GPT-5.5 Pro Benchmarks: Die veröffentlichten Zahlen – und die verschwiegenen

GPT-5.5 Pro Benchmarks: Die veröffentlichten Zahlen – und die verschwiegenen

OpenAI hat GPT-5.5 Pro am 23. April 2026 veröffentlicht und mit $30 pro Million Input-Token und $180 pro Million Output-Token bepreist. Das entspricht dem 6-Fachen des Basis-GPT-5.5 ($5/$30). Dafür erhalten Sie eine Variante mit erhöhtem Rechenaufwand, die im BrowseComp 90,1 % erreicht. Was dabei selten in der Überschrift steht: OpenAIs eigene Eval-Tabelle lässt die Zeile für Coding bei GPT-5.5 Pro leer. Ebenso für Computer-Use. Ebenso für Long-Context. Wer also nach dem SWE-Bench-Pro-Wert des Modells sucht, wird nichts finden. Wir haben die veröffentlichte Tabelle gezogen und jede Zahl selbst überprüft.

Kurzantwort:

• GPT-5.5 Pro ist OpenAIs höherberechnete Variante von GPT-5.5 (veröffentlicht am 23. April 2026), kein neues Modell.
• Es führt beim Browsing (BrowseComp 90,1 %) und bei fortgeschrittener Mathematik, doch OpenAI ließ die Zeilen für Coding, Computer-Use und Long-Context leer.
• In den vorhandenen Coding-Zeilen liegt Basis-GPT-5.5 hinter Claude Fable 5 (SWE-Bench Pro 58,6 % vs. 80,3 %).
• Claude Fable 5 ist derzeit gesperrt (US-Exportkontrollverordnung, ca. 12. Juni 2026), daher tragen die Fable-Siege einen Hinweis: "momentan nicht erhältlich".

Ein kurzer Hinweis zur Methode, denn bei einem Benchmark-Artikel zählt Genauigkeit mehr als Geschwindigkeit: Die folgenden Zahlen wurden gegen die veröffentlichten Tabellen von OpenAI und Anthropic sowie gegen das SWE-Bench-Pro-Paper (arXiv 2509.16941) abgeglichen. Wo nur ein Anbieter eine Zahl nennt, sagen wir das. Wo OpenAI keinen Pro-Wert veröffentlicht hat, schreiben wir "nicht veröffentlicht" – statt stillschweigend den Basiswert einzusetzen.

GPT-5.5 Pro Benchmarks: Was OpenAI tatsächlich veröffentlicht hat

Die veröffentlichten Benchmarks von GPT-5.5 Pro decken einen schmalen Bereich ab: Web-Browsing, fortgeschrittene Mathematik, professionelle Wissensarbeit, Genetik und allgemeines Reasoning. OpenAI führte alle Evals bei Reasoning Effort xhigh in einer Forschungsumgebung durch, die vom produktiven ChatGPT-Standard abweicht. Die Hauptzahl lautet BrowseComp 90,1 % – deutlich über dem Basiswert von 84,4 %.

Hier ist die Gesamttabelle. Eine Spalte zeigt, ob OpenAI für jeden Test einen separaten Pro-Wert veröffentlicht hat:

Lesen Sie den unteren Block genau. OpenAI veröffentlichte Pro-Werte für Browsing und Mathematik, ließ aber die Zeilen für Coding, Computer-Use, Cybersecurity und Long-Context leer. Die BrowseComp-, FrontierMath- und GDPval-Basiswerte sind gegen unabhängige Tracker bestätigt; GDPval-Pro 82,3 %, GeneBench 33,2 % und der Investment-Banking-Wert sind von OpenAI gemeldet, aber nicht unabhängig verifiziert – wir schreiben sie deshalb dem Anbieter zu.

Was "Pro" tatsächlich bedeutet: paralleles Test-Time-Compute, kein neues Modell

GPT-5.5 Pro ist dasselbe GPT-5.5-Modell, das mit deutlich mehr Reasoning Effort läuft – keine andere Architektur. Stellen Sie es sich weniger als neuen Motor vor, sondern als denselben Motor, der länger und parallel läuft, bevor er antwortet. OpenAI nennt die Einstellung Reasoning Effort, und Pro setzt sie auf die höchste Stufe: xhigh.

Ist GPT-5.5 Pro ein anderes Modell als GPT-5.5?

Nein. Gleiche Gewichte, gleiche Trainingsgrundlage. Wenn Nutzer nach gpt 5.5 pro vs gpt 5.5 thinking oder vs xhigh suchen, fragen sie eigentlich nach einem einzigen Regler: wie intensiv das Modell nachdenkt, bevor es antwortet. "Paralleles Test-Time-Compute" bedeutet, das Modell erkundet gleichzeitig mehrere Denkpfade und wählt den besten aus – was mehr Token und mehr Echtzeit kostet. Genau dafür zahlt man den 6-fachen Preis.

Die Spezifikationen sind ansonsten identisch. GPT-5.5 Pro hat ein Kontextfenster von etwa 1,1 Millionen Input-Token und 128.000 Output-Token. Man kauft also keinen größeren Arbeitsspeicher und kein klügeres Basismodell. Man kauft mehr Denkzeit beim Modell, das man bereits kennt.

GPT-5.5 Pro vs. GPT-5.5 (Standard): Wofür der 6-fache Preis tatsächlich etwas bringt

GPT-5.5 Pro schlägt Basis-GPT-5.5 bei den schwierigsten Aufgaben: Browsing, Frontier-Mathematik und Genetik. Bei Routinearbeit bringt der Aufpreis am wenigsten. Der deutlichste Gewinn liegt bei BrowseComp 90,1 % vs. 84,4 %, ein Plus von 5,7 Punkten bei tiefer Web-Recherche. Bei FrontierMath Tier 4 steigt der Wert von 35,4 % auf 39,6 %.

Mehr Rechenleistung bedeutet aber nicht immer einen höheren Score. Bei GDPval listet OpenAIs eigene Tabelle Pro sogar unter Basis-GPT-5.5 (82,3 % behauptet vs. 84,9 % bestätigt). Das ist kontraintuitiv, und es wird damit erklärt, dass Pro einige Rohgewinne zugunsten von Kalibrierung tauscht. Die Schlussfolgerung bleibt: Mehr zu bezahlen ist keine Garantie.

Wo Pro vorne liegt:

• BrowseComp: 90,1 % vs. 84,4 % (+5,7)
• FrontierMath T4: 39,6 % vs. 35,4 % (+4,2)
• GeneBench: 33,2 % vs. 25,0 % (von OpenAI behauptet)
• HLE mit Werkzeugen: 57,2 % (behauptet) vs. 52,2 % (bestätigter Basiswert)

Wo es gleich ist oder schlechter:

• GDPval: 82,3 % (behauptet) vs. 84,9 % Basis
• HLE ohne Werkzeuge: 43,1 % vs. 41,4 %, kaum ein Unterschied

Wenn Ihre Arbeit hauptsächlich aus alltäglichem Drafting, Code-Review und Zusammenfassungen besteht, ist der 6-fache Aufpreis schwer zu rechtfertigen. Die Rechnung kippt erst, wenn die Aufgabe wirklich schwierig ist. Was Kosten betrifft: Wenn Ihre Rechnung das Problem ist, erklärt unser Leitfaden zum Senken von LLM-API-Kosten, wie man günstigere Modelle für die einfachen 80 % der Arbeit einsetzt und Pro für die schwierigen 20 % reserviert.

GPT-5.5 Pro vs. Claude Fable 5

Bei den Coding-Benchmarks, die beide Anbieter veröffentlichen, schlägt Claude Fable 5 Basis-GPT-5.5 deutlich. Aber Fable 5 ist derzeit gesperrt, daher steht hinter dem Sieg ein Asterisk. Und der Vergleich ist verworrener als er aussieht, weil OpenAI überhaupt keine GPT-5.5-Pro-Coding-Werte veröffentlicht hat. Die ehrliche Gegenüberstellung ist also Fable 5 vs. Basis-GPT-5.5 beim Coding, wobei Pro fehlt.

Hier ist die Drei-Wege-Tabelle. Die Fable-5-Werte stammen aus Anthropics veröffentlichter Tabelle; leere Pro-Zellen sind genau das:

Zwei Vorbehalte zu dieser Tabelle. Erstens Terminal-Bench: Basis-GPT-5.5 erreicht 82,7 % bei v2.0 und 83,4 % bei v2.1, während Fables 88,0 % auf v2.1 basiert – stellen Sie also sicher, dass Sie dieselbe Version vergleichen, bevor Sie eine Lücke erklären. Zweitens: GDPval-AA ist kein Prozentwert. Es handelt sich um einen Elo-ähnlichen Score (1932 für Fable vs. 1769 für Basis-GPT-5.5), eine völlig andere Skala – nicht mental in eine Reihe mit den Prozentwerten stellen. Der HLE-no-tools-Wert für Fable schwankt je nach Quelle: CodingFleet nennt 56,8 %, andere Zusammenfassungen 59,0 % – wir berichten daher die Bandbreite.

SWE-Bench Pro ist der Benchmark, an dem man beim agentischen Coding festhalten sollte. Er umfasst 1.865 Probleme aus 41 aktiven Repositories (laut arXiv 2509.16941), mit Aufgaben, die ein Senior-Engineer Stunden oder Tage beschäftigen und Multi-File-Patches erfordern. Bei diesem Test ist Fable 5s 80,3 % gegenüber Basis-GPT-5.5s 58,6 % ein deutlicher Abstand.

Jetzt der Asterisk. Claude Fable 5 wurde im Juni 2026 gesperrt – aufgrund einer US-Exportkontrollverordnung (ca. 12. Juni). "Fable gewinnt beim Coding" stimmt zahlenmäßig und ist am Markt derzeit gegenstandslos. Für das ausführlichere Anthropic-Bild: unsere vollständige Claude-Fable-5-Analyse. Für das Modell, gegen das GPT-5.5s Tabelle bei Mathematik antritt: Claude Opus 4.8.

Die Benchmarks, die OpenAI für Pro NICHT veröffentlicht hat

OpenAI hat nie GPT-5.5-Pro-Werte für Coding (SWE-Bench Pro), Computer-Use (OSWorld-Verified), Cybersecurity, Long-Context-Recall oder abstraktes Reasoning veröffentlicht. Diese Zeilen sind in der offiziellen Tabelle leer. Leer bedeutet nicht, dass das Modell schlecht darin ist. Es bedeutet, dass es keine veröffentlichte Zahl gibt – und wer eine nennt, schätzt entweder oder zitiert fälschlicherweise den Basiswert.

Das ist wichtig, weil es die meistgesuchte Lücke ist. Wer nach dem SWE-Bench-Pro-Wert von GPT-5.5 Pro sucht, findet keinen. OpenAI hat ihn nie veröffentlicht. Die einzige Zahl, die für diesen Benchmark in der GPT-5.5-Familie existiert, ist der Basiswert von 58,6 % – und das ist ein Basiswert, kein Pro-Wert. Wir kennzeichnen das bewusst so.

Was wir verantwortungsvoll sagen können:

• Coding (SWE-Bench Pro): Pro nicht veröffentlicht. Basis-GPT-5.5 = 58,6 % (Basis, nicht Pro).
• Computer-Use (OSWorld-Verified): Pro nicht veröffentlicht. Basis = 78,7 % (Basis, nicht Pro).
• Cybersecurity: Pro nicht veröffentlicht, kein verwendbarer Basiswert in der Tabelle.
• Long-Context: Pro nicht veröffentlicht, kein verwendbarer Basiswert.
• Abstraktes Reasoning: Pro nicht veröffentlicht.

Könnte das parallele Compute von Pro diese Basiswerte anheben? Wahrscheinlich, angesichts des Musters bei Browsing und Mathematik. Aber "wahrscheinlich" ist kein Benchmark, und wir drucken keine Zahl, die OpenAI nicht veröffentlicht hat. Diese Zurückhaltung ist der Grund, warum dieser Abschnitt existiert.

Preise: $5/$30 vs. $30/$180 vs. $10/$50 – ist Pro den 6-fachen Preis wert?

GPT-5.5 Pro kostet etwa das 6-Fache von Basis-GPT-5.5: $30 Input und $180 Output pro Million Token, gegenüber $5/$30 für die Basis. Claude Fable 5 liegt mit $10/$50 dazwischen. Für schwierige Recherchen und Frontier-Mathematik lohnt es sich, für Alltagsarbeit selten.

Wer sollte den Aufpreis tatsächlich zahlen? Ein grober Überblick nach Aufgabe:

• Schwierige Recherchen, Frontier-Mathematik, tiefes mehrstufiges Browsing: GPT-5.5 Pro ist gerechtfertigt. Die Benchmark-Gewinne sind real und der Aufgabenwert ist hoch.
• Agentisches Coding auf großen Repositories: Fable 5, wenn verfügbar, sonst Basis-GPT-5.5 mit einem Coding-Scaffold. Pro-Preise für einen nicht veröffentlichten Coding-Wert zu zahlen ist ein schlechtes Geschäft.
• Allgemeines Drafting, Zusammenfassungen, Code-Review, Support: Basis-GPT-5.5. Der 6-fache Aufpreis bringt hier fast nichts.

Die Falle ist, alles standardmäßig auf Pro zu setzen, "um sicher zu gehen." Bei ausgabe-intensiven Workloads summiert sich der $180-Wert schnell. Wer nach Schwierigkeit routet, behält den Großteil der Qualität zu einem Bruchteil der Kosten (mehr dazu in unserem LLM-API-Kostenleitfaden).

Wie wir diese Zahlen überprüft haben (und wo die Quellen abweichen)

Bevor eine dieser Zahlen in diesen Artikel einging, haben wir den mühsamen Teil erledigt: Wir haben OpenAIs veröffentlichte GPT-5.5-Eval-Tabelle gezogen und jede Pro-Zeile gegen unabhängige Tracker abgeglichen, statt einem Screenshot zu vertrauen. Die verwendeten Quellen waren llm-stats, BenchLM, DataCamps Fable-5-Analyse, CodingFleet und das arXiv-SWE-Bench-Pro-Paper (2509.16941). Hier ist, was standhielt und was nicht.

Die meisten der wichtigsten Pro-Zahlen stimmen sauber überein. BrowseComp 90,1 %, FrontierMath Tier 1–3 52,4 % und Tier 4 39,6 % sowie die Preise $30/$180 wurden in jeder Quelle übereinstimmend gefunden. SWE-Bench Pro mit 80,3 % für Fable 5 gegenüber 58,6 % für Basis-GPT-5.5 und FrontierCode Diamond mit 29,3 % vs. 5,7 % wurden ebenfalls bestätigt – und die SWE-Bench-Pro-Aufgabenzahl (1.865 Probleme in 41 Repositories) stammt direkt aus dem Paper, nicht aus einem Anbieter-Blog.

Drei Dinge ließen sich nicht in Einklang bringen, und das sollten Sie wissen:

• Humanity's Last Exam mit Werkzeugen für Fable 5 taucht je nach Quelle zwischen 56,8 % und 59,0 % auf. Wir zitieren die Bandbreite, statt einen Favoriten zu wählen.
• Terminal-Bench-Zahlen schwanken zwischen Version 2.0 und 2.1 in den Tabellen von OpenAI und Anthropic, sodass die Lücke GPT-5.5 (83,4 %) vs. Fable (88,0 %) kein sauberer Äpfel-zu-Äpfel-Vergleich ist.
• Der Investment-Banking-Modeling-Score (88,6 % Pro) ist von OpenAI als "intern" gekennzeichnet, d. h. kein unabhängiger Tracker kann ihn bestätigen. Wir kennzeichnen ihn bei jedem Auftreten als Anbieterbehauptung.

Das ist die ehrliche Version. Die als Tatsache dargestellten Zahlen wurden durch mindestens zwei unabhängige Quellen bestätigt; alles andere wird dem jeweiligen Berichterstatter zugeschrieben. Wir haben GPT-5.5 Pro nicht selbst getestet – bei $30/$180 pro Million Token wäre ein ernsthafter Head-to-Head-Test nicht finanzierbar, also täuschen wir keine Laborergebnisse vor, die wir nicht haben.

Praxisergebnisse, die Anbieter berichten

Das sind Anbieteraussagen, keine unabhängigen Laborergebnisse – also als marketingnahes Material lesen. OpenAI und Anthropic haben jeweils Fallstudien veröffentlicht, die ein positives Bild zeichnen. Wir listen sie mit Quellenangabe auf, mit dem Hinweis, dass keines von uns überprüft wurde.

Auf OpenAI-Seite berichtet das Unternehmen, dass ein Finanzteam Codex mit GPT-5.5 einsetzte, um 24.771 K-1-Steuerformulare (71.637 Seiten) zu prüfen, und dabei den Prozess des Vorjahres um etwa zwei Wochen verkürzte. OpenAI berichtet außerdem von einer funktionierenden algebraischen-Geometrie-App, die aus einem einzigen Prompt in 11 Minuten erstellt wurde, sowie von einer GPT-5.5-Pro-Analyse eines Genexpressions-Datensatzes mit 62 Proben und rund 28.000 Genen.

Auf der Anthropic-Seite verwendete Stripe (über Anthropic gemeldet) Fable 5, um eine codebaseweite Migration auf einer 50-Millionen-Zeilen-Ruby-Codebase an einem einzigen Tag durchzuführen, gegenüber einer geschätzten manuellen Bearbeitungszeit von mehr als zwei Monaten. Anthropic berichtet außerdem, Fable 5 habe Pokémon FireRed aus rohen Screenshots abgeschlossen, wo frühere Claude-Modelle zusätzliche Scaffolding-Tools benötigten, und habe mit dauerhaftem dateibasiertem Speicher Slay the Spire etwa 3-mal besser gespielt als Opus 4.8.

Beeindruckende Demos, allesamt. Denken Sie nur daran, dass sie von den Anbietern ausgewählt wurden und sich nicht allein aus der Pressemitteilung reproduzieren lassen.

Welches Modell sollten Sie tatsächlich verwenden?

Passen Sie das Modell an die Aufgabe an, nicht an den Hype. Für Coding-Agenten und große Repositories: Claude Fable 5, wenn verfügbar, sonst Basis-GPT-5.5 mit einem Coding-Scaffold. Für Recherchen, Frontier-Mathematik und tiefes Browsing: GPT-5.5 Pro. Für Alltagsarbeit und Kosteneffizienz: Basis-GPT-5.5 gewinnt fast immer beim Preis-Leistungs-Verhältnis.

Ein paar Hinweise, wenn Sie einen Stack statt eines einzelnen API-Aufrufs wählen. Wenn Sie ein autonomes Coding-System wünschen, brauchen Sie ein Tool, kein rohes Modell – beginnen Sie mit den besten KI-Coding-Agenten 2026 und dem Vergleich von Hintergrund-Coding-Agenten für den Codex- und Devin-Kontext. Neugierig, wohin die Familie als nächstes geht? Hier ist, was über GPT-5.6 durchgesickert ist.

Bei Techsy routen wir aufgabenabhängig durch unsere Agent-Pipelines: Top-Tier-Reasoning-Modelle für die schwierigen Entscheidungen und günstigere für den Rest, statt Premiumpreise für jede Anfrage zu zahlen. Wenn Sie eine zweite Meinung zu Ihrem eigenen Modell-Mix möchten, erhalten Sie eine kostenlose Beratung.

Häufig gestellte Fragen

Lohnt sich GPT-5.5 Pro?

Das hängt von der Aufgabe ab. Für schwierige Recherchen, Frontier-Mathematik und tiefes Browsing rechtfertigen die Gewinne von GPT-5.5 Pro gegenüber der Basis (BrowseComp 90,1 % vs. 84,4 %) den rund 6-fachen Preis von $30/$180 pro Million Token. Für alltägliches Drafting, Code-Review und Zusammenfassungen liefert Basis-GPT-5.5 fast dieselbe Qualität für ein Sechstel der Kosten.

Ist GPT-5.5 Pro besser als Claude Fable 5?

Bei veröffentlichten Coding-Benchmarks nein: Claude Fable 5 schlägt Basis-GPT-5.5 beim SWE-Bench Pro (80,3 % vs. 58,6 %), und OpenAI hat nie einen Pro-Coding-Wert veröffentlicht, mit dem man vergleichen könnte. GPT-5.5 Pro gewinnt beim Browsing und bei der Frontier-Mathematik. Ein Vorbehalt: Fable 5 ist derzeit aufgrund einer US-Exportkontrollverordnung gesperrt, daher ist die Verfügbarkeit genauso entscheidend wie der Benchmark.

Wie gut ist GPT-5.5 Pro beim Coding?

Ehrlich gesagt lässt sich das aus OpenAIs Zahlen nicht sagen, weil OpenAI keinen GPT-5.5-Pro-Coding-Wert veröffentlicht hat. Die einzige Coding-Zahl für die Familie ist das SWE-Bench-Pro-Ergebnis von Basis-GPT-5.5 mit 58,6 %, das hinter Claude Fable 5s 80,3 % zurückliegt. Wer einen "Pro-Coding-Benchmark" zitiert, zitiert wahrscheinlich fälschlicherweise den Basiswert.

GPT-5.5 Pro vs. GPT-5.5 Standard – welches sollte ich verwenden?

Verwenden Sie GPT-5.5 Pro für schwierige Recherchen, Frontier-Mathematik und tiefes mehrstufiges Browsing, wo das zusätzliche parallele Compute den 6-fachen Preis rechtfertigt. Verwenden Sie Basis-GPT-5.5 für Alltagsarbeit, Code-Review und Zusammenfassungen, wo der Aufpreis wenig bringt. Bei manchen Tests, wie GDPval, listet OpenAIs eigene Tabelle Pro sogar leicht unter der Basis.

Was kostet GPT-5.5 Pro?

GPT-5.5 Pro kostet $30 pro Million Input-Token und $180 pro Million Output-Token, also etwa das 6-Fache von Basis-GPT-5.5 ($5/$30). Zum Vergleich: Claude Fable 5 liegt bei $10/$50. Bei ausgabe-intensiven Workloads summiert sich der Pro-Aufpreis schnell – daher spart man mit aufgabenspezifischem Routing statt standardmäßiger Pro-Nutzung echtes Geld.

Was bedeutet Reasoning Effort "xhigh"?

Reasoning Effort ist der Regler, der steuert, wie intensiv GPT-5.5 vor dem Antworten nachdenkt. "xhigh" ist die höchste Stufe, bei der das Modell paralleles Test-Time-Compute einsetzt, um mehrere Denkpfade zu erkunden und den besten auszuwählen. OpenAI hat seine veröffentlichten GPT-5.5-Pro-Evals bei xhigh in einer Forschungsumgebung durchgeführt, die vom produktiven ChatGPT-Standard abweicht.

Ist GPT-5.5 Pro in Codex verfügbar?

Ja. Sie können GPT-5.5 Pro in Codex CLI über den Modell-String gpt-5.5-pro aufrufen und Reasoning Effort auf xhigh setzen, um das höchstberechnete Verhalten zu erhalten. Erwarten Sie höhere Latenz und deutlich höhere Token-Kosten als bei Basis-GPT-5.5 – reservieren Sie es daher für wirklich schwierige Aufgaben statt es als Standard-Coding-Modell zu verwenden.

Ist GPT-5.5 Pro ein neues Modell?

Nein. GPT-5.5 Pro ist dasselbe GPT-5.5-Modell, das mit mehr Reasoning Effort und parallelem Test-Time-Compute bei der xhigh-Einstellung läuft – keine separate Architektur. Es teilt dieselben Gewichte und dasselbe Kontextfenster von etwa 1,1 Millionen Input-Token und 128.000 Output-Token. Man zahlt für mehr Denkzeit, nicht für ein klügeres Basismodell.

Wie groß ist das Kontextfenster von GPT-5.5 Pro?

GPT-5.5 Pro hat ein Kontextfenster von etwa 1,1 Millionen Input-Token und 128.000 Output-Token – dasselbe wie Basis-GPT-5.5. Das reicht aus, um große Codebases oder lange Dokumente in einem einzigen Aufruf zu laden. Der Unterschied zwischen Pro und Basis liegt nicht in der Speichergröße, sondern in der Menge an Reasoning-Compute, die das Modell vor dem Antworten aufwendet.