SprachmodellAktiv

GPT-5.5

OpenAI

Veröffentlicht: April 2026
Datenstand: 30. Juli 2026

Einordnung

Position in der Kategorie

Die Übersicht nutzt nur veröffentlichte, zusammenpassende Daten. Fehlende Werte verändern keinen Rang.

Der Index mittelt Rangperzentile aus 4 dokumentierten Vergleichskohorten. Nur Modelle mit vollständiger Abdeckung erhalten eine Position.

Position: Platz 13 von 26
Indexwert: 57,2 / 100
Abdeckung: 4 / 4

Bestenliste

1Claude Opus 588,9 / 100

2Gemini 3.8 Flash88,5 / 100

3Claude Fable 583,2 / 100

12Claude Sonnet 557,7 / 100

13GPT-5.557,2 / 100

14GLM-5.354,8 / 100

25MiMo-V2.5-Pro12,5 / 100

Quelle: Vals AI, GPQA Diamond Quelle: Vals AI, Vibe Code Bench v1.1 Quelle: Vals AI, Terminal-Bench 2.1 Quelle: Vals AI, Finance Agent (v2)

Messreihen

Vergleichbare Benchmarkwerte

Jedes Diagramm zeigt ausschließlich eine Quelle, eine Messreihe und eine gespeicherte Vergleichskohorte. Die Balken ordnen die Position. Der Messwert steht rechts.

τ-bench Airline Clean

79,5 % · Platz 3 von 3

Aufgabe: Trefferquote · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-overall · Datenstand: 5. August 2026

1.Gemini 3.1 Pro Preview82,1 %

2.Gemini 3.5 Flash80,8 %

3.GPT-5.579,5 %

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,89 Bewertung · Platz 1 von 3

Aufgabe: Zuverlässigkeit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-reliability · Datenstand: 5. August 2026

1.GPT-5.50,89 Bewertung

2.Gemini 3.1 Pro Preview0,86 Bewertung

2.Gemini 3.5 Flash0,86 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,84 Bewertung · Platz 1 von 3

Aufgabe: Konsistenz · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-consistency · Datenstand: 5. August 2026

1.GPT-5.50,84 Bewertung

2.Gemini 3.1 Pro Preview0,81 Bewertung

3.Gemini 3.5 Flash0,78 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,84 Bewertung · Platz 1 von 3

Aufgabe: Vorhersagbarkeit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-predictability · Datenstand: 5. August 2026

1.GPT-5.50,84 Bewertung

2.Gemini 3.1 Pro Preview0,83 Bewertung

3.Gemini 3.5 Flash0,82 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,97 Bewertung · Platz 1 von 3

Aufgabe: Robustheit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-robustness · Datenstand: 5. August 2026

1.Gemini 3.5 Flash0,97 Bewertung

1.GPT-5.50,97 Bewertung

3.Gemini 3.1 Pro Preview0,94 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,96 Bewertung · Platz 3 von 3

Aufgabe: Sicherheit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-safety · Datenstand: 5. August 2026

1.Gemini 3.5 Flash0,99 Bewertung

2.Gemini 3.1 Pro Preview0,97 Bewertung

3.GPT-5.50,96 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

62,8 % · Platz 3 von 3

Aufgabe: Trefferquote · Vergleichskohorte: hal-gaia-reliability-hal-reliability-overall · Datenstand: 6. August 2026

1.Gemini 3.5 Flash79,2 %

2.Gemini 3.1 Pro Preview76,2 %

3.GPT-5.562,8 %

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,79 Bewertung · Platz 3 von 3

Aufgabe: Zuverlässigkeit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-reliability · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,84 Bewertung

2.Gemini 3.1 Pro Preview0,82 Bewertung

3.GPT-5.50,79 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,61 Bewertung · Platz 3 von 3

Aufgabe: Konsistenz · Vergleichskohorte: hal-gaia-reliability-hal-reliability-consistency · Datenstand: 6. August 2026

1.Gemini 3.1 Pro Preview0,76 Bewertung

2.Gemini 3.5 Flash0,75 Bewertung

3.GPT-5.50,61 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,8 Bewertung · Platz 1 von 3

Aufgabe: Vorhersagbarkeit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-predictability · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,8 Bewertung

1.GPT-5.50,8 Bewertung

3.Gemini 3.1 Pro Preview0,78 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,95 Bewertung · Platz 2 von 3

Aufgabe: Robustheit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-robustness · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,96 Bewertung

2.GPT-5.50,95 Bewertung

3.Gemini 3.1 Pro Preview0,94 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

1 Bewertung · Platz 1 von 3

Aufgabe: Sicherheit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-safety · Datenstand: 6. August 2026

1.Gemini 3.1 Pro Preview1 Bewertung

1.Gemini 3.5 Flash1 Bewertung

1.GPT-5.51 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

AlmanBench v0.1

95,43 % · Platz 1 von 5

Aufgabe: Akzeptierte Fälle · Vergleichskohorte: almanbench-v0-1:official:overall · Datenstand: 9. August 2026

1.GPT-5.595,43 %

2.GPT-5.6 Sol95,14 %

3.Claude Opus 594,95 %

4.DeepSeek-V4-Flash93 %

5.Kimi K390,96 %

5 von 5 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

1.029 öffentliche Aufgaben, ein direkter Lauf je Zeile. Gemessen wird die Alman-Sprachspezifikation.

Quelle: Alman InstitutTeilnehmer: 5

SWE-Marathon v1.0

12 % · Platz 3 von 4

Aufgabe: Binäre Lösung, Pass@1 · Vergleichskohorte: swe-marathon-v1-0:official:pass1 · Datenstand: 9. August 2026

1.Grok 4.529 %

2.Claude Fable 524 %

3.GPT-5.512 %

4.Gemini 3.5 Flash7 %

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

20 mehrstündige Aufgaben. Der benannte Coding-Agent ist Teil jeder Ergebniszeile.

Quelle: SWE-MarathonTeilnehmer: 4

LiveBench

80,19 Punkte · Platz 3 von 4

Vergleichskohorte: livebench-2026-06-25-max · Datenstand: 2. September 2026

1.Claude Fable 582,97 Punkte

2.GPT-5.6 Sol81,05 Punkte

3.GPT-5.580,19 Punkte

4.GPT-5.6 Terra77,94 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

23 objektiv bewertete Aufgaben in sieben Kategorien.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

89,7 Punkte · Platz 3 von 4

Aufgabe: Reasoning · Vergleichskohorte: livebench-2026-06-25-reasoning-max · Datenstand: 2. September 2026

1.GPT-5.6 Sol91,7 Punkte

2.GPT-5.6 Terra90,6 Punkte

3.Claude Fable 589,7 Punkte

3.GPT-5.589,7 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Reasoning innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

82,1 Punkte · Platz 3 von 4

Aufgabe: Coding · Vergleichskohorte: livebench-2026-06-25-coding-max · Datenstand: 2. September 2026

1.Claude Fable 586 Punkte

2.GPT-5.6 Sol83,9 Punkte

3.GPT-5.582,1 Punkte

4.GPT-5.6 Terra78,2 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Coding innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

54 Punkte · Platz 4 von 4

Aufgabe: Agentisches Coding · Vergleichskohorte: livebench-2026-06-25-agentic-coding-max · Datenstand: 2. September 2026

1.Claude Fable 562,2 Punkte

2.GPT-5.6 Sol56,2 Punkte

3.GPT-5.6 Terra54,9 Punkte

4.GPT-5.554 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Agentisches Coding innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

95,9 Punkte · Platz 3 von 4

Aufgabe: Mathematik · Vergleichskohorte: livebench-2026-06-25-mathematics-max · Datenstand: 2. September 2026

1.GPT-5.6 Sol96,2 Punkte

2.Claude Fable 596 Punkte

3.GPT-5.595,9 Punkte

4.GPT-5.6 Terra94,9 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Mathematik innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

81,6 Punkte · Platz 1 von 4

Aufgabe: Datenanalyse · Vergleichskohorte: livebench-2026-06-25-data-analysis-max · Datenstand: 2. September 2026

1.GPT-5.581,6 Punkte

2.Claude Fable 580,5 Punkte

3.GPT-5.6 Sol79,8 Punkte

4.GPT-5.6 Terra79,3 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Datenanalyse innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

87,4 Punkte · Platz 3 von 4

Aufgabe: Sprache · Vergleichskohorte: livebench-2026-06-25-language-max · Datenstand: 2. September 2026

1.Claude Fable 590,7 Punkte

2.GPT-5.6 Sol87,7 Punkte

3.GPT-5.587,4 Punkte

4.GPT-5.6 Terra82,9 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Sprache innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

LiveBench

70,7 Punkte · Platz 3 von 4

Aufgabe: Anweisungsbefolgung · Vergleichskohorte: livebench-2026-06-25-instruction-following-max · Datenstand: 2. September 2026

1.Claude Fable 575,8 Punkte

2.GPT-5.6 Sol71,8 Punkte

3.GPT-5.570,7 Punkte

4.GPT-5.6 Terra64,6 Punkte

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Kategorie Anweisungsbefolgung innerhalb desselben LiveBench-Releases.

Quelle: LiveBenchTeilnehmer: 4

BrowseComp

84,4 % · Platz 4 von 5

Vergleichskohorte: browsecomp-openai-gpt-5-6-table · Datenstand: 2. September 2026

1.Claude Mythos 588 %

2.GPT-5.6 Terra87,5 %

3.Gemini 3.1 Pro Preview85,9 %

4.GPT-5.584,4 %

5.GPT-5.6 Luna83,3 %

5 von 5 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Herstellerübergreifende Vergleichstabelle mit Browser-Werkzeugen. Die genauen Agentensysteme unterscheiden sich.

Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.

Quelle: OpenAITeilnehmer: 5

Einzelwerte

Veröffentlichte Einzelwerte

Für diese Messwerte liegt keine exakt passende veröffentlichte Vergleichskohorte vor. Der Balken zeigt nur die dokumentierte Skala, keine Rangposition.

OSWorld 2.0

Datenstand: 26. August 2026

OSWorld 2.013 %

Skala 0 bis 100. Kein Rang

Vollständiges Agentensystem bei bis zu 500 Schritten.

Claude verwendete ungefähr 244.000 Output-Tokens. Das ist ein Systemwert, kein isolierter Modellscore.

Quelle: OSWorld 2.0

SWE-Bench Pro

Datenstand: 2. September 2026

SWE-Bench Pro58,6 %

Skala 0 bis 100. Kein Rang

Von Anthropic veröffentlichte Vergleichstabelle. Kein Gradually-Test.

OpenAI schätzt nach einer Prüfung, dass rund 30 % der öffentlichen Aufgaben fehlerhaft sind. Der Wert bleibt deshalb ein umstrittenes Zusatzsignal. Die Zeilen sind eine redaktionelle Auswahl aus der jeweiligen Vergleichstabelle.

Quelle: Anthropic

Steckbrief

Technische Daten und Zugang

Veröffentlichte Angaben zum Modell. Nicht bekannte Werte werden nicht geschätzt.

Modelltyp: ProprietärQuelle
Kontextfenster: 1.050.000 TokenQuelle
Knowledge Cutoff: 1. Dezember 2025Quelle
Hinweise: 1M Kontext, agentische Workflows, Terminal-Bench 2.0 82,7 %, Parameterzahl nicht veröffentlichtQuelle