamt „stärker“ ist, ist die seriöse Antwort: Dafür gibt es noch nicht genug öffentliche, unabhängige und unter identischen Bedingungen erhobene Daten. Es gibt einzelne Signale – etwa SWE-bench-Zahlen aus einer Drittquelle , Vergleichsdaten von Artificial Analysis und OpenAIs API- beziehungsweise Safety-Dokumentation . Daraus lässt sich aber kein absoluter Gesamtsieg ableiten.

Was die Quellen wirklich hergeben

DeepSeek führt in der eigenen API-Dokumentation eine Seite „DeepSeek-V4 Preview Release“ mit Datum 24. April 2026 . OpenAI stellte GPT-5.5 am 23. April 2026 vor und aktualisierte die Ankündigung am 24. April 2026 mit dem Hinweis, dass GPT-5.5 und GPT-5.5 Pro nun in der API verfügbar sind . Beide Modelle erscheinen also fast zeitgleich – die öffentliche Dokumentationslage ist aber unterschiedlich.

Ein Detail zeigt, warum man Benchmarks und Spezifikationen nicht blind vermischen sollte: OpenAI nennt für GPT-5.5 ein Kontextfenster von 1 Mio. Token . Die Vergleichsseite von Artificial Analysis zeigt für GPT-5.5 high dagegen 922K Token und für DeepSeek V4 Pro high 1000K Token . Solche Abweichungen können an Modellvariante, Reasoning-Level oder Definition des Messwerts liegen. Für eine Kauf- oder Routing-Entscheidung sollte man deshalb immer prüfen, welche Variante genau verglichen wurde.

Welche Benchmarks sind belastbar?

SWE-bench Verified: wichtig für Coding, aber nicht das ganze Bild

Ein Artikel von o-mega nennt für GPT-5.5 einen Wert von 88,7 % auf SWE-bench Verified, gegenüber 80,6 % für DeepSeek V4-Pro – ein Abstand von 8,1 Prozentpunkten . Für Software-Engineering-Workloads ist das ein relevantes Signal.

Trotzdem ersetzt ein einzelner SWE-bench-Wert keinen internen Test. Gerade bei Coding-Agenten können Prompt, Reasoning-Level, Tool-Zugriff, Retry-Strategie, Testausführung, Patch-Format und Bewertungs-Harness das Ergebnis deutlich verändern. Die Zahlen 88,7 % gegen 80,6 % sind daher ein guter Grund, GPT-5.5 zuerst in einem Coding-Piloten zu prüfen – aber kein Beweis, dass GPT-5.5 in jeder Aufgabe überlegen ist .

OpenAI System Card: breit angelegt, aber kein Head-to-Head

Der OpenAI Deployment Safety Hub beschreibt, dass GPT-5.5 mit CoT-Control bewertet wird, einer Evaluationssuite mit mehr als 13.000 Aufgaben, die aus etablierten Benchmarks wie GPQA, MMLU-Pro, HLE, BFCL und SWE-Bench Verified aufgebaut ist . Das ist hilfreich, um zu verstehen, welche Art von Tests OpenAI für GPT-5.5 heranzieht.

Was diese Quelle nicht liefert: einen direkten, unabhängigen Vergleich zwischen GPT-5.5 und DeepSeek V4. Man sollte die System Card also nicht allein dafür verwenden, um zu behaupten, GPT-5.5 schlage DeepSeek V4 auf GPQA, MMLU-Pro oder SWE-bench Verified .

AA-Omniscience: DeepSeek verbessert Wissen, aber Halluzination bleibt ein Warnsignal

Artificial Analysis berichtet, dass DeepSeek V4 Pro Max auf AA-Omniscience einen Score von -10 erreicht und sich damit um 11 Punkte gegenüber V3.2 Reasoning mit -21 verbessert; DeepSeek V4 Flash Max kommt auf -23 . In derselben Analyse werden für DeepSeek V4 Pro und V4 Flash sehr hohe Halluzinationsraten von 94 % beziehungsweise 96 % genannt – gemeint ist, dass das Modell fast immer trotzdem antwortet, wenn es die Antwort nicht weiß .

Für Produkte mit hohen Anforderungen an Faktentreue ist das entscheidend: interne Wissenssuche, juristische oder finanzielle Dokumentanalyse, medizinische Assistenz, Compliance-Workflows oder Systeme mit Quellenpflicht sollten nicht einfach Modellantworten ungeprüft ausgeben. DeepSeek V4 Pro kann wegen Open Weights und langem Kontext attraktiv sein, braucht in solchen Szenarien aber Retrieval, Zitationsprüfung, Quellenvalidierung und gegebenenfalls menschliche Kontrolle .

Wann GPT-5.5 die bessere Startwahl ist

GPT-5.5 ist besonders plausibel, wenn es um einen planbaren API-Betrieb geht. OpenAI dokumentiert Modell-ID, Preis, Kontextfenster, maximalen Output, Wissensstand bis 1. Dezember 2025 und die Tools Functions, Web search, File search sowie Computer use . Für Teams, die ein Produkt betreiben und Kosten, Latenz, Output-Limits und Tool-Use sauber kalkulieren müssen, ist diese Transparenz ein praktischer Vorteil.

Auch für Coding-Agenten ist GPT-5.5 derzeit der naheliegende erste Kandidat, wenn man sich an der öffentlich genannten SWE-bench-Verified-Zahl orientiert . Der richtige nächste Schritt ist aber nicht, diese Zahl ungeprüft zu übernehmen, sondern das Modell auf den eigenen Repositories, Test-Suites und Agenten-Workflows laufen zu lassen.

Wann DeepSeek V4 Pro sinnvoller ist

DeepSeek V4 Pro ist besonders interessant, wenn Open Weights ein hartes Kriterium sind. Wer eigene Infrastruktur, strengere Deployment-Kontrolle oder eine geringere Abhängigkeit von einer geschlossenen API-Umgebung braucht, sollte DeepSeek V4 Pro zumindest evaluieren. Artificial Analysis beschreibt das Modell als Open Weights, veröffentlicht im April 2026, mit Text-Input, Text-Output und 1 Mio. Token Kontextfenster .

Der Preis für diese Attraktivität ist nicht zwingend Geld, sondern Evaluationsaufwand. Wegen der von Artificial Analysis genannten Halluzinationsrate von 94 % für DeepSeek V4 Pro in AA-Omniscience sollten faktenkritische Workflows zusätzliche Prüfmechanismen enthalten .

Bild-Input und Tool-Use: Quellenlage pro GPT-5.5

Wenn Ihr Produkt Bild-Input oder offiziell dokumentierten Tool-Use benötigt, spricht die belegbare Quellenlage derzeit eher für GPT-5.5. Artificial Analysis führt in der High-Effort-Vergleichsseite Bild-Input für GPT-5.5 high auf, nicht aber für DeepSeek V4 Pro high . Dazu kommt, dass OpenAI für GPT-5.5 Functions, Web search, File search und Computer use in der API-Dokumentation nennt .

Das heißt nicht, dass DeepSeek V4 Pro für Agenten grundsätzlich ungeeignet wäre. Es heißt nur: Für GPT-5.5 liegen in den hier genutzten Quellen klarere Angaben zum offiziellen Tool-Setup vor.

So benchmarken Sie beide Modelle fair

Bevor Sie Traffic routen, API-Budget freigeben oder ein Standardmodell festlegen, sollten Sie nicht einfach Scores aus verschiedenen Tabellen addieren. Sinnvoller ist ein eigener, reproduzierbarer Test unter gleichen Bedingungen.

1. Modellvariante und Reasoning-Level fixieren. OpenAI nennt für GPT-5.5 Reasoning-Stufen wie none, low, medium, high und xhigh . Artificial Analysis trennt ebenfalls Vergleichsseiten nach low, medium und high .
2. Gleiche Prompts, gleiche Daten, gleicher Harness. Ein Modell mit optimiertem Prompt gegen ein anderes mit Rohprompt zu testen, sagt wenig aus.
3. Tool-Policy angleichen. Bei Coding-Agenten können Retry-Zahl, Testausführung und Dateizugriff den Score stark beeinflussen.
4. Mehr messen als nur Trefferquote. Wichtig sind auch Formatfehler, Output-Stabilität, Tokenkosten, Latenz und der Anteil der Fälle, die menschliche Nachprüfung brauchen.
5. Halluzination separat testen. Das ist besonders wichtig für DeepSeek V4 Pro und V4 Flash, weil Artificial Analysis in AA-Omniscience sehr hohe Halluzinationsraten nennt .
6. Echte Produktdaten nutzen. Wenn Ihr System deutschsprachige Nutzerinnen und Nutzer bedient, gehören deutsche Dokumente, Tickets, Prompts und gegebenenfalls Codekommentare in die interne Evaluation.

Fazit

GPT-5.5 ist die vorsichtigere Startwahl, wenn Sie API-Production, Coding-Agenten mit Tool-Use oder klar dokumentierte Output- und Preisdaten priorisieren . DeepSeek V4 Pro ist die spannendere Option, wenn Open Weights Pflicht sind und Sie bereit sind, eigene Prüf- und Guardrail-Schichten aufzubauen – insbesondere bei faktenkritischen Antworten .

Auf die Frage „Wer gewinnt die Benchmarks?“ lautet die ehrlichste Antwort derzeit: Es gibt noch nicht genug öffentliche Daten unter gleichen Bedingungen für ein endgültiges Gesamturteil. Das stärkste Einzel-Signal spricht bei SWE-bench Verified laut einer Drittquelle für GPT-5.5 . Bei API-Dokumentation und offiziellem Tool-Support liegt GPT-5.5 klarer vorn . DeepSeek V4 Pro fällt dagegen durch Open Weights und sehr langen Kontext auf .