Direktvergleich
GPT-5.5 vs. GLM-5.1
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 202
- verschiedene Benchmarks
- 20
- jüngster Abruf
- 26.08.2026
Modellauswahl ändern
Steckbrief
Allgemeine Daten
Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.
| Merkmal | GPT-5.5 | GLM-5.1 |
|---|---|---|
| Anbieter | OpenAI | Z.ai |
| Erschienen | Apr. 2026 | 7. Apr. 2026 |
| Verfügbarkeit | Aktiv | Open Source |
| Modelltyp | Proprietär | Open Weights |
| Parameter | Nicht veröffentlicht | 744 Mrd., 40 Mrd. aktiv |
| Architektur | Nicht veröffentlicht | Mixture of Experts |
| Kontextfenster | 1.050.000 Token | 200.000 Token |
| Wissensstand | 1. Dezember 2025 | Nicht veröffentlicht |
| Technische Quellen | Modell | Modell, Kontext |
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.
| Preisart | GPT-5.5 | GLM-5.1 |
|---|---|---|
| API-Eingabe | 5 $ ≤272K / 10 $ >272K | 1,4 $ |
| API-Ausgabe | 30 $ ≤272K / 45 $ >272K | 4,4 $ |
| Cache lesen | 0,5 $ ≤272K / 1 $ >272K | 0,26 $ |
| 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-5.5GLM-5.1
API-EingabeUSD pro 1 Mio. Token, Basistarif
GPT-5.55 $
GLM-5.1Günstiger1,4 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
GPT-5.530 $
GLM-5.1Günstiger4,4 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
GPT-5.50,5 $
GLM-5.1Günstiger0,26 $
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.
| 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 | |
| GLM-5.1 | Z.ai | Direkt beim EntwicklerStandard-API | 1,4 $ | 4,4 $ | Quelle30.07.2026 |
| Alibaba | Über OpenRouteralibaba/fp8 | 1,33 $ | 4,18 $ | Quelle25.08.2026 | |
| AtlasCloud | Über OpenRouteratlas-cloud/fp8 | 1,26 $ | 3,96 $ | Quelle25.08.2026 | |
| Baidu | Über OpenRouterbaidu/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Chutes | Über OpenRouterchutes/fp8 | 0,98 $ | 3,08 $ | Quelle25.08.2026 | |
| Crusoe | Über OpenRoutercrusoe/fp8 | 1,2 $ | 4,4 $ | Quelle25.08.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/fp4 | 1,05 $ | 3,5 $ | Quelle25.08.2026 | |
| DigitalOcean | Über OpenRouterdigitalocean | 1,3 $ | 4,3 $ | Quelle25.08.2026 | |
| Friendli | Über OpenRouterfriendli | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| GMICloud | Über OpenRoutergmicloud/fp8 | Günstigster erfasster Preis: 0,91 $ | Günstigster erfasster Preis: 2,86 $ | Quelle25.08.2026 | |
| Nebius | Über OpenRouternebius/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Novita | Über OpenRouternovita/fp8 | 1,38 $ | 4,4 $ | Quelle25.08.2026 | |
| Parasail | Über OpenRouterparasail/fp8 | 1,4 $ | 4,4 $ | Quelle25.08.2026 | |
| Phala | Über OpenRouterphala | 1,21 $ | 4,2 $ | Quelle25.08.2026 | |
| SiliconFlow | Über OpenRoutersiliconflow/fp8 | 1,19 $ | 3,74 $ | Quelle25.08.2026 | |
| StreamLake | Über OpenRouterstreamlake/fp8 | 0,966 $ | 3,036 $ | Quelle25.08.2026 | |
| Venice | Über OpenRoutervenice/fp8 | 1,54 $ | 4,84 $ | Quelle25.08.2026 | |
| Z.AI | Über OpenRouterz-ai/fp8 | 1,4 $ | 4,4 $ | 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
GLM-5.1
Coding: 99,9 / 65 (6 Benchmarkfamilien)
Reasoning: 100 / 95,2 (2 Benchmarkfamilien)
Mathematik: 100 / 98,7 (1 Benchmarkfamilie)
Wissen: 100 / 99,3 (2 Benchmarkfamilien)
Finanzen: 100 / 93,6 (4 Benchmarkfamilien)
Recht: 100 / 66,5 (4 Benchmarkfamilien)
Agenten-Aufgaben: 100 / 74,1 (1 Benchmarkfamilie)
Produktivität: 98,5 / 100 (1 Benchmarkfamilie)
48 passende Messreihen aus 19 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 11 vergleichbaren Kategorien.
GPT-5.5GLM-5.1
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner45,161 %
GLM-5.125,768 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner68,415 %
GLM-5.164,452 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner51,76 %
GLM-5.144,792 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner93,182 %
GLM-5.184,518 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner3,75 %
GLM-5.10 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner40,385 %
GLM-5.127,885 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner86,515 %
GLM-5.184,394 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner85,296 %
GLM-5.181,38 %
LMArena Text, Style ControlOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner1.476,271
GLM-5.11.467,757
MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner49,1 %
GLM-5.141,604 %
MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner86,868 %
GLM-5.172,27 %
MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner88,144 %
GLM-5.186,9 %
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | GPT-5.5 | GLM-5.1 | Quelle |
|---|---|---|---|
Code MigrationOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner45,161 % | 25,768 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner68,415 % | 64,452 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
Finance Agent (v2)OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner51,76 % | 44,792 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
GPQA DiamondOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner93,182 % | 84,518 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser | Gewinner3,75 % | 0 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Legal Research BenchOverall · All-passTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser | Gewinner40,385 % | 27,885 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LegalBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner86,515 % | 84,394 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LiveCodeBench v6OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner85,296 % | 81,38 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LMArena Text, Style ControlOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.5: Snapshot: gpt-5.5, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 60.896 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen. | Gewinner1.476,271 95-%-Konfidenzintervall: ±3,931Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.467,757 95-%-Konfidenzintervall: ±4,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MedCodeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner49,1 % | 41,604 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MedScribeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner86,868 % | 72,27 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MMLU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner88,144 % | 86,9 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
ProgramBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner0,5 % | 0 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Public Benefits Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser | 60,893 % | Gewinner61,84 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
SWE-bench VerifiedOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner82,6 % | 76,4 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
TaxEval v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | Gewinner74,98 % | 71,194 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Terminal-Bench 2.0OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besser | Gewinner73,202 % | 53,933 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner76,404 % | 56,929 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vals IndexCorpFin v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert69,58 % | 65,268 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Vibe Code Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands | Gewinner69,847 % | 31,456 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Code MigrationCLITestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert36,882 % | 18,833 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Exact PagesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert65,618 % | 61,772 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)AdjustmentsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert45,74 % | 43,276 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
GPQA DiamondFew-Shot CoTTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert93,434 % | 85,787 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert82,246 % | 71,377 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchAdministrative / Regulatory · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert53,03 % | 31,818 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchConclusion TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert89,644 % | 89,575 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | 98,447 % | Höherer Messwert98,754 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlOverallTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 59.545 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 42.267 anonymen Paarvergleichen. | Höherer Messwert1.481,893 95-%-Konfidenzintervall: ±3,953Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.467,757 95-%-Konfidenzintervall: ±4,079Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProBiologyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert94,003 % | 93,724 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchAlmost ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert9,5 % | 1 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified<15 min fixTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert91,753 % | 88,66 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
TaxEval v2CorrectnessTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert65,495 % | 61,538 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.0EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert85 % | 75 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger83,333 % | Kein direkter Sieger83,333 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Vals IndexFinance Agent v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert51,834 % | 44,79 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Code MigrationCOBOLTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert70 % | 46,571 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Max Fitting ContextTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert70,047 % | 66,317 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)All-PassTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert39,562 % | 32,68 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
GPQA DiamondZero-Shot CoTTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert92,929 % | 83,249 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Kein direkter Sieger0 % | Kein direkter Sieger0 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchAdministrative / Regulatory · Weighted partial creditTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: weighted partial-credit scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert86,669 % | 80,005 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchInterpretation TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert83,836 % | 81,709 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert69,714 % | 57,429 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.5: Snapshot: gpt-5.5, Harness: Arena text, style control GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 12.172 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen. | Gewinner1.484,744 95-%-Konfidenzintervall: ±6,754Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.465,984 95-%-Konfidenzintervall: ±7,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProBusinessTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert92,015 % | 91,128 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchFully ResolvedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert0,5 % | 0 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified>4 hoursTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert66,667 % | 33,333 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
TaxEval v2Stepwise ReasoningTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert84,464 % | 80,851 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.0HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert60,5 % | 36,667 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
Terminal-Bench 2.1HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert66,667 % | 37,778 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Vals IndexSWE-benchTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besser | Gewinner82,6 % | 72,549 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Code MigrationCode QualityTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: mean reviewer code-quality ratingBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | 3,498 / 5 | Höherer Messwert3,544 / 5 | Vals AIQuellendetailsDatenstand: 09.08.2026 |
CorpFin v2Shared Max ContextTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert69,58 % | 65,268 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Finance Agent (v2)ComparablesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert43,653 % | 41,557 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passedTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert78,495 % | 53,405 % | Vals AIQuellendetailsDatenstand: 07.08.2026 |
Legal Research BenchBusiness & Commercial · All-passTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert37,209 % | 23,256 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
LegalBenchIssue TasksTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | Höherer Messwert91,193 % | 89,02 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LiveCodeBench v6MediumTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | 87,728 % | Höherer Messwert87,958 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
LMArena Text, Style ControlBusiness, management and financeTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 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 GLM-5.1: Snapshot: glm-5.1, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 11.933 anonymen Paarvergleichen.GLM-5.1: Stilbereinigte Arena-Bewertung aus 8.473 anonymen Paarvergleichen. | Höherer Messwert1.489,944 95-%-Konfidenzintervall: ±6,761Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | 1.465,984 95-%-Konfidenzintervall: ±7,262Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | LMArenaQuellendetailsDatenstand: 21.08.2026 |
MMLU-ProChemistryTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens | 91,254 % | Höherer Messwert91,844 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
ProgramBenchRaw Pass RateTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert70,775 % | 50,879 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SWE-bench Verified1-4 hoursTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert50 % | 45,238 % | Vals AIQuellendetailsDatenstand: 08.08.2026 |
Terminal-Bench 2.0MediumTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.0Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens GLM-5.1: Temperatur: 1, Top P: 0.95, Ausgabegrenze: 131.072 tokens | Höherer Messwert79,273 % | 61,818 % | Vals AIQuellendetailsDatenstand: 04.06.2026 |
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
Ähnliche LLM-Vergleiche
Vergleiche GPT-5.5 und GLM-5.1 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.