Die wichtigsten Benchmark- und Preisdaten

Bei DeepSeek sind die Bezeichnungen in den Quellen nicht vollständig deckungsgleich: Preisübersichten sprechen von DeepSeek V4 oder DeepSeek V4 Pro, einige Benchmark-Tabellen von DeepSeek-V4-Pro-Max. Die folgende Tabelle übernimmt deshalb die Modellnamen aus den jeweiligen Quellen, statt verschiedene Konfigurationen stillschweigend gleichzusetzen.

1. Gesamtindex: GPT-5.5 vorn, aber nicht automatisch Gesamtsieger

Artificial Analysis listet in der sichtbaren Zusammenfassung die führenden Modelle nach Intelligence Index so: GPT-5.5 xhigh mit 60, GPT-5.5 high mit 59 und Claude Opus 4.7 Adaptive Reasoning, Max Effort mit 57; ebenfalls mit 57 erscheinen Gemini 3.1 Pro Preview und GPT-5.4 xhigh.

Das stützt eine begrenzte Aussage: In diesem sichtbaren Intelligence-Index-Ausschnitt liegt GPT-5.5 vor Claude Opus 4.7. Es stützt aber keine vollständige Rangliste aller vier Modelle, weil für DeepSeek V4 und Kimi K2.6 im selben sichtbaren Ausschnitt keine gleichartigen Werte genannt werden.

2. Agenten, Browser und Terminal: GPT-5.5 ist stark, DeepSeek beim Browsing sehr nah

BrowseComp zielt auf Web-Browsing-Fähigkeiten von KI-Agenten, insbesondere auf stark strukturierte Informationssuche. In der VentureBeat-Zusammenfassung steht GPT-5.5 bei 84,4 %, DeepSeek-V4-Pro-Max bei 83,4 % und Claude Opus 4.7 bei 79,3 %. Für solche Browser-Agenten liegt DeepSeek-V4-Pro-Max damit nur knapp hinter GPT-5.5, während Claude Opus 4.7 in dieser Tabelle spürbar zurückliegt.

Bei Terminal-Bench 2.0 ist der Abstand größer. VentureBeat nennt 82,7 % für GPT-5.5, 69,4 % für Claude Opus 4.7 und 67,9 % für DeepSeek; Yahoo / Investing.com beschreibt Terminal-Bench 2.0 als Test für Command-Line-Workflows und nennt ebenfalls 82,7 % für GPT-5.5.

Kimi K2.6 hat zwar einen sichtbaren Terminal-Bench-2.0-Wert von 66,70 %, doch dieser stammt aus einer anderen Gegenüberstellung mit Kimi K2.6, Claude Opus 4.6 und GPT-5.4, nicht aus einem Vierer-Vergleich mit GPT-5.5, Claude Opus 4.7 und DeepSeek V4.

3. Coding und Software-Engineering: Claude führt bei SWE-Bench Pro, Tool-Ketten sind ein anderes Bild

DataCamp führt für SWE-Bench Pro 55,4 % für DeepSeek V4 Pro, 58,6 % für GPT-5.5 und 64,3 % für Claude Opus 4.7 auf. Yahoo / Investing.com nennt ebenfalls 58,6 % für GPT-5.5 und beschreibt SWE-Bench Pro als Benchmark für die Lösung von GitHub-Issues.

Für Kimi K2.6 sind die Coding-Zahlen interessant, aber vorsichtig zu lesen. Verdent nennt 58,60 % in SWE-Bench Pro, 80,20 % in SWE-Bench Verified und 89,60 % in LiveCodeBench v6; zugleich steht dort, dass die Kimi-K2.6-Zahlen aus der offiziellen Moonshot-Model-Card stammen und SWE-Bench Pro mit einem Moonshot-internen Harness gemessen wurde. Damit gehört Kimi K2.6 in die engere Auswahl für Coding-Agent-Experimente, aber diese Zahlen sollten nicht hart in dieselbe Rangliste mit GPT-5.5, Claude Opus 4.7 und DeepSeek V4 einsortiert werden.

Praktisch heißt das: Wer große Repositories reparieren, Pull Requests prüfen oder lange Coding-Agenten laufen lassen will, sollte mehr als einen SWE-Wert betrachten. Claude Opus 4.7 hat in der sichtbaren SWE-Bench-Pro-Gegenüberstellung den höchsten Wert; GPT-5.5 liegt bei langen Tool- und Terminal-Workflows vorn; Kimi K2.6 braucht Tests auf den eigenen Repositories und der eigenen Toolchain.

4. Reasoning und Review: Claude Opus 4.7 hat den klareren sichtbaren Vorteil

Für schwierige Wissens- und Reasoning-Tests sieht Claude Opus 4.7 in den sichtbaren Zahlen besonders stark aus. VentureBeat nennt für GPQA Diamond 94,2 % bei Claude Opus 4.7, 93,6 % bei GPT-5.5 und 90,1 % bei DeepSeek-V4-Pro-Max. Bei Humanity’s Last Exam no-tools stehen 46,9 % für Claude Opus 4.7, 41,4 % für GPT-5.5, 43,1 % für GPT-5.5 Pro und 37,7 % für DeepSeek-V4-Pro-Max.

Auch LLM Stats kommt in der Einordnung von GPT-5.5 und Claude Opus 4.7 zu einem ähnlichen Muster: In den zehn Benchmarks, die beide Anbieter berichten, führt Opus 4.7 in sechs und GPT-5.5 in vier; die Claude-Vorteile liegen vor allem bei reasoning-heavy und review-grade Tests, während GPT-5.5 bei long-running tool-use Tests stärker ist.

5. Preis und Kontextfenster: DeepSeek V4 ist der Kostenhebel

Mashable nennt für DeepSeek V4 1,74 US-Dollar pro 1 Mio. Input-Token und 3,48 US-Dollar pro 1 Mio. Output-Token, jeweils mit 1 Mio. Token Kontextfenster. In derselben Preisübersicht stehen GPT-5.5 bei 5 US-Dollar pro 1 Mio. Input-Token und 30 US-Dollar pro 1 Mio. Output-Token sowie Claude Opus 4.7 bei 5 US-Dollar pro 1 Mio. Input-Token und 25 US-Dollar pro 1 Mio. Output-Token, beide ebenfalls mit 1 Mio. Token Kontextfenster.

DataCamp verwendet denselben Preisrahmen für DeepSeek V4 Pro, GPT-5.5 und Claude Opus 4.7 und nennt für alle drei ein Kontextfenster von rund 1 Mio. Token. In den verfügbaren Preisangaben ist DeepSeek V4 damit deutlich günstiger als GPT-5.5 und Claude Opus 4.7; zusammen mit 83,4 % für DeepSeek-V4-Pro-Max in BrowseComp gegenüber 84,4 % für GPT-5.5 macht das DeepSeek zu einem naheliegenden Kandidaten für kostenkritische API-Routen.

Für Kimi K2.6 enthalten die bereitgestellten Quellen keinen gleichartigen API-Preis. DocsBot beschreibt Kimi K2.6 jedoch als Open-Source-Agentenmodell für long-horizon coding, coding-driven design, autonome Ausführung und swarm-based orchestration und nennt 256K Kontext.

Praktischer Aufbau: nicht ein Modell wählen, sondern routen

Für viele Produktteams ist die beste Antwort nicht, ein einziges Modell dauerhaft zum Standard zu erklären. Sinnvoller ist eine kleine Routing-Architektur mit eigenen Regressionstests.

1. GPT-5.5 als Premium-Baseline für Agenten-Workflows testen. Es führt in BrowseComp und Terminal-Bench 2.0 und hat zusätzlich starke von OpenAI genannte Werte für werkzeugnahe Wissensarbeit, darunter 84,9 % auf GDPval, 78,7 % auf OSWorld-Verified und 98,0 % auf Tau2-bench Telecom.
2. Claude Opus 4.7 für Reasoning, Review und niedrige Fehlertoleranz prüfen. Die sichtbaren Vorteile liegen bei GPQA Diamond, Humanity’s Last Exam no-tools sowie in den von LLM Stats gruppierten reasoning-heavy und review-grade Tests.
3. DeepSeek V4 für hohe API-Volumina und Kostensenkung in die Route aufnehmen. Die genannten Tokenpreise liegen deutlich unter GPT-5.5 und Claude Opus 4.7, während DeepSeek-V4-Pro-Max in BrowseComp nahe an GPT-5.5 liegt.
4. Kimi K2.6 als Open-Source-Coding-Agent im eigenen Stack testen. Die verfügbaren Coding- und Agentenwerte sind interessant, aber es fehlt ein sauberer öffentlicher Vierer-Vergleich; eigene Repositories, eigene Tools und eigene Erfolgskriterien sind daher entscheidend.

Der Test sollte streng gleich aufgebaut sein: identische Prompts, gleiche Tool-Rechte, vergleichbare Kontextlängen, einheitliche Erfolgskriterien und eine klare Kostenerfassung. Öffentliche Benchmarks helfen bei der Priorisierung; sie ersetzen aber nicht die Prüfung auf realen Aufgaben, weil BrowseComp, Terminal-Bench 2.0 und SWE-Bench Pro jeweils unterschiedliche Arbeitsarten abbilden.

Wichtige Einschränkungen

• Nicht alle Modelle wurden im selben Setup verglichen. Für GPT-5.5, Claude Opus 4.7 und DeepSeek-V4-Pro-Max gibt es in der VentureBeat-Übersicht mehrere gemeinsame Zahlen; Kimi K2.6 stammt vor allem aus einem anderen Vergleich mit Claude Opus 4.6 und GPT-5.4.
• Die Modellkonfigurationen unterscheiden sich. Artificial Analysis nennt GPT-5.5 als xhigh und high, Claude Opus 4.7 als Adaptive Reasoning, Max Effort; VentureBeat verwendet DeepSeek-V4-Pro-Max. Das muss nicht dem jeweiligen Standard-API-Modus entsprechen.
• Anbieterangaben und Drittvergleiche sind nicht dasselbe. LLM Stats warnt, dass mehrere GPT-5.5- und Claude-Opus-4.7-Werte in hohen Reasoning-Tiers selbst berichtet wurden und methodisch nicht vollständig gleichzusetzen sind.
• Benchmarks sind aufgabenbezogen. BrowseComp misst Web-Browsing-Agenten, Terminal-Bench 2.0 Command-Line-Workflows und SWE-Bench Pro GitHub-Issue-Resolution; keiner dieser Tests sagt allein, welches Modell in Ihrem Produkt zuverlässig gewinnt.

Fazit

Wenn nur die sichtbaren öffentlichen Daten zählen, ist GPT-5.5 der stärkste Kandidat für Agenten-Workflows, Tool-Nutzung und die sichtbare Gesamtindex-Spitze. Claude Opus 4.7 ist besonders überzeugend bei Reasoning und Review-Aufgaben. DeepSeek V4 ist die attraktivste Preisoption für hohe API-Volumina. Kimi K2.6 gehört in den Open-Source- und Coding-Agent-Testpool, sollte aber mangels vollständiger Vierer-Benchmarks nicht unfair in eine harte Gesamtrangliste gedrückt werden.

Die nüchterne Auswahl lautet daher: erst nach Aufgabe routen, dann mit eigenen Daten messen. Benchmarks entscheiden, wen man zuerst testet; die endgültige Modellwahl hängt von Fehlerrisiko, Durchsatz, Tokenkosten und dem realen Workflow ab.

Die wichtigsten Benchmark- und Preisdaten

Bei DeepSeek sind die Bezeichnungen in den Quellen nicht vollständig deckungsgleich: Preisübersichten sprechen von DeepSeek V4 oder DeepSeek V4 Pro, einige Benchmark-Tabellen von DeepSeek-V4-Pro-Max. Die folgende Tabelle übernimmt deshalb die Modellnamen aus den jeweiligen Quellen, statt verschiedene Konfigurationen stillschweigend gleichzusetzen.

1. Gesamtindex: GPT-5.5 vorn, aber nicht automatisch Gesamtsieger

Artificial Analysis listet in der sichtbaren Zusammenfassung die führenden Modelle nach Intelligence Index so: GPT-5.5 xhigh mit 60, GPT-5.5 high mit 59 und Claude Opus 4.7 Adaptive Reasoning, Max Effort mit 57; ebenfalls mit 57 erscheinen Gemini 3.1 Pro Preview und GPT-5.4 xhigh.

Das stützt eine begrenzte Aussage: In diesem sichtbaren Intelligence-Index-Ausschnitt liegt GPT-5.5 vor Claude Opus 4.7. Es stützt aber keine vollständige Rangliste aller vier Modelle, weil für DeepSeek V4 und Kimi K2.6 im selben sichtbaren Ausschnitt keine gleichartigen Werte genannt werden.

2. Agenten, Browser und Terminal: GPT-5.5 ist stark, DeepSeek beim Browsing sehr nah

BrowseComp zielt auf Web-Browsing-Fähigkeiten von KI-Agenten, insbesondere auf stark strukturierte Informationssuche. In der VentureBeat-Zusammenfassung steht GPT-5.5 bei 84,4 %, DeepSeek-V4-Pro-Max bei 83,4 % und Claude Opus 4.7 bei 79,3 %. Für solche Browser-Agenten liegt DeepSeek-V4-Pro-Max damit nur knapp hinter GPT-5.5, während Claude Opus 4.7 in dieser Tabelle spürbar zurückliegt.

Bei Terminal-Bench 2.0 ist der Abstand größer. VentureBeat nennt 82,7 % für GPT-5.5, 69,4 % für Claude Opus 4.7 und 67,9 % für DeepSeek; Yahoo / Investing.com beschreibt Terminal-Bench 2.0 als Test für Command-Line-Workflows und nennt ebenfalls 82,7 % für GPT-5.5.

Kimi K2.6 hat zwar einen sichtbaren Terminal-Bench-2.0-Wert von 66,70 %, doch dieser stammt aus einer anderen Gegenüberstellung mit Kimi K2.6, Claude Opus 4.6 und GPT-5.4, nicht aus einem Vierer-Vergleich mit GPT-5.5, Claude Opus 4.7 und DeepSeek V4.

3. Coding und Software-Engineering: Claude führt bei SWE-Bench Pro, Tool-Ketten sind ein anderes Bild

DataCamp führt für SWE-Bench Pro 55,4 % für DeepSeek V4 Pro, 58,6 % für GPT-5.5 und 64,3 % für Claude Opus 4.7 auf. Yahoo / Investing.com nennt ebenfalls 58,6 % für GPT-5.5 und beschreibt SWE-Bench Pro als Benchmark für die Lösung von GitHub-Issues.

Für Kimi K2.6 sind die Coding-Zahlen interessant, aber vorsichtig zu lesen. Verdent nennt 58,60 % in SWE-Bench Pro, 80,20 % in SWE-Bench Verified und 89,60 % in LiveCodeBench v6; zugleich steht dort, dass die Kimi-K2.6-Zahlen aus der offiziellen Moonshot-Model-Card stammen und SWE-Bench Pro mit einem Moonshot-internen Harness gemessen wurde. Damit gehört Kimi K2.6 in die engere Auswahl für Coding-Agent-Experimente, aber diese Zahlen sollten nicht hart in dieselbe Rangliste mit GPT-5.5, Claude Opus 4.7 und DeepSeek V4 einsortiert werden.

Praktisch heißt das: Wer große Repositories reparieren, Pull Requests prüfen oder lange Coding-Agenten laufen lassen will, sollte mehr als einen SWE-Wert betrachten. Claude Opus 4.7 hat in der sichtbaren SWE-Bench-Pro-Gegenüberstellung den höchsten Wert; GPT-5.5 liegt bei langen Tool- und Terminal-Workflows vorn; Kimi K2.6 braucht Tests auf den eigenen Repositories und der eigenen Toolchain.

4. Reasoning und Review: Claude Opus 4.7 hat den klareren sichtbaren Vorteil

Für schwierige Wissens- und Reasoning-Tests sieht Claude Opus 4.7 in den sichtbaren Zahlen besonders stark aus. VentureBeat nennt für GPQA Diamond 94,2 % bei Claude Opus 4.7, 93,6 % bei GPT-5.5 und 90,1 % bei DeepSeek-V4-Pro-Max. Bei Humanity’s Last Exam no-tools stehen 46,9 % für Claude Opus 4.7, 41,4 % für GPT-5.5, 43,1 % für GPT-5.5 Pro und 37,7 % für DeepSeek-V4-Pro-Max.

Auch LLM Stats kommt in der Einordnung von GPT-5.5 und Claude Opus 4.7 zu einem ähnlichen Muster: In den zehn Benchmarks, die beide Anbieter berichten, führt Opus 4.7 in sechs und GPT-5.5 in vier; die Claude-Vorteile liegen vor allem bei reasoning-heavy und review-grade Tests, während GPT-5.5 bei long-running tool-use Tests stärker ist.

5. Preis und Kontextfenster: DeepSeek V4 ist der Kostenhebel

Mashable nennt für DeepSeek V4 1,74 US-Dollar pro 1 Mio. Input-Token und 3,48 US-Dollar pro 1 Mio. Output-Token, jeweils mit 1 Mio. Token Kontextfenster. In derselben Preisübersicht stehen GPT-5.5 bei 5 US-Dollar pro 1 Mio. Input-Token und 30 US-Dollar pro 1 Mio. Output-Token sowie Claude Opus 4.7 bei 5 US-Dollar pro 1 Mio. Input-Token und 25 US-Dollar pro 1 Mio. Output-Token, beide ebenfalls mit 1 Mio. Token Kontextfenster.

DataCamp verwendet denselben Preisrahmen für DeepSeek V4 Pro, GPT-5.5 und Claude Opus 4.7 und nennt für alle drei ein Kontextfenster von rund 1 Mio. Token. In den verfügbaren Preisangaben ist DeepSeek V4 damit deutlich günstiger als GPT-5.5 und Claude Opus 4.7; zusammen mit 83,4 % für DeepSeek-V4-Pro-Max in BrowseComp gegenüber 84,4 % für GPT-5.5 macht das DeepSeek zu einem naheliegenden Kandidaten für kostenkritische API-Routen.

Für Kimi K2.6 enthalten die bereitgestellten Quellen keinen gleichartigen API-Preis. DocsBot beschreibt Kimi K2.6 jedoch als Open-Source-Agentenmodell für long-horizon coding, coding-driven design, autonome Ausführung und swarm-based orchestration und nennt 256K Kontext.

Praktischer Aufbau: nicht ein Modell wählen, sondern routen

Für viele Produktteams ist die beste Antwort nicht, ein einziges Modell dauerhaft zum Standard zu erklären. Sinnvoller ist eine kleine Routing-Architektur mit eigenen Regressionstests.

1. GPT-5.5 als Premium-Baseline für Agenten-Workflows testen. Es führt in BrowseComp und Terminal-Bench 2.0 und hat zusätzlich starke von OpenAI genannte Werte für werkzeugnahe Wissensarbeit, darunter 84,9 % auf GDPval, 78,7 % auf OSWorld-Verified und 98,0 % auf Tau2-bench Telecom.
2. Claude Opus 4.7 für Reasoning, Review und niedrige Fehlertoleranz prüfen. Die sichtbaren Vorteile liegen bei GPQA Diamond, Humanity’s Last Exam no-tools sowie in den von LLM Stats gruppierten reasoning-heavy und review-grade Tests.
3. DeepSeek V4 für hohe API-Volumina und Kostensenkung in die Route aufnehmen. Die genannten Tokenpreise liegen deutlich unter GPT-5.5 und Claude Opus 4.7, während DeepSeek-V4-Pro-Max in BrowseComp nahe an GPT-5.5 liegt.
4. Kimi K2.6 als Open-Source-Coding-Agent im eigenen Stack testen. Die verfügbaren Coding- und Agentenwerte sind interessant, aber es fehlt ein sauberer öffentlicher Vierer-Vergleich; eigene Repositories, eigene Tools und eigene Erfolgskriterien sind daher entscheidend.

Der Test sollte streng gleich aufgebaut sein: identische Prompts, gleiche Tool-Rechte, vergleichbare Kontextlängen, einheitliche Erfolgskriterien und eine klare Kostenerfassung. Öffentliche Benchmarks helfen bei der Priorisierung; sie ersetzen aber nicht die Prüfung auf realen Aufgaben, weil BrowseComp, Terminal-Bench 2.0 und SWE-Bench Pro jeweils unterschiedliche Arbeitsarten abbilden.

Wichtige Einschränkungen

• Nicht alle Modelle wurden im selben Setup verglichen. Für GPT-5.5, Claude Opus 4.7 und DeepSeek-V4-Pro-Max gibt es in der VentureBeat-Übersicht mehrere gemeinsame Zahlen; Kimi K2.6 stammt vor allem aus einem anderen Vergleich mit Claude Opus 4.6 und GPT-5.4.
• Die Modellkonfigurationen unterscheiden sich. Artificial Analysis nennt GPT-5.5 als xhigh und high, Claude Opus 4.7 als Adaptive Reasoning, Max Effort; VentureBeat verwendet DeepSeek-V4-Pro-Max. Das muss nicht dem jeweiligen Standard-API-Modus entsprechen.
• Anbieterangaben und Drittvergleiche sind nicht dasselbe. LLM Stats warnt, dass mehrere GPT-5.5- und Claude-Opus-4.7-Werte in hohen Reasoning-Tiers selbst berichtet wurden und methodisch nicht vollständig gleichzusetzen sind.
• Benchmarks sind aufgabenbezogen. BrowseComp misst Web-Browsing-Agenten, Terminal-Bench 2.0 Command-Line-Workflows und SWE-Bench Pro GitHub-Issue-Resolution; keiner dieser Tests sagt allein, welches Modell in Ihrem Produkt zuverlässig gewinnt.

Fazit

Wenn nur die sichtbaren öffentlichen Daten zählen, ist GPT-5.5 der stärkste Kandidat für Agenten-Workflows, Tool-Nutzung und die sichtbare Gesamtindex-Spitze. Claude Opus 4.7 ist besonders überzeugend bei Reasoning und Review-Aufgaben. DeepSeek V4 ist die attraktivste Preisoption für hohe API-Volumina. Kimi K2.6 gehört in den Open-Source- und Coding-Agent-Testpool, sollte aber mangels vollständiger Vierer-Benchmarks nicht unfair in eine harte Gesamtrangliste gedrückt werden.

Die nüchterne Auswahl lautet daher: erst nach Aufgabe routen, dann mit eigenen Daten messen. Benchmarks entscheiden, wen man zuerst testet; die endgültige Modellwahl hängt von Fehlerrisiko, Durchsatz, Tokenkosten und dem realen Workflow ab.