Direktvergleich

GPT-5.5 vs. Gemini 3.5 Flash

Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.

gemeinsame Messreihen: 218
verschiedene Benchmarks: 29
jüngster Abruf: 26.08.2026

Erstes ModellZweites Modell

Steckbrief

Allgemeine Daten

Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.

Allgemeine Daten von GPT-5.5 und Gemini 3.5 Flash
Merkmal	GPT-5.5	Gemini 3.5 Flash
Anbieter	OpenAI	Google
Erschienen	Apr. 2026	19. Mai 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Proprietär
Parameter	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Nicht veröffentlicht	Nicht veröffentlicht
Kontextfenster	1.050.000 Token	1.048.576 Token
Wissensstand	1. Dezember 2025	Nicht veröffentlicht
Technische Quellen	Modell	Modell

Kosten

API-Preise im Vergleich

Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.

API-Preise von GPT-5.5 und Gemini 3.5 Flash
Preisart	GPT-5.5	Gemini 3.5 Flash
API-Eingabe	5 $ ≤272K / 10 $ >272K	1,5 $
API-Ausgabe	30 $ ≤272K / 45 $ >272K	9 $
Cache lesen	0,5 $ ≤272K / 1 $ >272K	0,15 $
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	30.07.2026 Quelle

GPT-5.5Gemini 3.5 Flash

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.55 $

Gemini 3.5 Flash1,5 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.530 $

Gemini 3.5 Flash9 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.50,5 $

Gemini 3.5 Flash0,15 $

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Preise nach Anbieter

Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.

Anbieterpreise von GPT-5.5 und Gemini 3.5 Flash
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-5.5	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	5 $	30 $	Quelle30.07.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	10 $	45 $	Quelle30.07.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	5,5 $	33 $	Quelle25.08.2026
	Azure	Über OpenRouterazure	5 $	30 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/eu	5,5 $	33 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/us	5,5 $	33 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai	5 $	30 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/fast	12,5 $	75 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 2,5 $	Günstigster erfasster Preis: 15 $	Quelle25.08.2026
Gemini 3.5 Flash	Google	Direkt beim EntwicklerStandard-API	1,5 $	9 $	Quelle30.07.2026
	Google	Über OpenRoutergoogle-vertex/global	1,5 $	9 $	Quelle25.08.2026
	Google	Über OpenRoutergoogle-vertex/global/flex	Günstigster erfasster Preis: 0,75 $	Günstigster erfasster Preis: 4,5 $	Quelle25.08.2026
	Google	Über OpenRoutergoogle-vertex/global/priority	2,7 $	16,2 $	Quelle25.08.2026
	Google	Über OpenRoutergoogle-vertex/us	1,65 $	9,9 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio	1,5 $	9 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/flex	Günstigster erfasster Preis: 0,75 $	Günstigster erfasster Preis: 4,5 $	Quelle25.08.2026
	Google AI Studio	Über OpenRoutergoogle-ai-studio/priority	2,7 $	16,2 $	Quelle25.08.2026

Leistung

Gemeinsame Benchmarks

Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.

Fähigkeitsprofil aus vergleichbaren Benchmarks

Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.

GPT-5.5

Gemini 3.5 Flash

Coding: 99,6 / 70,6 (6 Benchmarkfamilien)

Reasoning: 100 / 99,3 (2 Benchmarkfamilien)

Mathematik: 99,6 / 99,4 (1 Benchmarkfamilie)

Wissen: 99,2 / 99,9 (2 Benchmarkfamilien)

Finanzen: 98,2 / 98,2 (6 Benchmarkfamilien)

Recht: 100 / 84,5 (4 Benchmarkfamilien)

Agenten-Aufgaben: 97,9 / 94,3 (4 Benchmarkfamilien)

Multimodal: 100 / 100 (1 Benchmarkfamilie)

71 passende Messreihen aus 28 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 14 vergleichbaren Kategorien.

GPT-5.5Gemini 3.5 Flash

Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.545,161 %

Gemini 3.5 Flash26,745 %

CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.568,415 %

Gemini 3.5 Flash64,686 %

CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.580,508 %

Gemini 3.5 Flash69,331 %

EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.564,543 %

Gemini 3.5 Flash63,548 %

Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.551,76 %

Gemini 3.5 Flash57,861 %

GAIA ReliabilityAccuracy. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.562,8 %

Gemini 3.5 Flash79,2 %

GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.593,182 %

Gemini 3.5 Flash92,676 %

Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.53,75 %

Gemini 3.5 Flash2,5 %

Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.540,385 %

Gemini 3.5 Flash30,769 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.586,515 %

Gemini 3.5 Flash83,602 %

LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.585,296 %

Gemini 3.5 Flash87,604 %

LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.51.481,893

Gemini 3.5 Flash1.478,186

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.5 und Gemini 3.5 Flash
Benchmark und Aufgabe	GPT-5.5	Gemini 3.5 Flash	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner45,161 %	26,745 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner68,415 %	64,686 %	Vals AI Quellendetails Datenstand: 12.08.2026
CyberBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner80,508 %	69,331 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner64,543 %	63,548 %	Vals AI Quellendetails Datenstand: 19.08.2026
Finance Agent (v2)Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	51,76 %	Gewinner57,861 %	Vals AI Quellendetails Datenstand: 19.08.2026
GAIA ReliabilityAccuracy Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: exact-match accuracyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.	62,8 %	Gewinner79,2 %	Princeton HAL Quellendetails Datenstand: 06.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner93,182 %	92,676 %	Vals AI Quellendetails Datenstand: 19.08.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser	Gewinner3,75 %	2,5 %	Vals AI Quellendetails Datenstand: 19.08.2026
Legal Research BenchOverall · All-pass Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser	Gewinner40,385 %	30,769 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner86,515 %	83,602 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	85,296 %	Gewinner87,604 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Kein dokumentierter Unterschied im TestaufbauKein klarer VorsprungVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.5: Snapshot: gpt-5.5-high, Reasoning: high, Harness: Arena text, style control Gemini 3.5 Flash: Snapshot: gemini-3.5-flash-high, Reasoning: high, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 59.545 anonymen Paarvergleichen.Gemini 3.5 Flash: Stilbereinigte Arena-Bewertung aus 30.004 anonymen Paarvergleichen.	Kein klarer Vorsprung1.481,893 95-%-Konfidenzintervall: ±3,953Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.478,186 95-%-Konfidenzintervall: ±4,512Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MedCodeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	49,1 %	Gewinner55,825 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner86,868 %	76,574 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	88,144 %	Gewinner89,515 %	Vals AI Quellendetails Datenstand: 19.08.2026
MMMU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gleichstand88,266 %	Gleichstand88,266 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner68,76 %	68,124 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProgramBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner0,5 %	0 %	Vals AI Quellendetails Datenstand: 19.08.2026
Public Benefits Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner60,893 %	59,472 %	Vals AI Quellendetails Datenstand: 12.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner51,532 %	49,885 %	Vals AI Quellendetails Datenstand: 19.08.2026
SkillsBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner62,209 %	52,737 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner82,6 %	78,8 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser	Gewinner74,98 %	74,366 %	Vals AI Quellendetails Datenstand: 19.08.2026
Terminal-Bench 2.0Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besser	Gewinner73,202 %	67,416 %	Vals AI Quellendetails Datenstand: 04.06.2026
Terminal-Bench 2.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner76,404 %	74,157 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner57,411 %	53,079 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vals Multimodal IndexOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: weighted index scoreBewertung: Mehr ist besser	Gewinner68,071 %	62,928 %	Vals AI Quellendetails Datenstand: 11.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands	Gewinner69,847 %	48,683 %	Vals AI Quellendetails Datenstand: 19.08.2026
τ-bench Airline CleanAccuracy Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: task success rateBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.	79,5 %	Gewinner80,8 %	Princeton HAL Quellendetails Datenstand: 05.08.2026
Code MigrationCLI Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert36,882 %	17,175 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert65,618 %	62,821 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPatch Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner81,356 %	81,034 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBComps Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	64,681 %	Höherer Messwert69,788 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)Adjustments Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	45,74 %	Höherer Messwert54,869 %	Vals AI Quellendetails Datenstand: 06.08.2026
GAIA ReliabilityConsistency Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate consistencyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.	0,61 Bewertungspunkte	Gewinner0,75 Bewertungspunkte	Princeton HAL Quellendetails Datenstand: 06.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert93,434 %	91,414 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	82,246 %	Höherer Messwert84,42 %	Vals AI Quellendetails Datenstand: 07.08.2026
Legal Research BenchAdministrative / Regulatory · All-pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert53,03 %	43,939 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert89,644 %	81,939 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	98,447 %	Höherer Messwert99,068 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.5: Snapshot: gpt-5.5-high, Reasoning: high, Harness: Arena text, style control Gemini 3.5 Flash: Snapshot: gemini-3.5-flash-high, Reasoning: high, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 11.933 anonymen Paarvergleichen.Gemini 3.5 Flash: Stilbereinigte Arena-Bewertung aus 5.980 anonymen Paarvergleichen.	Gewinner1.489,944 95-%-Konfidenzintervall: ±6,761Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	1.462,48 95-%-Konfidenzintervall: ±8,36Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProBiology Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert94,003 %	93,863 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	76,153 %	Höherer Messwert77,504 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert9,5 %	1,5 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 30.000 tokens	Höherer Messwert40,476 %	38,492 %	Vals AI Quellendetails Datenstand: 09.08.2026
SkillsBenchNo Skills Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Harness: OpenHands, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Harness: OpenHands, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert49,875 %	40,971 %	Vals AI Quellendetails Datenstand: 07.08.2026
SWE-bench Verified<15 min fix Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert91,753 %	86,598 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert65,495 %	61,897 %	Vals AI Quellendetails Datenstand: 09.08.2026
Terminal-Bench 2.0Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	85 %	Höherer Messwert100 %	Vals AI Quellendetails Datenstand: 04.06.2026
Terminal-Bench 2.1Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	83,333 %	Höherer Messwert100 %	Vals AI Quellendetails Datenstand: 06.08.2026
Vals IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert69,58 %	64,569 %	Vals AI Quellendetails Datenstand: 09.08.2026
Vals Multimodal IndexCorpFin v2 Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert69,58 %	64,569 %	Vals AI Quellendetails Datenstand: 09.08.2026
τ-bench Airline CleanConsistency Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 26-task cleaned subsetMessgröße: aggregate consistencyBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.	Gewinner0,84 Bewertungspunkte	0,78 Bewertungspunkte	Princeton HAL Quellendetails Datenstand: 05.08.2026
Code MigrationCOBOL Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert70 %	55,455 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert70,047 %	66,667 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPoC Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser	Gewinner79,661 %	57,627 %	Vals AI Quellendetails Datenstand: 03.08.2026
EMBDataroom Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Höherer Messwert81,227 %	80,921 %	Vals AI Quellendetails Datenstand: 06.08.2026
Finance Agent (v2)All-Pass Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	39,562 %	Höherer Messwert45,706 %	Vals AI Quellendetails Datenstand: 06.08.2026
GAIA ReliabilityPredictability Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: final leak-cleaned public validation setMessgröße: aggregate predictabilityBewertung: Mehr ist besserEinstellungen: Agent: HAL Reliability, Harness: HAL Reliability165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.	Gleichstand0,8 Bewertungspunkte	Gleichstand0,8 Bewertungspunkte	Princeton HAL Quellendetails Datenstand: 06.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	92,929 %	Höherer Messwert93,939 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
Legal Research BenchAdministrative / Regulatory · Weighted partial credit Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	86,669 %	Höherer Messwert87,126 %	Vals AI Quellendetails Datenstand: 06.08.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	83,836 %	Höherer Messwert88,675 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Gemini 3.5 Flash: Reasoning: high, Temperatur: 1, Ausgabegrenze: 65.536 tokens	69,714 %	Höherer Messwert73,143 %	Vals AI Quellendetails Datenstand: 09.08.2026
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

So liest du den Vergleich

Ein Benchmark-Sieg ist kein Gesamturteil

Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.

Die Standardpreistabelle nutzt direkte Entwicklertarife. Der Anbieter-Vergleich kennzeichnet OpenRouter-Endpoints, Regionen und Sondertarife separat.

Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.

Weitere Duelle

Vergleiche GPT-5.5 und Gemini 3.5 Flash mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich