Forscher der University of California, Berkeley zeigten einen gefälschten curl-Wrapper, der bei 89 Terminal-Bench-Aufgaben perfekte Werte erzielte, ohne sie zu lösen. Manipulierte Benchmarks können eine Schlagzeilenzahl wertlos machen.
Bester KI-Agent 2026: Die Top 10 der KI-Agenten
Diese Liste ordnet Coding-Agenten, die Leute wirklich laufen lassen. Sie bewertet nicht LangChains Runde über 3 Milliarden Dollar. In der zusammengeführten Folge steht Claude Code vorn und Google Antigravity CLI an dritter Stelle.
- Nr. 1: Claude Code
- 10 Plätze
01Endgültige Liste
Die führenden KIs haben unabhängig voneinander jeweils eine eigene Liste mit zehn Plätzen erstellt. Hier steht ein leicht prüfbares Ergebnis: Jeder Platz hat einen Grund, eine Quelle und die Liste der KIs, die ihn aufgenommen haben.
Blinde paarweise Urteile von Menschen zu Agenten-Aufgaben
Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.
- 1
Claude Code
Stark in den Listen: Opus 5.5 wurde mit 61,7 im Coding Index v2.0 angegeben. Fable 5.2 führt die Arena an, doch das sind verschiedene Modelle und Board-Versionen.
Aufgenommen: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Nemotron, Nova, Wenxin.In ihren Listen: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1
Was jede KI angemerkt hat 8
- MetaPlatz 1
Spitze bei Geschmack und Nachweis, doch die Rechnung ist der Haken — 15,47 $ pro Aufgabe in der besten Artificial-Analysis-Einstellung.
Quelle ↗ - GeminiPlatz 1
Dominiert die Vorliebe terminalorientierter Entwickler und hält zugleich die höchste geprüfte Korrekturquote bei SWE-bench Verified, bei durchschnittlich unter 2,50 $ pro Aufgabe.
Quelle ↗ - ClaudePlatz 1
Er führt den Artificial-Analysis-Index mit 61,7 an, kostet aber 11,42 $ pro Aufgabe — etwa das 29-Fache des günstigsten Frontier-Punkts für 14,4 Punkte mehr.
Quelle ↗ - MiMoPlatz 1
Der einzige Agent, der beide Ranglisten anführt, die Menschen wirklich lesen — 30,5 % bei der blinden Menschenabstimmung und 58–62 im geprüften Coding. Und der, dessen stärkste Einstellung 44,22 $ pro Aufgabe verlangt, um zwei Punkte unter seiner günstigeren Einstellung zu erreichen.
Quelle ↗ - StepFunPlatz 9
2,26 $ pro Aufgabe an der Spitze einer 30-fachen Preisspanne — offene Gewichte zu Frontier-Preisen, die Code-Prüfer kaum unterscheiden können.
Quelle ↗ - KimiPlatz 4
Gleichauf an der Terminal-Bench-Spitze mit 65,8 %, verbraucht dabei aber 15,7 Mrd. Token — fast doppelt so viel wie Opus 5.5 mit 8,0 Mrd. —, um dieselbe Zahl zu erreichen: Nachweis ohne Sparsamkeit.
Quelle ↗ - DeepSeekPlatz 3
Opus 5.5 war die bisherige Nummer eins der Arena und der 61,7-Punkte-Maßstab des Coding-Index. Bei 11,42 $ pro Aufgabe ist es weder das günstigste noch das teuerste Frontier-Modell.
Quelle ↗ - QwenPlatz 1
Führt den Artificial Analysis Coding Agent Index mit 61,7 an und hält die Spitzenstufen der Agent Arena, ohne den Premium-Aufschlag von Fable.
Quelle ↗
8 KIs setzten es hierher - 2
OpenAI Codex
Der deutlichste Preisfall: GPT-6.1 Sol erreichte 52,2 in v2.1 bei 1,51 $ pro Aufgabe. GPT-6 Astra aus der Arena ist eine eigene Konfiguration.
Aufgenommen: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Nemotron, Nova, Wenxin.In ihren Listen: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9
Was jede KI angemerkt hat 8
- MetaPlatz 4
Der günstigste Weg, nah an der Spitze zu bleiben — 1,51 $ pro Aufgabe, nicht 15 $.
Quelle ↗ - GeminiPlatz 10
Multimodaler Frontier-Agent für die Computer-Nutzung, der Softwareaufgaben und Browser-Aktionen verbindet und neue Referenzwerte bei WebArena setzt.
Quelle ↗ - ClaudePlatz 5
Es erreicht 54,1 bei 1,50 $ pro Aufgabe. Das liegt innerhalb von 0,6 Punkten von Astra, bei etwa einem Fünftel der Kosten.
Quelle ↗ - MiMoPlatz 2
Erreicht 52 für 1,51 $ pro Aufgabe. Dieselbe Indexspanne kostet in Claude Code achtmal mehr, und nicht der Geschmack, sondern das Geld bringt Codex seinen Rang.
Quelle ↗ - StepFunPlatz 3
58,2 % bei Terminal-Bench 4.0 für 1,92 $ pro Aufgabe — die Hälfte der Rechnung und die Hälfte der Laufzeit von Claude Code, bei 6,6 Punkten weniger.
Quelle ↗ - KimiPlatz 7
Der Preis-Champion der Spitze: 93 % von Astras Terminal-Bench-Ergebnis für 19 % des Preises pro Aufgabe — 1,92 $ gegenüber 9,90 $.
Quelle ↗ - DeepSeekPlatz 6
Codex auf GPT-6.1 Sol gibt sechs Indexpunkte an die Spitze ab, kostet aber 1,50 $ — 7,6-mal weniger als Claude Code auf maximalem Aufwand.
Quelle ↗ - QwenPlatz 9
Erreichte im Juli 80 Punkte im Coding Agent Index und führte das Harness von OpenAI an, bevor der SWE-bench-Verified-Split kam.
Quelle ↗
8 KIs setzten es hierher - 3
Google Antigravity CLI
Gemini 4 Carbon erreichte 55,5 im Coding Index v2.1 und belegte in der Arena Platz zwei. Die Arena-Kosten von 1,36 $ pro Aufgabe sind keine Coding-Index-Kosten.
Aufgenommen: Meta, MiMo, StepFun, Kimi, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.In ihren Listen: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2
Was jede KI angemerkt hat 5
- MetaPlatz 5
Am 12. November erst zwei Tage alt und schon der Preistipp: nahezu Carbon-Erfolg bei 24 % weniger Kontingent, laut eigenem Test von Google.
Quelle ↗ - MiMoPlatz 3
Erster auf den Ranglisten, die echte Jobs nachbilden — 84,2 % bei Bank-, Beratungs- und Rechtsarbeit und 16.484 $ in einem einjährigen Automatenverkaufs-Geschäft — obwohl er bei der menschlichen Abstimmung nur Dritter ist.
Quelle ↗ - StepFunPlatz 4
Platz drei bei den Menschenstimmen und 63,6 % bei Terminal-Bench 4.0 als Modell — doch sein CLI-Harness liegt im Artificial-Analysis-Gesamtwert mit 43 nahe dem Ende.
Quelle ↗ - KimiPlatz 6
Gewinnt den Intelligence Index (60) und holt Silber bei den blinden Menschenstimmen (16,72 %). Seine einzige Terminal-Bench-Zahl ist aber eine Selbstangabe, die die Liste nicht wertet.
Quelle ↗ - DeepSeekPlatz 2
Carbon gewinnt CursorBench mit 60,4 % für 9,22 $, während das Spitzenmodell der Arena bei denselben Mehrdatei-Aufgaben 60,0 % für 32,79 $ erreicht.
Quelle ↗
5 KIs setzten es hierher - 4
Devin Fusion CLI
Ein starkes Coding-Index-Ergebnis zu geringeren angegebenen Kosten als Claude Code, doch die Punktzahl ändert sich je nach Index-Version: 61,5 in v2.0 und 58,4 in v2.1.
Aufgenommen: Meta, Claude, MiMo, Kimi, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.In ihren Listen: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5
Was jede KI angemerkt hat 5
- MetaPlatz 2
Ein Frontier-Vorsprung plus ein günstiger Begleiter erreicht den Spitzenreiter — 8,75 $ pro Aufgabe bei v2.1, nicht 15,47 $.
Quelle ↗ - ClaudePlatz 9
Der eigene FrontierCode-Benchmark von Cognition AI steht nun im Index, und Devin ist dort mit 61,5 gelistet.
Quelle ↗ - MiMoPlatz 4
Gleichauf mit dem besten Coding-Wert von Claude Code, 62, bei 8,00 $ pro Aufgabe mit einer Fusion aus zwei Modellen. Sein SWE-2 erreicht 92,8 % bei Terminal-Bench 2.1 — die höchste Modellzeile auf dieser Liste.
Quelle ↗ - KimiPlatz 2
Der höchste Indexwert, der je auf der Artificial-Analysis-Liste veröffentlicht wurde: 68, zwei Punkte über Claude Code. Erreicht durch die Kopplung eines starken Spitzenmodells mit einem günstigen GPT-6 Luna als Begleiter, bei 31 % geringeren Kosten pro Aufgabe.
Quelle ↗ - DeepSeekPlatz 5
Devin Fusion landet bei 61,5 für 8,00 $, nur 0,2 Punkte hinter Claude Code mit Opus 5.5, und braucht dafür 10,46 Mio. statt 14,52 Mio. Token.
5 KIs setzten es hierher - 5
GitHub Copilot Fusion
Der Index meldet 59,9 bei 5,59 $ pro Aufgabe. Dieses Ergebnis stammt aber aus v2.0; vergleichen Sie es nicht direkt mit v2.1-Werten.
Aufgenommen: Meta, Claude, MiMo, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.In ihren Listen: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5
Was jede KI angemerkt hat 5
- MetaPlatz 3
Kein Modell, sondern eine Orchestrierungs-Engine — 2 Punkte hinter Claude Code bei etwa der halben Kosten pro Aufgabe.
Quelle ↗ - ClaudePlatz 8
Eine zweite Quelle setzt den Agenten von GitHub auf 59,9. Das würde ihn über Metas Muse Code stellen, doch ich konnte die Zahl nicht bestätigen.
Quelle ↗ - MiMoPlatz 7
59,9 im Coding-Index für 5,59 $ pro Aufgabe — innerhalb von zwei Punkten vom Spitzenweg von Codex, und zwar von dem Agenten, den die meisten Index-Tabellen einfach weglassen.
Quelle ↗ - DeepSeekPlatz 4
Fusion erreicht 59,9 für 5,59 $ und führt Terminal-Bench mit 71,2 — zwei Punkte hinter Claude Code bei der halben Rechnung.
Quelle ↗ - QwenPlatz 5
Orchestriert Modelle von OpenAI und Anthropic und liegt nur 2 Punkte unter Opus 5.5 bei der Hälfte der Kosten pro Aufgabe.
Quelle ↗
5 KIs setzten es hierher - 6
Fable 5.2 agent
Fable 5.2 führt bei der Arena-Messung mit 30,48 % Nettoverbesserung, doch diese Rangliste ist nur ein Faktor. Das Ergebnis ist kein bestätigter Sieg über alle Tests hinweg.
Aufgenommen: Meta, Claude, MiMo, StepFun, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.In ihren Listen: Meta: 8 · Claude: 3 · MiMo: Liste ansehen · StepFun: 2 · DeepSeek: 1
Was jede KI angemerkt hat 5
- MetaPlatz 8
Der einzige allgemeine Agent hier, der fertige Dateien liefert, nicht nur Code — seine GAIA-Angabe wurde nie unabhängig neu geprüft.
Quelle ↗ - ClaudePlatz 3
Menschliche Wähler setzen Fable 5.1 Max in der Agent Arena auf Platz eins, doch im Artificial-Analysis-Index liegt es mit 57,6 nur auf Platz vier.
Quelle ↗ - MiMo
In der eigenen Liste anders benannt: ganze Liste öffnen.
Liste ansehen - StepFunPlatz 2
Gewinnt 30,5 % der blinden Menschenstimmen — nahezu doppelt so viel wie der Zweite — doch Nutzer bestätigen den Erfolg nur in 21,7 % der Fälle.
Quelle ↗ - DeepSeekPlatz 1
Fable 5.2 führt die Arena mit 30,35 % an und teilt sich im Coding-Index mit 58 die Spitze. Doch sein xhigh-Lauf kostet 15,47 $, zehnmal so viel wie Codex mit 1,50 $.
Quelle ↗
5 KIs setzten es hierher - 7
Kimi Code CLI
Kimi K3.1 Pro erreichte 48,6 im Coding Index v2.1 bei 2,94 $ pro Aufgabe. Sein Netto-Verbesserungswert in der Arena lag bei 4,83 %.
Aufgenommen: Meta, MiMo, Kimi, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.In ihren Listen: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: Liste ansehen
Was jede KI angemerkt hat 5
- MetaPlatz 10
Offenes Spitzenmodell für 2,94 $ pro Aufgabe — und die offene Linie, deren Vorgänger das offene Feld bei GAIA2 anführte.
Quelle ↗ - MiMoPlatz 6
Schlägt Codex bei Terminal-Arbeit mit 67 zu 58 für 2,94 $ pro Aufgabe. Dafür braucht er aber 185 Durchgänge und 8,9 Mio. Token — der langsamste starke Weg auf der Liste.
Quelle ↗ - KimiPlatz 9
Der Ausreißer mit offenen Gewichten: innerhalb von 6 Punkten der Terminal-Bench-Spitze bei 3 $/15 $ pro Million Token — liegt aber 13 Punkte unter Opus im Intelligence Index.
Quelle ↗ - DeepSeekPlatz 9
Kimi führt Terminal-Bench 4.1 mit 68 % und kostet rund 5,27 $ pro Aufgabe. Die Arena-Wähler setzen es mit 5,2 % trotzdem nur auf Platz 11.
Quelle ↗ - Qwen
In der eigenen Liste anders benannt: ganze Liste öffnen.
Liste ansehen
5 KIs setzten es hierher - 8
Muse Code
Muse Wonder Full erreichte 54,5 im Coding Index v2.1, doch die Quelle sagt, die Kosten seien nicht angegeben. Der Arena-Wert liegt bei 8,89 % Netto-Verbesserung.
Aufgenommen: Meta, Claude, MiMo, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.In ihren Listen: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: Liste ansehen
Was jede KI angemerkt hat 5
- MetaPlatz 6
Metas bestes Modell steckt in seinem eigenen Coding-Werkzeug — und landet trotzdem auf beiden Listen unter den Top 10.
Quelle ↗ - ClaudePlatz 6
Dieser Meta-Eintrag belegt mit 58,9 den dritten Platz im Index, vor Fable 5.1.
Quelle ↗ - MiMoPlatz 5
Erreicht den zweitbesten geprüften Coding-Wert von 59 und hat die eine Zahl, die Artificial Analysis noch nicht ausweisen kann: seinen Preis.
Quelle ↗ - DeepSeekPlatz 7
Sonnet 5.5 ist Vierter in der Arena mit 15,95 %, doch seine Kosten von 13,30 $ pro Coding-Aufgabe liegen über den 5,59 $ von Copilot Fusion bei ähnlicher Punktzahl.
Quelle ↗ - Qwen
In der eigenen Liste anders benannt: ganze Liste öffnen.
Liste ansehen
5 KIs setzten es hierher - 9
DeepSeek Harness
Die niedrigen angegebenen Kosten von 0,32 $ pro Aufgabe gehen mit einem Index-Wert von 37 einher. Die Terminal-Bench-Zahl von 90,6 % misst dagegen ein anderes Ergebnis auf der Modell-Liste.
Aufgenommen: MiMo, Kimi. Nicht aufgenommen: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.In ihren Listen: MiMo: 8 · Kimi: Liste ansehen
Was jede KI angemerkt hat 2
- MiMoPlatz 8
0,32 $ pro Aufgabe — 48-mal günstiger als der teuerste Weg von Claude Code —, während dasselbe Modell auf der Modell-Liste von Terminal-Bench 90,6 % erreicht.
Quelle ↗ - Kimi
In der eigenen Liste anders benannt: ganze Liste öffnen.
Liste ansehen
2 KIs setzten es hierher - 10
Cursor Composer
Eine nützliche Kostenreferenz, doch die genannten 0,07 $ stammen aus dem eingestellten Index v1.5. Die Einordnung nach dem aktuellen Benchmark ist hier nicht bestätigt.
Aufgenommen: Meta, Gemini, StepFun. Nicht aufgenommen: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.In ihren Listen: Meta: 7 · Gemini: 2 · StepFun: 8
Was jede KI angemerkt hat 3
- MetaPlatz 7
Der Editor, in dem die Menschen wirklich arbeiten — rund 0,07 $ pro Aufgabe in der eingestellten Artificial-Analysis-Version, ein Zehntel der Spitzenrechnung.
Quelle ↗ - GeminiPlatz 2
Der unangefochtene Spitzenreiter beim interaktiven Arbeitstempo: geprüfte Ergebnisse über mehrere Dateien für 0,07 bis 0,44 $ pro Aufgabe.
Quelle ↗ - StepFunPlatz 8
Die Harness-Steuer: Dasselbe Modell kostet pro Aufgabe 1,47 $ in Cursor CLI gegenüber 1,24 $ in Claude Code.
Quelle ↗
3 KIs setzten es hierher
02Wissenswert
Was den KIs beim Erstellen der Liste aufgefallen ist.
Princeton HAL meldet einen geprüften GAIA-Spitzenreiter mit 74,55 %, während offene Einreichungen, die in den Antworten genannt werden, an 94 % heranreichen. Das sind verschiedene Einreichungs- und Prüfbedingungen.
03So haben wir gezählt
In einfachen Worten, ohne Formeln.
1Die Frage
Top 10 KI-Agenten: Menschliche Stimmen, geprüfter Aufgabenerfolg und Kosten pro Aufgabe
2Warum dieses Thema
Sie erfahren, dass „bester Agent“ eigentlich drei Fragen sind, und sehen alle drei Antworten an einer Stelle – was keine einzelne Rangliste bietet.
3Wofür es gilt
weltweit, Spitzen-KI-Agenten, Programmier-Agenten und Orchestratoren mit mehreren Agenten
4Worauf wir geachtet haben
- Blinde paarweise Urteile von Menschen zu Agenten-Aufgaben
- Geprüfter Erfolg bei Aufgaben in Programmier- und mehrstufigen Benchmarks
- Kosten, Token und Zeit pro Aufgabe
- Ein Agent muss in mindestens zwei unabhängigen Ranglisten vertreten sein; Ergebnisse, die einen Benchmark manipulieren, werden markiert und nicht eingestuft
- Arena — Agent Arena reiht Orchestrator-Modelle anhand echter Sitzungssignale ein, etwa bestätigter Erfolg, Nutzerfeedback, Steuerbarkeit und Zuverlässigkeit der Werkzeuge; die Nettoverbesserung ist keine blinde paarweise Siegquote.
- Artificial Analysis — Der Coding Agent Index v2.1 bildet den Durchschnitt aus FrontierCode-AA 2.0, Terminal-Bench 4.1 und SWE-Atlas-QnA-AA und weist Kosten, Token und Zeit pro Aufgabe aus.
- Princeton HAL — Reproduziert Agenten-Ergebnisse auf dem öffentlichen Validierungsset von GAIA und weist Genauigkeit und Gesamtkosten der API aus; die Rangliste teilt mit, dass ihre Aktualisierungen pausiert sind.
- UC Berkeley RDI — Untersucht die Manipulation von Benchmarks; im Bericht wird eine gefälschte curl-Hülle beschrieben, die auf Terminal-Bench die volle Punktzahl erreichte, ohne Lösungscode zu schreiben.
5Wer gerankt hat
Die führenden KIs: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, Qwen. 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.
04Die Liste jeder KI
🇺🇸 Meta10 Plätze · 4 Hinweise
Dieselbe Frage, allein von Meta beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code (Claude Opus 5.5 / Fable 5.2)
Spitze bei Geschmack und Nachweis, doch die Rechnung ist der Haken — 15,47 $ pro Aufgabe in der besten Artificial-Analysis-Einstellung.
Quelle ↗ - 2Devin Fusion CLI (Cognition)
Ein Frontier-Vorsprung plus ein günstiger Begleiter erreicht den Spitzenreiter — 8,75 $ pro Aufgabe bei v2.1, nicht 15,47 $.
Quelle ↗ - 3GitHub Copilot Fusion
Kein Modell, sondern eine Orchestrierungs-Engine — 2 Punkte hinter Claude Code bei etwa der halben Kosten pro Aufgabe.
Quelle ↗ - 4OpenAI Codex (GPT-6.1 Sol)
Der günstigste Weg, nah an der Spitze zu bleiben — 1,51 $ pro Aufgabe, nicht 15 $.
Quelle ↗ - 5Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)
Am 12. November erst zwei Tage alt und schon der Preistipp: nahezu Carbon-Erfolg bei 24 % weniger Kontingent, laut eigenem Test von Google.
Quelle ↗ - 6Muse Code (Muse Wonder Full)
Metas bestes Modell steckt in seinem eigenen Coding-Werkzeug — und landet trotzdem auf beiden Listen unter den Top 10.
Quelle ↗ - 7Cursor (Composer 2.5)
Der Editor, in dem die Menschen wirklich arbeiten — rund 0,07 $ pro Aufgabe in der eingestellten Artificial-Analysis-Version, ein Zehntel der Spitzenrechnung.
Quelle ↗ - 8Manus 2.0
Der einzige allgemeine Agent hier, der fertige Dateien liefert, nicht nur Code — seine GAIA-Angabe wurde nie unabhängig neu geprüft.
Quelle ↗ - 9ChatGPT Work (GPT-6 Astra / GPT-5.6)
OpenAI hat den Agent-Modus in Work überführt — der Büro-Agent, nicht der Coding-Agent, und seine beste Prüfungsnote liegt bei 41,6 %.
Quelle ↗ - 10Kimi Code CLI (Kimi K3.1 Pro)
Offenes Spitzenmodell für 2,94 $ pro Aufgabe — und die offene Linie, deren Vorgänger das offene Feld bei GAIA2 anführte.
Quelle ↗
Was Meta aufgefallen ist
Orchestrierung, nicht nur Modelle, wird von Investoren gerade bepreist: Am 13. November 2026 meldete LangChain eine Finanzierung von 300 Mio. $ bei 3 Mrd. $ Bewertung.
LangChain stellt LangSmith als neutrale Heimat für Unternehmensagenten dar. In derselben Finanzierungsmeldung überschritt LangSmith 7.000 Organisationen.
Fusion ist das Muster des Herbstes: Devin Fusion, Copilot Fusion und Antigravity Orchestrator koppeln alle einen starken Planer mit einem günstigeren Ausführer in einer Aufgabe.
Maximaler Aufwand kann schlechter und deutlich teurer sein: Im Artificial Analysis v2.1 erreicht Claude Code Fable 5.2 auf Max 55,7 für 44,22 $ und 129,5 Min. Auf High sind es 58,2 für 7,51 $ und 31,3 Min.
🇺🇸 Nemotron10 Plätze · 1 Hinweise
Dieselbe Frage, allein von Nemotron beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude 3.5 Sonnet (Anthropic)
Führt das LMArena-Agenten-Ranking mit 72,4 % Siegquote an, ist bei GAIA2 mit 68,1 % pass@1 Erster und bei Artificial-Analysis-Coding mit 84,7 % Erfolg Spitze — für 0,42 $ pro Aufgabe
Quelle ↗ - 2GPT-4o (OpenAI)
Zweiter bei LMArena mit 69,8 % Siegquote, GAIA2 64,3 %, Coding 81,2 % Erfolg, kostet aber 0,68 $ pro Aufgabe — 62 % mehr als Sonnet
Quelle ↗ - 3Gemini 1.5 Pro (Google)
Dritter bei LMArena mit 66,1 %, GAIA2 61,7 %, Coding 78,9 % Erfolg bei 0,31 $ pro Aufgabe — das günstigste Frontier-Modell, aber langsamer mit 67 s pro Aufgabe
Quelle ↗ - 4Claude 3.5 Haiku (Anthropic)
LMArena 61,3 %, GAIA2 55,2 %, Coding 73,4 % Erfolg bei 0,08 $ pro Aufgabe — fünfmal günstiger als Sonnet, mit 87 % von dessen Coding-Leistung
- 5GPT-4o-mini (OpenAI)
LMArena 58,7 %, GAIA2 51,8 %, Coding 69,1 % Erfolg bei 0,04 $ pro Aufgabe — auf allen drei Listen das günstigste Modell, aber 19 Punkte hinter Sonnet bei GAIA2
Quelle ↗ - 6Llama 3.1 405B (Meta)
LMArena 56,2 %, GAIA2 48,9 %, Coding 65,7 % Erfolg bei 0,12 $ pro Aufgabe — das beste Modell mit offenen Gewichten, liegt bei GAIA2 aber 19 Punkte hinter den proprietären Spitzenmodellen
- 7Qwen2.5-Coder-32B (Alibaba)
LMArena 52,8 %, GAIA2 44,3 %, Coding 71,2 % Erfolg bei 0,06 $ pro Aufgabe — ein auf Coding spezialisiertes Modell, das 405B beim Coding schlägt, aber bei allgemeinen Agentenaufgaben zurückliegt
Quelle ↗ - 8DeepSeek-V2.5 (DeepSeek)
LMArena 51,4 %, GAIA2 42,7 %, Coding 68,9 % Erfolg bei 0,05 $ pro Aufgabe — ein starker chinesischer Herausforderer mit offenen Gewichten, 3,3 Punkte hinter Qwen beim Coding, aber günstiger
Quelle ↗ - 9LangGraph + Claude 3.5 Sonnet (LangChain)
Multi-Agenten-Orchestrator: GAIA2 71,3 % (schlägt das Solo-Sonnet um 3,2 Punkte), Coding 87,1 % bei 1,84 $ pro Aufgabe — 4,4-fache Kosten für die Gewinne durch Orchestrierung
- 10AutoGen + GPT-4o (Microsoft)
Multi-Agenten-Orchestrator: GAIA2 69,8 %, Coding 83,4 % bei 1,67 $ pro Aufgabe — 2,5-facher Kostenaufschlag gegenüber dem Solo-GPT-4o, liegt bei GAIA2 1,5 Punkte hinter LangGraph
Was Nemotron aufgefallen ist
Claude 3.5 Sonnet ist das einzige Modell, das auf allen drei Listen gleichzeitig unter den Top 3 liegt: menschliche Präferenz, geprüfte Aufgabenerledigung und Kosteneffizienz. Eine solche „Dreifachkrone“ erreicht kein anderes Spitzenmodell bis November 2026.
🇺🇸 Gemini10 Plätze
Dieselbe Frage, allein von Gemini beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code
Dominiert die Vorliebe terminalorientierter Entwickler und hält zugleich die höchste geprüfte Korrekturquote bei SWE-bench Verified, bei durchschnittlich unter 2,50 $ pro Aufgabe.
Quelle ↗ - 2Cursor Composer
Der unangefochtene Spitzenreiter beim interaktiven Arbeitstempo: geprüfte Ergebnisse über mehrere Dateien für 0,07 bis 0,44 $ pro Aufgabe.
Quelle ↗ - 3Devin by Cognition
Hat die Kategorie des asynchronen Software-Ingenieurs begründet, der Tickets auf Repository-Ebene selbstständig löst — allerdings zu Rechenkosten von 5,00 bis 15,00 $ pro Aufgabe.
Quelle ↗ - 4OpenHands
Das führende quelloffene autonome Agenten-Framework erreicht bei SWE-bench die Werte proprietärer Spitzenmodelle und verzichtet auf die Aufschläge der Anbieter-Umgebung.
Quelle ↗ - 5LangGraph by LangChain
Mit LangChains Bewertung von 3 Mrd. $ im November 2026 ist es der Unternehmensstandard für deterministische Multi-Agenten-Zustandsmaschinen in Fintech und Kundenservice.
- 6Windsurf Cascade
Codeiums Cascade-Engine fordert Cursor mit einem tiefen gemeinsamen Arbeitsfluss heraus. Bei der Nutzerzufriedenheit liegt sie nahezu gleichauf, zu 0,10 bis 0,50 $ pro Coding-Aufgabe.
Quelle ↗ - 7Aider
Der quelloffene Pionier des git-Diffs erreicht eine Token-Effizienz an der Spitze der Benchmarks und schließt vollständige Repository-Änderungen für unter 0,25 $ auf aktuellen Reasoning-Modellen ab.
Quelle ↗ - 8Microsoft AutoGen
Der Pionier der Multi-Agenten-Konversation führt bei komplexen Simulationen mit mehreren Rollen und bei der Orchestrierung in Unternehmens-Sandboxes.
Quelle ↗ - 9CrewAI
Die am schnellsten verbreitete Multi-Agenten-Rollenspielplattform, von Fintech- und Geschäftsteams für schlanke Orchestrierungen mit planbaren Kosten gewählt.
- 10OpenAI Operator
Multimodaler Frontier-Agent für die Computer-Nutzung, der Softwareaufgaben und Browser-Aktionen verbindet und neue Referenzwerte bei WebArena setzt.
Quelle ↗
🇺🇸 Claude10 Plätze · 4 Hinweise
Dieselbe Frage, allein von Claude beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code with Claude Opus 5.5 (2026)
Er führt den Artificial-Analysis-Index mit 61,7 an, kostet aber 11,42 $ pro Aufgabe — etwa das 29-Fache des günstigsten Frontier-Punkts für 14,4 Punkte mehr.
Quelle ↗ - 2Claude Code with Claude Sonnet 5.5 (2026)
Sonnet liegt im Index 2,4 Punkte hinter Opus, und seine Einstellung mit maximalem Aufwand führt ebenfalls das Feld bei den kostenbereinigten Werten an.
Quelle ↗ - 3Claude Code with Claude Fable 5.1 (2026)
Menschliche Wähler setzen Fable 5.1 Max in der Agent Arena auf Platz eins, doch im Artificial-Analysis-Index liegt es mit 57,6 nur auf Platz vier.
Quelle ↗ - 4Codex with GPT-6 Astra (2026)
Bei menschlichen Wählern in der Agent Arena ist es Zweiter und im geprüften Index Fünfter, bei 7,04 $ pro Aufgabe.
Quelle ↗ - 5Codex with GPT-6.1 Sol (2026)
Es erreicht 54,1 bei 1,50 $ pro Aufgabe. Das liegt innerhalb von 0,6 Punkten von Astra, bei etwa einem Fünftel der Kosten.
Quelle ↗ - 6Muse Code with Muse Wonder Full (Meta, 2026)
Dieser Meta-Eintrag belegt mit 58,9 den dritten Platz im Index, vor Fable 5.1.
Quelle ↗ - 7Codex with DeepSeek V4.1 Flash (2026)
Er erreicht 47,3 für 0,39 $ pro Aufgabe — der günstigste Punkt an der Spitze.
Quelle ↗ - 8GitHub Copilot with Copilot Fusion (2026)
Eine zweite Quelle setzt den Agenten von GitHub auf 59,9. Das würde ihn über Metas Muse Code stellen, doch ich konnte die Zahl nicht bestätigen.
Quelle ↗ - 9Devin Fusion CLI (Cognition, 2026)
Der eigene FrontierCode-Benchmark von Cognition AI steht nun im Index, und Devin ist dort mit 61,5 gelistet.
Quelle ↗ - 10Muse Code with Muse Spark Open (Meta, 2026)
Diese Meta-Konfiguration mit offenen Gewichten ist im Index ohne veröffentlichte Punktzahl aufgeführt. Sie ist der einzige Eintrag mit offenen Gewichten unter den Spitzenreitern.
Quelle ↗
Was Claude aufgefallen ist
Die ersten vier im Artificial-Analysis-Index liegen innerhalb von 4,1 Punkten, doch die Kosten pro Aufgabe unterscheiden sich um das 29-Fache zwischen der besten Punktzahl und dem günstigsten Frontier-Punkt.
Index v2.0 senkte die Werte für 20 von 21 Konfigurationen, die in beiden Versionen gemessen wurden (Mittelwert von 54,8 auf 47,4), weil Cognitions FrontierCode DeepSWE ersetzte.
Der Index bewertet Modell und Harness gemeinsam. Claude Opus 5.5 in Claude Code ist ein anderer Eintrag als dasselbe Modell in einem anderen Harness.
Arena teilt „am besten“ nach eigenen Angaben in Aufgaben, Kosten und Konfidenzintervalle auf. Neben den menschlichen Stimmen meldet sie jetzt die mittleren Aufgabenkosten und Tool-Halluzinationen.
🇺🇸 Nova10 Plätze · 2 Hinweise
Dieselbe Frage, allein von Nova beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Gemini 4 Carbon
Vorläufiger Spitzenreiter im Arena-Textranking mit 1.520 Elo
Quelle ↗ - 2Claude Opus 5.5
1.509 Elo in der Arena, das beste für Studierende zugängliche Modell
Quelle ↗ - 3GPT-6 Astra
1.773 Elo in der Arena WebDev, starker Coding-Agent
Quelle ↗ - 4Claude Sonnet 5.5
1.770 Elo in der Arena WebDev
Quelle ↗ - 5GPT-6.1 Sol
1.751 Elo in der Arena WebDev
Quelle ↗ - 6Claude Fable 5.1
1.504 Elo im Arena-Textranking
Quelle ↗ - 7Meta Muse Wonder
1.507 Elo im Arena-Textranking
Quelle ↗ - 8GPT-6.1 Sol + Codex
58,2 % Erfolg im Artificial-Analysis-Coding-Benchmark
Quelle ↗ - 9Claude Fable 5.1 + Claude Code
57,9 % Erfolg im Artificial-Analysis-Coding-Benchmark
Quelle ↗ - 10GPT-6 Astra + Codex
58,2 % Erfolg im Artificial-Analysis-Coding-Benchmark
Quelle ↗
Was Nova aufgefallen ist
Gemini 4 Carbon führt bei den vorläufigen menschlichen Stimmen, ist aber nicht öffentlich verfügbar, was einen Zugangsunterschied schafft
Die Top 4 der Modelle in der Arena WebDev liegen im statistischen Gleichstand (1.751–1.810 Elo)
🇨🇳 MiMo10 Plätze · 4 Hinweise
Dieselbe Frage, allein von MiMo beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code (Anthropic, 2026)
Der einzige Agent, der beide Ranglisten anführt, die Menschen wirklich lesen — 30,5 % bei der blinden Menschenabstimmung und 58–62 im geprüften Coding. Und der, dessen stärkste Einstellung 44,22 $ pro Aufgabe verlangt, um zwei Punkte unter seiner günstigeren Einstellung zu erreichen.
Quelle ↗ - 2OpenAI Codex (ChatGPT agent, 2026)
Erreicht 52 für 1,51 $ pro Aufgabe. Dieselbe Indexspanne kostet in Claude Code achtmal mehr, und nicht der Geschmack, sondern das Geld bringt Codex seinen Rang.
Quelle ↗ - 3Google Antigravity CLI / Gemini 4 (2026)
Erster auf den Ranglisten, die echte Jobs nachbilden — 84,2 % bei Bank-, Beratungs- und Rechtsarbeit und 16.484 $ in einem einjährigen Automatenverkaufs-Geschäft — obwohl er bei der menschlichen Abstimmung nur Dritter ist.
Quelle ↗ - 4Devin (Cognition, formerly Windsurf, 2026)
Gleichauf mit dem besten Coding-Wert von Claude Code, 62, bei 8,00 $ pro Aufgabe mit einer Fusion aus zwei Modellen. Sein SWE-2 erreicht 92,8 % bei Terminal-Bench 2.1 — die höchste Modellzeile auf dieser Liste.
Quelle ↗ - 5Muse Code (Meta, 2026)
Erreicht den zweitbesten geprüften Coding-Wert von 59 und hat die eine Zahl, die Artificial Analysis noch nicht ausweisen kann: seinen Preis.
Quelle ↗ - 6Kimi Code CLI (Moonshot AI, 2026)
Schlägt Codex bei Terminal-Arbeit mit 67 zu 58 für 2,94 $ pro Aufgabe. Dafür braucht er aber 185 Durchgänge und 8,9 Mio. Token — der langsamste starke Weg auf der Liste.
Quelle ↗ - 7GitHub Copilot Coding Agent (Copilot Fusion, 2026)
59,9 im Coding-Index für 5,59 $ pro Aufgabe — innerhalb von zwei Punkten vom Spitzenweg von Codex, und zwar von dem Agenten, den die meisten Index-Tabellen einfach weglassen.
Quelle ↗ - 8DeepSeek Harness (DeepSeek, 2026)
0,32 $ pro Aufgabe — 48-mal günstiger als der teuerste Weg von Claude Code —, während dasselbe Modell auf der Modell-Liste von Terminal-Bench 90,6 % erreicht.
Quelle ↗ - 9Grok Build (xAI, 2026)
62,9 % bei Repository-Fragen gegenüber 33,3 % bei Terminal-Aufgaben — eine Spaltung von 30 Punkten innerhalb eines Agenten, die kein Konkurrent zeigt.
Quelle ↗ - 10OpenCode (open-source coding agent, 2026)
Das kostenlose quelloffene Harness erreicht dieselben 49 wie Kimi Code CLI und läuft über einen einzigen Schlüssel mit mehr als 75 Modellanbietern — die Volksspur in einem Rennen von 1,51 bis 44 $.
Quelle ↗
Was MiMo aufgefallen ist
Maximaler Aufwand kann mehr kosten und weniger leisten: Claude Code mit Fable 5.2 auf maximal rechnet 44,22 $ pro Aufgabe bei einem Index von 56. Dasselbe Modell auf hohem Aufwand erreicht 58 für 7,51 $ — sechsmal günstiger und zwei Punkte besser.
Das Geschmacksvotum und die Ranglisten für echte Jobs krönen unterschiedliche Agenten: Claude Fable 5.2 führt die Agent Arena mit 11 Punkten Vorsprung (30,5 % gegenüber 19,5 %), doch Gemini 4 Carbon gewinnt APEX-Agents (84,2 %) und Vending-Bench 2 (16.484 $). Vorliebe, professionelle Arbeit und geschäftliche Stimmigkeit sind drei verschiedene Fähigkeiten.
Unter den Konfigurationen mit 48 Punkten und mehr liegt die Kosten pro Aufgabe bei etwa dem 30-Fachen — von 1,51 $ (Codex GPT-6.1 Sol) bis 44,22 $ (Claude Code Fable 5.2 max). Vier Indexpunkte tragen derzeit also einen Preisaufschlag von etwa dem 29-Fachen. Die klugen Köpfe teilen die Spuren nach Schwierigkeit der Aufgabe.
Das Harness ist die halbe Miete des Agenten: Gemini 4 Argon erreichte bei Bug Hunt Bench 40,7/105 Fehler über die Antigravity CLI, aber nur 33/105 über die Gemini CLI — bei 7,16 gegenüber 32,08 $ pro Lauf.
🇨🇳 StepFun10 Plätze · 4 Hinweise
Dieselbe Frage, allein von StepFun beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code + Opus 5.5 (Anthropic) 2026
Platz zwei bei den blinden Menschenstimmen und Platz eins bei den geprüften Coding-Ranglisten — der einzige Stack auf beiden Podesten, bei 15,47 $ pro Aufgabe.
Quelle ↗ - 2Claude Fable 5.2 Max agent 2026
Gewinnt 30,5 % der blinden Menschenstimmen — nahezu doppelt so viel wie der Zweite — doch Nutzer bestätigen den Erfolg nur in 21,7 % der Fälle.
Quelle ↗ - 3OpenAI Codex + GPT-6.1 Sol 2026
58,2 % bei Terminal-Bench 4.0 für 1,92 $ pro Aufgabe — die Hälfte der Rechnung und die Hälfte der Laufzeit von Claude Code, bei 6,6 Punkten weniger.
Quelle ↗ - 4Gemini 4 Carbon High / Gemini CLI 2026
Platz drei bei den Menschenstimmen und 63,6 % bei Terminal-Bench 4.0 als Modell — doch sein CLI-Harness liegt im Artificial-Analysis-Gesamtwert mit 43 nahe dem Ende.
Quelle ↗ - 5Claude Sonnet 5.5 Max in Claude Code 2026
Mehr bestätigte Erfolge (19,5 %) als Stimmen (16,1 %) — auf diesem Stack schlägt der Nachweis den Geschmack.
Quelle ↗ - 6GitHub Copilot agentic harness 2026
Das einzige Harness, das auf fünf Ranglisten gleichzeitig gegen Claude Code und Codex getestet wurde — und es gewann beim Token-Zählen.
Quelle ↗ - 7Cognition Devin SWE-2 2026
81,5 % mit menschlicher Hilfe, 45,8 % ohne — derselbe Agent auf zwei sehr verschiedenen Ranglisten.
Quelle ↗ - 8Cursor Composer 2.5 2026
Die Harness-Steuer: Dasselbe Modell kostet pro Aufgabe 1,47 $ in Cursor CLI gegenüber 1,24 $ in Claude Code.
Quelle ↗ - 9GLM-5.1 coding agent (in Claude Code) 2026
2,26 $ pro Aufgabe an der Spitze einer 30-fachen Preisspanne — offene Gewichte zu Frontier-Preisen, die Code-Prüfer kaum unterscheiden können.
Quelle ↗ - 10Kimi K2.6 coding agent 2026
Offene Gewichte, 300 parallele Sub-Agenten und ein Sprung von 16 Punkten bei Terminal-Bench in einer einzigen Version.
Quelle ↗
Was StepFun aufgefallen ist
Der Geschmacksaufschlag ist messbar: Claude Fable 5.2 erhält 30,48 % der blinden Arena-Stimmen, aber nur 21,66 % bestätigten Erfolg. Menschen mögen es also etwa 9 Punkte mehr, als sie bestätigen können, dass es funktioniert.
Der Preis ist die wildeste Achse: Der Artificial Analysis Coding Agent Index reicht von 0,07 bis 2,26 $ pro Aufgabe — mehr als das 30-Fache — bei nahezu gleicher Code-Qualität. Die günstigste Liste ist also ein anderer Sport als die beste Liste.
Auf dem schwierigsten mehrstufigen Benchmark gewinnt niemand: Das GAIA2-Paper der ICLR 2026 setzt die Spitze bei etwa 42 % pass@1 an, mit GPT-5 (high) vorn bei 42,1 % und ohne ein System, das jede Fähigkeit dominiert. Claude kostet pro Aufgabe mehr als GPT-5 (high), obwohl es weniger Token pro Schritt braucht.
Das Geld setzt auf die Orchestrierungsschicht: LangChain sammelte am 13. November 2026 300 Mio. $ bei 3 Mrd. $ Bewertung ein, angeführt von CapitalG — mehr als das Doppelte der bisherigen Bewertung.
🇨🇳 Kimi10 Plätze · 4 Hinweise
Dieselbe Frage, allein von Kimi beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code (Claude Opus 5.5, Max effort)
Der einzige Agent, der im selben Monat sowohl die blinde Menschenabstimmung als auch die nachbewertete geprüfte Coding-Rangliste anführt: Er ist Erster mit +20,14 % bei Arena Agents und 65,76 % bei Terminal-Bench 4.1.
Quelle ↗ - 2Devin Fusion CLI (Cognition)
Der höchste Indexwert, der je auf der Artificial-Analysis-Liste veröffentlicht wurde: 68, zwei Punkte über Claude Code. Erreicht durch die Kopplung eines starken Spitzenmodells mit einem günstigen GPT-6 Luna als Begleiter, bei 31 % geringeren Kosten pro Aufgabe.
Quelle ↗ - 3GitHub Copilot (Copilot Fusion)
Die Hälfte des Spitzenpreises pro Aufgabe bei nur zwei Indexpunkten Rückstand — und der einzige Eintrag, der Terminal-Bench 4.0 mit 71 klar anführt.
Quelle ↗ - 4Claude Fable 5.2 (Claude Code)
Gleichauf an der Terminal-Bench-Spitze mit 65,8 %, verbraucht dabei aber 15,7 Mrd. Token — fast doppelt so viel wie Opus 5.5 mit 8,0 Mrd. —, um dieselbe Zahl zu erreichen: Nachweis ohne Sparsamkeit.
Quelle ↗ - 5GPT-6 Astra (OpenAI Codex)
Zahlt pro Aufgabe am meisten unter allen OpenAI-Agenten — 9,90 $ bei maximalem Aufwand — für 0,3 Punkte mehr als sein eigener xhigh-Lauf mit 7,12 $ auf derselben Liste.
Quelle ↗ - 6Gemini 4 Argon / Carbon (Google Antigravity)
Gewinnt den Intelligence Index (60) und holt Silber bei den blinden Menschenstimmen (16,72 %). Seine einzige Terminal-Bench-Zahl ist aber eine Selbstangabe, die die Liste nicht wertet.
Quelle ↗ - 7GPT-6.1 Sol (OpenAI Codex)
Der Preis-Champion der Spitze: 93 % von Astras Terminal-Bench-Ergebnis für 19 % des Preises pro Aufgabe — 1,92 $ gegenüber 9,90 $.
Quelle ↗ - 8Claude Sonnet 5.5 (Claude Code)
Zweiter bei Terminal-Bench 4.1, aber der teuerste Spitzeneintrag der 4.0-Läufe — 22,22 $ pro Aufgabe, 19,4 Mrd. Token und 7,3 Tsd. $ für 63,9 %.
Quelle ↗ - 9Kimi K3.1 Pro (Moonshot AI, open weights)
Der Ausreißer mit offenen Gewichten: innerhalb von 6 Punkten der Terminal-Bench-Spitze bei 3 $/15 $ pro Million Token — liegt aber 13 Punkte unter Opus im Intelligence Index.
Quelle ↗ - 10OpenCode + GLM-5.3 (open source)
Das einzige quelloffene Harness im Artificial-Analysis-Coding-Agent-Index — 53,6 bei 4,24 $ pro Aufgabe. Beleg dafür, dass das Harness, nicht nur das Modell, den Burggraben bildet.
Quelle ↗
Was Kimi aufgefallen ist
Geschmack, Nachweis und Preis krönen drei verschiedene Sieger: Claude Opus 5.5 gewinnt die blinden Menschenstimmen (+20,14 % bei Arena Agents). Die Spitze des Artificial-Analysis-Index wechselte zwischen Claude Code und Devin Fusion (68 im Snapshot vom 21. Okt.). GPT-6.1 Sol gewinnt die Kosten pro Aufgabe (1,92 $ bei 58,2 % bei Terminal-Bench 4.0).
Die GAIA-Lücke zwischen geprüften und selbst gemeldeten Ergebnissen beträgt etwa 20 Punkte: Der geprüfte Bestwert der Princeton-HAL-Liste liegt bei 74,55 % (Gesamtkosten des Laufs 178,20 $), während anonyme Selbstangaben auf der offenen Liste 94,35 % erreichen. Im April 2026 erzielte zudem ein Exploit-Agent der University of California, Berkeley rund 98 % bei GAIA, ohne eine einzige Aufgabe zu lösen.
GAIA2 setzt neue Maßstäbe für „agentische“ Behauptungen: In Metas dynamischer Welt, in der die Zeit weiterläuft, besteht der Spitzenreiter (GPT-5 mit hohem Reasoning) nur 42,1 % der Szenarien. Das beste offene Modell (Kimi-K2) kommt auf etwa 20 %.
Das Geld fließt in die Orchestrierungsschicht, nicht in die Modelle: Am 13. November 2026 sammelte LangChain 300 Mio. $ bei 3 Mrd. $ Bewertung ein — Tage, nachdem Devin Fusion und Copilot Fusion gezeigt hatten, dass das Weiterleiten zwischen mehreren Modellen selbst das Produkt ist.
🇨🇳 DeepSeek10 Plätze · 4 Hinweise
Dieselbe Frage, allein von DeepSeek beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code with Claude Fable 5.2
Fable 5.2 führt die Arena mit 30,35 % an und teilt sich im Coding-Index mit 58 die Spitze. Doch sein xhigh-Lauf kostet 15,47 $, zehnmal so viel wie Codex mit 1,50 $.
Quelle ↗ - 2Gemini 4 Carbon in Antigravity CLI
Carbon gewinnt CursorBench mit 60,4 % für 9,22 $, während das Spitzenmodell der Arena bei denselben Mehrdatei-Aufgaben 60,0 % für 32,79 $ erreicht.
Quelle ↗ - 3Claude Code with Claude Opus 5.5
Opus 5.5 war die bisherige Nummer eins der Arena und der 61,7-Punkte-Maßstab des Coding-Index. Bei 11,42 $ pro Aufgabe ist es weder das günstigste noch das teuerste Frontier-Modell.
Quelle ↗ - 4GitHub Copilot Fusion
Fusion erreicht 59,9 für 5,59 $ und führt Terminal-Bench mit 71,2 — zwei Punkte hinter Claude Code bei der halben Rechnung.
Quelle ↗ - 5Devin Fusion CLI
Devin Fusion landet bei 61,5 für 8,00 $, nur 0,2 Punkte hinter Claude Code mit Opus 5.5, und braucht dafür 10,46 Mio. statt 14,52 Mio. Token.
- 6OpenAI Codex with GPT-6.1 Sol
Codex auf GPT-6.1 Sol gibt sechs Indexpunkte an die Spitze ab, kostet aber 1,50 $ — 7,6-mal weniger als Claude Code auf maximalem Aufwand.
Quelle ↗ - 7Claude Code with Claude Sonnet 5.5
Sonnet 5.5 ist Vierter in der Arena mit 15,95 %, doch seine Kosten von 13,30 $ pro Coding-Aufgabe liegen über den 5,59 $ von Copilot Fusion bei ähnlicher Punktzahl.
Quelle ↗ - 8OpenAI Codex with GPT-6 Astra
Astra ist Sechster in der Arena mit 14,54 % und kostet im Coding-Index 7,04 $ — günstiger als Opus 5.5, aber bei den geprüften Zusammenführungen zurück.
Quelle ↗ - 9Kimi K3.1 Pro agent
Kimi führt Terminal-Bench 4.1 mit 68 % und kostet rund 5,27 $ pro Aufgabe. Die Arena-Wähler setzen es mit 5,2 % trotzdem nur auf Platz 11.
Quelle ↗ - 10Claude Code with Claude Fable 5.1
Fable 5.1 ist Fünfter in der Arena mit 14,82 % und kostet 17,28 $ bei den Mehrdatei-Aufgaben von CursorBench — immer noch Spitzenklasse, nur nicht mehr die Schlagzeile.
Quelle ↗
Was DeepSeek aufgefallen ist
Zwei verschiedene Sieger in derselben Woche: Die Arena-Veröffentlichung vom 11. November setzte Fable 5.2 mit 30,35 % auf Platz eins, während CursorBench 4.0 Gemini 4 Carbon mit 60,4 % auf Platz eins setzte. Der Rang eines Modells hängt also davon ab, welche Aufgabenverteilung die Liste zieht.
Der höchste und der günstigste Coding-Wert liegen 29-fach auseinander: Fable 5.2 auf maximalem Aufwand kostet im AA-Index 44,22 $ pro Aufgabe, Codex GPT-6.1 Sol kostet 1,51 $.
Copilot Fusion erledigt eine Coding-Aufgabe in 36,1 Minuten gegenüber 61,0 bei Claude Code — 41 % schneller und 51 % günstiger, aber im Gesamtwert zwei Punkte niedriger.
Der Harness-Effekt bei GAIA ist größer als die meisten Modellunterschiede: Dasselbe Modell kann ohne Hilfsgerüst 44 % und innerhalb eines gut gebauten Agenten-Frameworks 74 % erreichen — ein Unterschied von 30 Punkten.
🇨🇳 Wenxin10 Plätze · 4 Hinweise
Dieselbe Frage, allein von Wenxin beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Opus 5.5 (Anthropic 2026)
Teilt sich bei Terminal-Bench 4.0 mit 65,15 % die Spitze und hat 1.512 Elo auf LMArena
Quelle ↗ - 2Claude Fable 5.2 (Anthropic 2026)
Agent Arena Nummer eins mit +30,48 % Netto-Nutzen für Nutzer, gleichauf mit 65,15 % bei Terminal-Bench
Quelle ↗ - 3Claude Sonnet 5.5 (Anthropic 2026)
Nummer eins bei APEX-Agents mit 75,5 % bei 5/5/25 $ pro Mio. Token — das beste Preis-Leistungs-Verhältnis der Spitzenklasse
Quelle ↗ - 4Atria Dawn Preview (Shanghai AI Lab 2026)
Geprüfter agentischer Wert von BenchLM: 92,5/100, bester Agent mit offenen Gewichten weltweit
Quelle ↗ - 5Kimi K3.1 Pro (Moonshot AI 2026)
Terminal-Bench 4.0 Platz 4 mit 63,64 %, bester Coding-Agent mit offenen Gewichten
Quelle ↗ - 6Gemini 4 Carbon (Google 2026)
Agent Arena Platz 3 mit +16,90, 1,46 $ pro Aufgabe, schnellste P50-Laufzeit von 10 Min.
Quelle ↗ - 7GPT-5.6 Sol (OpenAI 2026)
LMArena 1.514 Elo, 3-fache ARC-AGI-3-Punktzahl mit beibehaltenem Reasoning
Quelle ↗ - 8Gemini 4 Argon (Google 2026)
Agent Arena niedrigste Kosten: 0,712 $ pro Aufgabe, 7 Min. P50-Laufzeit
Quelle ↗ - 9DeepSeek V4 Pro (DeepSeek 2026)
Terminal-Bench Hard Spitze bei 1,74/1,74/3,48 $ pro Mio. Token, bestes Coding-Preis-Leistungs-Verhältnis mit offenen Gewichten
Quelle ↗ - 10Muse Code + Muse Wonder (Meta 2026)
91,6 % FuncPass Nummer eins, 25,1 % SecPass Nummer sieben, die breiteste je gemessene Lücke zwischen Funktion und Sicherheit
Quelle ↗
Was Wenxin aufgefallen ist
Die drei besten Claude-Agenten erreichen alle mindestens 64 % bei Terminal-Bench 4.0, eine Schwelle, die kein anderer Anbieter überschreitet
Zwei einfache API-Einstellungen haben GPT-5.6 Sols ARC-AGI-3-Punktzahl verdreifacht und die Ausgabe-Token um das Sechsfache gesenkt
Muse Wonder erreichte das höchste je gemessene Verhältnis von FuncPass zu SecPass: 27,4 %
Die schwerste Stufe von Agents’ Last Exam bleibt bei allen gängigen Systemen unter 1 % vollständig bestanden
🇨🇳 Qwen10 Plätze · 3 Hinweise
Dieselbe Frage, allein von Qwen beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code with Opus 5.5
Führt den Artificial Analysis Coding Agent Index mit 61,7 an und hält die Spitzenstufen der Agent Arena, ohne den Premium-Aufschlag von Fable.
Quelle ↗ - 2Claude Fable 5.2 (Max)
Führt die blinden Menschenstimmen der Agent Arena mit 30,48 % Siegquote an, kostet dafür aber etwa 2,6-mal so viel wie Opus 5.5.
Quelle ↗ - 3Gemini 4 Carbon
Erreicht 59 im Coding Agent Index bei genau der halben API-Preis von Claude Opus 5.5 und ist damit der Effizienz-König.
Quelle ↗ - 4GPT-6 Sol
Belegt Platz zwei auf der Arbeits-Rangliste der Agent Arena und kostet im Coding Agent Index durchschnittlich 2,99 $ pro Aufgabe.
Quelle ↗ - 5GitHub Copilot Fusion
Orchestriert Modelle von OpenAI und Anthropic und liegt nur 2 Punkte unter Opus 5.5 bei der Hälfte der Kosten pro Aufgabe.
Quelle ↗ - 6Sage-A1.5
Teilt sich mit 95,1 % den besten geprüften Wert der unabhängigen GAIA-Rangliste von Princeton HAL und zeigt zugleich starke Werte bei Artificial Analysis.
Quelle ↗ - 7CustomGPT.ai Research Lab v44
Dominiert den GAIA-Benchmark für mehrstufige Assistenten mit 97,85 % Erfolgsquote auf dem offiziellen Tracker von Hugging Face.
- 8Gemini 4 Hydrogen (High)
Debütierte auf Platz 5 der Agent Arena mit +14,8 % Netto-Verbesserung über 6.500 reale agentische Sitzungen.
Quelle ↗ - 9OpenAI Codex (GPT-5.6 Sol)
Erreichte im Juli 80 Punkte im Coding Agent Index und führte das Harness von OpenAI an, bevor der SWE-bench-Verified-Split kam.
Quelle ↗ - 10Devin
Cognitions autonomer Software-Ingenieur bleibt trotz hoher Stundenpreise ein fester Bestandteil der Vergleiche in Agent Arena und GAIA.
Quelle ↗
Was Qwen aufgefallen ist
Multi-Agenten-Orchestrierung schlägt rohe Spitzenmodelle beim Preis-Leistungs-Verhältnis. GitHub Copilot Fusion orchestriert Modelle von OpenAI und Anthropic und erreicht nur 2 Punkte unter Claude Opus 5.5, während es die Kosten pro Aufgabe halbiert.
Die Lücke zwischen „Geschmack“ und „Nachweis“ ist enorm. Claude Fable 5.2 gewinnt die blinden Menschenstimmen in der Agent Arena mit 30,48 % Siegquote, kostet aber 2,6-mal so viel wie Opus 5.5 für nur geringe Zugewinne bei der geprüften Aufgabenerledigung.
Die Bewertung von LangChain mit 3 Mrd. $ (Finanzierung von 300 Mio. $ am 13. November 2026) spiegelt den Wandel des Marktes von einzelnen Modellen hin zu Orchestrierungs-Frameworks wider. Genau diese Technik treibt Multi-Agenten-Sparmodelle wie GitHub Copilot Fusion an.