DeepSeek V4 vs. Kimi K2.6 vs. Claude Opus 4.7 vs. GPT-5.5: Benchmark-Vergleich

Was die Quellen wirklich hergeben

OpenAI beschreibt Terminal-Bench 2.0 als Benchmark für komplexe Kommandozeilen-Workflows mit Planung, Iteration und Tool-Koordination; GPT-5.5 erreicht dort laut OpenAI 82,7% ^[24]. Auf SWE-Bench Pro, einem Benchmark für reale GitHub-Issue-Lösung, nennt OpenAI 58,6% für GPT-5.5 ^[24].

DeepSeek dokumentiert für V4, dass V4-Pro und V4-Flash über die OpenAI-ChatCompletions-Schnittstelle und die Anthropic-Schnittstelle nutzbar sind; die Modellparameter lauten deepseek-v4-pro und deepseek-v4-flash ^[25]. Das belegt Verfügbarkeit, aber noch keinen direkten Benchmark-Sieg.

Für Claude Opus 4.7 und Kimi K2.6 sind die hier verwendeten Direktvergleiche vorsichtiger zu lesen: LushBinary liefert konkrete Claude-vs.-GPT-Werte, CodeRouter liefert Preis- und Einordnungsaussagen zu Kimi K2.6 und DeepSeek V4 ^[4][6].

Vergleichstabelle der belegten Werte

„k. A.“ bedeutet: In den vorliegenden Quellen gibt es keine ausreichend belegte, direkt vergleichbare Zahl für diese Modell-Benchmark-Kombination.

Coding: Claude Opus 4.7 wirkt am stärksten, Kimi K2.6 ist der Preis-Kandidat

Wenn Coding-Benchmarks der wichtigste Maßstab sind, spricht die zitierte Zahlenlage am ehesten für Claude Opus 4.7. LushBinary nennt 64,3% für Claude Opus 4.7 auf SWE-Bench Pro gegenüber 58,6% für GPT-5.5; OpenAI bestätigt den GPT-5.5-Wert von 58,6% selbst ^[4][24]. Auch bei SWE-Bench Verified und CursorBench liegt Claude Opus 4.7 in dieser Sekundärquelle vor GPT-5.5 ^[4].

Kimi K2.6 bleibt für Coding trotzdem interessant, weil CodeRouter das Modell auf SWE-Bench Pro auf GPT-5.5-Niveau einordnet und zugleich deutlich niedrigere Tokenpreise nennt ^[6]. Das ist kein Ersatz für einen eigenen Eval, aber ein starkes Signal für Teams, die viele Agentenläufe, Drafts oder Retries bezahlen müssen.

Für DeepSeek V4 lässt sich aus den offiziellen DeepSeek-Daten in dieser Quellenlage keine Coding-Benchmarkzahl ableiten. Belegt ist die API-Verfügbarkeit von V4-Pro und V4-Flash ^[25].

Agentische Terminal-Workflows: GPT-5.5 ist am besten belegt

Bei Terminal-Agenten ist GPT-5.5 die klarste Wahl nach öffentlich belegten Zahlen. OpenAI nennt 82,7% auf Terminal-Bench 2.0 und beschreibt den Benchmark als Test komplexer Kommandozeilen-Workflows mit Planung, Iteration und Tool-Koordination ^[24]. LushBinary setzt Claude Opus 4.7 in demselben Benchmark bei ungefähr 72% an ^[4].

Auch bei Knowledge-Work- und Computer-Use-Metriken spricht die zitierte Sekundärquelle eher für GPT-5.5: 84,9% auf GDPval gegenüber ca. 78% für Claude Opus 4.7 und 78,7% auf OSWorld-Verified gegenüber ca. 65% für Claude Opus 4.7 ^[4]. Für Workflows mit Shell-Kommandos, Tool-Orchestrierung und GUI-nahen Aufgaben ist GPT-5.5 daher der stärkste belegte Startpunkt.

Vision und Dokumente: Claude Opus 4.7 hat den klarsten positiven Hinweis

Für Vision- und Dokumentenaufgaben gibt es in den verwendeten Quellen keine vollständige Vierer-Tabelle. Der stärkste Hinweis betrifft Claude Opus 4.7: Ein von Latent Space/AINews zitierter Arena-Bericht meldet Claude Opus 4.7 auf Platz 1 in der Vision & Document Arena ^[1].

LLM Stats berichtet außerdem, Claude Opus 4.7 könne Bilder bis 2.576 Pixel an der langen Kante beziehungsweise ungefähr 3,75 Megapixel verarbeiten; GPT-5.5 unterstütze Bildinput und werde dort mit MMMU-Pro-Werten von 81,2% ohne Tools und 83,2% mit Tools angegeben ^[5]. Diese Werte helfen bei der Einordnung von Claude gegen GPT-5.5, ersetzen aber keinen direkten Vierer-Vergleich mit Kimi K2.6 und DeepSeek V4.

Preis-Leistung: Kimi K2.6 und DeepSeek V4 Flash gehören in den eigenen Test

Das stärkste belegte Preisargument hat Kimi K2.6. CodeRouter beschreibt Kimi K2.6 als Kosten-/Qualitätsgewinner und nennt $0,60 Input sowie $4,00 Output pro Million Tokens ^[6].

DeepSeek V4 Flash ist in derselben Quelle als sehr günstige Workhorse-Option mit $0,14 Input und $0,28 Output pro Million Tokens sowie 1M Kontext aufgeführt ^[6]. Die offizielle DeepSeek-Dokumentation bestätigt zusätzlich, dass V4-Pro und V4-Flash über die aktuellen API-Schnittstellen verfügbar sind ^[25].

Preis-Leistung ist aber nicht dasselbe wie Benchmark-Führung. Ein günstiges Modell kann für viele Versuche und risikoärmere Agentenläufe attraktiv sein; produktiv zählt am Ende, wie viele Aufgaben es korrekt, stabil und ohne teure Nacharbeit löst.

So testest du die vier Modelle fair

Für eine Produktionsentscheidung reicht ein öffentliches Ranking nicht aus. Baue einen kleinen Eval-Satz aus realen Aufgaben deines Codebestands, deiner Dokumente oder deiner Agenten-Workflows. Messe nicht nur die erste Antwort, sondern auch Kosten pro akzeptiertem Ergebnis, Retry-Bedarf, Fehlerschwere und Laufzeit.

Wichtig ist außerdem, offizielle Werte und Sekundärdaten nicht gleich zu behandeln. GPT-5.5 hat in dieser Auswertung offizielle OpenAI-Werte für Terminal-Bench 2.0 und SWE-Bench Pro ^[24]. DeepSeek V4 hat einen offiziellen API-Verfügbarkeitsnachweis ^[25]. Die stärksten direkten Claude- und Kimi-Vergleichsaussagen stammen hier dagegen aus Drittquellen ^[4][6].

Fazit

Der Benchmark-Vergleich ergibt keinen universellen Sieger. Claude Opus 4.7 führt in den zitierten Coding-nahen Werten, GPT-5.5 ist bei Terminal- und Computer-Use-Benchmarks am stärksten belegt, Kimi K2.6 hat das klarste Preis-Leistungs-Narrativ, und DeepSeek V4 ist vor allem ein verfügbarer API-Kandidat, der in eigenen Evaluationsläufen gemessen werden sollte ^{[4][24][6][25]}.