Zurück zum Trend des Tages: Mehrere KI-Helfer können jetzt rund um die Uhr gemeinsam Software schreiben
Poly-Ranking · aus dem Trend des Tages

Bestes Coding-Modell 2026: Top 10 für ein Team von Coding-Agenten

Claude Opus 5.5 hat in der Woche vom 26. Okt. 64,4 % des von cubic geprüften KI-Codes geschrieben und führt Terminal-Bench 4.0 mit 64,8 % an. Dennoch hat GPT-6.1 Sol bei halbem Ausgabepreis weniger gezählte Fehler pro Zeile: 0,76 gegenüber 1,14.

  • Nr. 1: GPT-5.6 Sol
  • 10 Plätze

01Endgültige Liste

Die führenden KIs haben unabhängig voneinander eigene Top-10-Listen erstellt. Oben steht ein gemeinsames Ergebnis, das leicht zu prüfen ist: Jeder Platz hat einen Grund, die KIs, die ihn aufgenommen haben, und – wo die KIs eine nannten – eine Quelle.

Reihenfolge: von größter bis geringster Übereinstimmung der KIs.

Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.

  1. 1

    GPT-5.6 Sol

    Es war mit 0,62 das sauberste Modell in Codex, erreicht aber nur 32,2 % bei ganztägigen Aufgaben und 37,3 % bei Terminal-Aufgaben. Es ist aus cubics Rangliste vom 4. Nov. herausgefallen.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    In ihren Listen: ChatGPT: 7 · Meta: 1 · Grok: 9 · Gemini: 3 · Nova · DeepSeek: 9 · Wenxin: 1 · MiMo: 3

    Was jede KI angemerkt hat 8
    • ChatGPTPlatz 7

      Seine historische Fehlerquote von 0,62 in Codex war hervorragend, doch ein Wert von 32,2% bei langen Aufgaben spricht dagegen, ihm den schwersten Platz zu geben.

      Quelle ↗
    • MetaPlatz 1

      0,62 in Codex, 0,65 insgesamt – das einzige Modell unter dem Durchschnitt, 35% weniger Fehler, aber nur 0,7% des geprüften Codes in der Woche vom 5. Okt.

      Quelle ↗
    • GrokPlatz 9

      In Codex war es mit 0,62 das sauberste Modell, und bei ganztägigen Aufgaben erreicht es 32,2%, etwa die Hälfte von Astras Wert.

      Quelle ↗
    • GeminiPlatz 3

      Der sauberste Produktions-Coder, den wir erfasst haben: Mit einer außergewöhnlich niedrigen relativen Fehlerquote von 0,62 ist er das verlässlichste Arbeitstier für den Alltag, trotz eines bescheidenen Ergebnisses von 32,2 % bei der 20-Stunden-Aufgabe.

    • Nova

      In der eigenen Liste anders benannt: ganze Liste öffnen.

    • DeepSeekPlatz 9

      Fehlerquote 0,62 in Codex – 38% weniger gezählte Fehler als der Durchschnitt – aber 37,3% bei Terminal-Bench und 32,2% bei FrontierSWE: der sauberste Platz für kleine Aufgaben, kein Langstreckenläufer.

      Quelle ↗
    • WenxinPlatz 1

      Niedrigste beobachtete Fehlerquote (0,62) zum Codex-Preis – sauberer Code für den Preis eines Milchkaffees pro 1 Mio. Token.

      Quelle ↗
    • MiMoPlatz 3

      Der sauberste Code auf der Liste – 0,62 Fehler pro Zeile in Codex – und mit 32,2% das schwächste Ergebnis bei langen Aufgaben unter den Spitzenmodellen.

      Quelle ↗
    8 KIs setzten es hierher
    Quelle ↗
  2. 2

    GPT-6 Astra

    Führt FrontierSWE v2 bei 20-Stunden-Aufgaben mit 65,5 % an, kostet aber etwa 1.030 $ pro Versuch gegenüber 99 $ bei Opus 5.5, und sein Output kostet 50 $ je Million Token. Geben Sie ihm den Eskalationsplatz.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    In ihren Listen: ChatGPT: 3 · Meta: 3 · Grok: 4 · Gemini: 1 · Nova · DeepSeek: 3 · Wenxin: 2 · MiMo: 2

    Was jede KI angemerkt hat 8
    • ChatGPTPlatz 3

      Der Meister bei 20-stündigen Ingenieursaufgaben mit 65,5%, doch sein Preis von 50 $ für Ausgabe-Token macht ihn eher zu einem Eskalationsmodell als zu meiner täglichen Standardwahl.

      Quelle ↗
    • MetaPlatz 3

      65,5% FrontierSWE v2, Spitze + 58,2% Terminal-Bench, doch 1,13 Fehlerquote über dem Durchschnitt – der Durchhalter der 20-Stunden-Aufgaben.

    • GrokPlatz 4

      Es führt die 20-Stunden-Tabelle mit 65,5% an, bei etwa 1.030 $ pro Versuch, und bei Terminal-Aufgaben schlägt es das Sol-Modell mit 10 $ Ausgabe nicht.

      Quelle ↗
    • GeminiPlatz 1

      Dominiert 20-stündige Marathon-Aufgaben mit 65,5% bei FrontierSWE v2 und hält dabei in Codex eine Lösungsquote von 58,2% in der Kommandozeile.

    • Nova

      In der eigenen Liste anders benannt: ganze Liste öffnen.

    • DeepSeekPlatz 3

      65,5% FrontierSWE und 58,2% Terminal-Bench: das beste Modell für ganztägige Aufgaben auf der Liste, aber 50 $ Ausgabe und eine Fehlerquote von 1,09.

      Quelle ↗
    • WenxinPlatz 2

      FrontierSWE-Sieger mit 65,5% und 58,2% im Terminal – doch 1,13 Fehler pro Zeile machen es pro sauberer Zeile teurer.

    • MiMoPlatz 2

      Das einzige Modell, das die 20-Stunden-Aufgaben auf Platz eins beendet hat – für 1.029,65 $ pro Versuch und 1,13 gezählte Fehler pro Zeile in Codex.

      Quelle ↗
    8 KIs setzten es hierher
    Quelle ↗
  3. 3

    Claude Opus 5.5

    Spitzenpaar im Terminal mit 64,8 % und 62,3 % bei 20-Stunden-Aufgaben, doch seine Fehlerquote liegt jetzt bei 1,14 (im Oktober 1,49). Geben Sie ihm den Platz für schwere Aufgaben, nicht den für den saubersten.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    In ihren Listen: ChatGPT: 2 · Meta: 4 · Grok: 3 · Gemini: 2 · Nova · DeepSeek: 5 · Wenxin: 3 · MiMo: 1

    Was jede KI angemerkt hat 8
    • ChatGPTPlatz 2

      Spitzenreiter bei Terminal-Aufgaben mit 64,8%, doch seine gepoolte Fehlerquote von 1,14 ist schlechter als der Durchschnitt im von cubic geprüften Code.

      Quelle ↗
    • MetaPlatz 4

      64,8% Terminal-Bench, Platz 1, 62,3% FrontierSWE, Platz 2, doch 1,49 Fehlerquote – in Claude Code die schlechteste: starkes Terminal, schmutziger Alltag.

      Quelle ↗
    • GrokPlatz 3

      In der Woche vom 26. Okt. schrieb es 64,4% des KI-Codes, den cubic geprüft hat, und ist in Claude Code nicht das saubere Modell: jetzt 1,13, im Oktober-Bericht 1,49.

      Quelle ↗
    • GeminiPlatz 2

      Der amtierende Spitzenreiter der Kommandozeilen-Tests mit 64,8% bei Terminal-Bench 4.0 und 62,3% bei FrontierSWE v2, trägt allerdings eine relative Fehlerquote von 1,49.

    • Nova

      In der eigenen Liste anders benannt: ganze Liste öffnen.

    • DeepSeekPlatz 5

      64,8% Terminal-Bench und 62,3% FrontierSWE: die stärkste Kombination mit Claude Code für schwere Arbeit, doch seine Fehlerquote von 1,39 ist im Bug Bench die schlechteste.

      Quelle ↗
    • WenxinPlatz 3

      64,8% im Terminal, 62,3% bei 20-Stunden-Aufgaben – doch 1,49 Fehler pro Zeile lassen es bei der Sauberkeit zurückfallen.

      Quelle ↗
    • MiMoPlatz 1

      Gewinnt die Terminal-Tabelle in seinem Testumfeld mit 64,8% und übersteht 20-Stunden-Aufgaben mit 62,3% – für etwa 99 $ pro Versuch, wo der Sieger dieser Tabelle 1.030 $ zahlt.

      Quelle ↗
    8 KIs setzten es hierher
    Quelle ↗
  4. 4

    GPT-6.1 Sol

    Derzeit niedrigste Fehlerquote (0,76), 58,2 % bei Terminal-Aufgaben, 10 $ Ausgabe. Vorbehalt: Der cubic-Artikel vom 16. Okt. führte es mit 1,22 auf Grundlage von zwei Wochen Daten, und es fehlt eine FrontierSWE-Zeile.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Nicht aufgenommen: Nova.

    In ihren Listen: ChatGPT: 1 · Meta: 6 · Grok: 1 · Gemini: 6 · DeepSeek: 1 · Wenxin: 6 · MiMo: 5

    Was jede KI angemerkt hat 7
    • ChatGPTPlatz 1

      Eine relative Fehlerquote von 0,76 und dasselbe Terminal-Ergebnis wie Astra von 58,2%, bei einem Fünftel von Astras Standardpreis für Ausgabe-Token.

      Quelle ↗
    • MetaPlatz 6

      58,2% Terminal-Bench, gleichauf mit Astra – 1,92 $ gegenüber 14,30 $, 1,22 Fehlerquote in Codex, von OpenAI für komplexes Programmieren empfohlen.

      Quelle ↗
    • GrokPlatz 1

      Die wenigsten gezählten Fehler aller gelisteten Modelle, bei 0,76, und dasselbe Terminal-Ergebnis von 58,2% wie Astra – für den Codex-Lauf etwa 634 $ statt 3.300 $.

      Quelle ↗
    • GeminiPlatz 6

      Erreicht in Codex dieselben 58,2% Lösungsquote in der Kommandozeile wie Astra, mit größerer Tiefe beim schrittweisen Denken, und hat eine relative Fehlerquote von 1,22.

    • DeepSeekPlatz 1

      Relative Fehlerquote 0,98 und 58,2% bei Terminal-Bench für 10 $ Ausgabe – der beste Allround-Platz, bei langen Aufgaben knapp hinter Astra, aber fünfmal günstiger.

      Quelle ↗
    • WenxinPlatz 6

      58,2% im Terminal und 1,22 Fehler pro Zeile – schneller als Astra, etwas sauberer, gleiche Preisklasse.

    • MiMoPlatz 5

      Dasselbe Terminal-Ergebnis wie die Flaggschiffe (58,2%) bei 10 $ pro Million Ausgabe-Token – fünfmal günstiger als Astra, aber 1,22 Fehler pro Zeile.

      Quelle ↗
    7 KIs setzten es hierher
    Quelle ↗
  5. 5

    Claude Sonnet 5.5

    Innerhalb von drei Punkten der Spitze auf beiden Ranglisten (61,8 % Terminal, 61,9 % bei ganztägigen Aufgaben) bei 10 $ Ausgabe, der Hälfte von Opus 5.5, mit einer Fehlerquote von 1,03.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Nicht aufgenommen: Nova.

    In ihren Listen: ChatGPT: 4 · Meta: 5 · Grok: 2 · Gemini: 4 · DeepSeek: 2 · Wenxin: 4 · MiMo: 4

    Was jede KI angemerkt hat 7
    • ChatGPTPlatz 4

      Mit einer Lösungsquote von 61,8% bei Terminal-Aufgaben liegt es nur drei Punkte hinter Opus 5.5 und ist damit ein ernstzunehmender Platz für die Umsetzung.

      Quelle ↗
    • MetaPlatz 5

      61,8% Terminal-Bench, 61,9% FrontierSWE, 1,24 Fehlerquote – in Claude Code gleichauf mit Fable, zu einem Fünftel des Preises.

      Quelle ↗
    • GrokPlatz 2

      Bei 10 $ pro Million Ausgabe-Token liegt es nahe am Terminal-Spitzenreiter mit 61,8% in Claude Code und nahe am Spitzenreiter für ganztägige Aufgaben mit 61,9% im gemeinsamen Testumfeld.

      Quelle ↗
    • GeminiPlatz 4

      Erreicht 61,8% bei Terminal-Bench 4.0 zu einem Bruchteil des Opus-Ausgabepreises und dient als Industriestandard für den täglichen Einsatz in agentischen Kommandozeilen-Schleifen.

    • DeepSeekPlatz 2

      Fehlerquote 1,06 und 61,8% bei Terminal-Bench für 10 $ Ausgabe: der günstigste Weg zu Claude Codes Spitzenergebnis im Terminal.

      Quelle ↗
    • WenxinPlatz 4

      61,8% im Terminal zum wahrscheinlich halben Preis von Opus – die Wahl fürs Tagesgeschäft.

      Quelle ↗
    • MiMoPlatz 4

      In Programmier-Sitzungen rund zwei Punkte hinter Opus 5.5, aber in einer niedrigeren Klasse – der Preis-Leistungs-Platz im Anthropic-Paar.

      Quelle ↗
    7 KIs setzten es hierher
    Quelle ↗
  6. 6

    Claude Fable 5.1

    Das sauberste Modell in Claude Code mit 0,93 (im Oktober 1,09). Bei 50 $ Ausgabe kostet es aber so viel wie Astra und erreicht bei ganztägigen Aufgaben 56,3 %, gegenüber 65,5 % von Astra.

    Aufgenommen: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Nicht aufgenommen: Nova.

    In ihren Listen: ChatGPT: 5 · Meta: 2 · Grok: 5 · Gemini: 5 · DeepSeek: 7 · Wenxin: 5 · MiMo: 6

    Was jede KI angemerkt hat 7
    • ChatGPTPlatz 5

      Seine gepoolte Fehlerquote von 0,93 schlägt die 1,14 von Opus 5.5, obwohl Opus weit häufiger genutzt wird.

      Quelle ↗
    • MetaPlatz 2

      1,09 in Claude Code – dort das sauberste, 56,3% FrontierSWE, gleichauf mit Sonnet 5.5, kostet aber 5-mal so viel.

      Quelle ↗
    • GrokPlatz 5

      Das sauberste Modell in Claude Code mit 0,93, während der Standard, den die Leute tatsächlich nutzen, Opus 5.5 ist.

      Quelle ↗
    • GeminiPlatz 5

      Verbindet eine solide Abschlussquote von 57,9% bei Terminal-Bench 4.0 mit einer relativen Fehlerquote von 1,09 und ist in der Prüfung deutlich sauberer als Opus 5.5.

    • DeepSeekPlatz 7

      Fehlerquote 1,07, 57,9% Terminal-Bench und 56,3% FrontierSWE – ausgewogen, doch bei 50 $ Ausgabe kostet es so viel wie Astra, ohne dessen Vorsprung bei langen Aufgaben.

      Quelle ↗
    • WenxinPlatz 5

      57,9% im Terminal, 1,09 Fehler pro Zeile – mittlere Sauberkeit, mittlerer Preis, der ideale Punkt fürs tägliche Programmieren.

      Quelle ↗
    • MiMoPlatz 6

      Der Spezialist für den Alltag: 57,9% bei Terminal-Aufgaben und der sauberste gemessene Code in Claude Code mit 1,09.

      Quelle ↗
    7 KIs setzten es hierher
    Quelle ↗
  7. 7

    Claude Opus 5

    Das Modell mit den wenigsten Fehlern unter den gelisteten in Cursor, mit 1,22, aber immer noch über dem Durchschnitt. Es erreicht 52,0 % bei ganztägigen Aufgaben, hinter Opus 5.5, und kostet mit 25 $ Ausgabe mehr.

    Aufgenommen: ChatGPT, Meta, Grok, DeepSeek, MiMo. Nicht aufgenommen: Gemini, Nova, Wenxin.

    In ihren Listen: ChatGPT: 8 · Meta: 8 · Grok: 8 · DeepSeek: 10 · MiMo: 9

    Was jede KI angemerkt hat 5
    • ChatGPTPlatz 8

      Eine gepoolte Fehlerquote von 1,21 lässt es hinter dem neueren Opus 5.5 zurück, ohne dass innerhalb der Familie eine klare statistische Verbesserung belegt wäre.

      Quelle ↗
    • MetaPlatz 8

      52,0% FrontierSWE, 1,33 Fehlerquote, 51,8% Terminal-Bench (alte Version) – abgelöst durch Opus 5.5 mit 20% niedrigerem Preis.

      Quelle ↗
    • GrokPlatz 8

      In Cursor ist es mit 1,22 das fehlerärmste gelistete Modell, was trotzdem 22% mehr gezählte Fehler als der Durchschnitt bedeutet.

      Quelle ↗
    • DeepSeekPlatz 10

      Fehlerquote 1,30, 53,9% Terminal-Bench, 52,0% FrontierSWE und 25 $ Ausgabe – ein Mittelplatz, der weder der sauberste noch der stärkste mehr ist.

      Quelle ↗
    • MiMoPlatz 9

      Die vorherige Generation schafft noch die Hälfte der 20-Stunden-Aufgaben (52,0%), wo neuere, günstigere Modelle bei 32% hängen bleiben.

      Quelle ↗
    5 KIs setzten es hierher
    Quelle ↗
  8. 8

    Grok 4.7

    Die günstigste gelistete Ausgabe, 6 $ je Million Token, geht mit der höchsten gelisteten Fehlerquote einher, 1,79, und 37,6 % bei Terminal-Aufgaben in Grok Build.

    Aufgenommen: ChatGPT, Grok, Gemini, Wenxin, MiMo. Nicht aufgenommen: Meta, Nova, DeepSeek.

    In ihren Listen: ChatGPT: 10 · Grok: 10 · Gemini: 7 · Wenxin: 7 · MiMo: 10

    Was jede KI angemerkt hat 5
    • ChatGPTPlatz 10

      Mit einer relativen Fehlerquote von 1,79 ist es unter den acht derzeit von cubic gelisteten Modellen der am wenigsten überzeugende Standardplatz für die Umsetzung.

      Quelle ↗
    • GrokPlatz 10

      Das günstigste gelistete Ausgabe-Token mit 6 $ pro Million geht mit der höchsten gelisteten Fehlerquote einher: 1,79.

      Quelle ↗
    • GeminiPlatz 7

      Erreicht in Grok Build 37,6% bei Terminal-Bench 4.0 und bietet hohen Token-Durchsatz für Systemdiagnosen und die Automatisierung der Infrastruktur.

    • WenxinPlatz 7

      37,6% im Terminal – das Spitzenmodell fürs Terminal ist nicht das Spitzenmodell für lange Aufgaben.

      Quelle ↗
    • MiMoPlatz 10

      Der dritte Platz, der in einem gemischten Team einen Sitz wert ist: 37,6% der Terminal-Aufgaben im eigenen Testumfeld – echt, aber eine ganze Klasse unter den Spitzenreitern.

      Quelle ↗
    5 KIs setzten es hierher
    Quelle ↗
  9. 9

    Gemini 4 Carbon

    Erreicht 61,2 % bei FrontierSWE v2, 1,1 Punkte hinter Opus 5.5 in derselben Umgebung. Es hat keine cubic-Fehlerquote und keine offizielle Terminal-Bench-Zeile.

    Aufgenommen: ChatGPT, Meta, Grok. Nicht aufgenommen: Gemini, Nova, DeepSeek, Wenxin, MiMo.

    In ihren Listen: ChatGPT: 6 · Meta: 7 · Grok: 6

    Was jede KI angemerkt hat 3
    • ChatGPTPlatz 6

      Mit 61,2% bei FrontierSWE v2 liegt es unter gleichen Testbedingungen nur 1,1 Punkte hinter Opus 5.5.

    • MetaPlatz 7

      61,2% FrontierSWE v2, Platz 4, keine Bug-Bench-Quote – bestes Ergebnis bei langen Aufgaben außerhalb von OpenAI und Anthropic.

    • GrokPlatz 6

      Platz vier auf der gemeinsamen 20-Stunden-Tabelle mit 61,2%, und cubic hat dafür keine gezählte Fehlerquote.

    3 KIs setzten es hierher
    keine Quelle angegeben
  10. 10

    Gemini 4 Argon

    55,0 % bei ganztägigen Aufgaben für etwa 129 $ pro Versuch, rund ein Achtel von Astras Kosten. Der Einführungspreis von 10 $ für die Ausgabe steigt nach dem 30. Nov. auf 20 $. Keine cubic-Fehlerquote.

    Aufgenommen: Meta, DeepSeek, MiMo. Nicht aufgenommen: ChatGPT, Grok, Gemini, Nova, Wenxin.

    In ihren Listen: Meta: 9 · DeepSeek: 8 · MiMo: 8

    Was jede KI angemerkt hat 3
    • MetaPlatz 9

      55,0% FrontierSWE, keine Bug-Bench-Quote, laut Google-Vergleichstabelle Okt. 2026 Spitze in der Breite.

    • DeepSeekPlatz 8

      55,0% FrontierSWE und 57,6% Terminal-Bench bei einem Einführungspreis von 10 $ Ausgabe – ein glaubwürdiger dritter Platz, auch wenn seine Fehlerdichte unabhängige Kritik auf sich gezogen hat.

      Quelle ↗
    • MiMoPlatz 8

      Ein vollständiger FrontierSWE-Versuch kostet 129,36 $ – etwa ein Achtel von Astras Kosten – und ist damit der Budget-Platz für ganztägige Aufgaben.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗

Mehr über die ersten drei ↓

02Mehr über die ersten drei

Das Ranking steht oben. Hier mehr über die drei ersten Plätze: was sie sind, warum sie hier stehen und was man wissen sollte.

Die Fehlerquoten sind nicht ganz dasselbe Maß: Sie unterscheiden sich je nach Werkzeug (0,62 innerhalb von Codex, 0,76 insgesamt) und je nach Datum (Opus 5.5 steht jetzt bei 1,14, im Oktober war es 1,49).

1GPT-5.6 Sol

Nr. 1 — GPT-5.6 Sol. In den Listen von 8 von 8 KIs; mittlerer Platz dort: 3. Er schreibt den saubersten Code mit den wenigsten gezählten Fehlern, zu einem niedrigen Ausgabepreis, ist aber bei Aufgaben über einen ganzen Arbeitstag schwächer.

Schon gewusst?

  • GPT-5.6 gibt es in drei Größen: Sol, Terra und Luna. Laut den Angaben von OpenAI schlagen die günstigeren Terra und Luna Fable 5 bei einigen Tests zu etwa einem Sechzehntel der Kosten.

    Quelle ↗
Was es ist
Das Programmiermodell Sol von OpenAI gibt es in drei Größen.
Seine Stärke
Die wenigsten gezählten Fehler der drei, zu einem deutlich niedrigeren Ausgabepreis.
Für wen
Passt für alltägliches sauberes Programmieren; nicht die richtige Wahl für 20-Stunden-Marathonaufgaben.
  • Relative FehlerquoteRelative Fehlerquote 0,76

Wikidata

Geschichte

  • Am 26. Juni 2026 hat OpenAI GPT-5.6 Sol nur einer kleinen Gruppe ausgewählter Partner vorab gezeigt. Auf Wunsch der US-Regierung hat OpenAI die Namen der Partner zuerst der Regierung mitgeteilt. OpenAI nannte das einen kurzfristigen Schritt, keine dauerhafte Regelung.

    Quelle ↗
Weiterlesen

  • Öffnen Sie die Seite des Modells GPT-5.6 Sol. Dort stehen die Modell-ID gpt-5.6-sol, ein Kontextfenster von 1.050.000 Token und der Preis. Beginnen Sie mit einer anspruchsvollen echten Aufgabe auf dem Standardaufwand „medium“ und erhöhen oder senken Sie ihn dann.

    Quelle ↗
Die ersten drei vergleichen ↓

2GPT-6 Astra

Nr. 2 — GPT-6 Astra. In den Listen von 8 von 8 KIs; mittlerer Platz dort: 3. Er gewinnt bei den 20-Stunden-Aufgaben, kostet aber pro Versuch deutlich mehr und hat mehr Fehler; deshalb ist er eine Eskalationsstufe.

Schon gewusst?

  • Astra ist das erste OpenAI-Modell, das im Preparedness Framework bei Cyber-Fähigkeiten als „Critical“ eingestuft wurde. Ohne Einschränkungen für den Einsatz erreichte es bei ExploitBench 100%, gegenüber 78,5% bei GPT-5.6 Sol.

    Quelle ↗
Was es ist
OpenAIs bestes GPT-6-Modell, zunächst mit einer kleinen Gruppe von Kunden gestartet.
Seine Stärke
Am besten bei 20-Stunden-Aufgaben, mit 65,5%, vor den beiden anderen.
Für wen
Passt zu schweren Aufgaben über einen ganzen Arbeitstag mit großem Budget; kein alltäglicher Standard.
  • Relative FehlerquoteFehlerquote 1,13

Wikipedia · Wikidata

Geschichte

  • Am 3. September 2026 hat OpenAI GPT-6 Astra im Programm Daybreak zuerst einer ausgewählten Gruppe von Kunden zugänglich gemacht, noch vor der allgemeinen Verfügbarkeit.

    Quelle ↗
Gut zu wissen

  • Eine Woche nach dem Start sagten viele Nutzer, Astra sei schlechter geworden. Das Team um Dax Raad bei Opencode kehrte zu GPT-5.6 Sol zurück und erklärte, die verdoppelten Ausgaben rechtfertigten die Nachteile nicht. Decrypt schreibt, OpenAI habe keine Stellungnahme abgegeben.

    Quelle ↗

  • Es kostet 10 $ pro Million Eingabe-Token und 50 $ pro Million Ausgabe-Token, das 2,5-Fache des Startpreises von Sol. Seine stärksten Cyber-Funktionen sind im Programm Daybreak auf geprüfte Verteidiger beschränkt.

    Quelle ↗
Was die Leute sagen

  • Astra feels significantly dumber for me today — synthwavedd (developer, on X)

    Quelle ↗
Weiterlesen

  • Öffnen Sie die Seite von OpenAI zu GPT-6 Astra, um zu sehen, was es gut kann: Computernutzung, Surfen im Web, Programmieren und Wissenschaft. Der Zugang ist zunächst begrenzt; prüfen Sie daher auf der Seite, was Ihr Tarif nutzen kann, bevor Sie anfangen.

    Quelle ↗
Gemini setzten es auf Platz 1. Was sie darin sahen

  • Gemini: Dominiert 20-stündige Marathon-Aufgaben mit 65,5% bei FrontierSWE v2 und hält dabei in Codex eine Lösungsquote von 58,2% in der Kommandozeile.

Video: Coding is Dead? Learn These SKILLS to Survive AGI | GPT-6 Astra Explained (auf Englisch) · Nishant Chahar

Die ersten drei vergleichen ↓

3Claude Opus 5.5

Nr. 3 — Claude Opus 5.5. In den Listen von 8 von 8 KIs; mittlerer Platz dort: 3. Er führt bei Terminal-Aufgaben und schneidet bei 20-Stunden-Arbeit gut ab, bei niedrigem Preis pro Versuch, hat aber mehr Fehler.

Schon gewusst?

  • Mittlerer Aufwand kann maximalen Aufwand schlagen. Bei einigen Programmier-Benchmarks schaffen Aufgaben mit mittlerem Aufwand es für unter einen Dollar und erzielen höhere Werte als Läufe mit maximalem Aufwand, die pro Aufgabe mehrere Dollar kosten.

    Quelle ↗
Was es ist
Das Claude-Modell von Anthropic, gebaut für Programmier-Agenten.
Seine Stärke
Am besten bei Terminal-Aufgaben, mit 64,8%, und pro Versuch deutlich günstiger als Astra.
Für wen
Passt zu schweren Terminal-Aufgaben; nicht die richtige Wahl, wenn sauberer Code am wichtigsten ist.
  • Relative Fehlerquotegemittelte Fehlerquote 1,14
Geschichte

  • Am 22. September 2026 hat Anthropic Claude Opus 5.5 veröffentlicht, das erste Modell seiner 5.5-Familie. Die Standardpreise für Eingabe und Ausgabe wurden gegenüber Opus 5 um 20% gesenkt, auf 4 $ und 20 $ pro Million Token.

    Quelle ↗ ✓ von mehreren KIs bestätigt
Weiterlesen

  • Lesen Sie die offizielle Ankündigung von Claude Opus 5.5. Dort heißt es, das Modell erreiche bei den meisten Aufgaben die Leistung von Claude Fable 5.1, bei 40% niedrigeren Betriebskosten als Opus 5. Verwenden Sie dazu zuerst die Modell-ID claude-opus-5-5 auf der Claude Platform.

    Quelle ↗
MiMo setzten es auf Platz 1. Was sie darin sahen

  • MiMo: Gewinnt die Terminal-Tabelle in seinem Testumfeld mit 64,8% und übersteht 20-Stunden-Aufgaben mit 62,3% – für etwa 99 $ pro Versuch, wo der Sieger dieser Tabelle 1.030 $ zahlt.

Die ersten drei vergleichen ↓

Die ersten drei nebeneinander

GPT-5.6 SolGPT-6 AstraClaude Opus 5.5
In den KI-Listen8 / 88 / 88 / 8
Relative FehlerquoteRelative Fehlerquote 0,76Fehlerquote 1,13gemittelte Fehlerquote 1,14
Auf Platz 1 beiMeta, WenxinGeminiMiMo

Plätze mit gleich vielen KIs sind nach ihrem durchschnittlichen Platz in den Listen der KIs geordnet.

Weitere Rankings

03Wissenswert

Was den KIs beim Erstellen der Liste aufgefallen ist.

Das meistgenutzte Modell ist nicht das sauberste: Opus 5.5 hat in der Woche vom 26. Okt. 64,4 % der KI-Zeilen von cubic geschrieben, aber seine Fehlerquote liegt bei 1,14, gegenüber 0,76 von GPT-6.1 Sol.

Bemerkt von:
Aufgenommen: ChatGPT, Grok. Nicht aufgenommen: Meta, Gemini, Nova, DeepSeek, Wenxin, MiMo.
Quelle ↗

GPT-6 Astra und GPT-6.1 Sol lösen beide 58,2 % von Terminal-Bench 4.0 in Codex, zu etwa 9,90 $ gegenüber 1,92 $ pro Aufgabe.

Bemerkt von:
Aufgenommen: ChatGPT, Meta, Grok. Nicht aufgenommen: Gemini, Nova, DeepSeek, Wenxin, MiMo.
Quelle ↗

Bei FrontierSWE v2 kostet Astras Vorsprung von 3,2 Punkten vor Opus 5.5 pro Versuch etwa das Zehnfache: 1.029,65 $ gegenüber 98,87 $.

Bemerkt von:
Aufgenommen: Grok, Nova, DeepSeek, MiMo. Nicht aufgenommen: ChatGPT, Meta, Gemini, Wenxin.
Quelle ↗

Die Fehlerquoten von cubic haben sich zwischen den Veröffentlichungen verschoben (Opus 5.5 von 1,49 auf 1,14, GPT-6.1 Sol von 1,22 auf 0,76). Die Zeiträume haben sich geändert; das ist kein Beweis, dass die Modelle besser geworden sind. Eine dritte Angabe (GPT-6 Luna 0,47) taucht nur in einer Antwort auf und ist nicht bestätigt.

Bemerkt von:
Aufgenommen: ChatGPT, Grok, DeepSeek. Nicht aufgenommen: Meta, Gemini, Nova, Wenxin, MiMo.
Quelle ↗

04Was Leute fragen

bestes modell fürs coding 2026

Es kommt auf den Platz an. GPT-6.1 Sol hat mit 0,76 die niedrigste gezählte Fehlerquote, Claude Opus 5.5 führt Terminal-Bench 4.0 mit 64,8 % an, und GPT-6 Astra führt FrontierSWE v2 mit 65,5 % an.

Quelle ↗
gpt vs claude fürs coding

GPT-6 Astra schlägt Opus 5.5 bei 20-Stunden-Aufgaben, 65,5 % zu 62,3 %. Opus 5.5 schlägt Astra bei Terminal-Aufgaben in deren eigenen Umgebungen, 64,8 % zu 58,2 %.

Quelle ↗
gpt 5 vs claude fürs coding

GPT-5.6 Sol hatte im Oktober in Codex eine Fehlerquote von 0,62, erreicht aber bei FrontierSWE v2 nur 32,2 %, gegenüber 62,3 % von Opus 5.5 in derselben Umgebung.

Quelle ↗
warum unterscheiden sich die fehlerquoten bei coding-modellen je nach quelle

Der cubic-Artikel vom 16. Okt. maß kurze Zeiträume innerhalb jedes Agenten, während die Rangliste vom 4. Nov. den Zeitraum vom 13. Juli bis 1. Nov. zusammenfasst. Deshalb zeigt Opus 5.5 in der einen 1,49 und in der anderen 1,14.

Quelle ↗

05So haben wir gezählt

In einfachen Worten, ohne Formeln.

1Die Frage

Top 10: Welche Modelle ein Coding-Agenten-Team einsetzen sollte

2Warum dieses Thema

Leser bekommen eine Auswahl nach Einsatzplatz, die keine einzelne Rangliste liefert, und sie beantwortet eine Frage, die Menschen das ganze Jahr suchen.

3Wofür es gilt

weltweit; Menschen, die das Modell in Claude Code, Codex, Cursor oder einem ähnlichen Agenten wählen

4Worauf wir geachtet haben

  • Gezählte Fehler pro Zeile in Code, den echte Teams über diesen Agenten ausgeliefert haben
  • Anteil der Terminal-Aufgaben, die in der eigenen Umgebung des Anbieters gelöst werden
  • Ergebnis bei ganztägigen Aufgaben, wenn die Umgebung für alle Modelle gleich ist
  • Listenpreis der Ausgabe-Token, gegenübergestellt der Fehlerquote
  • cubic Bug Bench — Gezählte Fehler je KI-zugeordneter Zeile gegenüber dem Durchschnitt (1,00; niedriger ist sauberer). Die Rangliste vom 4. Nov. umfasst den Zeitraum vom 13. Juli bis 1. Nov. Der Artikel vom 16. Okt. verwendete kürzere, agentenspezifische Zeiträume.
  • Terminal-Bench 4.0 (tbench.ai) — Lösungsquote bei 66 Terminal-Aufgaben, mit benannter eigener Laufumgebung des Anbieters.
  • Proximal FrontierSWE v2 — Mean@5-Wert bei 34 Aufgaben von bis zu 20 Stunden, wobei alle Modelle in einer gemeinsamen Proximal-Testumgebung laufen.
  • cubic-Listenpreis gegen Fehlerquote — Listenpreis des Anbieters je Million Ausgabe-Token, neben der relativen Fehlerquote gestellt.

5Wer gerankt hat

Die führenden KIs: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.

6Wie die Plätze festgelegt wurden

Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.

06Die Liste jeder KI

🇺🇸 ChatGPT10 Plätze · 3 Hinweise

Dieselbe Frage, allein von ChatGPT beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-6.1 Sol (2026)

    Eine relative Fehlerquote von 0,76 und dasselbe Terminal-Ergebnis wie Astra von 58,2%, bei einem Fünftel von Astras Standardpreis für Ausgabe-Token.

    Quelle ↗
  2. 2
    Claude Opus 5.5 (2026)

    Spitzenreiter bei Terminal-Aufgaben mit 64,8%, doch seine gepoolte Fehlerquote von 1,14 ist schlechter als der Durchschnitt im von cubic geprüften Code.

    Quelle ↗
  3. 3
    GPT-6 Astra (2026)

    Der Meister bei 20-stündigen Ingenieursaufgaben mit 65,5%, doch sein Preis von 50 $ für Ausgabe-Token macht ihn eher zu einem Eskalationsmodell als zu meiner täglichen Standardwahl.

    Quelle ↗
  4. 4
    Claude Sonnet 5.5 (2026)

    Mit einer Lösungsquote von 61,8% bei Terminal-Aufgaben liegt es nur drei Punkte hinter Opus 5.5 und ist damit ein ernstzunehmender Platz für die Umsetzung.

    Quelle ↗
  5. 5
    Claude Fable 5.1 (2026)

    Seine gepoolte Fehlerquote von 0,93 schlägt die 1,14 von Opus 5.5, obwohl Opus weit häufiger genutzt wird.

    Quelle ↗
  6. 6
    Gemini 4 Carbon (2026)

    Mit 61,2% bei FrontierSWE v2 liegt es unter gleichen Testbedingungen nur 1,1 Punkte hinter Opus 5.5.

  7. 7
    GPT-5.6 Sol (2026)

    Seine historische Fehlerquote von 0,62 in Codex war hervorragend, doch ein Wert von 32,2% bei langen Aufgaben spricht dagegen, ihm den schwersten Platz zu geben.

    Quelle ↗
  8. 8
    Claude Opus 5 (2026)

    Eine gepoolte Fehlerquote von 1,21 lässt es hinter dem neueren Opus 5.5 zurück, ohne dass innerhalb der Familie eine klare statistische Verbesserung belegt wäre.

    Quelle ↗
  9. 9
    Claude Opus 4.8 (2026)

    Sein Anteil fiel von 29,4% im Juli auf 0,5% Ende Oktober – ein Beispiel dafür, wie schnell sich die Standardmodelle fürs Programmieren ändern.

    Quelle ↗
  10. 10
    Grok 4.7 (2026)

    Mit einer relativen Fehlerquote von 1,79 ist es unter den acht derzeit von cubic gelisteten Modellen der am wenigsten überzeugende Standardplatz für die Umsetzung.

    Quelle ↗

Was ChatGPT aufgefallen ist

Das meistgenutzte Modell ist im geprüften Code nicht das sauberste: Opus 5.5 hat in der letzten vollständigen Woche 64,4% der KI-zugeordneten Zeilen von cubic geschrieben, doch GPT-6.1 Sol hatte die niedrigste relative Fehlerquote, 0,76 gegenüber 1,14.

Quelle ↗

Astra und Sol erreichten in Terminal-Bench 4.0 mit Codex beide 58,2%, doch ihre geschätzten API-Kosten pro Aufgabe lagen bei 9,90 $ bzw. 1,92 $. Gleiche gerundete Lösungsquoten belegen nicht, dass beide bei jeder Aufgabe gleich gut abschneiden.

Quelle ↗

Der Listenpreis für Ausgabe-Token ist nicht die Aufgabenkosten. Ein Modell, das weniger Token verbraucht oder schneller fertig wird, kann pro gelöster Aufgabe weniger kosten, auch wenn sein Preis pro Million Ausgabe-Token höher ist.

Quelle ↗
🇺🇸 Meta10 Plätze · 4 Hinweise

Dieselbe Frage, allein von Meta beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-5.6 Sol 2026

    0,62 in Codex, 0,65 insgesamt – das einzige Modell unter dem Durchschnitt, 35% weniger Fehler, aber nur 0,7% des geprüften Codes in der Woche vom 5. Okt.

    Quelle ↗
  2. 2
    Claude Fable 5.1 2026

    1,09 in Claude Code – dort das sauberste, 56,3% FrontierSWE, gleichauf mit Sonnet 5.5, kostet aber 5-mal so viel.

    Quelle ↗
  3. 3
    GPT-6 Astra 2026

    65,5% FrontierSWE v2, Spitze + 58,2% Terminal-Bench, doch 1,13 Fehlerquote über dem Durchschnitt – der Durchhalter der 20-Stunden-Aufgaben.

  4. 4
    Claude Opus 5.5 2026

    64,8% Terminal-Bench, Platz 1, 62,3% FrontierSWE, Platz 2, doch 1,49 Fehlerquote – in Claude Code die schlechteste: starkes Terminal, schmutziger Alltag.

    Quelle ↗
  5. 5
    Claude Sonnet 5.5 2026

    61,8% Terminal-Bench, 61,9% FrontierSWE, 1,24 Fehlerquote – in Claude Code gleichauf mit Fable, zu einem Fünftel des Preises.

    Quelle ↗
  6. 6
    GPT-6.1 Sol 2026

    58,2% Terminal-Bench, gleichauf mit Astra – 1,92 $ gegenüber 14,30 $, 1,22 Fehlerquote in Codex, von OpenAI für komplexes Programmieren empfohlen.

    Quelle ↗
  7. 7
    Gemini 4 Carbon 2026

    61,2% FrontierSWE v2, Platz 4, keine Bug-Bench-Quote – bestes Ergebnis bei langen Aufgaben außerhalb von OpenAI und Anthropic.

  8. 8
    Claude Opus 5 2026

    52,0% FrontierSWE, 1,33 Fehlerquote, 51,8% Terminal-Bench (alte Version) – abgelöst durch Opus 5.5 mit 20% niedrigerem Preis.

    Quelle ↗
  9. 9
    Gemini 4 Argon 2026

    55,0% FrontierSWE, keine Bug-Bench-Quote, laut Google-Vergleichstabelle Okt. 2026 Spitze in der Breite.

  10. 10
    Claude Haiku 5.5 2026

    43,8% FrontierSWE, im Bug Bench im Zeitraum bis 5. Okt. nicht gelistet, 0,50 $ Ausgabe – das günstigste Claude für den Routineeinsatz.

    Quelle ↗

Was Meta aufgefallen ist

Der Standard des Anbieters ist nicht der sauberste: Claude Code nutzt standardmäßig Opus 5.5 mit 1,49 Fehlerquote, dem schlechtesten Wert im Agenten, während Fable 5.1 mit 1,09 in Claude Code das sauberste ist. Codex empfiehlt 6.1 Sol mit 1,22, doch 5.6 Sol mit 0,62 ist das sauberste.

Quelle ↗

Sauber im Alltag, Terminal und 20 Stunden sind drei verschiedene Plätze: GPT-5.6 Sol gewinnt bei Fehlern mit 0,62, Opus 5.5 beim Terminal mit 64,8%, Astra bei 20 Stunden mit 65,5% – kein Modell gewinnt alle drei.

Quelle ↗

Der Preis pro sauberer Zeile dreht die Rangfolge: Sol mit 10 $ Ausgabe bei 0,65 gegenüber Astra mit 50 $ bei 1,13 – Astra kostet das 5-Fache für 13% mehr Fehler als der Durchschnitt.

Quelle ↗

GPT-5.6 Sol schrieb in der Woche vom 17. Aug. 35% des KI-Codes, in der Woche vom 5. Okt. nur 0,7% – das sauberste Modell ist in den geprüften Daten jetzt das seltenste.

Quelle ↗
🇺🇸 Grok10 Plätze · 4 Hinweise

Dieselbe Frage, allein von Grok beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-6.1 Sol

    Die wenigsten gezählten Fehler aller gelisteten Modelle, bei 0,76, und dasselbe Terminal-Ergebnis von 58,2% wie Astra – für den Codex-Lauf etwa 634 $ statt 3.300 $.

    Quelle ↗
  2. 2
    Claude Sonnet 5.5

    Bei 10 $ pro Million Ausgabe-Token liegt es nahe am Terminal-Spitzenreiter mit 61,8% in Claude Code und nahe am Spitzenreiter für ganztägige Aufgaben mit 61,9% im gemeinsamen Testumfeld.

    Quelle ↗
  3. 3
    Claude Opus 5.5

    In der Woche vom 26. Okt. schrieb es 64,4% des KI-Codes, den cubic geprüft hat, und ist in Claude Code nicht das saubere Modell: jetzt 1,13, im Oktober-Bericht 1,49.

    Quelle ↗
  4. 4
    GPT-6 Astra

    Es führt die 20-Stunden-Tabelle mit 65,5% an, bei etwa 1.030 $ pro Versuch, und bei Terminal-Aufgaben schlägt es das Sol-Modell mit 10 $ Ausgabe nicht.

    Quelle ↗
  5. 5
    Claude Fable 5.1

    Das sauberste Modell in Claude Code mit 0,93, während der Standard, den die Leute tatsächlich nutzen, Opus 5.5 ist.

    Quelle ↗
  6. 6
    Gemini 4 Carbon

    Platz vier auf der gemeinsamen 20-Stunden-Tabelle mit 61,2%, und cubic hat dafür keine gezählte Fehlerquote.

  7. 7
    GLM-5.3

    Der Platz für ein Modell mit offenen Gewichten: 41,8% der Terminal-Aufgaben in Claude Code und 30,2% auf der 20-Stunden-Tabelle.

    Quelle ↗
  8. 8
    Claude Opus 5

    In Cursor ist es mit 1,22 das fehlerärmste gelistete Modell, was trotzdem 22% mehr gezählte Fehler als der Durchschnitt bedeutet.

    Quelle ↗
  9. 9
    GPT-5.6 Sol

    In Codex war es mit 0,62 das sauberste Modell, und bei ganztägigen Aufgaben erreicht es 32,2%, etwa die Hälfte von Astras Wert.

    Quelle ↗
  10. 10
    Grok 4.7

    Das günstigste gelistete Ausgabe-Token mit 6 $ pro Million geht mit der höchsten gelisteten Fehlerquote einher: 1,79.

    Quelle ↗

Was Grok aufgefallen ist

Der Standard von Claude Code in den kostenpflichtigen Tarifen ist Opus 5.5. Innerhalb dieses Agenten hat im Zeitraum bis 4. Nov. Fable 5.1 die niedrigste Fehlerquote mit 0,93, gleichauf mit Sonnet 5.5 mit 1,00, während Opus 5.5 bei 1,13 liegt.

Quelle ↗

GPT-6 Astra und GPT-6.1 Sol lösen in Codex dieselben 58,2% von Terminal-Bench 4.0. Der gelistete Lauf von Astra kostet etwa 3.300 $, der von Sol etwa 634 $.

Quelle ↗

Bei FrontierSWE v2 kostet Astra mit 65,5% pro Versuch etwa das Zehnfache von Opus 5.5 mit 62,3%: rund 1.029,65 $ gegenüber 98,87 $.

Quelle ↗

GPT-5.6 Sol lag im Oktober-Artikel von cubic mit 0,62 gezählten Fehlern in Codex vorn, fiel danach auf unter 0,5% der KI-zugeordneten Zeilen und verschwand aus der Rangliste vom 4. Nov. Sein Wert für ganztägige Aufgaben liegt bei 32,2%.

Quelle ↗
🇺🇸 Gemini10 Plätze

Dieselbe Frage, allein von Gemini beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-6 Astra

    Dominiert 20-stündige Marathon-Aufgaben mit 65,5% bei FrontierSWE v2 und hält dabei in Codex eine Lösungsquote von 58,2% in der Kommandozeile.

  2. 2
    Claude Opus 5.5

    Der amtierende Spitzenreiter der Kommandozeilen-Tests mit 64,8% bei Terminal-Bench 4.0 und 62,3% bei FrontierSWE v2, trägt allerdings eine relative Fehlerquote von 1,49.

  3. 3
    GPT-5.6 Sol

    Der sauberste Produktions-Coder, den wir erfasst haben: Mit einer außergewöhnlich niedrigen relativen Fehlerquote von 0,62 ist er das verlässlichste Arbeitstier für den Alltag, trotz eines bescheidenen Ergebnisses von 32,2 % bei der 20-Stunden-Aufgabe.

  4. 4
    Claude Sonnet 5.5

    Erreicht 61,8% bei Terminal-Bench 4.0 zu einem Bruchteil des Opus-Ausgabepreises und dient als Industriestandard für den täglichen Einsatz in agentischen Kommandozeilen-Schleifen.

  5. 5
    Claude Fable 5.1

    Verbindet eine solide Abschlussquote von 57,9% bei Terminal-Bench 4.0 mit einer relativen Fehlerquote von 1,09 und ist in der Prüfung deutlich sauberer als Opus 5.5.

  6. 6
    GPT-6.1 Sol

    Erreicht in Codex dieselben 58,2% Lösungsquote in der Kommandozeile wie Astra, mit größerer Tiefe beim schrittweisen Denken, und hat eine relative Fehlerquote von 1,22.

  7. 7
    Grok 4.7

    Erreicht in Grok Build 37,6% bei Terminal-Bench 4.0 und bietet hohen Token-Durchsatz für Systemdiagnosen und die Automatisierung der Infrastruktur.

  8. 8
    Gemini 2.5 Pro

    Nutzt ein nativ eingebautes Kontextfenster von 2 Millionen Token, um ganze Codebasen mit mehreren Repositories in einer einzigen Anfrage zu verarbeiten – für komplexe Migrationen mit Abhängigkeiten zwischen ihnen.

    Quelle ↗
  9. 9
    DeepSeek V3.5 Coder

    Kostenführer mit offenen Gewichten, der die kommerziellen Token-Preise drastisch unterbietet – für die häufige Erzeugung von Unit-Tests und automatisierte Code-Prüfungen für Pull Requests in großer Menge.

  10. 10
    Qwen 2.5 Coder 32B

    Das führende selbst gehostete Modell für unternehmenseigene Codebasen vor Ort, wo kein Datenabfluss in die Cloud und die Einhaltung einer vollständig abgeschotteten Umgebung unverhandelbar sind.

    Quelle ↗
🇨🇳 DeepSeek10 Plätze · 3 Hinweise

Dieselbe Frage, allein von DeepSeek beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-6.1 Sol

    Relative Fehlerquote 0,98 und 58,2% bei Terminal-Bench für 10 $ Ausgabe – der beste Allround-Platz, bei langen Aufgaben knapp hinter Astra, aber fünfmal günstiger.

    Quelle ↗
  2. 2
    Claude Sonnet 5.5

    Fehlerquote 1,06 und 61,8% bei Terminal-Bench für 10 $ Ausgabe: der günstigste Weg zu Claude Codes Spitzenergebnis im Terminal.

    Quelle ↗
  3. 3
    GPT-6 Astra

    65,5% FrontierSWE und 58,2% Terminal-Bench: das beste Modell für ganztägige Aufgaben auf der Liste, aber 50 $ Ausgabe und eine Fehlerquote von 1,09.

    Quelle ↗
  4. 4
    GPT-6 Luna

    Fehlerquote 0,47 – 53% weniger gezählte Fehler als der Durchschnitt – bei 0,50 $ Ausgabe, doch bei Terminal-Bench erreicht es nur 16,4%. Also ein sauberer Platz für den Alltag, kein Vollstrecker für schwere Aufgaben.

    Quelle ↗
  5. 5
    Claude Opus 5.5

    64,8% Terminal-Bench und 62,3% FrontierSWE: die stärkste Kombination mit Claude Code für schwere Arbeit, doch seine Fehlerquote von 1,39 ist im Bug Bench die schlechteste.

    Quelle ↗
  6. 6
    Kimi K3.1 Pro

    67,2% Terminal-Bench (Artificial Analysis) bei 10 $ Ausgabe: der reine Terminal-Meister, doch 25,9% bei FrontierSWE und kein Platz im Bug Bench machen es zum Spezialisten.

  7. 7
    Claude Fable 5.1

    Fehlerquote 1,07, 57,9% Terminal-Bench und 56,3% FrontierSWE – ausgewogen, doch bei 50 $ Ausgabe kostet es so viel wie Astra, ohne dessen Vorsprung bei langen Aufgaben.

    Quelle ↗
  8. 8
    Gemini 4 Argon

    55,0% FrontierSWE und 57,6% Terminal-Bench bei einem Einführungspreis von 10 $ Ausgabe – ein glaubwürdiger dritter Platz, auch wenn seine Fehlerdichte unabhängige Kritik auf sich gezogen hat.

    Quelle ↗
  9. 9
    GPT-5.6 Sol

    Fehlerquote 0,62 in Codex – 38% weniger gezählte Fehler als der Durchschnitt – aber 37,3% bei Terminal-Bench und 32,2% bei FrontierSWE: der sauberste Platz für kleine Aufgaben, kein Langstreckenläufer.

    Quelle ↗
  10. 10
    Claude Opus 5

    Fehlerquote 1,30, 53,9% Terminal-Bench, 52,0% FrontierSWE und 25 $ Ausgabe – ein Mittelplatz, der weder der sauberste noch der stärkste mehr ist.

    Quelle ↗

Was DeepSeek aufgefallen ist

Das günstigste Modell gewinnt den Bug Bench: GPT-6 Luna mit 0,50 $ Ausgabe hat die niedrigste relative Fehlerquote (0,47) – 53% unter dem Durchschnitt –, während die 50 $ teuren Fable 5.1 und Astra bei 1,07 bzw. 1,09 liegen.

Quelle ↗

Opus 5.5 ist der widersprüchlichste Platz: bestes Claude-Code-Ergebnis bei Terminal-Bench (64,8%) und Zweiter bei FrontierSWE (62,3%), aber die schlechteste Quote im Bug Bench (1,39).

Quelle ↗

Der Preis pro Versuch dreht die FrontierSWE-Liste um: GPT-6 Astra führt mit 65,5%, kostet aber 1.029,65 $ pro Versuch; Opus 5.5 kostet 98,87 $, also 90% weniger, bei 3,2 Punkten weniger.

Quelle ↗
🇨🇳 Wenxin10 Plätze · 2 Hinweise

Dieselbe Frage, allein von Wenxin beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GPT-5.6 Sol (OpenAI, in Codex) 2026

    Niedrigste beobachtete Fehlerquote (0,62) zum Codex-Preis – sauberer Code für den Preis eines Milchkaffees pro 1 Mio. Token.

    Quelle ↗
  2. 2
    GPT-6 Astra (OpenAI, in Codex) 2026

    FrontierSWE-Sieger mit 65,5% und 58,2% im Terminal – doch 1,13 Fehler pro Zeile machen es pro sauberer Zeile teurer.

  3. 3
    Claude Opus 5.5 (Anthropic, in Claude Code) 2026

    64,8% im Terminal, 62,3% bei 20-Stunden-Aufgaben – doch 1,49 Fehler pro Zeile lassen es bei der Sauberkeit zurückfallen.

    Quelle ↗
  4. 4
    Claude Sonnet 5.5 (Anthropic, in Claude Code) 2026

    61,8% im Terminal zum wahrscheinlich halben Preis von Opus – die Wahl fürs Tagesgeschäft.

    Quelle ↗
  5. 5
    Claude Fable 5.1 (Anthropic, in Claude Code) 2026

    57,9% im Terminal, 1,09 Fehler pro Zeile – mittlere Sauberkeit, mittlerer Preis, der ideale Punkt fürs tägliche Programmieren.

    Quelle ↗
  6. 6
    GPT-6.1 Sol (OpenAI, in Codex) 2026

    58,2% im Terminal und 1,22 Fehler pro Zeile – schneller als Astra, etwas sauberer, gleiche Preisklasse.

  7. 7
    Grok 4.7 (xAI, in Grok Build) 2026

    37,6% im Terminal – das Spitzenmodell fürs Terminal ist nicht das Spitzenmodell für lange Aufgaben.

    Quelle ↗
  8. 8
    DeepSeek-V3 (DeepSeek, über die API) 2026

    Mit offenen Gewichten, unter 2 pro 1 Mio. Token; die Fehlerquote steht nicht in der Spitzenliste von cubic, doch Community-Berichte nennen etwa 1,3.

  9. 9
    Qwen 3 (Alibaba, über die API) 2026

    Mit offenen Gewichten, stark im Terminal in chinesischsprachigen Tests; die englischen Daten von cubic sind dünn.

  10. 10
    Gemini 2.5 Pro (Google, über Vertex/AI Studio) 2026

    Googles Spitzenmodell 2026; Daten von cubic und zum Terminal stehen noch nicht in den Spitzentabellen, doch bei langen Kontexten stark.

    Quelle ↗

Was Wenxin aufgefallen ist

Claude Fable 5.1 kostet pro Token etwa ein Fünfzehntel von Claude Opus 5.5 und erreicht dennoch 57,9% im Terminal und nur 1,09 Fehler pro Zeile – der Meister des Preis-Leistungs-Verhältnisses für das tägliche agentische Programmieren.

Quelle ↗

GPT-6 Astra führt bei FrontierSWE (65,5%), doch seine Fehlerquote von 1,13 bedeutet: Ein Team, das monatlich 100.000 Zeilen ausliefert, zahlt für dieselbe saubere Ausgabe rund 1,4 Mio. an Token, die Fable für rund 0,07 Mio. liefert.

Quelle ↗
🇨🇳 MiMo10 Plätze · 4 Hinweise

Dieselbe Frage, allein von MiMo beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Claude Opus 5.5 (Anthropic, 2026)

    Gewinnt die Terminal-Tabelle in seinem Testumfeld mit 64,8% und übersteht 20-Stunden-Aufgaben mit 62,3% – für etwa 99 $ pro Versuch, wo der Sieger dieser Tabelle 1.030 $ zahlt.

    Quelle ↗
  2. 2
    GPT-6 Astra (OpenAI, 2026)

    Das einzige Modell, das die 20-Stunden-Aufgaben auf Platz eins beendet hat – für 1.029,65 $ pro Versuch und 1,13 gezählte Fehler pro Zeile in Codex.

    Quelle ↗
  3. 3
    GPT-5.6 Sol (OpenAI, 2026)

    Der sauberste Code auf der Liste – 0,62 Fehler pro Zeile in Codex – und mit 32,2% das schwächste Ergebnis bei langen Aufgaben unter den Spitzenmodellen.

    Quelle ↗
  4. 4
    Claude Sonnet 5.5 (Anthropic, 2026)

    In Programmier-Sitzungen rund zwei Punkte hinter Opus 5.5, aber in einer niedrigeren Klasse – der Preis-Leistungs-Platz im Anthropic-Paar.

    Quelle ↗
  5. 5
    GPT-6.1 Sol (OpenAI, 2026)

    Dasselbe Terminal-Ergebnis wie die Flaggschiffe (58,2%) bei 10 $ pro Million Ausgabe-Token – fünfmal günstiger als Astra, aber 1,22 Fehler pro Zeile.

    Quelle ↗
  6. 6
    Claude Fable 5.1 (Anthropic, 2026)

    Der Spezialist für den Alltag: 57,9% bei Terminal-Aufgaben und der sauberste gemessene Code in Claude Code mit 1,09.

    Quelle ↗
  7. 7
    GPT-6.1 Terra (OpenAI, 2026)

    OpenAI sagt, es erreiche Astras Niveau bei einem Zehntel des Token-Preises und nutze Token dreimal so effizient wie Opus 5.5.

    Quelle ↗
  8. 8
    Gemini 4 Argon (Google, 2026)

    Ein vollständiger FrontierSWE-Versuch kostet 129,36 $ – etwa ein Achtel von Astras Kosten – und ist damit der Budget-Platz für ganztägige Aufgaben.

    Quelle ↗
  9. 9
    Claude Opus 5 (Anthropic, 2025)

    Die vorherige Generation schafft noch die Hälfte der 20-Stunden-Aufgaben (52,0%), wo neuere, günstigere Modelle bei 32% hängen bleiben.

    Quelle ↗
  10. 10
    Grok 4.7 (xAI, 2026)

    Der dritte Platz, der in einem gemischten Team einen Sitz wert ist: 37,6% der Terminal-Aufgaben im eigenen Testumfeld – echt, aber eine ganze Klasse unter den Spitzenreitern.

    Quelle ↗

Was MiMo aufgefallen ist

Das sauberste Modell und das stärkste sind nicht derselbe Platz: In Codex zählt GPT-5.6 Sol 0,62 Fehler pro Zeile, GPT-6 Astra 1,13 – doch nur Astra gewinnt die 20-Stunden-Aufgaben.

Quelle ↗

Den Sieg bei FrontierSWE v2 kostet GPT-6 Astra 1.029,65 $ pro Versuch; Claude Opus 5.5 erreicht 62,3% für 98,87 $ – ein Abstand von 3,2 Punkten für das Zehnfache des Geldes.

Quelle ↗

In Claude Code schreibt das eigene Flaggschiff des Anbieters den schmutzigeren Code: Opus 5.5 mit 1,49 Fehlern pro Zeile gegenüber 1,09 bei Fable 5.1.

Quelle ↗

Der größte Sprung in der Rangliste des Jahres ist generationsbedingt, nicht anbieterbedingt: Opus 4.8 löste 23,6% der Terminal-Aufgaben, Opus 5.5 löst 64,8%.

Quelle ↗