Gerade allgemeine Wissensbenchmarks verlieren bei Spitzenmodellen an Trennschärfe. Nanonets beschreibt MMLU als 5-shot-Test und weist darauf hin, dass Topmodelle 2026 häufig im Bereich oberhalb von 88 % liegen, sodass kleine Unterschiede kaum noch als klare Qualitätsabstufung taugen . Praktisch heißt das: Für Entwicklerteams, Produktverantwortliche oder Analysten ist die passende Achse wichtiger als der lauteste Gesamtscore – also etwa Coding, Wissensarbeit, wissenschaftliches Reasoning, Computerbedienung, Kosten oder Latenz .

Die wichtigsten öffentlichen Werte im Überblick

Gesamtleaderboards: Claude liegt bei BenchLM vorn – in diesem Ausschnitt

Unter den drei hier belegten BenchLM-Seiten steht Claude Opus 4.7 am besten da. BenchLM führt das Modell auf dem provisional leaderboard als Rang 2 von 110 mit einem overall score von 97/100 und zusätzlich als Rang 2 von 14 auf dem verified leaderboard .

GPT-5.5 erscheint bei BenchLM als Rang 5 von 112 im provisional leaderboard mit 89/100 und als Rang 2 von 16 im verified leaderboard . Kimi 2.6 wird dort mit 85/100, Rang 12 von 115 und 27 veröffentlichten Benchmarkwerten beschrieben .

Das ist nützlich, aber kein abschließendes Urteil. Die Vergleichsgruppen sind nicht identisch, und in den vorliegenden Quellen liegt kein gleichwertiger BenchLM-Wert für DeepSeek V4 vor . BenchLM liefert also einen wichtigen Ausschnitt – nicht die endgültige Weltrangliste.

Coding: Bei Claude ist der öffentliche Nachweis am klarsten

Für Software-Engineering ist Claude Opus 4.7 in diesem Quellenpaket am deutlichsten belegt. MindStudio nennt 82,4 % auf SWE-bench Verified und beschreibt das als Zuwachs von rund 11 Punkten gegenüber Opus 4.6 . Dieselbe Quelle nennt außerdem 82,7 % auf FinanceBench und einen Anstieg von 9,5 Punkten bei MathVista, was auf stärkere Verarbeitung von Finanzdokumenten und visuellem mathematischem Reasoning hindeutet .

Bei GPT-5.5 stehen in den offiziellen OpenAI-Angaben andere Einsatzachsen im Vordergrund: GDPval, OSWorld-Verified und Tau2-bench Telecom statt eines zentral herausgestellten SWE-bench-Werts . Für Kimi K2.6 spricht GMI Cloud von einem Spitzenplatz in SWE-Bench Pro, doch aus den hier vorliegenden Angaben lässt sich kein sauberer Punktwert für den Vierervergleich ableiten . DeepSeek V4 ist in den verfügbaren Daten stärker über Reasoning- und Mathematikwerte belegt als über Coding .

Agenten und Wissensarbeit: GPT-5.5 hat besonders konkrete offizielle Werte

Bei beruflicher Wissensarbeit und agentenbasierten Workflows sind die offiziellen GPT-5.5-Zahlen besonders konkret. OpenAI gibt für GPT-5.5 84,9 % auf GDPval an; GDPval testet, ob Agenten gut spezifizierte Wissensarbeit über 44 Berufsfelder hinweg erzeugen können . Außerdem nennt OpenAI 78,7 % auf OSWorld-Verified, einem Test für die Bedienung realer Computerumgebungen, sowie 98,0 % auf Tau2-bench Telecom für komplexe Kundensupport-Workflows .

Auch Claude Opus 4.7 hat Agentenwerte, allerdings aus einem anderen Rahmen. Anthropic berichtet für den internen research-agent benchmark einen geteilten Spitzenwert von 0,715 über sechs Module und im Modul General Finance 0,813 gegenüber 0,767 bei Opus 4.6 .

Wichtig ist die Skala: GPT-5.5 mit 84,9 % auf GDPval und Claude Opus 4.7 mit 0,715 in einem internen Research-Agent-Benchmark sind nicht derselbe Messwert. Sie sollten nicht so gelesen werden, als lägen sie auf einer gemeinsamen Prozentachse .

Wissen und Reasoning: DeepSeek und Kimi lassen sich teilweise direkt gegenüberstellen

Für DeepSeek V4 sind die konkretesten öffentlichen Zahlen in der V4-Pro-Max-Konfiguration greifbar. DataCamp schreibt, DeepSeek V4-Pro-Max erreiche laut internen DeepSeek-Ergebnissen 87,5 % auf MMLU-Pro, 90,1 % auf GPQA Diamond und 92,6 % auf GSM8K . Diese Werte sind als Referenz interessant, sollten aber wegen der internen Herkunft anders gewichtet werden als unabhängig erhobene Leaderboardwerte .

Das Hugging-Face-Material zu DeepSeek-V4-Pro stellt DeepSeek V4-Pro-Max und Kimi K2.6 Thinking in einigen Wissens- und Reasoning-Benchmarks nebeneinander :

In genau dieser Tabelle liegt DeepSeek V4-Pro-Max bei MMLU-Pro, SimpleQA-Verified, Chinese-SimpleQA und HLE vor Kimi K2.6 Thinking; Kimi K2.6 Thinking liegt bei GPQA Diamond knapp vorn . Für eine Vier-Wege-Rangliste reicht das trotzdem nicht, weil dieselbe Tabelle nicht Claude Opus 4.7 und GPT-5.5 enthält, sondern unter anderem Opus-4.6 Max und GPT-5.4 xHigh .

Kosten, Latenz und Open Weights: Kimi hat auffällige Betriebswerte

Vals AI nennt für GPT-5.5 eine Accuracy von 67,76 % ± 1,79, eine Latenz von 409,09 s und ein Context Window von 1M . Für Kimi K2.6 weist Vals AI eine Accuracy von 63,94 % ± 1,97, eine Latenz von 373,57 s und Kosten von 0,21 US-Dollar pro Test aus . Vergleicht man nur diese beiden Vals-Einträge, liegt GPT-5.5 beim ausgewiesenen Genauigkeitswert höher, während Kimi K2.6 den niedrigeren Latenzwert zeigt .

Für Nutzerinnen und Nutzer, die Open-Weights-Modelle betrachten, ist Kimi K2.6 zusätzlich interessant. Artificial Analysis beschreibt Moonshots Kimi K2.6 als führendes Open-Weights-Modell und nennt einen Artificial Analysis Intelligence Index von 54 sowie Gesamtrang 4 . Aber auch hier gilt: Der Artificial-Analysis-Wert 54, die Vals Accuracy 63,94 % und BenchLM 85/100 sind verschiedene Skalen und sollten nicht zu einem künstlichen Gesamtscore addiert werden .

Was das für die Modellauswahl bedeutet

• Wenn automatische Codekorrektur, Software-Engineering und Coding-Agenten im Mittelpunkt stehen, ist Claude Opus 4.7 in den vorliegenden Daten der naheliegende erste Prüfpunkt: SWE-bench Verified 82,4 % und BenchLM 97/100 sind die klarsten öffentlichen Signale .
• Wenn es um Wissensarbeit, Computerbedienung und komplexe Kundensupport-Flows geht, liefern die GPT-5.5-Werte auf GDPval, OSWorld-Verified und Tau2-bench Telecom die direktesten offiziellen Anhaltspunkte .
• Wenn wissenschaftliche Fragen, Mathematik und anspruchsvolles Reasoning entscheidend sind, lohnt der Blick auf DeepSeek V4-Pro-Max und Kimi K2.6 Thinking, insbesondere über MMLU-Pro, GPQA Diamond und HLE .
• Wenn Open Weights, Betriebskosten und Latenz eine große Rolle spielen, sind Kimi K2.6s Artificial-Analysis-Einstufung und die Vals-Angaben zu 0,21 US-Dollar/Test sowie 373,57 s Latenz wichtige Referenzpunkte .
• Wenn jemand eine Rangliste nur mit MMLU begründet, ist Vorsicht angebracht: 2026 drängen sich Topmodelle in diesem Test in einem engen Hochscore-Bereich, was die Aussagekraft reduziert .

Fazit: Keine Krone, sondern ein Einsatzprofil

Aus den öffentlich belegten Daten ergibt sich kein seriöser Gesamtsieger über alle Achsen hinweg. Claude Opus 4.7 wirkt besonders stark bei Coding und im BenchLM-Ausschnitt; GPT-5.5 ist sehr konkret für Wissensarbeit, Computerbedienung und Agenten-Workflows dokumentiert; DeepSeek V4-Pro-Max bringt auffällige Reasoning- und Mathematikwerte mit; Kimi K2.6 punktet vor allem im Open-Weights- und Betriebsdaten-Kontext .

Die beste Praxis ist daher nicht, eine globale Platzierung zu übernehmen. Sinnvoller ist ein eigener Test mit den Aufgaben, die wirklich anfallen: Code-Reparaturen, Finanzdokumente, Browser- oder Desktop-Steuerung, Kundensupport, lange Agentenläufe oder wissenschaftliche Fragen. Benchmarks sind dafür ein guter Startpunkt – aber sie ersetzen nicht den Test unter den eigenen Produktionsbedingungen .

Gerade allgemeine Wissensbenchmarks verlieren bei Spitzenmodellen an Trennschärfe. Nanonets beschreibt MMLU als 5-shot-Test und weist darauf hin, dass Topmodelle 2026 häufig im Bereich oberhalb von 88 % liegen, sodass kleine Unterschiede kaum noch als klare Qualitätsabstufung taugen . Praktisch heißt das: Für Entwicklerteams, Produktverantwortliche oder Analysten ist die passende Achse wichtiger als der lauteste Gesamtscore – also etwa Coding, Wissensarbeit, wissenschaftliches Reasoning, Computerbedienung, Kosten oder Latenz .

Die wichtigsten öffentlichen Werte im Überblick

Gesamtleaderboards: Claude liegt bei BenchLM vorn – in diesem Ausschnitt

Unter den drei hier belegten BenchLM-Seiten steht Claude Opus 4.7 am besten da. BenchLM führt das Modell auf dem provisional leaderboard als Rang 2 von 110 mit einem overall score von 97/100 und zusätzlich als Rang 2 von 14 auf dem verified leaderboard .

GPT-5.5 erscheint bei BenchLM als Rang 5 von 112 im provisional leaderboard mit 89/100 und als Rang 2 von 16 im verified leaderboard . Kimi 2.6 wird dort mit 85/100, Rang 12 von 115 und 27 veröffentlichten Benchmarkwerten beschrieben .

Das ist nützlich, aber kein abschließendes Urteil. Die Vergleichsgruppen sind nicht identisch, und in den vorliegenden Quellen liegt kein gleichwertiger BenchLM-Wert für DeepSeek V4 vor . BenchLM liefert also einen wichtigen Ausschnitt – nicht die endgültige Weltrangliste.

Coding: Bei Claude ist der öffentliche Nachweis am klarsten

Für Software-Engineering ist Claude Opus 4.7 in diesem Quellenpaket am deutlichsten belegt. MindStudio nennt 82,4 % auf SWE-bench Verified und beschreibt das als Zuwachs von rund 11 Punkten gegenüber Opus 4.6 . Dieselbe Quelle nennt außerdem 82,7 % auf FinanceBench und einen Anstieg von 9,5 Punkten bei MathVista, was auf stärkere Verarbeitung von Finanzdokumenten und visuellem mathematischem Reasoning hindeutet .

Bei GPT-5.5 stehen in den offiziellen OpenAI-Angaben andere Einsatzachsen im Vordergrund: GDPval, OSWorld-Verified und Tau2-bench Telecom statt eines zentral herausgestellten SWE-bench-Werts . Für Kimi K2.6 spricht GMI Cloud von einem Spitzenplatz in SWE-Bench Pro, doch aus den hier vorliegenden Angaben lässt sich kein sauberer Punktwert für den Vierervergleich ableiten . DeepSeek V4 ist in den verfügbaren Daten stärker über Reasoning- und Mathematikwerte belegt als über Coding .

Agenten und Wissensarbeit: GPT-5.5 hat besonders konkrete offizielle Werte

Bei beruflicher Wissensarbeit und agentenbasierten Workflows sind die offiziellen GPT-5.5-Zahlen besonders konkret. OpenAI gibt für GPT-5.5 84,9 % auf GDPval an; GDPval testet, ob Agenten gut spezifizierte Wissensarbeit über 44 Berufsfelder hinweg erzeugen können . Außerdem nennt OpenAI 78,7 % auf OSWorld-Verified, einem Test für die Bedienung realer Computerumgebungen, sowie 98,0 % auf Tau2-bench Telecom für komplexe Kundensupport-Workflows .

Auch Claude Opus 4.7 hat Agentenwerte, allerdings aus einem anderen Rahmen. Anthropic berichtet für den internen research-agent benchmark einen geteilten Spitzenwert von 0,715 über sechs Module und im Modul General Finance 0,813 gegenüber 0,767 bei Opus 4.6 .

Wichtig ist die Skala: GPT-5.5 mit 84,9 % auf GDPval und Claude Opus 4.7 mit 0,715 in einem internen Research-Agent-Benchmark sind nicht derselbe Messwert. Sie sollten nicht so gelesen werden, als lägen sie auf einer gemeinsamen Prozentachse .

Wissen und Reasoning: DeepSeek und Kimi lassen sich teilweise direkt gegenüberstellen

Für DeepSeek V4 sind die konkretesten öffentlichen Zahlen in der V4-Pro-Max-Konfiguration greifbar. DataCamp schreibt, DeepSeek V4-Pro-Max erreiche laut internen DeepSeek-Ergebnissen 87,5 % auf MMLU-Pro, 90,1 % auf GPQA Diamond und 92,6 % auf GSM8K . Diese Werte sind als Referenz interessant, sollten aber wegen der internen Herkunft anders gewichtet werden als unabhängig erhobene Leaderboardwerte .

Das Hugging-Face-Material zu DeepSeek-V4-Pro stellt DeepSeek V4-Pro-Max und Kimi K2.6 Thinking in einigen Wissens- und Reasoning-Benchmarks nebeneinander :

In genau dieser Tabelle liegt DeepSeek V4-Pro-Max bei MMLU-Pro, SimpleQA-Verified, Chinese-SimpleQA und HLE vor Kimi K2.6 Thinking; Kimi K2.6 Thinking liegt bei GPQA Diamond knapp vorn . Für eine Vier-Wege-Rangliste reicht das trotzdem nicht, weil dieselbe Tabelle nicht Claude Opus 4.7 und GPT-5.5 enthält, sondern unter anderem Opus-4.6 Max und GPT-5.4 xHigh .

Kosten, Latenz und Open Weights: Kimi hat auffällige Betriebswerte

Vals AI nennt für GPT-5.5 eine Accuracy von 67,76 % ± 1,79, eine Latenz von 409,09 s und ein Context Window von 1M . Für Kimi K2.6 weist Vals AI eine Accuracy von 63,94 % ± 1,97, eine Latenz von 373,57 s und Kosten von 0,21 US-Dollar pro Test aus . Vergleicht man nur diese beiden Vals-Einträge, liegt GPT-5.5 beim ausgewiesenen Genauigkeitswert höher, während Kimi K2.6 den niedrigeren Latenzwert zeigt .

Für Nutzerinnen und Nutzer, die Open-Weights-Modelle betrachten, ist Kimi K2.6 zusätzlich interessant. Artificial Analysis beschreibt Moonshots Kimi K2.6 als führendes Open-Weights-Modell und nennt einen Artificial Analysis Intelligence Index von 54 sowie Gesamtrang 4 . Aber auch hier gilt: Der Artificial-Analysis-Wert 54, die Vals Accuracy 63,94 % und BenchLM 85/100 sind verschiedene Skalen und sollten nicht zu einem künstlichen Gesamtscore addiert werden .

Was das für die Modellauswahl bedeutet

• Wenn automatische Codekorrektur, Software-Engineering und Coding-Agenten im Mittelpunkt stehen, ist Claude Opus 4.7 in den vorliegenden Daten der naheliegende erste Prüfpunkt: SWE-bench Verified 82,4 % und BenchLM 97/100 sind die klarsten öffentlichen Signale .
• Wenn es um Wissensarbeit, Computerbedienung und komplexe Kundensupport-Flows geht, liefern die GPT-5.5-Werte auf GDPval, OSWorld-Verified und Tau2-bench Telecom die direktesten offiziellen Anhaltspunkte .
• Wenn wissenschaftliche Fragen, Mathematik und anspruchsvolles Reasoning entscheidend sind, lohnt der Blick auf DeepSeek V4-Pro-Max und Kimi K2.6 Thinking, insbesondere über MMLU-Pro, GPQA Diamond und HLE .
• Wenn Open Weights, Betriebskosten und Latenz eine große Rolle spielen, sind Kimi K2.6s Artificial-Analysis-Einstufung und die Vals-Angaben zu 0,21 US-Dollar/Test sowie 373,57 s Latenz wichtige Referenzpunkte .
• Wenn jemand eine Rangliste nur mit MMLU begründet, ist Vorsicht angebracht: 2026 drängen sich Topmodelle in diesem Test in einem engen Hochscore-Bereich, was die Aussagekraft reduziert .

Fazit: Keine Krone, sondern ein Einsatzprofil

Aus den öffentlich belegten Daten ergibt sich kein seriöser Gesamtsieger über alle Achsen hinweg. Claude Opus 4.7 wirkt besonders stark bei Coding und im BenchLM-Ausschnitt; GPT-5.5 ist sehr konkret für Wissensarbeit, Computerbedienung und Agenten-Workflows dokumentiert; DeepSeek V4-Pro-Max bringt auffällige Reasoning- und Mathematikwerte mit; Kimi K2.6 punktet vor allem im Open-Weights- und Betriebsdaten-Kontext .

Die beste Praxis ist daher nicht, eine globale Platzierung zu übernehmen. Sinnvoller ist ein eigener Test mit den Aufgaben, die wirklich anfallen: Code-Reparaturen, Finanzdokumente, Browser- oder Desktop-Steuerung, Kundensupport, lange Agentenläufe oder wissenschaftliche Fragen. Benchmarks sind dafür ein guter Startpunkt – aber sie ersetzen nicht den Test unter den eigenen Produktionsbedingungen .