Stand Ende April 2026 ist die sinnvollste Frage nicht: Welches Modell gewinnt? Sondern: Für welchen Job soll es gewinnen? Bei GPT‑5.5, Claude Opus 4.7, Kimi K2.6 und DeepSeek V4 ergibt sich aus den verfügbaren öffentlichen Angaben eher eine Workload-Karte als eine klassische Bestenliste.

Der wichtigste Vorbehalt: Die Zahlen stammen aus unterschiedlichen Labs, Tool-Setups, Effort-Modi und Evaluations-Harnesses. LM Council weist ausdrücklich darauf hin, dass unabhängig durchgeführte Benchmarks von Herstellerangaben abweichen können. ^[12]

Kurzfazit

• Agenten, die Terminal, Browser und Tools bedienen: GPT‑5.5 liefert in diesem Quellenstand das stärkste öffentliche Signal. OpenAI nennt unter anderem 82,7 % auf Terminal‑Bench 2.0, 78,7 % auf OSWorld‑Verified, 84,4 % auf BrowseComp und 55,6 % auf Toolathlon. ^[5]
• Produktive Codebase-Reparatur und SWE-Bench-artiges Coding: Claude Opus 4.7 ist der stärkste Kandidat für die Shortlist. Gemeldet werden 87,6 % auf SWE‑Bench Verified und 64,3 % auf SWE‑Bench Pro. ^[17]
• Open-Weights-Coding-Stack: Kimi K2.6 ist sehr konkurrenzfähig. Die offiziellen Kimi-Angaben nennen 66,7 % auf Terminal‑Bench 2.0, 58,6 % auf SWE‑Bench Pro, 80,2 % auf SWE‑Bench Verified und 89,6 auf LiveCodeBench v6. ^[29]
• Long-Context- und Open-Source/Open-Weights-Experimente: DeepSeek V4 sollte evaluiert werden, aber immer mit Blick auf die genaue Variante. DeepSeek bezeichnete V4 Preview am 24. April 2026 als live und open-sourced. ^[42]
• Science Reasoning: Claude Opus 4.7 kommt bei GPQA Diamond auf gemeldete 94,2 %. Kimi K2.6 liegt bei GPQA-Diamond bei 90,5 % und bei AIME 2026 bei 96,4 %; DeepSeek V4-Pro/Pro-Max meldet 90,1 bei GPQA Diamond. ^{[19][27][29][37]}

Drei Regeln, bevor man die Tabelle liest

1. Benchmark-Familien messen unterschiedliche Fähigkeiten. Terminal‑Bench testet andere Dinge als SWE‑Bench, BrowseComp, OSWorld, GPQA oder HLE. Ein starkes Coding-Modell ist nicht automatisch das beste Web-Recherche-, Long-Context- oder Computer-Use-Modell. ^[5][17][29]
2. Tools und Inferenzaufwand verändern Ergebnisse. Die OpenAI-Systemkarte beschreibt GPT‑5.5 Pro als dieselbe zugrunde liegende Modellbasis mit einer Einstellung, die parallelen Test-Time-Compute nutzt. GPT‑5.5 und GPT‑5.5 Pro sollten daher nicht als Ergebnisse mit identischem Rechenbudget gelesen werden. ^[3]
3. Öffentliche Benchmarks sind Shortlist-Hilfen, keine Beschaffungsentscheidung. Weil unabhängige Runs von Herstellerangaben abweichen können, braucht jede ernsthafte Produktentscheidung interne Tests mit den eigenen Aufgaben, Tools, Timeouts und Kostenlimits. ^[12]

Die Modelle auf einen Blick

Modell	Öffentliche Positionierung	Stärkstes Signal	Wichtigster Vorbehalt
GPT‑5.5	OpenAI betont Computer-Use, Tool-Use und agentische Workflows. [5]	Terminal‑Bench 2.0: 82,7 %, OSWorld‑Verified: 78,7 %, BrowseComp: 84,4 %; GPT‑5.5 Pro BrowseComp: 90,1 %. [5]	Pro-Werte nicht direkt mit regulärem GPT‑5.5 gleichsetzen, weil GPT‑5.5 Pro parallelen Test-Time-Compute nutzt. [3]
Claude Opus 4.7	Anthropic beschreibt es als Hybrid-Reasoning-Modell für Coding und KI-Agenten mit 1-Million-Token-Kontextfenster. [14]	SWE‑Bench Verified: 87,6 %, SWE‑Bench Pro: 64,3 %. [17]	Ein großes Kontextfenster garantiert nicht automatisch perfekte Long-Context-Retrieval-Qualität; StationX weist auf einen Caveat beim extremen 1-Million-Token-Recall hin. [17]
Kimi K2.6	Moonshot/Kimi positioniert K2.6 als Open-Source/Open-Weights-orientiertes Coding-Modell. [29][34]	Terminal‑Bench 2.0: 66,7 %, SWE‑Bench Pro: 58,6 %, SWE‑Bench Verified: 80,2 %, LiveCodeBench v6: 89,6. [29]	Artificial Analysis nennt native Bild-/Videoeingabe und 256k maximale Kontextlänge; reale Performance hängt dennoch vom Deployment-Setup ab. [32]
DeepSeek V4-Pro / Pro-Max	DeepSeek V4 Preview wurde von DeepSeek als live und open-sourced bezeichnet; die Hugging-Face-Karte stellt die V4-Serie als Mixture-of-Experts-Sprachmodelle dar. [37][42]	Terminal Bench 2.0: 67,9, SWE Verified: 80,6, SWE Pro: 55,4, GPQA Diamond: 90,1. [37]	DeepSeek-V4-Werte sind variantenspezifisch. Flash, Pro und Pro-Max sollten nicht zu einem einzigen DeepSeek-V4-Score vermischt werden. [37][42]

Head-to-Head: die wichtigsten Benchmarks

Benchmark	GPT‑5.5	Claude Opus 4.7	Kimi K2.6	DeepSeek V4-Pro / Pro-Max	Einordnung
Terminal‑Bench 2.0	82,7 % [5]	69,4 % gemeldet [16]	66,7 % [29]	67,9 [37]	Bei Command-Line- und autonomen Coding-Aufgaben ist der Vorsprung von GPT‑5.5 am klarsten.
SWE‑Bench Pro	58,6 % [5]	64,3 % [17]	58,6 % [29]	55,4 [37]	Auf diesem harten Software-Engineering-Benchmark liegt Claude Opus 4.7 vorn.
SWE‑Bench Verified	kein klar vergleichbarer Wert in diesen Quellen	87,6 % [17]	80,2 % [29]	80,6 [37]	Bei Repo-Issue-Resolution zeigt Claude das stärkste gemeldete Signal.
OSWorld‑Verified	78,7 % [5]	78,0 % [17]	73,1 % [29]	kein klar vergleichbarer Wert	Bei Computer-Use-Aufgaben liegen GPT‑5.5 und Claude Opus 4.7 sehr nah beieinander.
BrowseComp	84,4 %; GPT‑5.5 Pro: 90,1 % [5]	79,3 % [5]	83,2 %; Agent Swarm: 86,3 % [34]	kein klar vergleichbarer Wert	Für Browser-Agenten und Web-Recherche liefern GPT‑5.5 Pro und Kimi Agent Swarm starke Signale.
GPQA Diamond	kein klar vergleichbarer offizieller Wert in diesen Quellen	94,2 % [19]	90,5 % [27]	90,1 [37]	Bei wissenschaftlichem Reasoning auf Graduate-Level liegt Claude nach den gemeldeten Werten vorn.
HLE / Hard Reasoning	kein direkter vergleichbarer Wert	HLE ohne Tools: 46,9 %, mit Tools: 54,7 % [16]	HLE-Full: 34,7 %; mit Tools: 54,0 % [29][34]	HLE: 37,7 % [37]	Mit Tools liegen Claude und Kimi näher beieinander; DeepSeek ist in der gelisteten HLE-Zahl niedriger.
Long Context	in den vorliegenden OpenAI-Launch-Auszügen keine klare öffentliche Kontext-Spezifikation	1-Million-Token-Kontextfenster [14]	256k maximale Kontextlänge [32]	V4-Materialien positionieren die Serie für Long-Context-Szenarien [37][42]	Für Long-Context-Deployments sind Claude und DeepSeek klarer positioniert; die tatsächliche Retrieval-Qualität muss separat getestet werden.

Welches Modell für welchen Einsatz?

1. Terminal-lastige autonome Coding-Agenten: GPT‑5.5

Wenn Ihr Workload aus Terminal-Aktionen, Browser-Nutzung, OS-Level-Aufgaben, Tool-Orchestrierung und mehrstufigen Agenten-Loops besteht, wirkt GPT‑5.5 in diesem Datensatz am stärksten. OpenAI meldet 82,7 % auf Terminal‑Bench 2.0, 78,7 % auf OSWorld‑Verified, 84,4 % auf BrowseComp und 55,6 % auf Toolathlon. ^[5]

Der hohe BrowseComp-Wert von GPT‑5.5 Pro mit 90,1 % ist interessant, sollte aber nicht wie ein regulärer GPT‑5.5-Wert gelesen werden: Laut OpenAI-Systemkarte nutzt GPT‑5.5 Pro dieselbe Modellbasis mit parallelem Test-Time-Compute. ^[3][5]

Passt besonders zu: Coding-Agenten, Browser-Recherche-Agenten, Computer-Use-Automatisierung und Tool-lastigen Enterprise-Assistenten.

2. Produktive Codebase-Reparatur: Claude Opus 4.7

Wenn der wichtigste KPI lautet, echte Repository-Probleme zu lösen, Pull Requests vorzubereiten, Tests zum Laufen zu bringen und große Codebasen zu verstehen, gehört Claude Opus 4.7 ganz nach oben auf die Shortlist. Die gemeldeten 87,6 % auf SWE‑Bench Verified und 64,3 % auf SWE‑Bench Pro sind in diesem Vergleich das stärkste Coding-Signal. ^[17]

Anthropic beschreibt Claude Opus 4.7 zudem als Hybrid-Reasoning-Modell für Coding und KI-Agenten mit 1-Million-Token-Kontextfenster. Das macht es besonders naheliegend, es in Large-Codebase-Workflows zu testen. ^[14]

Passt besonders zu: Repository-Wartung, Code Reviews, komplexen Refactorings, Developer-Copilots und Engineering-Agenten.

3. Open-Weights-Coding-Stack: Kimi K2.6

Wenn Open Weights, mehr Hosting-Kontrolle oder ein selbst verwaltbarer Coding-Stack wichtig sind, ist Kimi K2.6 einer der stärksten Kandidaten. Die offiziellen Kimi-Angaben nennen 66,7 % auf Terminal‑Bench 2.0, 58,6 % auf SWE‑Bench Pro, 80,2 % auf SWE‑Bench Verified, 52,2 % auf SciCode und 89,6 auf LiveCodeBench v6. ^[29]

Auch für agentische Such- und Recherche-Workloads sieht Kimi gut aus: In den öffentlichen Materialien stehen 83,2 % auf BrowseComp und 86,3 % für Agent Swarm BrowseComp. ^[34] Artificial Analysis nennt außerdem native Bild- und Videoeingabe sowie 256k maximale Kontextlänge. ^[32]

Passt besonders zu: Open-Model-Deployments, Coding-Agenten, Recherche-Agenten und Teams, die Hosting und Modellbetrieb stärker kontrollieren wollen.

4. Long-Context- und Open-Source-Experimente: DeepSeek V4

DeepSeek bezeichnete V4 Preview am 24. April 2026 als offiziell live und open-sourced. ^[42] Die DeepSeek-V4-Pro-Modellkarte stellt die V4-Serie als Mixture-of-Experts-Sprachmodelle dar. ^[37]

Für DeepSeek V4-Pro/Pro-Max werden unter anderem 67,9 auf Terminal Bench 2.0, 80,6 auf SWE Verified, 55,4 auf SWE Pro und 90,1 auf GPQA Diamond gemeldet. ^[37] Das macht DeepSeek V4 zu einem strategischen Kandidaten für Open-Source/Open-Weights-Tests und Long-Context-Anwendungen — aber nur, wenn die genaue Variante sauber getrennt bewertet wird. ^[37][42]

Passt besonders zu: Long-Context-Anwendungen, Open-Source/Open-Weights-Experimenten und Teams, die gehostete Frontier-Modelle mit deploybaren Alternativen vergleichen.

5. Wissenschaft und Mathematik: Claude führt bei GPQA, aber nicht überall

Bei den verfügbaren gemeldeten Werten kommt Claude Opus 4.7 auf 94,2 % bei GPQA Diamond. ^[19] Kimi K2.6 meldet 90,5 % bei GPQA-Diamond und 96,4 % bei AIME 2026. ^[27][29] DeepSeek V4-Pro/Pro-Max meldet 90,1 bei GPQA Diamond. ^[37]

Das macht Claude für Science-Reasoning sehr stark. Trotzdem sollte man bei Mathematik- und Wissenschafts-Workloads nicht auf einen einzelnen Benchmark setzen: Tool-Zugriff, Effort-Modus und Evaluationssetup können die Rangfolge verändern. ^[12]

Praktische Evaluations-Checkliste

• Nicht nach einem einzigen Leaderboard entscheiden. Nutzen Sie öffentliche Benchmarks als Vorauswahl, aber testen Sie intern mit denselben Prompts, Tools, Timeouts, Kostenlimits und Bewertungskriterien. ^[12]
• GPT‑5.5 und GPT‑5.5 Pro getrennt erfassen. Pro nutzt parallelen Test-Time-Compute; reguläre und Pro-Ergebnisse sind daher nicht automatisch dasselbe Rechenbudget. ^[3]
• Open-Weights-Anforderungen vorab definieren. Wenn Datenkontrolle, eigenes Hosting oder Anpassbarkeit zwingend sind, sollten Kimi K2.6 und DeepSeek V4 in einer separaten Evaluationsspur laufen. ^{[29][34][37][42]}
• Long Context nicht nur an der Fenstergröße messen. Claude Opus 4.7 ist mit 1-Million-Token-Kontextfenster klar positioniert, Kimi K2.6 mit 256k maximaler Kontextlänge; DeepSeek-V4-Materialien setzen ebenfalls auf Long-Context-Positionierung. Entscheidend sind aber Recall, Instruktionsbefolgung und Kosten auf Ihren eigenen Dokumenten. ^{[14][17][32][37][42]}
• Coding-Agenten zusätzlich auf echten Repos testen. SWE‑Bench-Scores sind nützlich, aber Produktions-Repositories bringen eigene Abhängigkeiten, flaky Tests, Coding-Styles und Review-Regeln mit. ^[17]

Grenzen dieser Einordnung

• In den vorliegenden öffentlichen Quellen gibt es keinen vollständigen Vergleich, der alle vier Modelle in derselben unabhängigen Umgebung, mit identischem Harness, identischem Tool-Zugriff und gleicher Effort-Einstellung testet; LM Council warnt zudem vor Abweichungen zwischen unabhängigen und selbst gemeldeten Benchmarks. ^[12]
• GPT‑5.5 Pro und GPT‑5.5 sollten nicht gleichgesetzt werden, weil OpenAI GPT‑5.5 Pro als dieselbe Modellbasis mit parallelem Test-Time-Compute beschreibt. ^[3]
• DeepSeek-V4-Scores sind variantenspezifisch. V4 Preview, V4-Pro und Pro-Max-artige Ergebnisse sollten nicht zu einem einzigen DeepSeek-V4-Wert vermischt werden. ^[37][42]
• Bei Open-Weights-Deployments wie Kimi K2.6 und DeepSeek V4 können Serving-Stack, Hardware, Quantisierung und Kontext-Settings die reale Leistung beeinflussen; veröffentlichte Benchmarks ersetzen daher keine Deployment-Evaluation. ^[29][34][37]

Bottom Line

GPT‑5.5 gehört nach oben auf die Shortlist, wenn Agentic Computer-Use, Browsing, Tool-Orchestrierung und terminal-lastiges Coding im Mittelpunkt stehen. ^[5]

Claude Opus 4.7 ist die stärkste Wahl für die erste Testphase, wenn der Produktwert vor allem in Repo-Level-Bugfixing, Codebase-Reparatur und SWE‑Bench-artigem Software Engineering liegt. ^[14][17]

Kimi K2.6 ist besonders interessant, wenn ein Open-Weights-Coding-Modell mit starken SWE‑Bench-, Terminal‑Bench- und agentischen Search-Signalen gebraucht wird. ^[29][34]

DeepSeek V4-Pro/Pro-Max sollte auf die Liste, wenn Long-Context-Experimente, Open-Source/Open-Weights-Deployability und Variantenvergleich zentrale Kriterien sind. ^[37][42]

Die robusteste Entscheidung entsteht nicht aus einer einzelnen Zahl, sondern aus einer Kombination: öffentliche Benchmarks für die Shortlist, danach interne Tests mit realen Aufgaben, Kosten-, Latenz-, Datenschutz- und Failure-Mode-Prüfung. ^[12]