Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
gemeinsame Messreihen
18
verschiedene Benchmarks
11
jüngster Abruf
29.09.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Preise nach Anbieter
Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.
Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.
Fähigkeitsprofil aus vergleichbaren Benchmarks
Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.
Claude Opus 4.6
GPT-5.4
Coding: 85,4 / 100 (1 Benchmarkfamilie)
Wissen: 95 / 100 (1 Benchmarkfamilie)
Agenten-Aufgaben: 100 / 62,3 (1 Benchmarkfamilie)
Cybersecurity: 100 / 94 (1 Benchmarkfamilie)
Gesundheit: 100 / 87,5 (2 Benchmarkfamilien)
11 passende Messreihen aus 6 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 5 von 5 vergleichbaren Kategorien.
Claude Opus 4.6GPT-5.4
Humanity's Last ExamOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.634,44 % ± 1,86
GPT-5.4Kein klarer Vorsprung36,24 % ± 1,88
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.6Gewinner48,244 %
GPT-5.441,292 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.6Gewinner86,738 %
GPT-5.477,549 %
METR Time Horizon50% time horizon. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.6Gewinner12 Std. (95-Prozent-Konfidenzintervall 5,3 Std. bis 60,6 Std.)
GPT-5.45,7 Std. (95-Prozent-Konfidenzintervall 3,1 Std. bis 12,8 Std.)
MultiNRCOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 4.648,34 % ± 3,02
GPT-5.4Höherer Messwert58,29 % ± 2,98
PRBench FinanceOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 4.6Höherer Messwert53,28 % ± 0,18
GPT-5.445,63 % ± 0,56
PRBench LegalOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 4.6Höherer Messwert52,27 % ± 0,66
GPT-5.444,35 % ± 0,28
SecCodeBench-V2Generation with security hints. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.6Gewinner70,65 %
GPT-5.467,82 %
Vibe Code Bench v1.1Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.657,573 %
GPT-5.4Gewinner67,421 %
VISTAOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 4.645,48 % ± 0,44
GPT-5.4Höherer Messwert50,89 % ± 1,76
VisualToolBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 4.627,52 % ± 1,45
GPT-5.4Höherer Messwert29,17 % ± 0,13
METR Time Horizon80% time horizon. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 4.6Gewinner1,2 Std. (95-Prozent-Konfidenzintervall 27 min bis 2,8 Std.)
GPT-5.453,9 min (95-Prozent-Konfidenzintervall 24 min bis 1,8 Std.)
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: final 2,500-question public setMessgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.6: Snapshot: claude-opus-4-6-thinking-max, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Versuche: pass@1Alle 2.500 öffentlichen Fragen, Temperatur 0 und automatischer Antwort-Extraktor.
Kein dokumentierter Unterschied im TestaufbauVersion: TH 1.1Messgröße: 50% time horizonBewertung: Mehr ist besserClaude Opus 4.6: Snapshot: claude-opus-4-6-2026-02-05, Agent: ReAct, Harness: ReAct, Versuche: 6 independent runs per task GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Agent: ReAct, Harness: ReAct, Versuche: 6 independent runs per taskReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.
Gewinner12 Std. (95-Prozent-Konfidenzintervall 5,3 Std. bis 60,6 Std.)
5,7 Std. (95-Prozent-Konfidenzintervall 3,1 Std. bis 12,8 Std.)
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: French, Spanish, and Chinese releaseMessgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.6: Reasoning: none, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-xhigh, Reasoning: xhigh, Versuche: pass@1Native, nicht aus dem Englischen übersetzte Reasoning-Aufgaben mit automatischer Bewertung.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: full finance setMessgröße: weighted rubric scoreBewertung: Mehr ist besserClaude Opus 4.6: Reasoning: none, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Versuche: pass@1600 Finanzaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: full legal setMessgröße: weighted rubric scoreBewertung: Mehr ist besserClaude Opus 4.6: Reasoning: none, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Versuche: pass@1500 Rechtsaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.
SecCodeBench-V2Generation with security hintsTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: 2.2.0Messgröße: security-aware generation pass@1Bewertung: Mehr ist besser98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.
Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.6: Harness: OpenHands GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1,204-task releaseMessgröße: average pass rateBewertung: Mehr ist besserClaude Opus 4.6: Reasoning: thinking, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Versuche: pass@11.204 Aufgaben, sechs Werkzeuge und höchstens 20 Werkzeugaufrufe pro Aufgabe.
Kein dokumentierter Unterschied im TestaufbauVersion: TH 1.1Messgröße: 80% time horizonBewertung: Mehr ist besserClaude Opus 4.6: Snapshot: claude-opus-4-6-2026-02-05, Agent: ReAct, Harness: ReAct, Versuche: 6 independent runs per task GPT-5.4: Snapshot: gpt-5.4-2026-03-05, Agent: ReAct, Harness: ReAct, Versuche: 6 independent runs per taskReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.
Gewinner1,2 Std. (95-Prozent-Konfidenzintervall 27 min bis 2,8 Std.)
53,9 min (95-Prozent-Konfidenzintervall 24 min bis 1,8 Std.)
Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: French, Spanish, and Chinese releaseMessgröße: accuracyBewertung: Mehr ist besserClaude Opus 4.6: Reasoning: max, Versuche: pass@1 GPT-5.4: Snapshot: gpt-5.4-xhigh, Reasoning: xhigh, Versuche: pass@1Native, nicht aus dem Englischen übersetzte Reasoning-Aufgaben mit automatischer Bewertung.
SecCodeBench-V2Generation without hintsTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: 2.2.0Messgröße: native generation pass@1Bewertung: Mehr ist besser98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.
SecCodeBench-V2Repair with security hintsTestdetails
Kein dokumentierter Unterschied im TestaufbauVersion: 2.2.0Messgröße: security-aware repair pass@1Bewertung: Mehr ist besser98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.
Kein dokumentierter Unterschied im TestaufbauVersion: 2.2.0Messgröße: native repair pass@1Bewertung: Mehr ist besser98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.
Kein dokumentierter Unterschied im TestaufbauVersion: 2.2.0Messgröße: weighted pass@1Bewertung: Mehr ist besser98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
Eigene Modelltests
Unsere Tests
Vergleiche, wie die Modelle denselben Prompt umsetzen. Angezeigt wird jeweils der aktuellste Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Frühere Läufe bleiben in den Testdetails erreichbar. Die Ergebnisse fließen nicht in einen Gesamtscore ein.
Pelikan auf dem Fahrrad
Community-Klassiker für eine freie SVG-Zeichnung.
Claude Opus 4.6
Community-Klassiker für eine freie SVG-Zeichnung.
Reasoning (angefragt): high
Aktueller Versuch
Datum des Testlaufs
01.10.2026
API-Anbieter
openrouter
Angefragtes API-Modell
anthropic/claude-opus-4.6
API-Modell laut Antwort
anthropic/claude-opus-4.6
Reasoning-Einstellung
high
Festgelegter Endpunkt
Anthropic | anthropic/claude-4.6-opus-20260205
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Bestanden, keine Qualitätsbewertung
Antwortzeit
85,1 s
Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.
GPT-5.4
Community-Klassiker für eine freie SVG-Zeichnung.
Reasoning (angefragt): high
Aktueller Versuch
Datum des Testlaufs
01.10.2026
API-Anbieter
openrouter
Angefragtes API-Modell
openai/gpt-5.4
API-Modell laut Antwort
openai/gpt-5.4
Reasoning-Einstellung
high
Festgelegter Endpunkt
OpenAI | openai/gpt-5.4-20260305
Temperatur
Anbieterstandard
Tokenlimit inklusive Reasoning
8.192 Token
Testprotokoll
community-visual-tests-v1
Technische Prüfung
Bestanden, keine Qualitätsbewertung
Antwortzeit
116,8 s
Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.
Frühere Versuche (1)
07.09.2026API-Anfrage fehlgeschlagenReasoning-Einstellung: high
Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.
Die Standardpreistabelle nutzt direkte Entwicklertarife. Der Anbieter-Vergleich kennzeichnet OpenRouter-Endpoints, Regionen und Sondertarife separat.
Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.
Weitere Duelle
Ähnliche LLM-Vergleiche
Vergleiche Claude Opus 4.6 und GPT-5.4 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.
