Stand: 15. September 2026
Seit unserem Überblick vom April hat sich das Feld praktisch vollständig erneuert. Daher werfen wir einen erneuten Blick auf die Top-Modelle verschiedener Anbieter mit einer unvollständigen Auswahl der großen Closed und Open-Weight Modelle. Drei Entwicklungen fallen dabei auf.
Die Spitzenmodelle verlangen höhere Token-Preise.
10 US-Dollar pro Million Eingabe-Tokens und 50 US-Dollar pro Million Ausgabe-Tokens sind das neue Niveau für die stärksten Modelle. Bei OpenAI ist das gegenüber dem Vorgänger GPT-5.6 Sol (4 und 20 Dollar) das Zweieinhalbfache.
Bestimmte ältere Benchmarks sind gesättigt, während die agentischen auseinanderlaufen.
Bei SciCode geht es um das Schreiben wissenschaftlicher Codebausteine. Hier liegen die sieben Modelle zwischen 52 und 63 Prozent, also vergleichsweise nah zusammen. Bei einem Benchmark wie SWE-bench Verified werden dagegen teils mehr als 95 Prozent gemeldet; solche Spitzenwerte erschweren die Unterscheidung zwischen den stärksten Modellen. Während SWE-bench Verified quasi noch standard für die Modelle am Anfang des Jahres war, ist er mittlerweile fast völlig Verschwunden.
Bei Terminal-Bench v4.0 muss ein Modell selbstständig in einer Shell-Umgebung arbeiten, es geht also nicht nur darum, eine Funktion korrekt zu schreiben, sondern auch darum, über einen längeren Zeitraum nicht die Orientierung und das Ziel zu verlieren. Und hier gehen die Ergebnisse noch weit auseinander.
Der Token-Verbrauch selbst ist eine Kenngröße geworden.
Zwei Modelle mit identischer Punktzahl können sich um den Faktor drei darin unterscheiden, wie viele Ausgabe-Tokens sie dafür verbrauchen. Bei 50 Dollar pro Million Tokens beeinflusst deshalb neben dem Listenpreis auch der Verbrauch die Rechnung deutlich.
Womit hier gemessen wird
Die Vergleichswerte in der Tabelle stammen aus derselben Quelle, dem Intelligence Index v4.3 von Artificial Analysis, abgerufen am 15. September 2026. Angaben zu Architektur, Veröffentlichung und Verfügbarkeit stammen ergänzend von den Anbietern.
Der einfache Grund: Herstellerangaben sind untereinander schwer vergleichbar. Natürlich möchte jeder die bestmöglichen Ergebnisse veröffentlichen, daher werden oft andere Benchmarks in anderen Versionen gewählt. Terminal-Bench allein existiert derzeit parallel in den Versionen 2.1, 3.0 und 4.0, und ein Wert von 86 Prozent auf 2.1 lässt sich nicht direkt auf Version 4.0 übertragen.
Warum wir eigene Testfälle trotzdem für interessant halten, haben wir im Artikel zum Schlösserknacken für LLMs beschrieben.
Drei Werte, die für alle sieben Modelle vorliegen, bilden das Gerüst:
- Intelligence Index als Gesamtwert aus zehn Einzelevaluationen
- Terminal-Bench v4.0 für agentisches Arbeiten in einer Terminal-Umgebung
- SciCode für das Schreiben von Code ohne Agentenkontext
Dazu kommen der Token-Verbrauch pro Aufgabe, die Ausgabegeschwindigkeit und die Kosten pro Aufgabe.
| Modell | Index | Terminal-Bench v4.0 | SciCode | Tokens/Aufgabe | Tokens/s | Kosten/Aufgabe | Preis (Ein/Aus) |
|---|---|---|---|---|---|---|---|
| Claude Fable 5.1 | 53 | 52 % | 63 % | 78.000 | 66 | 7,63 $ | 10 $ / 50 $ |
| Claude Opus 5 | 51 | 49 % | 56 % | 73.000 | 50 | 5,86 $ | 5 $ / 25 $ |
| GPT-6 Astra | 53 | 59 % | 56 % | 27.000 | 59 | 3,26 $ | 10 $ / 50 $ |
| GLM-5.3 | 45 | 42 % | 59 % | 71.000 | 73 | 2,01 $ | 1,40 $ / 4,40 $ |
| Gemini 3.8 Flash | 41 | 20 % | 57 % | 71.000 | 303 | 1,24 $ | 0,75 $ / 3,75 $ |
| Qwen3.8-Max | 40 | 19 % | 53 % | 63.000 | 41 | 2,67 $ | 2,00 $ / 6,00 $ |
| DeepSeek V4.1 Flash | 40 | 27 % | 52 % | 89.000 | 222 | 0,27 $ | 0,30 $ / 1,20 $ |
Kosten/Aufgabe bezeichnet die von Artificial Analysis ausgewiesenen Kosten je Intelligence-Index-Aufgabe. Die Ein-/Ausgabepreise gelten je Million Tokens; bei Gemini handelt es sich um Einführungspreise. Tokens/Aufgabe umfasst die Ausgabe-Tokens einschließlich Reasoning. Geschwindigkeiten sind Medianwerte.
Fett markiert ist jeweils der beste Wert einer Spalte. Die Claude-Modelle, GPT-6 Astra, GLM-5.3 und DeepSeek V4.1 Flash laufen auf Effort-Stufe max, Gemini 3.8 Flash auf high. Preise gelten für die Intelligence Index Tasks und Geschwindigkeitsangaben sind Medianwerte.
Gesamtindex, Terminal-Bench v4.0 und SciCode als Balkendiagramm nebeneinander, alle drei auf einer Skala von 0 bis 100. Der Index ist ein zusammengesetzter Punktwert; seine Balken sind nicht als Erfolgsquote oder direkt im Verhältnis zu den Prozentwerten der Einzelbenchmarks zu lesen:
Claude Fable 5.1: hohe Leistung zu hohen Kosten
Claude Fable 5.1 ist Anthropics Modell für besonders anspruchsvolle Coding- und Wissensaufgaben.
Performance: Mit 53 Indexpunkten liegt Fable in diesem Vergleich gleichauf mit Astra. Auf SciCode erreicht es mit 63 Prozent den besten Wert der sieben Modelle, bei agentischen Terminal-Aufgaben liegt Astra vorne.
Besonderheit: Fable ist vor allem dann interessant, wenn zusätzliche Leistung bei schwierigen Aufgaben höhere Kosten rechtfertigt. Mit 7,63 Dollar pro Index-Aufgabe ist es das teuerste Modell im Feld. Ob sich der Aufpreis lohnt, sollten eigene Testfälle zeigen. Zu beachten ist außerdem der Standard-Fallback: Bei bestimmten Aufgaben können Schutzmechanismen die Bearbeitung an andere Claude-Modelle weiterreichen; das gehört zur gemessenen Konfiguration.
Claude Opus 5: die günstigere Claude-Alternative
Claude Opus 5 ist Anthropics Modell für den täglichen Einsatz bei anspruchsvoller Entwicklungs- und Wissensarbeit.
Performance: Mit 51 Indexpunkten liegt Opus knapp hinter Fable und Astra. Auf Terminal-Bench v4.0 erreicht es 49 Prozent und gehört damit in dieser Auswahl zur Spitzengruppe, bleibt aber hinter den beiden führenden Modellen.
Besonderheit: Innerhalb der Claude-Familie bietet Opus einen günstigeren Zugang zu hoher Leistung. Der Token-Listenpreis ist halb so hoch wie bei Fable; die Kosten pro Index-Aufgabe fallen mit 5,86 Dollar allerdings nur rund 23 Prozent niedriger aus. Für Teams, die bereits mit Claude arbeiten, ist es damit eine naheliegende Alternative zu Fable. Eine allgemeine Preis-Leistungsführerschaft folgt daraus nicht.
GPT-6 Astra: starke Agentenleistung bei geringerem Verbrauch
GPT-6 Astra ist OpenAIs Modell für komplexe Aufgaben, die mehrstufigiges Denken, Coding und Werkzeugnutzung verbinden.
Performance: Astra teilt sich mit Fable die höchste gerundete Indexpunktzahl dieses Vergleichs. Mit 59 Prozent auf Terminal-Bench v4.0 führt es die hier ausgewählten Konfigurationen an und ist damit besonders für agentische Entwicklungsarbeit interessant.
Besonderheit: Hohe Leistung geht hier mit vergleichsweise geringem Ausgabe-Token-Verbrauch einher. Trotz identischer Token-Listenpreise kostet eine Index-Aufgabe mit 3,26 Dollar weniger als halb so viel wie bei Fable. Das macht Astra zu einem Kandidaten für längere Agentenläufe. Die tatsächlichen Kosten hängen jedoch auch von Eingaben, Cache-Nutzung und gewähltem Reasoning-Aufwand ab.
Gemini 3.8 Flash: hoher Durchsatz, günstige Ausgaben
Gemini 3.8 Flash ist Googles Flash-Modell für vielseitige Anwendungen mit Text, Bildern, Audio und Video als Eingaben.
Performance: Beim Ausgabedurchsatz ist Gemini im erfassten Vergleich das schnellste Modell. Auf SciCode liegt es im Mittelfeld; mit 20 Prozent auf Terminal-Bench v4.0 fällt es bei agentischen Terminal-Aufgaben deutlich hinter die Spitzengruppe zurück.
Besonderheit: Hoher Durchsatz und niedrige Token-Preise machen Gemini für umfangreiche Ausgaben und Massenverarbeitung interessant. Schnelle Token-Ausgabe garantiert allerdings keine kurze Wartezeit bis zur ersten Antwort. Außerdem gilt ein Einführungspreis: Ab dem 1. Januar 2027 sind doppelte Token-Preise angekündigt. Für Coding-Agenten sollten eigene Tests klären, ob die Leistung im jeweiligen Ablauf ausreicht.
Qwen3.8-Max: ein Modell der Max-Klasse mit offenen Gewichten als Basis
Alibabas Qwen3.8-Max ist ein API-Modell auf Basis des offen verfügbaren Qwen3.8-2.4T-A95B.
Performance: Der hier betrachtete API-Eintrag erreicht 40 Indexpunkte und 19 Prozent auf Terminal-Bench v4.0. Damit liegt er bei agentischen Terminal-Aufgaben am unteren Ende der Auswahl; auch der Ausgabedurchsatz ist vergleichsweise niedrig.
Besonderheit: Alibaba stellt erstmals Gewichte eines Modells der Max-Klasse bereit. Mit 2,4 Billionen Parametern verlangt der Eigenbetrieb allerdings erhebliche Hardware; hinzu kommen eigene Lizenzbedingungen. API und offene Gewichte unterscheiden sich zudem im Funktionsumfang, etwa bei Bildeingaben. Artificial Analysis führt die offene Variante separat. Die Tabellenwerte des API-Modells sind deshalb keine verlässliche Prognose für den Eigenbetrieb.
GLM-5.3: offene Gewichte mit hoher agentischer Leistung
GLM-5.3 ist Z.ais Modell für komplexe Coding-Aufgaben und längere agentische Arbeitsabläufe, dessen Gewichte öffentlich verfügbar sind.
Performance: Mit 45 Indexpunkten und 42 Prozent auf Terminal-Bench v4.0 liegt GLM hinter den führenden proprietären Modellen, aber deutlich vor Gemini, DeepSeek und dem hier betrachteten Qwen-API-Eintrag.
Besonderheit: GLM verbindet vergleichsweise hohe agentische Leistung mit der Möglichkeit zum Eigenbetrieb. Über die API kostet eine Index-Aufgabe 2,01 Dollar, gut ein Viertel der Kosten von Fable. Wer die Infrastruktur selbst betreibt, muss bei 753 Milliarden Parametern einen erheblichen Hardwarebedarf einplanen. Außerdem gilt eine eigene Modelllizenz mit zusätzlichen Bedingungen für bestimmte große Hosting-Anbieter.
DeepSeek V4.1 Flash: niedrige Aufgabenkosten und MIT-Lizenz
DeepSeek V4.1 Flash ist ein Modell für Text- und Bildeingaben, dessen Gewichte unter MIT-Lizenz verfügbar sind.
Performance: Im Gesamtindex liegt es gleichauf mit dem hier betrachteten Qwen-Modell. Auf Terminal-Bench schneidet es besser als Qwen und Gemini ab; auf AutomationBench-AA liegt es mit 68,9 Prozent sogar knapp vor Astra. Die Stärke hängt damit deutlich von der Aufgabenart ab.
Besonderheit: Mit 27 Cent pro Index-Aufgabe ist DeepSeek das günstigste Modell dieser Auswahl. Das macht es für große Aufgabenmengen mit überprüfbaren Ergebnissen interessant. Die MIT-Lizenz erleichtert Anpassung und Eigenbetrieb; 552 Milliarden Parameter stellen jedoch hohe Anforderungen an die Hardware. Tests und fachliche Kontrolle bleiben entscheidend für die Ergebnisqualität.
Einordnung
Die Auswahl hängt davon ab, welche Aufgaben ein Modell übernehmen soll. Für agentische Terminal-Arbeit fällt in diesem Vergleich Astra auf, für wissenschaftliche Codeaufgaben Fable. Gemini punktet beim Ausgabedurchsatz, DeepSeek bei den Aufgabenkosten. GLM verbindet offene Gewichte mit vergleichsweise hoher agentischer Leistung. Entscheidend bleibt, wie zuverlässig ein Modell die eigenen Aufgaben löst und welche Gesamtkosten dabei entstehen. Offene Gewichte ermöglichen den Eigenbetrieb, verlangen bei den hier betrachteten Modellen aber erhebliche Hardware.
Weiterlesen
- Coding-Modelle im April 2026: Update zur aktuellen Generation — der Vorgängerartikel mit der Modellgeneration vom Frühjahr 2026.
- Schlösserknacken für LLMs — warum eine eigene kleine Test-Suite mehr aussagt als eine Benchmark-Tabelle.
- LLM-Modellfamilien im Überblick: Herkunft, Open Weights und europäische Optionen — wo die Anbieter herkommen und welche Modelle sich selbst betreiben lassen.
Sie möchten wissen, welches Modell zu Ihrem Anwendungsfall passt? Wir helfen bei der Auswahl, beim Aufbau eigener Testfälle und beim Betrieb, ob über eine API oder auf eigener Infrastruktur. Sprechen Sie uns an, wir freuen uns auf den Austausch.
Artikel-Banner generiert mit GPT Image 2. Bestimmte Abschnitte wurden von KI überarbeitet.