GPT-6 Astra oder Claude 5.5: welches Modell für welche Aufgabe?

Claude Opus 5.5 ist ein starker Kandidat für anspruchsvolle autonome Programmierung und umfangreiche Dokumentenarbeit. GPT-6.1 Sol bietet sich als Standard an, wenn viele Aufrufe die Kosten relevant machen. Astra verdient bei Wissenschaft und schwierigen Denkaufgaben eine eigene Prüfung; Sonnet 5.5 ist in Tests zur Oberflächenentwicklung besonders konkurrenzfähig. Das sind unsere Schlussfolgerungen aus den folgenden Daten, keine Ergebnisse eigener Modellversuche.

Wir vergleichen vier konkrete Modelle: GPT-6 Astra, GPT-6.1 Sol, Claude Opus 5.5 und Claude Sonnet 5.5. Der Vergleich behandelt diese Modellfamilien zum 24. Oktober 2026; er ist keine Rangliste sämtlicher aktueller KI-Modelle. Wir haben Primärquellen geprüft und 69 Kennzahlen mit jeweils vier Modellpositionen zusammengestellt. Fehlende Werte bleiben leer. Bezahlte Inferenz oder Tests an einem PAS7-Repository haben wir nicht durchgeführt.

Die Dateien CSV [21] und JSON [22] erhalten Quellen, Reasoning-Stufen, Hinweise zu Ersatzmodellen, veröffentlichte Unsicherheit und Abrufdatum. Weitere spezialisierte Ergebnisse stehen im Datensatz, damit der Artikel lesbar bleibt.

Artificial Analysis verwendet max, bei Claude einschließlich des standardmäßigen Ersatzmodells. Vals berücksichtigt ebenfalls serverseitige Fallbacks und verwendet normalerweise max; einzelne Benchmarks können abweichen. Epoch ECI kombiniert mehrere Konfigurationen. Indexpunkte gelten nur innerhalb der jeweiligen Skala. Aus diesen Zeilen lässt sich kein gemeinsamer Mittelwert bilden. [4] [5] [6] [7] [13] [14] [15] [16] [17] [18]

Im Epoch-Datensatz erreicht Opus 168,83 und Astra 168,81. Ihre Konfidenzintervalle liegen bei 165,25–173,95 beziehungsweise 165,45–174,51. Auch Sol und Sonnet überschneiden sich mit diesen Bereichen. Daraus ergibt sich keine belastbare Trennung aller vier Modelle. Vals sieht Sonnet knapp vor Opus, doch auch dort überlappt die veröffentlichte Unsicherheit. Artificial Analysis zeigt auf seiner eigenen Aufgabenmischung einen deutlicheren Vorsprung für Claude. Jeder Index gewichtet andere Anforderungen. [13] [14] [15] [16] [17] [18]

Für ein reproduzierbares Ergebnis reicht der Modellname nicht. Dazu gehören Reasoning-Stufe, Werkzeugbudget, Agentenumgebung, Kontextgrenzen und die Frage, ob eine Verweigerung ein älteres Ersatzmodell aktiviert hat. Die Claude-Einträge bei AA heißen ausdrücklich „Max, Default Fallback“. Sie bewerten den veröffentlichten Verarbeitungsweg und isolieren nicht jede Antwort des namensgebenden Modells. [6] [7] [8]

Prozentwerte; höher ist innerhalb einer Zeile besser. AA- und Vals-Läufe desselben Benchmarks bleiben wegen unterschiedlicher Testbedingungen getrennt. AA kennzeichnet SciCode derzeit als under review. Vals berücksichtigt Aufgaben mit Fallback-Unterstützung. [4] [5] [6] [7] [13] [14] [15] [16]

Sonnet führt in der gezeigten AA-Zeile von Terminal-Bench sowie bei Vals Vibe Code und Code Migration. Opus erzielt bei ProgramBench einen erheblich größeren Abstand; dort geht es um eine andere Art vollständiger Programmieraufgaben. Astra liegt in beiden gezeigten wissenschaftlichen Terminaltests vorne. Daraus entstehen verschiedene Kandidatenlisten für Oberflächen, längere Programmierarbeit und wissenschaftliche Werkzeuge.

Für ein Vibecoding-Projekt erstellen Sie zuerst einen fehlschlagenden Test oder konkrete Abnahmekriterien. Geben Sie den Kandidaten dieselbe begrenzte Änderung mit denselben Werkzeugen. Erfassen Sie akzeptierte Änderungen, Regressionen, menschliche Korrekturen, Dauer und Gesamtkosten. Eine schöne Vorschau kann eine defekte Tastaturnavigation oder einen fehlgeschlagenen Build verbergen. Ein Terminaltest misst die visuelle Qualität Ihres Produkts nicht.

Wir ergänzen keine fehlende SWE-bench-Verified-Zahl aus einer unpassenden Agentenkonfiguration. Verified umfasst 500 Aufgaben und unterscheidet sich von SWE-bench Multimodal im herunterladbaren Vals-Datensatz. Beide sind eigenständige Tests und nicht mit Terminal-Bench austauschbar. [20]

Für AA gelten die oben genannten Konfigurationen. FrontierMath zeigt Mittelwerte interner Epoch-Läufe mit max. ARC verwendet exakt die max-Konfiguration mit Standardroute. k. A. bedeutet: keine passende veröffentlichte Beobachtung in diesem Datensatz. Prozentwerte, außer beim Omniscience-Index. [4] [5] [6] [7] [17] [19]

GPT-6.1 Sol erreicht in diesem FrontierMath-Tier-4-Lauf 100%, Astra 97,6%. Das belegt Leistung in diesem Test, aber keine Fähigkeit, beliebige mathematische Probleme zu lösen. Gleichzeitig liegen alle vier Modelle bei CritPt im AA-Datensatz um 31%. Andere wissenschaftliche Aufgaben zeigen weiterhin erhebliche Lücken. Nutzen Sie Werkzeuge, prüfen Sie Herleitungen und bestätigen Sie Ergebnisse unabhängig.

ARC-AGI-3 zeigt außerdem den Einfluss der Agentenumgebung: Astra max erreicht mit Standardroute 62,71%, mit Anbieteradapter 98,55%. Sol max steigt von 52,73% auf 96,18%. Der Adapter erhält und verwaltet den Zustand anders. Seine Spitzenzahl gegen den Standardlauf eines anderen Modells zu stellen, würde Modell und Ausführungsumgebung vermischen. Deshalb bleiben diese Konfigurationen im Datensatz getrennt. [19]

Bei langen Dokumenten sind Kapazität und zuverlässiges Wiederfinden zwei verschiedene Fragen. AA Long Context Reasoning sieht Opus leicht vorne; der mehrsprachige Langkontexttest zeigt ein anderes Bild. Diese Gesamtwerte bestimmen keinen eigenen Sieger für Deutsch oder Ukrainisch. Vergleichen Sie beim Schreiben Fachbegriffe, Quellenbindung und Überarbeitungen in Ihrer tatsächlichen Veröffentlichungssprache.

Ratingpunkte mit veröffentlichter Unsicherheit. Text und WebDev: 22. Oktober; Vision: 19. Oktober; Image-to-WebDev am 24. Oktober abgerufen. GPT jeweils max; Opus high für Text/Vision und max für Web; Sonnet jeweils xhigh. Nahe Werte mit überlappenden Intervallen belegen keinen eindeutigen Vorsprung. [9] [10] [11] [12]

Opus führt in diesen Web-Präferenzwertungen. Bei Text liegen GPT-6.1 Sol, Sonnet und Astra eng beieinander; bei Vision überschneiden sich die Intervalle von Sol, Opus und Astra. Präferenzabstimmungen helfen bei wahrgenommener Nützlichkeit und Darstellung. Sie garantieren weder korrekte Fakten noch sichere Werkzeugnutzung oder eine gelungene Änderung in einer privaten Codebasis.

Bei Recherchen bewahren Sie die Originaldokumente auf und prüfen wichtige Quellenangaben. Bei Agenten begrenzen Sie Berechtigungen, kontrollieren Shell-Befehle und führen vor der Abnahme Tests aus. Die Kritik eines zweiten Modells kann Fehler aufdecken. Übereinstimmung ist allerdings keine unabhängige Bestätigung: Beide können dieselbe unbelegte Annahme übernehmen.

AA Briefcase und GDPval verwenden Elo; die übrigen Zeilen zeigen Prozentwerte. Claude führt hier in den beiden Arbeitsratings und bei AutomationBench, GPT bei GDPpdf all-pass. Die Empfehlung für Dokumente hängt weiterhin vom Format und den Abnahmekriterien ab. Konfiguration: max, bei Claude mit standardmäßigem Ersatzmodell. [4] [5] [6] [7]

Standard-API-Preise in USD je Million Tokens und ein kontrolliertes Beispiel: 100.000 ungecachte Eingabetokens sowie insgesamt 10.000 abrechenbare Ausgabetokens pro Aufruf. Ohne Cache-Schreibvorgänge, Beschleunigungsoptionen, Batch-Rabatte, Werkzeuggebühren oder Steuern. Tatsächliches Reasoning und Werkzeugschleifen verändern die Tokenzahl. [1] [2] [3]

Im gewichteten AA-Arbeitsumfang kostet Sonnet rund $5,46 pro Aufgabe, Opus $5,98, Astra $3,26 und Sol $0,72. Sonnet und Sol haben identische Standardpreise für Ein- und Ausgabe, ihre Kosten im gemessenen Arbeitsumfang unterscheiden sich trotzdem stark. Reasoning-Volumen, wiederholter Kontext und Cache-Verhalten beeinflussen die Rechnung. Das ist der AA-Arbeitsumfang, keine allgemeine Projektprognose. [4] [5] [6] [7]

AA misst für Sonnet ungefähr 133 Ausgabetokens pro Sekunde, für Opus 96 und für die GPT-Modelle etwa 57–58. Das ist die Ausgabegeschwindigkeit, nicht die Zeit bis zum fertigen Patch. Ein Modell kann vor der Ausgabe länger nachdenken oder mehr Korrekturschleifen benötigen.

Alle vier verarbeiten Text und Bilder und geben Text aus. Astra und Sol bieten 1.050.000 Tokens Kontext sowie maximal 128.000 Ausgabetokens; Claude bietet 1 Mio. beziehungsweise 128.000. Ein großes Fenster verspricht keine korrekte Nutzung jedes Tokens. Oberhalb von 272.000 Eingabetokens dokumentiert OpenAI Multiplikatoren von 2× für Eingabe/Cache und 1,5× für Ausgabe. Unser 100.000-Token-Beispiel bleibt darunter. Werkzeugaufrufe mit GPT-6.1 Sol laufen über die Responses API. API-Preise und ein ChatGPT-, Codex- oder Claude-Abonnement sind unterschiedliche Abrechnungseinheiten. [1] [2] [3]

Ein sinnvoller Ablauf mit zwei Modellen braucht einen klaren Eskalationsgrund: einen fehlschlagenden Test, eine offene Annahme, eine riskante Migration oder eine Änderung an der Authentifizierung. Lassen Sie Sol oder Sonnet Routinearbeit versuchen, führen Sie deterministische Prüfungen aus und bitten Sie Opus oder Astra um die Untersuchung eines konkreten Fehlers oder strittigen Entwurfs. Der Prüfer erhält die ursprünglichen Anforderungen und Belege, nicht nur das Fazit des ersten Modells.

Im kontrollierten Tokenbeispiel kostet ein Sol-Aufruf $0,30. Eine zusätzliche Opus-Prüfung bei 20% der Aufgaben ergibt durchschnittlich $0,30 + 0,20 × $0,60 = $0,42. Beide Modelle bei jeder Aufgabe kosten $0,90; ein einzelner Opus-Aufruf kostet $0,60. Das ist unsere Rechnung bei festen Tokenmengen, keine gemessene Ersparnis. Review-Kontext, Reasoning, Wiederholungen und Eskalationshäufigkeit können erheblich abweichen.

Vergleichen Sie die Abläufe mit denselben Werkzeugen und Budgets. Erfassen Sie akzeptierte Ergebnisse je Dollar und Stunde. Behalten Sie die Kombination nur, wenn behobene Fehler ihre zusätzliche Wartezeit und Komplexität rechtfertigen. Ein zweiter Anbieter oder ein weiteres Abonnement bringt außerdem Zugangsdaten, Datenverarbeitung und Betriebsaufwand mit sich.

GPT-6.1 Sol: ein sinnvoller Start für häufige, begrenzte Codeänderungen, stapelbare Arbeit und kostenbewusste Agenten. Niedrige Kosten im AA-Arbeitsumfang und das starke FrontierMath-Ergebnis sprechen für einen vollwertigen Einsatz. Prüfen Sie Oberflächenqualität und schwierige mehrstufige Änderungen, bevor Sie ausschließlich darauf setzen.

Claude Sonnet 5.5: ein Kandidat für schnelle Oberflächeniteration und Migrationen. Dafür sprechen Vals Vibe Code, Code Migration und das AA-Ausgabetempo. Beobachten Sie den tatsächlichen Tokenverbrauch: Ein niedriger Listenpreis kann trotzdem zu einer teuren max-Sitzung führen.

Claude Opus 5.5: ein Kandidat für längere autonome Programmieraufgaben, Dokumentenabläufe und die zweite Prüfung schwieriger Änderungen. ProgramBench, Arbeitsindizes und WebDev-Präferenzen stützen diese Rolle. Höhere Kosten und die Abhängigkeit einiger publizierter Werte von Ersatzmodellen sprechen dafür, den gesamten Ablauf an eigenen Aufgaben zu messen.

GPT-6 Astra: interessant für wissenschaftliche Werkzeuge, anspruchsvolle Denkaufgaben und Annahmen, die ein Claude-basierter Ablauf übersieht. Vals Science, wissenschaftliche Terminaltests und ARC liefern Argumente. Die Standard-API-Preise betragen das Fünffache von Sol; verlangen Sie für Routinearbeit deshalb eine erkennbare Verbesserung.

Unser Ausgangspunkt wäre Sol oder Sonnet für die Ausführung, deterministische Prüfungen und bei konkretem Anlass eine gezielte Opus- oder Astra-Kontrolle. Bewahren Sie einen kleinen, stabilen Satz eigener Aufgaben auf und wiederholen Sie ihn nach Modell- oder Agentenupdates. Wählen Sie den Ablauf, der akzeptierte Ergebnisse innerhalb Ihres Budgets liefert. Ein Ranglistenplatz ist ein Anlass zum Testen und ersetzt diese Entscheidung nicht.