Alle LLM-Vergleiche
Direktvergleich
Claude Opus 5 vs. GPT-5.5
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
179
gemeinsame Messreihen
28
verschiedene Benchmarks
11.08.2026
jüngster Abruf
Modellauswahl ändern
Steckbrief und Kosten
Allgemeine Daten und Standard-API-Preise
Nicht veröffentlichte Parameterzahlen oder Wissensstände bleiben als solche markiert. Die Tabelle zeigt direkte Standardtarife pro Token einschließlich hinterlegter Kontextstufen. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.
| Merkmal | Claude Opus 5 | GPT-5.5 |
|---|---|---|
| Anbieter | Anthropic | OpenAI |
| Erschienen | 24. Juli 2026 | Apr. 2026 |
| Verfügbarkeit | Aktiv | Aktiv |
| Modelltyp | Proprietär | Proprietär |
| Parameter | Nicht veröffentlicht | Nicht veröffentlicht |
| Architektur | Nicht veröffentlicht | Nicht veröffentlicht |
| Kontextfenster | 1.000.000 Token | 1.050.000 Token |
| Wissensstand | Mai 2026 | 1. Dezember 2025 |
| Technische Quellen | Modell, Wissensstand | Modell |
| API-Preise pro 1 Mio. Token | ||
| API-Eingabe | 5 $ | 5 $ ≤272K / 10 $ >272K |
| API-Ausgabe | 25 $ | 30 $ ≤272K / 45 $ >272K |
| Cache lesen | 0,5 $ | 0,5 $ ≤272K / 1 $ >272K |
| Cache schreiben (5 Min.) | 6,25 $ | Nicht ausgewiesen |
| Cache schreiben (1 Std.) | 10 $ | Nicht ausgewiesen |
| Preis geprüft | 30.07.2026Quelle | 30.07.2026Quelle |
Claude Opus 5GPT-5.5
API-EingabeUSD pro 1 Mio. Token, Basistarif
Claude Opus 55 $GPT-5.55 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
Claude Opus 525 $GPT-5.530 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
Claude Opus 50,5 $GPT-5.50,5 $
Leistung
Gemeinsame Benchmarks
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.
179 gemeinsame Messreihen
Claude Opus 5GPT-5.5
AlmanBench v0.1Accepted cases. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 594,947 %GPT-5.595,432 %
Code MigrationOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 557,473 %GPT-5.545,161 %
CorpFin v2Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 573,194 %GPT-5.568,415 %
CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
Claude Opus 540,678 %GPT-5.580,508 %
EMBOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 573,556 %GPT-5.564,543 %
Finance Agent (v2)Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 558,633 %GPT-5.551,76 %
GPQA DiamondOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 593,434 %GPT-5.593,182 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 56,667 %GPT-5.53,75 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 555,288 %GPT-5.540,385 %
LegalBenchOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 586,974 %GPT-5.586,515 %
LiveCodeBench v6Overall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 589,033 %GPT-5.585,296 %
MedCodeOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
Claude Opus 563,57 %GPT-5.549,1 %
| Benchmark und Aufgabe | Claude Opus 5 | GPT-5.5 | Vergleichbarkeit | Quelle |
|---|---|---|---|---|
| AlmanBench v0.1Accepted cases | 94,947 % | 95,432 %höher | v0.1, results commit f34ddbfaccepted casesMehr ist besserKohorte: almanbench-v0-1:official:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Reasoning: max GPT-5.5: Reasoning: xhigh1.029 öffentliche Aufgaben, ein direkter Lauf je Zeile. Gemessen wird die Alman-Sprachspezifikation. | Alman InstitutTyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: curated-alman-institut-2026-08-09-dae32c26388f / curated-alman-institut-2026-08-09-92ad09f6268eAbgerufen am 09.08.2026 |
| Code MigrationOverall | 57,473 %höher | 45,161 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Overall | 73,194 %höher | 68,415 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| CyberBenchOverall | 40,678 % | 80,508 %höher | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:overallKein dokumentierter Setup-UnterschiedClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| EMBOverall | 73,556 %höher | 64,543 % | 1accuracyMehr ist besserKohorte: vals-emb:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Overall | 58,633 %höher | 51,76 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondOverall | 93,434 %höher | 93,182 % | 1accuracyMehr ist besserKohorte: vals-gpqa:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkOverall · Task fully resolved | 6,667 %höher | 3,75 % | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchOverall · All-pass | 55,288 %höher | 40,385 % | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchOverall | 86,974 %höher | 86,515 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Overall | 89,033 %höher | 85,296 % | 1accuracyMehr ist besserKohorte: vals-lcb:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MedCodeOverall | 63,57 %höher | 49,1 % | 1accuracyMehr ist besserKohorte: vals-medcode:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Temperatur: 1, Ausgabegrenze: 30.000 Token GPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-medcode-2026-08-11-59016050c3a3Abgerufen am 11.08.2026 |
| MedScribeOverall | 90,985 %höher | 86,868 % | 1accuracyMehr ist besserKohorte: vals-medscribe:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Temperatur: 1, Ausgabegrenze: 30.000 Token GPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-medscribe-2026-08-11-d7cf1ca6b81fAbgerufen am 11.08.2026 |
| MMLU-ProOverall | 91,591 %höher | 88,144 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| MMMU-ProOverall | 89,884 %höher | 88,266 % | 1accuracyMehr ist besserKohorte: vals-mmmu:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmmu-2026-08-11-9869cf71f8c7Abgerufen am 11.08.2026 |
| MortgageTaxOverall | 72,059 %höher | 68,76 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mortgage_tax-2026-08-11-5ea6eef3e482Abgerufen am 11.08.2026 |
| ProgramBenchOverall | 3 %höher | 0,5 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| ProofBenchOverall | 78 %höher | 50 % | 1accuracyMehr ist besserKohorte: vals-proof-bench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-proof_bench-2026-08-11-c6615e599d88Abgerufen am 11.08.2026 |
| Public Benefits Bench v1.1Overall | 76,928 %höher | 60,893 % | 1.1accuracyMehr ist besserKohorte: vals-snap:1.1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-public-benefits-bench-2026-08-11-e93f5dfe7fa4Abgerufen am 11.08.2026 |
| SAGEOverall | 49,426 % | 51,532 %höher | 1accuracyMehr ist besserKohorte: vals-sage:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Temperatur: 1, Ausgabegrenze: 30.000 Token GPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SkillsBenchOverall | 60,441 % | 62,209 %höher | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench VerifiedOverall | 97 %höherRedaktionelle Auswahl aus der Vals-AI-Tabelle, kein vollständiger Auszug der Vergleichsgruppe. | 82,6 %Redaktionelle Auswahl aus der Vals-AI-Tabelle, kein vollständiger Auszug der Vergleichsgruppe. | VerifiedresolvedMehr ist besserKohorte: swe-verified-vals-mini-swe-agent-2026-07-31Kein dokumentierter Setup-UnterschiedClaude Opus 5: Agent: mini-SWE-agent, Harness: mini-SWE-agent GPT-5.5: Agent: mini-SWE-agent, Harness: mini-SWE-agentEinheitliches mini-SWE-agent-Testgerüst mit Bash-Werkzeugen. | Vals AITyp: Unabhängige EvaluationMessstand: 31.07.2026Import-ID: curated-vals-ai-2026-08-01-6d188ba56b5b / curated-vals-ai-2026-08-01-6a0e222c165dAbgerufen am 01.08.2026 |
| TaxEval v2Overall | 75,143 %höher | 74,98 % | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Overall | 84,644 %höher | 76,404 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Time Horizon Index: KSPOverall | 13,667 %höher | 8,333 % | 1progressMehr ist besserKohorte: vals-ksp-bench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: vals-time_horizon_index-2026-08-11-f0a20a098b28Abgerufen am 11.08.2026 |
| Vals IndexOverall | 74,82 %höher | 67,951 % | 1.2weighted index scoreMehr ist besserKohorte: vals-vals-index:1.2:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Vals Multimodal IndexOverall | 73,896 %höher | 68,071 % | 1.2weighted index scoreMehr ist besserKohorte: vals-vals-multimodal-index:1.2:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_multimodal_index-2026-08-11-fa704862df19Abgerufen am 11.08.2026 |
| Vibe Code Bench v1.1Overall | 88,404 %höher | 69,847 % | 1.1accuracyMehr ist besserKohorte: vals-vibe-code-bench:1.1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Harness: OpenHands GPT-5.5: Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: vals-vibe-code-2026-08-11-b6b708f7b194Abgerufen am 11.08.2026 |
| Code MigrationCLI | 53,297 %höher | 36,882 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cliTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Exact Pages | 68,648 %höher | 65,618 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:exact_pagesTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| CyberBenchPatch | 81,356 % | 81,356 % | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:patchKein dokumentierter Setup-UnterschiedClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| EMBComps | 75,171 %höher | 64,681 % | 1accuracyMehr ist besserKohorte: vals-emb:1:compsTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)Adjustments | 54,617 %höher | 45,74 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:adjustmentsTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondFew-Shot CoT | 92,424 % | 93,434 %höher | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_few_shot_cotTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed | 87,319 %höher | 82,246 % | 1criteria pass rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:criteria_pass_rate__antitrust_competitionTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · All-pass | 65,152 %höher | 53,03 % | 1all-pass rateMehr ist besserKohorte: vals-legal-research:1:administrative_regulatoryTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchConclusion Tasks | 91,56 %höher | 89,644 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:conclusion_tasksTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Easy | 99,068 %höher | 98,447 % | 1accuracyMehr ist besserKohorte: vals-lcb:1:easyTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBiology | 95,676 %höher | 94,003 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:biologyTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| MortgageTaxNumerical Extraction | 81,399 %höher | 76,153 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:numerical_extractionTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mortgage_tax-2026-08-11-5ea6eef3e482Abgerufen am 11.08.2026 |
| ProgramBenchAlmost Resolved | 41,5 %höher | 9,5 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:almostTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SAGEAutomata | 32,54 % | 40,476 %höher | 1accuracyMehr ist besserKohorte: vals-sage:1:automataTestaufbau nicht identisch dokumentiertClaude Opus 5: Temperatur: 1, Ausgabegrenze: 30.000 Token GPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SkillsBenchNo Skills | 45,191 % | 49,875 %höher | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:no_skillsTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
| SWE-bench VerifiedOverall | 97 %höher | 82,6 % | 1accuracyMehr ist besserKohorte: vals-swebench:1:overallTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 08.08.2026Import-ID: vals-swebench-2026-08-11-a6212cd857d8Abgerufen am 11.08.2026 |
| TaxEval v2Correctness | 61,979 % | 65,495 %höher | 2accuracyMehr ist besserKohorte: vals-tax-eval-v2:2:correctnessTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-tax_eval_v2-2026-08-11-d05a40bf446fAbgerufen am 11.08.2026 |
| Terminal-Bench 2.1Easy | 100 %höher | 83,333 % | 2.1accuracyMehr ist besserKohorte: vals-terminal-bench-2-1:2.1:easyTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: high, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-terminal-bench-2-1-2026-08-11-8f0ebd72a609Abgerufen am 11.08.2026 |
| Time Horizon Index: KSPProgress efficiency | 11,947 %höher | 6,032 % | 1progressMehr ist besserKohorte: vals-ksp-bench:1:mean_progress_to_dateTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 05.08.2026Import-ID: vals-time_horizon_index-2026-08-11-f0a20a098b28Abgerufen am 11.08.2026 |
| Vals IndexCorpFin v2 | 74,942 %höher | 69,58 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-index:1.2:corp_fin_v2Testaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_index-2026-08-11-e79d08d59249Abgerufen am 11.08.2026 |
| Vals Multimodal IndexCorpFin v2 | 74,942 %höher | 69,58 % | 1.2benchmark scoreMehr ist besserKohorte: vals-vals-multimodal-index:1.2:corp_fin_v2Testaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-vals_multimodal_index-2026-08-11-fa704862df19Abgerufen am 11.08.2026 |
| Code MigrationCOBOL | 70 % | 70 % | 1accuracyMehr ist besserKohorte: vals-code-migration:1:cobolTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-code-migration-2026-08-11-3a2d5ce718a3Abgerufen am 11.08.2026 |
| CorpFin v2Max Fitting Context | 75,991 %höher | 70,047 % | 2accuracyMehr ist besserKohorte: vals-corp-fin-v2:2:max_fitting_contextTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-corp_fin_v2-2026-08-11-d9e58d191cd9Abgerufen am 11.08.2026 |
| CyberBenchPoC | 0 % | 79,661 %höher | 1accuracyMehr ist besserKohorte: vals-cyberbench:1:pocKein dokumentierter Setup-UnterschiedClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Keine weiteren Einstellungen ausgewiesen | Vals AITyp: Unabhängige EvaluationMessstand: 03.08.2026Import-ID: vals-cyber-2026-08-11-1f20498a3dc1Abgerufen am 11.08.2026 |
| EMBDataroom | 87,681 %höher | 81,227 % | 1accuracyMehr ist besserKohorte: vals-emb:1:dataroomTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-emb-2026-08-11-e3c855e236e4Abgerufen am 11.08.2026 |
| Finance Agent (v2)All-Pass | 47,708 %höher | 39,562 % | 2accuracyMehr ist besserKohorte: vals-finance-agent-v2:2:all_passTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-fabv2-2026-08-11-3e5c93a1857cAbgerufen am 11.08.2026 |
| GPQA DiamondZero-Shot CoT | 94,444 %höher | 92,929 % | 1accuracyMehr ist besserKohorte: vals-gpqa:1:diamond_zero_shot_cotTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-gpqa-2026-08-11-d3325290a404Abgerufen am 11.08.2026 |
| Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved | 0 % | 0 % | 1task resolution rateMehr ist besserKohorte: vals-legal-agent-benchmark:1:antitrust_competitionTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-hlab-2026-08-11-ea11b6e53414Abgerufen am 11.08.2026 |
| Legal Research BenchAdministrative / Regulatory · Weighted partial credit | 92,676 %höher | 86,669 % | 1weighted partial-credit scoreMehr ist besserKohorte: vals-legal-research:1:weighted_pass__administrative_regulatoryTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 06.08.2026Import-ID: vals-legal_research-2026-08-11-326cf7aaca58Abgerufen am 11.08.2026 |
| LegalBenchInterpretation Tasks | 85,84 %höher | 83,836 % | 1accuracyMehr ist besserKohorte: vals-legal-bench:1:interpretation_tasksTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-legal_bench-2026-08-11-836e5e44618eAbgerufen am 11.08.2026 |
| LiveCodeBench v6Hard | 77,429 %höher | 69,714 % | 1accuracyMehr ist besserKohorte: vals-lcb:1:hardTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-lcb-2026-08-11-0342bcc364e4Abgerufen am 11.08.2026 |
| MMLU-ProBusiness | 93,536 %höher | 92,015 % | 1accuracyMehr ist besserKohorte: vals-mmlu-pro:1:businessTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mmlu_pro-2026-08-11-b8e53828d746Abgerufen am 11.08.2026 |
| MortgageTaxSemantic Extraction | 62,719 %höher | 61,367 % | 1accuracyMehr ist besserKohorte: vals-mortgage-tax:1:semantic_extractionTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-mortgage_tax-2026-08-11-5ea6eef3e482Abgerufen am 11.08.2026 |
| ProgramBenchFully Resolved | 3 %höher | 0,5 % | 1accuracyMehr ist besserKohorte: vals-programbench:1:strictTestaufbau nicht identisch dokumentiertClaude Opus 5: Keine weiteren Einstellungen ausgewiesen GPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-programbench-2026-08-11-b6f8959fbdfeAbgerufen am 11.08.2026 |
| SAGECalculus | 77,16 %höher | 72,222 % | 1accuracyMehr ist besserKohorte: vals-sage:1:calculusTestaufbau nicht identisch dokumentiertClaude Opus 5: Temperatur: 1, Ausgabegrenze: 30.000 Token GPT-5.5: Reasoning: xhigh, Temperatur: 1 | Vals AITyp: Unabhängige EvaluationMessstand: 09.08.2026Import-ID: vals-sage-2026-08-11-f1f79f6d8af3Abgerufen am 11.08.2026 |
| SkillsBenchWith Skills | 60,441 % | 62,209 %höher | 1accuracyMehr ist besserKohorte: vals-skillsbench:1:with_skillsTestaufbau nicht identisch dokumentiertClaude Opus 5: Compute: max, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 128.000 Token GPT-5.5: Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 Token | Vals AITyp: Unabhängige EvaluationMessstand: 07.08.2026Import-ID: vals-skillsbench-2026-08-11-351bec9d0e01Abgerufen am 11.08.2026 |
Die Tabelle zeigt 64 diversifizierte Messreihen aus insgesamt 179 gemeinsamen Ergebnissen. Dadurch verdrängt ein Benchmark mit vielen Unteraufgaben nicht alle anderen Tests.
So liest du den Vergleich
Ein Benchmark-Sieg ist kein Gesamturteil
Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.
Preise beziehen sich auf die offiziellen API-Tarife pro 1 Mio. Token. Web-Abos und Cloud-Aufschläge können davon abweichen.
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.