Claude Opus 4.8 vs GPT-5.5 vs Gemini 3.5 Flash: Wer führt im Mai 2026?

* Die SWE-Bench Pro-Werte für Gemini 3.5 Flash, Grok 4.3 und DeepSeek V4 Pro stammen aus einem einzelnen Drittanbieter-Test . Die offiziellen Modellkarten von Google zeigen abweichende Zahlen.

Preise und Leistungsdaten

Die wichtigsten Erkenntnisse

Welches Modell dominiert welche Kategorie?

• Claude Opus 4.8 führt bei agentischem Coding (SWE-Bench Pro) mit 69,2 % , bei Wissensarbeit (GDPval-AA) mit einem Elo-Wert von 1890 , bei der Computersteuerung (OSWorld-Verified) mit 83,4 % , bei fachübergreifendem Denken (Humanity's Last Exam) und bei Finanzanalysen. Auf der BenchLM-Rangliste belegt es Platz 2 von 119 Modellen mit einer Gesamtpunktzahl von 93/100 .

• GPT-5.5 ist führend beim terminalbasierten Coding (Terminal-Bench 2.0/2.1) mit bis zu 82,7 % , bei abstraktem visuellem Denken (ARC-AGI-2) mit 85,0 % , bei GPQA Diamond mit 96,0 % , bei FrontierMath und im AA Intelligence Index mit 60 Punkten .

• Gemini 3.5 Flash setzt Maßstäbe bei der Werkzeug-Orchestrierung (MCP Atlas) mit 83,6 % und ist mit etwa 289 Token pro Sekunde rund viermal schneller als die Konkurrenz – und das zum niedrigsten Preis .

• DeepSeek V4 Pro ist der Champion bei Coding-Wettbewerben mit einem Codeforces-Elo von 3206 und erreicht bei LiveCodeBench 93,5 %. Bei SWE-bench Verified liegt es mit 80,6 % gleichauf mit Claude – allerdings zu einem Bruchteil der Kosten .

• Grok 4.3 positioniert sich im soliden Mittelfeld: AA-Index 53, GPQA 90,1 %, hohe Geschwindigkeit (159–207 t/s) und sehr günstige Preise. Bei den meisten agentenbasierten Benchmarks liegt es jedoch hinter den Spitzenmodellen zurück .

• Claude Opus 4.7, der direkte Vorgänger, ist bei SWE-bench Verified (87,6 %) immer noch stark, wird aber von seinem Nachfolger in jeder relevanten Metrik übertroffen .

Wichtige Hinweise zur Einordnung

• Unterschiedliche Testumgebungen. Die Daten stammen von verschiedenen Anbietern (Anthropic, OpenAI, Google DeepMind, unabhängige Tester) mit unterschiedlichen Testverfahren. Ergebnisse für denselben Benchmark können je nach Quelle variieren – zum Beispiel zeigt GPT-5.5 bei Terminal-Bench 78,2 % in Googles Modellkarte, aber 82,7 % in OpenAIs eigenem Bericht.
• SWE-Bench Pro vs. Verified sind zwei verschiedene Tests. Pro ist schwerer (architektonische Änderungen über mehrere Dateien), Verified ist leichter (einzelne Fehlerbehebungen). Claude führt bei Pro; bei Verified ist das Feld enger zusammen.
• DeepSeek, Grok und Gemini 3.5 Flash sind deutlich günstiger pro Token als Claude Opus und GPT-5.5 – die bessere Wahl für Anwendungen mit hohem Volumen oder wenn es auf Geschwindigkeit ankommt.
• Gemini 3.5 Flash ist ein effizienzoptimiertes „Flash"-Modell und kein direktes Pendant zu den absoluten Spitzenmodellen. Dennoch kann es bei vielen Agenten-Benchmarks mithalten – ist aber gleichzeitig wesentlich schneller und günstiger.

Wo noch Unsicherheit herrscht

• Es gibt keine einheitliche, anbieterübergreifende Testsuite, die alle sechs Modelle unter exakt denselben Bedingungen prüft. Das Gesamtbild setzt sich aus überlappenden, aber nicht identischen Tests zusammen.
• Für Grok 4.3 und DeepSeek V4 Pro liegen weniger öffentliche Daten für agentenbasierte und Langkontext-Benchmarks vor als für die Modelle der großen drei Anbieter.
• Claude Opus 4.8 ist erst am 28. Mai 2026 erschienen – unabhängige Bestätigungen der Ergebnisse stehen daher noch weitgehend aus. Die meisten Werte stammen direkt von Anthropic.

Die vertrauenswürdigsten Quellen

1. Offizielle Seiten der Anbieter: Anthropic (claude/opus), OpenAI (introducing-gpt-5-5), Google DeepMind (gemini-3-5-flash model card) – Primärdaten.
2. NIST CAISI-Auswertung von DeepSeek V4 Pro – unabhängige staatliche Evaluation .
3. Analyse der Duke University zu Gemini 3.5 Flash – akademische Einordnung .
4. Unabhängige Aggregatoren: dev.to Direktvergleich , BenchLM.ai , Artificial Analysis – hilfreich für modellübergreifende Vergleiche, aber weniger maßgeblich als offizielle Quellen.