Frontier‑KI im Benchmark‑Vergleich: GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 und DeepSeek V4

Auch bei Wissensarbeit schneidet das Modell stark ab: GDPval testet Aufgaben aus Dutzenden Berufen – etwa Recht, Finanzen oder Produktmanagement. In rund 84,9 % der Vergleiche erreicht GPT‑5.5 mindestens das Niveau menschlicher Experten.

Diese Kombination deutet darauf hin, dass GPT‑5.5 besonders leistungsfähig bei autonomen, mehrstufigen Aufgaben und agentischen Workflows ist.

Claude Opus 4.7: Spitzenmodell für Software‑Engineering

Anthropics Claude Opus 4.7 gilt weithin als eines der stärksten Modelle für Programmierung und Software‑Engineering.

Wichtige Benchmark‑Ergebnisse:

• SWE‑bench Verified: 87,6 %
• SWE‑bench Pro: 64,3 %
• GPQA Diamond: 94,2 %
• Terminal‑Bench 2.0: 69,4 %

Der SWE‑bench‑Test prüft, ob ein Modell echte Bugs in Open‑Source‑Repositories beheben kann. Dass Opus 4.7 87,6 % der Verified‑Aufgaben löst, stellt einen deutlichen Fortschritt gegenüber früheren Versionen dar.

Zwar liegt sein Terminal‑Bench‑Wert unter dem von GPT‑5.5, doch bei vielen coding‑orientierten Benchmarks gehört Opus 4.7 weiterhin zu den stärksten öffentlich dokumentierten Modellen.

Gemini 3.5 Flash: Hohe Leistung bei deutlich mehr Geschwindigkeit

Googles Gemini 3.5 Flash nimmt eine ungewöhnliche Position ein: Es ist als schnelles, kosteneffizientes Modell konzipiert – erreicht aber dennoch sehr konkurrenzfähige Benchmark‑Ergebnisse.

Bekannte Werte:

• Terminal‑Bench 2.1: 76,2 %
• MCP Atlas: 83,6 %
• GDPval‑AA: 1656 Elo
• CharXiv Reasoning: 84,2 %

Google gibt an, dass das Modell etwa viermal schneller als viele vergleichbare Frontier‑Modelle arbeitet und gleichzeitig ältere Flaggschiffe wie Gemini 3.1 Pro in mehreren agentischen Benchmarks übertrifft.

Die Stärke von Gemini 3.5 Flash liegt daher vor allem im Verhältnis von Geschwindigkeit zu Leistungsfähigkeit – ein wichtiger Faktor für produktive Anwendungen mit niedriger Latenz.

DeepSeek V4: Starker Open‑Weight‑Herausforderer

DeepSeek V4 ist bemerkenswert, weil es zu den leistungsfähigsten Modellen mit offen verfügbaren Gewichten gehört.

Die Modellfamilie umfasst zwei Varianten:

• V4‑Pro (großes Mixture‑of‑Experts‑Modell)
• V4‑Flash (effizientere Variante)

Im maximalen Reasoning‑Modus erreicht V4‑Pro laut technischen Berichten unter anderem:

• SWE‑bench Verified: 80,6 %
• GPQA Diamond: 90,1 %
• LiveCodeBench: 93,5 %

Damit liegt es bei einigen Coding‑Benchmarks nahe an proprietären Spitzenmodellen.

Allerdings kam eine unabhängige Bewertung des US‑amerikanischen National Institute of Standards and Technology (NIST) zu dem Schluss, dass die Fähigkeiten des Modells etwa acht Monate hinter der aktuellen Frontier liegen.

Grok 4.3: Große Fortschritte, aber noch nicht ganz vorne

xAIs Grok 4.3 stellt eine deutliche Verbesserung gegenüber früheren Grok‑Versionen dar, besonders bei agentischen Aufgaben.

Veröffentlichte Kennzahlen:

• Artificial Analysis Intelligence Index: etwa 53
• GDPval‑AA: etwa 1500 Elo
• τ²‑Bench Telecom: 98 %
• IFBench: 81 %

Der Anstieg von mehr als 300 Elo‑Punkten auf GDPval‑AA im Vergleich zu älteren Grok‑Versionen deutet auf deutliche Fortschritte bei realen Automatisierungsaufgaben hin.

Unabhängige Analysen ordnen das Modell jedoch meist noch unter den neuesten Systemen von OpenAI und Anthropic ein.

Was die Benchmark‑Ergebnisse insgesamt zeigen

Betrachtet man die verfügbaren Daten zusammen, ergibt sich ein relativ klares Muster:

• Stärkste agentische Workflows: GPT‑5.5
• Bestes Modell für Coding‑Benchmarks: Claude Opus 4.7
• Bestes Verhältnis aus Geschwindigkeit und Leistung: Gemini 3.5 Flash
• Stärkster Open‑Weight‑Kandidat: DeepSeek V4 Pro
• Deutlich verbessert, aber nicht führend: Grok 4.3

Diese Einordnung sollte jedoch eher als Trend denn als endgültiges Ranking verstanden werden.

Warum KI‑Rankings derzeit so instabil sind

Benchmark‑Vergleiche moderner KI‑Systeme werden aus mehreren Gründen immer komplizierter:

1. Unterschiedliche Benchmark‑Versionen. Beispielsweise messen Terminal‑Bench 2.0 und 2.1 ähnliche Aufgaben, liefern aber leicht unterschiedliche Ergebnisse.
2. Reasoning‑Einstellungen. Viele Modelle besitzen konfigurierbare „Thinking“-Modi, die die Leistung verändern.
3. Herstellerangaben. Ein Großteil der Benchmark‑Tabellen stammt aus Launch‑Ankündigungen der Anbieter selbst.
4. Spezialisierte Tests. Coding‑, Agent‑ und Knowledge‑Benchmarks messen unterschiedliche Fähigkeiten.

Deshalb wird die tatsächliche Rangfolge der Modelle oft erst klar, wenn unabhängige Tests über mehrere Monate hinweg vorliegen.

Fazit

Die aktuellen Benchmark‑Ergebnisse zeigen keinen eindeutigen Gesamtsieger.

Stattdessen hat sich eine spezialisierte Frontier‑Landschaft entwickelt:

• GPT‑5.5 führt viele Benchmarks für agentische Workflows an.
• Claude Opus 4.7 gehört zu den stärksten Modellen für reale Programmieraufgaben.
• Gemini 3.5 Flash verschiebt die Grenze zwischen Geschwindigkeit und Leistungsfähigkeit.
• DeepSeek V4 zeigt, dass Open‑Weight‑Modelle sich zunehmend der Spitze annähern.
• Grok 4.3 macht Fortschritte, liegt aber in vielen breiten Evaluierungen noch hinter den führenden Systemen.

Mit weiteren unabhängigen Benchmarks und standardisierten Tests dürfte sich das Kräfteverhältnis in der KI‑Spitze auch in den kommenden Monaten weiter verschieben.