Die meistzitierte Zahl für Claude Mythos Preview ist 93,9 % in SWE bench; das ist ein Benchmark für Software Aufgaben und keine Gesamtnote des Modells [1][2].
Claude Mythos Preview fällt vor allem durch 93,9 % auf SWE bench Verified auf; gleichzeitig ist es laut Anthropic ein einladungspflichtiges Project Glasswing Research Preview und kein frei verfügbares Standa...
Kein Modell gewinnt überall: Claude Opus 4.7 wirkt in den vergleichbaren Qualitätsdaten am stärksten, GPT 5.5 hat den klaren Terminal Bench 2.0 Vorsprung, Kimi K2.6 punktet beim Coding Preis und DeepSeek V4...
Kein eindeutiger Gesamtsieger: LLM Stats sieht Claude Opus 4.7 in 6 von 10 gemeinsam gemeldeten Benchmarks vorn und GPT 5.5 in 4; BenchLM warnt zugleich, dass die überlappenden Daten noch nicht für einen fai...
Ein pauschaler Sieger lässt sich aus den verfügbaren Daten nicht ableiten: BenchLM sieht DeepSeek V4 Flash High beim Coding mit 72,2 zu 58,6 vorn, GPT 5.5 aber bei Agenten Tasks mit 81,8 zu 55,4 [13].
Kein absoluter Gewinner: Claude Opus 4.7 liegt bei SWE Bench Pro mit 64,3 % vor GPT 5.5 mit 58,6 %, während GPT 5.5 bei Terminal Bench 2.0 mit 82,7 % gegen 69,4 % klar führt.[14]
Im Coding spricht der klarste öffentliche Direktvergleich für DeepSeek: LiveCodeBench(Pass@1) nennt DS V4 Pro Max mit 93,5 und K2.6 Thinking mit 89,6 — allerdings in einer von DeepSeek veröffentlichten Tabel...
Es gibt keinen sauber belegten Gesamtsieger: GPT 5.5 ist offiziell mit 82,7% auf Terminal Bench 2.0 und 58,6% auf SWE Bench Pro belegt; Claude Opus 4.7 wirkt in Sekundärdaten bei Coding stärker, während Kimi...
Kein Modell gewinnt alles: GPT 5.5 führt in ARC AGI 2 mit 85 % gegenüber 75,8 % für Claude und in Terminal Bench 2.0 mit 82,7 %; Claude Opus 4.7 liegt bei HLE Basiswerten und SWE Bench Pro vorn.[1][3][9]
Eine Auswertung gemeinsamer Benchmarks sieht Claude Opus 4.7 in 6 von 10 und GPT 5.5 in 4 von 10 vorn; Claude punktet eher bei Schlussfolgern und Review, GPT 5.5 bei langen Tool und Shell Aufgaben.[15]
Für praktisches Software Engineering ist Kimi K2.6 derzeit die naheliegende erste Wahl: Im AkitaOnRails Coding Benchmark erreicht Kimi K2.6 87 Punkte, DeepSeek V4 Flash 78 und DeepSeek V4 Pro 69 Punkte[8].
Ein belastbares 1 bis 4 Ranking gibt es derzeit nicht: Claude Opus 4.7 kommt bei Artificial Analysis auf 57 Punkte, GPT 5.5 xhigh wird mit 60 Punkten als Indexführer genannt; LLM Stats sieht beide je nach Be...