KI-Modelle im Vergleich: State of AI, Benchmarks, Abos und Praxis

Stand: 14. Oktober 2026 · nächste Prüfung: Montag, 19. Oktober 2026. Dieser Beitrag ist ein Living Post: Modelle, Benchmarks, Preise und Limits werden jede Woche neu verifiziert. Was sich geändert hat, steht datiert im Changelog am Ende.

Die Benchmark-Tabelle, die du gerade irgendwo im Newsletter liest, ist schon falsch. In den letzten vier Wochen hat sich die Spitze fünfmal neu sortiert. Und trotzdem ist die Frage, die in den Entwickler-Foren wirklich brennt, eine andere. Ein ChatGPT-Pro-Nutzer schreibt: „Wochenlimit gestern zurückgesetzt, heute noch 20 % übrig." Die Modellfrage ist zur Nebensache geworden. Über deine Produktivität entscheiden Kosten pro Aufgabe und Wochenlimit; der letzte Prozentpunkt auf dem Leaderboard ist Rauschen.

Vier Dinge klärt dieser Beitrag deshalb jede Woche neu: welche Modelle vorne liegen, welche Benchmarks das überhaupt noch messen können, was die Abos für 20, 100 und 200 Euro wirklich enthalten, und was Entwickler mit Claude Max, Codex und Kimi im Alltag erleben.

KI-Modelle im Vergleich: wer derzeit vorne liegt

Die eigentliche Nachricht dieses Sommers kommt aus dem offenen Lager. Vier chinesische Labore haben seit Juli Modelle mit ein bis drei Billionen Parametern und einer Million Tokens Kontext unter offener Lizenz veröffentlicht: Kimi K3 von Moonshot (2,8 Billionen Parameter, 104 Milliarden aktiv, Gewichte seit 27. Juli), Qwen3.8-Max von Alibaba, DeepSeek V4-Pro unter MIT-Lizenz und zuletzt Xiaomis MiMo-V2.6-Pro, mit Index-Score 46 das stärkste offene Modell im Artificial-Analysis-Ranking.

Wie groß ist der Rückstand? Das US-Institut CAISI beziffert ihn für DeepSeek V4 Pro auf rund acht Monate hinter der US-Spitze; für GLM-5.3 misst es auf Cyber-Benchmarks etwa vier Monate. Nathan Lambert von Interconnects sieht die Lücke durch K3 von sechs bis neun auf drei bis fünf Monate geschrumpft. Drei bis acht Monate: Das ist die Zeit, die du heute an Vorsprung kaufst, wenn du für ein geschlossenes Spitzenmodell zahlst.

Und die Spitze? Bis Anfang Oktober ein Duopol. Anthropic hat im Juni die Klasse „Fable/Mythos 5" oberhalb von Opus eingezogen; Fable 5.1 und Mythos 5.1 kamen am 1. September, Mythos bleibt Programmen mit Sicherheitsfreigabe vorbehalten. Es folgten Claude Opus 5.5 zu 4/20 US-Dollar je Million Tokens, laut Anthropic „auf dem Niveau von Fable 5.1 bei den meisten Aufgaben", und Sonnet 5.5 zum unveränderten Preis von 2/10. Am 7. Oktober folgte Haiku 5.5 zu 0,10/0,50 US-Dollar je Million Tokens, exakt Lunas Preis.

OpenAI hat parallel die komplette Linie getauscht. GPT-6 Astra ist der größte Trainingslauf des Unternehmens (über 100.000 GPUs), mit 1,05 Millionen Tokens Kontext und 10/50 US-Dollar je Million. Darunter GPT-6 Sol und Luna zum halben Preis der 5.6-Generation, und am 29. September GPT-6.1 Sol, das laut OpenAI Astra-Niveau bei DeepSWE für ein Fünftel der Kosten liefert.

Google hat lange auf ein neues Pro-Modell warten lassen. Gemini 3.5 Pro wurde auf der I/O angekündigt und nie ausgeliefert; stattdessen kamen drei Flash-Modelle in sechs Wochen, zuletzt Gemini 3.8 Flash am 2. September. Seit dem 13. Oktober ist Gemini 4 Argon für alle da: in der API zum Einführungspreis von 2/10 US-Dollar (ab 1. Dezember 4/20), in der Gemini-App für AI-Pro- und Ultra-Abonnenten. Artificial Analysis misst 53 Punkte, gleichauf mit Fable 5.1 und Astra; weitere Gemini-4-Varianten hat Google angekündigt, ohne Datum. xAI liefert monatlich (Grok 4.7 am 21. September, 2/6 US-Dollar).

Meta hat die Llama-Linie faktisch eingestellt und ist seit dem 12. Oktober mit Muse Wonder zurück in der Spitzengruppe: Die API-Variante kostet 4/20 US-Dollar wie Opus 5.5 und misst bei Artificial Analysis 52 Punkte; die stärkere Variante Muse Wonder Full (56, gleichauf mit Sonnet 5.5) gibt es nur im Muse-Code-Abo ab 50 US-Dollar, nicht per API. Offene Gewichte gibt es für keine der beiden. Aus Europa meldet sich Mistral zurück: Large 4 (rund eine Billion Parameter, 52 Milliarden aktiv) läuft seit 6. Oktober als Preview auf eigener EU-Infrastruktur zu 1,36/4,18 US-Dollar, die Gewichte sollen Ende Oktober folgen; Artificial Analysis misst 38 Punkte, Luna-Niveau.

Listenpreise der Anbieter, Stand 14.10.2026; Batch- und Cache-Rabatte kommen obendrauf. Und genau dort steckt die wichtigste Zahl des Monats: Anthropic hat die Cache-Lesepreise bei Fable 5.1 um 75 % gesenkt (auf 0,25 US-Dollar je Million) und bei Opus 5.5 um 60 % (auf 0,20). In einem Agentenlauf, der denselben 200.000-Token-Kontext fünfzigmal neu liest, sind das zehn Millionen Cache-Tokens: bei Opus 5.5 zwei US-Dollar statt fünf; Sonnet 5.5 liest Cache für 0,10, Haiku 5.5 für 0,01. Der Listenpreis für frische Tokens ist für solche Workloads fast egal.

Benchmarks: was noch trägt und was gesättigt ist

Wer Modelle nach Tabellen auswählt, hat ein Problem: Die Benchmarks, die du kennst, sind tot. OpenAI hat SWE-bench Verified im Februar aus der eigenen Berichterstattung gestrichen, weil 59 % der geprüften Aufgaben fehlerhaft waren und Spitzenmodelle die menschliche Referenzlösung wörtlich reproduzieren konnten. GPQA Diamond hat Artificial Analysis im September aus dem Index geworfen, weil alle Spitzenmodelle es „einfach lösen". AIME 2026 liegt bei 97 bis 99 % für die Top 3. Bei FrontierMath musste Epoch AI Tier 4 im Juni neu ausgeben, nachdem 42 % der Aufgaben Fehler enthielten.

Was stattdessen zählt, sind interaktive und wirtschaftlich fundierte Tests, bei denen Kontamination schwer ist. Terminal-Bench 4.0 umfasst 66 kuratierte Aufgaben; acht wurden entfernt (gesättigt, öffentlich gelöst oder mit Qualitätsproblemen), 19 überarbeitet. ARC-AGI-3 ist interaktiv, das Modell muss die Regeln einer Umgebung durch Ausprobieren lernen, also gibt es keine Lösung, die im Trainingsdatensatz stehen könnte. GDPval-AA misst in blinden Paarvergleichen echte Berufsaufgaben aus 44 Berufen. Und Artificial Analysis gewichtet im Index v4.3 private, nie veröffentlichte Testsets mit 45 %, nach 40 % in v4.2 und 20 % davor.

„xhigh"/„max" bezeichnen die Denkstufe (Reasoning-Effort), mit der gemessen wurde. „Harness" ist die Testumgebung: Welche Tools bekommt das Modell, wie viele Versuche, welches Rechenbudget.

Die Zahlen aus Anbieter-Blogs liegen fast durchweg über den unabhängigen Messungen. Anthropic meldet für Sonnet 5.5 auf Terminal-Bench 4.0 70,6 %, Artificial Analysis misst 63,6 %. OpenAI meldet für Astra auf ARC-AGI-3 99,9 %, der Standard-Harness von ARC Prize ergibt 62,7 %, bei rund 26.000 US-Dollar Rechenkosten für den Testlauf. Beides ist nicht gelogen, es sind verschiedene Harnesses und Denkstufen. Nur vergleichbar ist es nicht. Kurz gesagt: Vertrau der Zahl, die jemand gemessen hat, der das Modell nicht verkauft.

Was sich in den letzten Wochen gedreht hat: Anthropic führt seit Opus und Sonnet 5.5 die agentischen Coding-Tests und die Berufsaufgaben-Indizes, OpenAI führt bei Wissen, Mathematik und ARC. Neu dazwischen: Metas Muse Wonder Full zieht bei GDPval-AA auf Platz 2 und steht im Intelligence Index gleichauf mit Sonnet 5.5; für Wonder Full und Gemini 4 Argon liegen auf Terminal-Bench 4.0 bislang nur Presse- und Anbieterangaben vor (57,1 beziehungsweise 57,4 %), beide unter Opus 5.5. Beide großen Anbieter werben inzwischen mit derselben Kennzahl. Anthropic rechnet vor, dass Opus 5.5 auf mittlerer Denkstufe Astra auf maximaler schlägt, bei etwa einem Fünftel der Kosten pro Aufgabe. OpenAI kontert am 29. September mit GPT-6.1 Sol und exakt derselben Formel.

KI-Abos im Vergleich: was du für 20, 100 und 200 Euro bekommst

Der KI-Abos-Vergleich ist einfacher, als er aussieht. Alle Anbieter haben sich auf drei Stufen eingeschossen (rund 20, 100 und 200 US-Dollar), und alle steuern den Preis über Limits. Die Preise in Euro inklusive Umsatzsteuer, wo der Anbieter sie nennt:

Euro-Preise für Claude nach ssdnodes, für ChatGPT nach heise; Google, Kimi und Meta nennen für Deutschland keine Euro-Preise; Kimi führt für die internationale Plattform Dollar-Preise, in China eine eigene Yuan-Liste. Für Teams sind die Unternehmenssitze relevant: Claude Team Premium mit Claude Code kostet 100 US-Dollar je Sitz im Jahresabo, ChatGPT Business Premium ebenfalls 100; mit USt-ID landet Claude Max 20× bei 180 Euro netto.

Der Unterschied zwischen den Stufen ist kein Modell-Upgrade. Bei Claude bekommt schon Pro für 21 Euro Opus 5.5 und Claude Code. Bei OpenAI bekommt Plus GPT-6 Astra, nur eben fünf bis 45 Astra-Nachrichten je fünf Stunden. Du zahlst für Volumen. Die spannendere Frage lautet deshalb: Wie schnell bin ich am Limit?

Praxis: was Entwickler mit Claude Max, Codex und Kimi wirklich erleben

Auf der Abo-Seite steht „5× Pro". Was davon ankommt, haben in den letzten Wochen beide großen Anbieter nach unten korrigiert.

Anthropic hat am 14. September die im Mai gestartete Aktion „+50 % Wochenlimit" durch ein dauerhaftes „+25 % gegenüber dem alten Basiswert" ersetzt. Das klingt nach Zugabe, ist aber gegenüber dem Stand der letzten vier Monate eine Kürzung um 17 %, was Anthropic nach Kritik auf Hacker News auch so beziffert hat. Geblieben sind die im Mai verdoppelten 5-Stunden-Fenster.

Parallel läuft in den USA seit Juni eine Sammelklage, die behauptet, Max 20× liefere real das Sechs- bis Achtfache von Pro, nicht das Zwanzigfache. Ein Max-20×-Nutzer, der seinen Verbrauch seit Monaten protokolliert, meldet 20 % Wochenverbrauch am ersten Tag nach dem Reset. Sein Fazit: Für 200 US-Dollar noch ja, „in einem Jahr würde ich nicht darauf wetten".

Ein Effekt, den kaum jemand nachrechnet: Fable 5.1 ist auf Max bei 50 % des Wochenlimits gedeckelt und kostet je Token das 2,5-Fache von Opus 5.5. Wer Opus 5.5 als Default setzt, hat nach einer kursierenden Schätzung von Theo Browne rund das Vierfache an effektivem Kontingent.

Seit Anfang Oktober legt Anthropic den Max-Abos API-Guthaben bei: 100 US-Dollar auf Max 5×, 200 auf Max 20×, bis 500 gepoolt im Team. Es verfällt monatlich, gilt für API und Agent SDK, aber ausdrücklich nicht für das interaktive Claude Code. Für den Terminal-Alltag ändert das nichts; wer eigene Agenten baut, bekommt ein zweites Kontingent, das die Rechnung für Max 20× deutlich verschiebt.

OpenAI hat das Problem von der anderen Seite gelöst. Am 10. September wurden die Neuanmeldungen für Pro 20× pausiert, weil dieses Segment laut Codex-Chef Tibo Sottiaux die meiste Last auf den Systemen erzeugt; am 29. September wurde es mit halbiertem Kontingent wieder geöffnet (10× statt 20× Plus, 100 statt 200 GPT-6-Pro-Nachrichten je Woche), Bestandskunden werden bis 29. Oktober geschont. Das Zitat aus dem Hook stammt aus dieser Phase: „Wochenlimit gestern zurückgesetzt, heute noch 20 % übrig", schreibt ein Pro-5×-Nutzer im OpenAI-Forum.

Die verbreitete Praxis ist eine Arbeitsteilung: Codex für die Masse an kleinen Änderungen und die Cloud-Parallelisierung, Claude Code für lange, zusammenhängende Sessions. In einer Auswertung von 500 Reddit-Kommentaren bevorzugten 65 % Codex, vor allem wegen der Limits, während Claude Code acht von zwölf Blindrunden gewann, was sich nicht widerspricht.

Kimi ist die dritte Spur, und sie ist ernst zu nehmen. Moonshots Kimi K2.7 Code läuft als Drop-in in Claude Code (ANTHROPIC_BASE_URL auf https://api.moonshot.ai/anthropic umbiegen, fertig) und kostet mit 0,95/4 US-Dollar je Million Tokens rund ein Viertel bis ein Fünftel von Opus 5.5.

Eine Beispielrechnung gegen das damalige Opus 4.8 kam für einen 50-Turn-Agentenlauf auf 0,69 statt 4,00 US-Dollar. Ein Praktiker, der K2.7 rund zwei Wochen in Claude Code gefahren hat, beschreibt es als diszipliniert im Befolgen von Anweisungen, ohne Scope Creep, aber ohne Extended Thinking und mit weniger Community-Wissen um die besten Prompts.

Der Haken liegt woanders. Die internationale Kimi-Plattform betreibt Moonshot AI Pte. Ltd. in Singapur, die Daten werden dort verarbeitet; ein Auftragsverarbeitungsvertrag nach DSGVO-Standard wird öffentlich nicht angeboten. Singapur ist ein Drittland ohne Angemessenheitsbeschluss der EU, die Muttergesellschaft sitzt in Peking. Für einen deutschen Mittelständler mit Kundendaten im Repository ist das ein Ausschlusskriterium, solange keine EU-Instanz mit AVV existiert.

Für Code ohne personenbezogene Daten ist es eine günstige Zweitspur. Ramp misst, dass inzwischen 6,4 % der KI-zahlenden US-Firmen Plattformen einsetzen, die offene oder chinesische Modelle bereitstellen.

Zwei Zahlen zur Einordnung, wie weit die Praxis von den Foren entfernt ist. Nach Menlo Ventures entfielen 2025 rund 54 % der Unternehmensausgaben für KI-Coding auf Anthropic, 21 % auf OpenAI; im Ramp AI Index vom September zahlen 43,8 % der US-Unternehmen an Anthropic und 39,8 % an OpenAI.

Die Nutzerzahlen erzählen eine andere Geschichte als die Budgets. Die Stack-Overflow-Umfrage 2026 mit über 49.000 Antworten: 84 % nutzen KI-Tools, 29 % vertrauen der Genauigkeit, 3 % „stark", und 66 % sagen, der Code sei „fast richtig, aber nicht ganz". Bei den Werkzeugen führt Copilot mit 68 % der KI-Nutzer, Cursor liegt bei 18 %, Claude Code bei knapp 10 %.

Was das für dein Setup heißt

Ich halte es für einen Fehler, ein Team auf ein einziges Modell zu setzen. Der Grund ist Ökonomie: Die Kosten pro Aufgabe hängen mehr an der Denkstufe als am Modell. Opus 5.5 liefert auf Terminal-Bench 4.0 auf „max" und „xhigh" identische 59,6 %, die höhere Stufe kostet nur mehr Tokens. Meine Empfehlung, Stand heute:

Default ist ein Mittelklasse-Modell auf mittlerer Denkstufe. Heute heißt das Opus 5.5 medium oder GPT-6.1 Sol; beide liefern Spitzenergebnisse bei einem Fünftel der Kosten. Frontier-Modelle, also die jeweils teuerste Spitzenklasse eines Anbieters (Fable 5.1, Astra), sind für das reserviert, wo ein Fehler teuer wird: Security-Review, Architekturentscheidungen, das letzte Auge vor dem Merge.

Für Massenaufgaben mit klaren Anweisungen (Tests generieren, Migrationen schreiben, Dokumentation) lohnt sich eine dritte, günstige Spur, wenn Datenschutz und Auftragsverarbeitung geklärt sind. Das kann Haiku 5.5 sein, Luna, Gemini Flash oder ein offenes Modell auf europäischer Infrastruktur; Mistral Large 4 läuft bereits auf EU-Servern, die offenen Gewichte sind für Ende Oktober angekündigt.

Wie ich im Beitrag „Agent = Harness + Modell" beschrieben habe, entscheidet der Harness aus Kontext, Gedächtnis, Tools und Evals darüber, ob ein Agent produktiv ist. In einem sauber gebauten Setup ist der Modellwechsel eine Konfigurationszeile, die ANTHROPIC_BASE_URL von oben ist das Beispiel.

Wenn ein Wechsel von Opus 5 auf 5.5 Tage kostet, sitzt die Abhängigkeit an der falschen Stelle. Und wer Kundendaten durch ein Modell außerhalb der EU schickt, weil es fünfmal billiger ist, sollte vorher unseren Beitrag zum europäischen KI-Stack lesen.

Für die Abo-Entscheidung: Ein Team von fünf Entwicklern fährt mit Claude Team Premium (100 US-Dollar je Sitz, Claude Code inklusive) oder ChatGPT Business Premium besser als mit fünf privaten Max-Abos. SSO und Audit-Logs sind der eine Grund.

Der andere: Auf dem Team- und Business-Plan werden Chats standardmäßig nicht zum Training verwendet und gehören dem Unternehmenskonto, auf privaten Abos hängen sie am Mitarbeiter und wandern mit ihm. Wer Cursor oder Copilot behält, sollte wissen, dass beide inzwischen nach API-Preisen abrechnen und das 20-Dollar-Abo ein Guthaben ist.

Was ich bis zur nächsten Prüfung beobachte

Vier offene Fäden, an denen sich dieser Beitrag in den nächsten Wochen ändern wird.

Bei OpenAI endet am 29. Oktober die Schonfrist für Pro-20×-Bestandskunden, danach gilt das halbierte Kontingent für alle. Google hat mit Argon erst den Anfang der Gemini-4-Familie geliefert, weitere Varianten sind angekündigt, ohne Datum; am 30. November endet der Einführungspreis. Mistral will die Gewichte von Large 4 bis Ende Oktober freigeben, die Lizenz ist noch nicht genannt. Und die Sammelklage gegen Anthropics Max-Limits ist anhängig; ein Urteil oder Vergleich würde die Abo-Tabelle oben direkt betreffen.

Häufige Fragen

Welches KI-Modell ist derzeit das beste? Für agentisches Coding und Berufsaufgaben führt Claude Opus 5.5 die unabhängigen Indizes (Artificial Analysis, Terminal-Bench 4.0, GDPval-AA), für Wissen und interaktives Schlussfolgern GPT-6 Astra (Humanity's Last Exam, ARC-AGI-3). Metas Muse Wonder Full liegt bei GDPval-AA auf Platz 2, ist aber nur im Muse-Code-Abo erreichbar. Der Abstand ist kleiner als der Preisunterschied.

Lohnt sich Claude Max 20× noch? Wenn du täglich mehrere Stunden in Claude Code arbeitest und Opus 5.5 statt Fable als Default setzt, ja. Rechne mit 214 Euro brutto und damit, dass ein einziger großer Agentenlauf spürbar am Wochenlimit zehrt. Seit Oktober liegen 200 US-Dollar API-Guthaben im Monat bei, die aber nur für API und Agent SDK gelten, nicht für Claude Code. Für Teams ist Team Premium mit 100 US-Dollar je Sitz meist die bessere Konstruktion.

Kann ich Kimi K3 in Deutschland geschäftlich nutzen? Technisch ja, per API oder als Drop-in in Claude Code. Rechtlich hängt es davon ab, welche Daten du sendest: Die Verarbeitung läuft über Moonshot AI Pte. Ltd. in Singapur, einem Drittland ohne EU-Angemessenheitsbeschluss, und ein Auftragsverarbeitungsvertrag wird öffentlich nicht angeboten. Für Code ohne personenbezogene Daten ist es eine günstige Zweitspur, für Kundendaten nicht.

Warum stehen in Anbieter-Blogs andere Benchmark-Zahlen als hier? Weil Anbieter mit eigenem Harness, maximaler Denkstufe und teils mehreren Versuchen messen. Unabhängige Stellen wie Artificial Analysis, ARC Prize oder Scale messen mit festem Harness und Budget. Dieser Beitrag nennt bevorzugt die unabhängigen Werte und markiert Anbieterangaben als solche.

Changelog

Hier steht jede Änderung an Modellen, Preisen, Limits und Top-3-Platzierungen, mit Datum. Was nicht hier steht, hat sich nicht geändert.

• 14.10.2026 — Wöchentliche Prüfung (enthält die Prüfung vom 5. Oktober). Neu: Claude Haiku 5.5 (07.10., 0,10/0,50 $), Mistral Large 4 Preview (06.10., AA-Index 38, Gewichte Ende Oktober), Meta Muse Wonder (12.10., 4/20 $ per API; Wonder Full nur im Muse-Code-Abo, AA-Index 56, GDPval-AA Platz 2), Gemini 4 Argon (seit 13.10. allgemein verfügbar, 2/10 $ bis 30.11., AA-Index 53). Anthropic: Max 5×/20× bekommen 100/200 $ API-Guthaben im Monat (nicht für Claude Code). Arena WebDev: Sonnet 5.5 auf Platz 3 vor Fable 5.1. ChatGPT Pro 200 $ offiziell 10× Plus (Schonfrist bis 29.10.), GPT-5.5 am 14.10. aus ChatGPT und Codex entfernt. Kimi Code: neue Dollar-Stufen Plus 19 / Pro 39 / Max 99 / Ultra 199 $. Ramp-Index (September): 43,8 % Anthropic / 39,8 % OpenAI.
• 01.10.2026 — Erstveröffentlichung (Datenstand 30.09.). Stand: Opus 5.5, Sonnet 5.5, GPT-6 Astra, GPT-6.1 Sol, Gemini 3.8 Flash, Grok 4.7, Kimi K3, MiMo-V2.6-Pro. Claude-Wochenlimit −17 % seit 14.09., ChatGPT Pro 20× seit 29.09. wieder offen (halbiert).