Stufe 2: Die Spezialisten und Geschwindigkeitswunder

Claude Opus 4.8 (Anthropic)

Vor der Ankunft von Fable 5 war Opus 4.8 der unangefochtene König. Veröffentlicht Ende Mai 2026, ist es nun der starke Stellvertreter, der selbst noch zur Weltspitze gehört .

• Allgemein & Agentisch: Es war das erste Modell, das den Artificial Analysis Intelligence Index mit 61,4 anführte und die GDPval-AA-Rangliste mit 1890 Elo toppte – bevor es von Fable 5 überholt wurde .
• Programmierung: Es erreicht 69,2 % im SWE-bench Pro und 88,6 % im SWE-bench Verified .
• Mathematik: Opus 4.8 erzielte einen historischen Sprung von 27 Punkten im anspruchsvollen USAMO 2026-Mathematik-Benchmark, von 69,3 % auf 96,7 %, in nur 41 Tagen .
• Ehrlichkeit: Das Modell hat die niedrigste Rate an faktischen Halluzinationen unter seinen Konkurrenten, vor allem, weil es bei Unsicherheit eine Antwort verweigert, anstatt zu raten .

GPT-5.5 (OpenAI)

GPT-5.5 wurde Ende April 2026 veröffentlicht und war das erste Modell dieser Generation, das für OpenAI wieder die Führung in der Gesamtleistung übernahm – allerdings mit einem spezialisierteren Fähigkeitsprofil .

• Mathematische Logik: Es ist das herausragende Mathematik-Modell mit 51,7 % im FrontierMath Tier 1-3 und 35,4 % im extrem schweren Tier 4 – ein klarer Vorsprung vor der Konkurrenz .
• Autonome Kommandozeile: Es führt auch bei Terminal-Bench 2.0 mit 82,7 % für komplexe Befehlszeilenaufgaben, gegenüber 69,4 % von Claude Opus 4.7 .
• Langer Kontext: GPT-5.5 machte einen Sprung von 37 Punkten bei der Langkontext-Erfassung (MRCR v2) und erreichte 74,0 % bei 1M Token-Kontext, während sein Vorgänger bei 36,6 % lag .
• Coding mit Abstrichen: Obwohl es ein starker Allrounder ist, liegt sein SWE-Bench Pro-Wert von 58,6 % inzwischen deutlich hinter den Anthropic-Modellen .

Gemini 3.5 Flash (Google)

Das auf der Google I/O 2026 vorgestellte Modell trägt den „Flash"-Namenszusatz – ein Gütesiegel für Geschwindigkeit und Kosteneffizienz, ohne dass die Schlagkraft darunter leidet .

• Geschwindigkeit und Preis: Es soll 4-mal schneller als Gemini 3.1 Pro für Agenten- und Coding-Aufgaben sein, bei wettbewerbsfähiger Preisgestaltung .
• Agentisch & Tool-Nutzung: Es erzielt starke 83,6 % im MCP Atlas, einem Benchmark für mehrschrittige Tool-Nutzung .
• Coding & Vision: Im SWE-Bench Pro liegt seine Punktzahl von 55,1 % knapp vor dem größeren Vorgänger Gemini 3.1 Pro, und es erreicht 84,2 % im CharXiv-Benchmark für visuelles Denken .
• Realitäts-Check: Unabhängige Daten von Artificial Analysis deuten darauf hin, dass seine Coding-Fähigkeiten deutlich schwächer sind, als Googles eigene Vergleiche vermuten lassen. Die Praxistauglichkeit für Entwickler wird daher noch geprüft .

Grok 4.3 (xAI)

Ende April 2026 still und leise an den Start gegangen, ist Grok 4.3 eine Wette auf Kosteneffizienz und Geschwindigkeit, das in Nischen glänzt .

• Allgemeine Einordnung: Mit 53 Punkten im Artificial Analysis Intelligence Index liegt es über Mittelklasse-Modellen wie Claude Sonnet 4.6, aber deutlich unter der Top-Liga um GPT-5.5 und Claude Opus 4.7 .
• König der Befehlsausführung: Es belegt Platz 1 im IFBench mit 81 % und schlägt damit GPT-5.5, Gemini 3.1 Pro und Claude Opus 4.7 .
• Agentischer Schub: Grok 4.3 zeigt einen gewaltigen Sprung von +321 Elo-Punkten beim GDPval-AA-Benchmark für agentische Aufgaben im Vergleich zum Vorgänger und erreicht 1500 Punkte . Zudem führt es den Telekom-Benchmark τ²-Bench mit 98 % an .
• Rasant: Frühe Berichte nennen eine Geschwindigkeit von 159 Tokens pro Sekunde, andere Benchmarks zeigen Werte zwischen 78,4 und 196 Tokens/s .
• Preis & Limits: Mit aggressiven geschätzten $1,25/$2,50 pro Million Tokens (Input/Output) ist es ein starker Preis-Leistungs-Tipp für bestimmte Bereiche, aber kein universeller Intelligenz-Konkurrent .

Der Open-Source-Herausforderer: DeepSeek V4 Pro (DeepSeek AI)

Das im April 2026 veröffentlichte DeepSeek V4 Pro ist der stärkste offene Konkurrent und bietet ein verlockendes Preis-Leistungs-Verhältnis – allerdings mit einem entscheidenden unabhängigen Vorbehalt.

• Coding-Preis-Leistungs-Sieger: Es punktet mit beeindruckenden 80,6 % im SWE-bench Verified und 93,5 % bei LiveCodeBench. Es schließt zu Claude Opus 4.6 beim Programmieren auf, und das zu einem Bruchteil des Preises (geschätzt ca. $3,48/M Ausgabe-Token) .
• Das CAISI-Urteil: Eine unabhängige Bewertung des US-amerikanischen CAISI ergab, dass DeepSeek V4s Fähigkeiten etwa 8 Monate hinter der Spitze zurückliegen. Während DeepSeeks eigene Daten es mit GPT-5.4 vergleichen, stuft CAISI die Leistung eher auf dem Niveau von GPT-5 vom August 2025 ein .
• Allgemeine Einstufung: Bei allgemeinen Wissens- und komplexen Denkaufgaben hinkt es den proprietären Giganten hinterher und rangiert auf einem breiteren Leaderboard nur auf Platz 39 von 123 Modellen .

Sicherheit & Unabhängige Bewertungen

Unabhängige, standardisierte Sicherheitstests bleiben selten und werden oft nicht veröffentlicht.

• DeepSeek V4 Pro (CAISI/NIST): Die Bewertung der US-Regierung bleibt das auffälligste Sicherheitssignal. Die Schlussfolgerung: Die Fähigkeiten liegen etwa 8 Monate hinter der Spitze zurück .
• GPT-5.5 (AI Security Institute): Das britische AI Security Institute berichtete, GPT-5.5 habe eine Erfolgsquote von 71,4 % bei seinen Experten-Cyberaufgaben und sei „möglicherweise das stärkste von uns getestete Modell“ in dieser Kategorie .

Wie Sie diese Ergebnisse interpretieren sollten

Es ist verlockend, einen einzelnen Gewinner zu küren, aber die Daten zeichnen ein pragmatischeres Bild:

• Für reine Programmierarbeit und agentische Aufgaben ist Claude Fable 5 eine Klasse für sich.
• Für anspruchsvolle mathematische Beweisführung und autonome Shell-Arbeit ist GPT-5.5 das Werkzeug der Wahl.
• Für ein ausgewogenes, kostengünstiges Modell, das schnell und zuverlässig ist, ist Gemini 3.5 Flash eine attraktive Option, wobei Sie dessen Coding-Fähigkeiten für Ihren konkreten Fall prüfen sollten.
• Wenn Sie einen Spezialisten für juristische Logik, Finanzanalyse oder Befehlsausführung zu einem niedrigen Preis brauchen, ist Grok 4.3 eine überraschend starke Wahl.
• Wenn Sie mit einem Budget entwickeln und erstklassige Open-Source-Coding-Fähigkeiten benötigen, ist DeepSeek V4 Pro ein unschlagbares Angebot, aber seine reale Komplexität reicht vielleicht nicht an die Allerbesten heran.

Behalten Sie immer im Hinterkopf, dass Benchmark-Bedingungen (Prompting, Tool-Nutzung, Denkaufwand) variieren und kein perfekter Indikator für Ihre spezifische Anwendung sind.

Stufe 2: Die Spezialisten und Geschwindigkeitswunder

Claude Opus 4.8 (Anthropic)

Vor der Ankunft von Fable 5 war Opus 4.8 der unangefochtene König. Veröffentlicht Ende Mai 2026, ist es nun der starke Stellvertreter, der selbst noch zur Weltspitze gehört .

• Allgemein & Agentisch: Es war das erste Modell, das den Artificial Analysis Intelligence Index mit 61,4 anführte und die GDPval-AA-Rangliste mit 1890 Elo toppte – bevor es von Fable 5 überholt wurde .
• Programmierung: Es erreicht 69,2 % im SWE-bench Pro und 88,6 % im SWE-bench Verified .
• Mathematik: Opus 4.8 erzielte einen historischen Sprung von 27 Punkten im anspruchsvollen USAMO 2026-Mathematik-Benchmark, von 69,3 % auf 96,7 %, in nur 41 Tagen .
• Ehrlichkeit: Das Modell hat die niedrigste Rate an faktischen Halluzinationen unter seinen Konkurrenten, vor allem, weil es bei Unsicherheit eine Antwort verweigert, anstatt zu raten .

GPT-5.5 (OpenAI)

GPT-5.5 wurde Ende April 2026 veröffentlicht und war das erste Modell dieser Generation, das für OpenAI wieder die Führung in der Gesamtleistung übernahm – allerdings mit einem spezialisierteren Fähigkeitsprofil .

• Mathematische Logik: Es ist das herausragende Mathematik-Modell mit 51,7 % im FrontierMath Tier 1-3 und 35,4 % im extrem schweren Tier 4 – ein klarer Vorsprung vor der Konkurrenz .
• Autonome Kommandozeile: Es führt auch bei Terminal-Bench 2.0 mit 82,7 % für komplexe Befehlszeilenaufgaben, gegenüber 69,4 % von Claude Opus 4.7 .
• Langer Kontext: GPT-5.5 machte einen Sprung von 37 Punkten bei der Langkontext-Erfassung (MRCR v2) und erreichte 74,0 % bei 1M Token-Kontext, während sein Vorgänger bei 36,6 % lag .
• Coding mit Abstrichen: Obwohl es ein starker Allrounder ist, liegt sein SWE-Bench Pro-Wert von 58,6 % inzwischen deutlich hinter den Anthropic-Modellen .

Gemini 3.5 Flash (Google)

Das auf der Google I/O 2026 vorgestellte Modell trägt den „Flash"-Namenszusatz – ein Gütesiegel für Geschwindigkeit und Kosteneffizienz, ohne dass die Schlagkraft darunter leidet .

• Geschwindigkeit und Preis: Es soll 4-mal schneller als Gemini 3.1 Pro für Agenten- und Coding-Aufgaben sein, bei wettbewerbsfähiger Preisgestaltung .
• Agentisch & Tool-Nutzung: Es erzielt starke 83,6 % im MCP Atlas, einem Benchmark für mehrschrittige Tool-Nutzung .
• Coding & Vision: Im SWE-Bench Pro liegt seine Punktzahl von 55,1 % knapp vor dem größeren Vorgänger Gemini 3.1 Pro, und es erreicht 84,2 % im CharXiv-Benchmark für visuelles Denken .
• Realitäts-Check: Unabhängige Daten von Artificial Analysis deuten darauf hin, dass seine Coding-Fähigkeiten deutlich schwächer sind, als Googles eigene Vergleiche vermuten lassen. Die Praxistauglichkeit für Entwickler wird daher noch geprüft .

Grok 4.3 (xAI)

Ende April 2026 still und leise an den Start gegangen, ist Grok 4.3 eine Wette auf Kosteneffizienz und Geschwindigkeit, das in Nischen glänzt .

• Allgemeine Einordnung: Mit 53 Punkten im Artificial Analysis Intelligence Index liegt es über Mittelklasse-Modellen wie Claude Sonnet 4.6, aber deutlich unter der Top-Liga um GPT-5.5 und Claude Opus 4.7 .
• König der Befehlsausführung: Es belegt Platz 1 im IFBench mit 81 % und schlägt damit GPT-5.5, Gemini 3.1 Pro und Claude Opus 4.7 .
• Agentischer Schub: Grok 4.3 zeigt einen gewaltigen Sprung von +321 Elo-Punkten beim GDPval-AA-Benchmark für agentische Aufgaben im Vergleich zum Vorgänger und erreicht 1500 Punkte . Zudem führt es den Telekom-Benchmark τ²-Bench mit 98 % an .
• Rasant: Frühe Berichte nennen eine Geschwindigkeit von 159 Tokens pro Sekunde, andere Benchmarks zeigen Werte zwischen 78,4 und 196 Tokens/s .
• Preis & Limits: Mit aggressiven geschätzten $1,25/$2,50 pro Million Tokens (Input/Output) ist es ein starker Preis-Leistungs-Tipp für bestimmte Bereiche, aber kein universeller Intelligenz-Konkurrent .

Der Open-Source-Herausforderer: DeepSeek V4 Pro (DeepSeek AI)

Das im April 2026 veröffentlichte DeepSeek V4 Pro ist der stärkste offene Konkurrent und bietet ein verlockendes Preis-Leistungs-Verhältnis – allerdings mit einem entscheidenden unabhängigen Vorbehalt.

• Coding-Preis-Leistungs-Sieger: Es punktet mit beeindruckenden 80,6 % im SWE-bench Verified und 93,5 % bei LiveCodeBench. Es schließt zu Claude Opus 4.6 beim Programmieren auf, und das zu einem Bruchteil des Preises (geschätzt ca. $3,48/M Ausgabe-Token) .
• Das CAISI-Urteil: Eine unabhängige Bewertung des US-amerikanischen CAISI ergab, dass DeepSeek V4s Fähigkeiten etwa 8 Monate hinter der Spitze zurückliegen. Während DeepSeeks eigene Daten es mit GPT-5.4 vergleichen, stuft CAISI die Leistung eher auf dem Niveau von GPT-5 vom August 2025 ein .
• Allgemeine Einstufung: Bei allgemeinen Wissens- und komplexen Denkaufgaben hinkt es den proprietären Giganten hinterher und rangiert auf einem breiteren Leaderboard nur auf Platz 39 von 123 Modellen .

Sicherheit & Unabhängige Bewertungen

Unabhängige, standardisierte Sicherheitstests bleiben selten und werden oft nicht veröffentlicht.

• DeepSeek V4 Pro (CAISI/NIST): Die Bewertung der US-Regierung bleibt das auffälligste Sicherheitssignal. Die Schlussfolgerung: Die Fähigkeiten liegen etwa 8 Monate hinter der Spitze zurück .
• GPT-5.5 (AI Security Institute): Das britische AI Security Institute berichtete, GPT-5.5 habe eine Erfolgsquote von 71,4 % bei seinen Experten-Cyberaufgaben und sei „möglicherweise das stärkste von uns getestete Modell“ in dieser Kategorie .

Wie Sie diese Ergebnisse interpretieren sollten

Es ist verlockend, einen einzelnen Gewinner zu küren, aber die Daten zeichnen ein pragmatischeres Bild:

• Für reine Programmierarbeit und agentische Aufgaben ist Claude Fable 5 eine Klasse für sich.
• Für anspruchsvolle mathematische Beweisführung und autonome Shell-Arbeit ist GPT-5.5 das Werkzeug der Wahl.
• Für ein ausgewogenes, kostengünstiges Modell, das schnell und zuverlässig ist, ist Gemini 3.5 Flash eine attraktive Option, wobei Sie dessen Coding-Fähigkeiten für Ihren konkreten Fall prüfen sollten.
• Wenn Sie einen Spezialisten für juristische Logik, Finanzanalyse oder Befehlsausführung zu einem niedrigen Preis brauchen, ist Grok 4.3 eine überraschend starke Wahl.
• Wenn Sie mit einem Budget entwickeln und erstklassige Open-Source-Coding-Fähigkeiten benötigen, ist DeepSeek V4 Pro ein unschlagbares Angebot, aber seine reale Komplexität reicht vielleicht nicht an die Allerbesten heran.

Behalten Sie immer im Hinterkopf, dass Benchmark-Bedingungen (Prompting, Tool-Nutzung, Denkaufwand) variieren und kein perfekter Indikator für Ihre spezifische Anwendung sind.