Direktvergleich
GPT-5.5 vs. Kimi K3
Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.
- gemeinsame Messreihen
- 229
- verschiedene Benchmarks
- 27
- 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 | Kimi K3 |
|---|---|---|
| Anbieter | OpenAI | Moonshot AI |
| Erschienen | Apr. 2026 | 16. Juli 2026 |
| Verfügbarkeit | Aktiv | Aktiv |
| Modelltyp | Proprietär | Open Weights |
| Parameter | Nicht veröffentlicht | 2,8 Billionen, 104 Mrd. aktiv |
| Architektur | Nicht veröffentlicht | Mixture of Experts |
| 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.
| Preisart | GPT-5.5 | Kimi K3 |
|---|---|---|
| API-Eingabe | 5 $ ≤272K / 10 $ >272K | 3 $ |
| API-Ausgabe | 30 $ ≤272K / 45 $ >272K | 15 $ |
| Cache lesen | 0,5 $ ≤272K / 1 $ >272K | 0,3 $ |
| 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-5.5Kimi K3
API-EingabeUSD pro 1 Mio. Token, Basistarif
GPT-5.55 $
Kimi K3Günstiger3 $
API-AusgabeUSD pro 1 Mio. Token, Basistarif
GPT-5.530 $
Kimi K3Günstiger15 $
Cache lesenUSD pro 1 Mio. Token, Basistarif
GPT-5.50,5 $
Kimi K3Günstiger0,3 $
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 | |
| Kimi K3 | Moonshot AI | Direkt beim EntwicklerStandard-API | 3 $ | 15 $ | Quelle30.07.2026 |
| Alibaba | Über OpenRouteralibaba | 3,45 $ | 17,25 $ | Quelle25.08.2026 | |
| BaseTen | Über OpenRouterbaseten/fp8 | 3 $ | 15 $ | Quelle25.08.2026 | |
| Chutes | Über OpenRouterchutes/mxfp4 | 3 $ | 15 $ | Quelle25.08.2026 | |
| DeepInfra | Über OpenRouterdeepinfra/bf16 | 2,85 $ | 14,25 $ | Quelle25.08.2026 | |
| DigitalOcean | Über OpenRouterdigitalocean | 2,85 $ | 14,25 $ | Quelle25.08.2026 | |
| Fireworks | Über OpenRouterfireworks | 3 $ | 15 $ | Quelle25.08.2026 | |
| Fireworks | Über OpenRouterfireworks/fast | 4,5 $ | 22,5 $ | Quelle25.08.2026 | |
| Fireworks | Über OpenRouterfireworks/us | 3,3 $ | 16,5 $ | Quelle25.08.2026 | |
| Modal | Über OpenRoutermodal/mxfp4 | 3 $ | 15 $ | Quelle25.08.2026 | |
| Moonshot AI | Über OpenRoutermoonshotai/mxfp4 | 3 $ | 15 $ | Quelle25.08.2026 | |
| Morph | Über OpenRoutermorph/fast | 6 $ | 22,5 $ | Quelle25.08.2026 | |
| Morph | Über OpenRoutermorph/fp4 | Günstigster erfasster Preis: 2,8 $ | Günstigster erfasster Preis: 14 $ | Quelle25.08.2026 | |
| Phala | Über OpenRouterphala | 3 $ | 15 $ | Quelle25.08.2026 | |
| Together | Über OpenRoutertogether | 3 $ | 15 $ | 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
Kimi K3
Coding: 78,7 / 87,1 (5 Benchmarkfamilien)
Reasoning: 100 / 99,7 (1 Benchmarkfamilie)
Wissen: 100 / 99,8 (1 Benchmarkfamilie)
Finanzen: 97,4 / 99,3 (5 Benchmarkfamilien)
Recht: 75,3 / 99,8 (3 Benchmarkfamilien)
Agenten-Aufgaben: 97,2 / 81 (2 Benchmarkfamilien)
Multimodal: 100 / 99,9 (1 Benchmarkfamilie)
Produktivität: 89,2 / 100 (1 Benchmarkfamilie)
27 passende Messreihen aus 25 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 12 vergleichbaren Kategorien.
GPT-5.5Kimi K3
AlmanBench v0.1Accepted cases. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.5Höherer Messwert95,432 %
Kimi K390,962 %
Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner45,161 %
Kimi K316,099 %
CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.568,415 %
Kimi K3Gewinner71,562 %
CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner80,508 %
Kimi K379,026 %
EMBOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.564,543 %
Kimi K3Gewinner66,399 %
Finance Agent (v2)Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.551,76 %
Kimi K3Gewinner54,36 %
GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner93,182 %
Kimi K392,929 %
Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.53,75 %
Kimi K3Gewinner10,833 %
Legal Research BenchOverall · All-pass. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.540,385 %
Kimi K3Gewinner44,231 %
LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.5Gewinner86,515 %
Kimi K386,016 %
LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied
GPT-5.585,296 %
Kimi K3Gewinner87,185 %
LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert
GPT-5.51.476,271
Kimi K3Höherer Messwert1.489,097
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand
| Benchmark und Aufgabe | GPT-5.5 | Kimi K3 | Quelle |
|---|---|---|---|
AlmanBench v0.1Accepted casesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: v0.1, results commit f34ddbfMessgröße: accepted casesBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh Kimi K3: Reasoning: max1.029 öffentliche Aufgaben, ein direkter Lauf je Zeile. Gemessen wird die Alman-Sprachspezifikation. | Höherer Messwert95,432 % | 90,962 % | Alman InstitutQuellendetailsDatenstand: 05.08.2026 |
Code MigrationOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner45,161 % | 16,099 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 68,415 % | Gewinner71,562 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
CyberBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner80,508 % | 79,026 % | Vals AIQuellendetailsDatenstand: 03.08.2026 |
EMBOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 64,543 % | Gewinner66,399 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Finance Agent (v2)OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 51,76 % | Gewinner54,36 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
GPQA DiamondOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner93,182 % | 92,929 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Harvey's Legal Agent BenchmarkOverall · Task fully resolvedTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besser | 3,75 % | Gewinner10,833 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Legal Research BenchOverall · All-passTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: all-pass rateBewertung: Mehr ist besser | 40,385 % | Gewinner44,231 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LegalBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner86,515 % | 86,016 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
LiveCodeBench v6OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 85,296 % | Gewinner87,185 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
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, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 60.896 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 15.054 anonymen Paarvergleichen. | 1.476,271 95-%-Konfidenzintervall: ±3,931Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.489,097 95-%-Konfidenzintervall: ±5,803Der 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 % | 48,884 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MedScribeOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 86,868 % | Gewinner87,958 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
MMLU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner88,144 % | 87,973 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
MMMU-ProOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner88,266 % | 88,15 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
MortgageTaxOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | Gewinner68,76 % | 66,336 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
ProgramBenchOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 0,5 % | Gewinner2 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Public Benefits Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besser | 60,893 % | Gewinner68,268 % | Vals AIQuellendetailsDatenstand: 12.08.2026 |
SAGEOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 51,532 % | Gewinner54,26 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
SWE-bench VerifiedOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besser | 82,6 % | Gewinner93,4 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
TaxEval v2OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besser | 74,98 % | Gewinner75,716 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Terminal-Bench 2.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besser | 76,404 % | Gewinner80,899 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Time Horizon Index: KSPOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: progressBewertung: Mehr ist besser | Gewinner8,333 % | 5,167 % | Vals AIQuellendetailsDatenstand: 20.08.2026 |
Vals IndexOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: weighted index scoreBewertung: Mehr ist besser | 57,411 % | Gewinner57,813 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
Vals Multimodal IndexOverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.2Messgröße: weighted index scoreBewertung: Mehr ist besser | 68,071 % | Gewinner73,42 % | Vals AIQuellendetailsDatenstand: 11.08.2026 |
Vibe Code Bench v1.1OverallTestdetailsKein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserEinstellungen: Harness: OpenHands | 69,847 % | Gewinner84,963 % | Vals AIQuellendetailsDatenstand: 19.08.2026 |
CorpFin v2Exact PagesTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 65,618 % | Höherer Messwert69,347 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
CyberBenchPatchTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserKimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 81,356 % | Höherer Messwert83,051 % | Vals AIQuellendetailsDatenstand: 03.08.2026 |
EMBCompsTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 64,681 % | Höherer Messwert72,685 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 45,74 % | Höherer Messwert51,461 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Kein direkter Sieger93,434 % | Kein direkter Sieger93,434 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 82,246 % | Höherer Messwert87,319 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 53,03 % | Höherer Messwert54,545 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 89,644 % | Höherer Messwert90,733 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 98,447 % | Höherer Messwert98,758 % | 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 Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 59.545 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 15.054 anonymen Paarvergleichen. | 1.481,893 95-%-Konfidenzintervall: ±3,953Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.489,097 95-%-Konfidenzintervall: ±5,803Der 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert94,003 % | 93,863 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
MortgageTaxNumerical ExtractionTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 76,153 % | Höherer Messwert78,855 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 9,5 % | Höherer Messwert17,5 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SAGEAutomataTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Temperatur: 1, Ausgabegrenze: 30.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens | 40,476 % | Höherer Messwert44,048 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 91,753 % | Höherer Messwert92,268 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert65,495 % | 65,331 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.1EasyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 83,333 % | Höherer Messwert91,667 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
Time Horizon Index: KSPProgress efficiencyTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: progressBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert6,032 % | 4,072 % | Vals AIQuellendetailsDatenstand: 05.08.2026 |
Vals IndexCorpFin v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 69,58 % | Höherer Messwert72,611 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Vals Multimodal IndexCorpFin v2TestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1.2Messgröße: benchmark scoreBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 69,58 % | Höherer Messwert72,611 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 70,047 % | Höherer Messwert72,727 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
CyberBenchPoCTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserKimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert79,661 % | 75 % | Vals AIQuellendetailsDatenstand: 03.08.2026 |
EMBDataroomTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 81,227 % | Höherer Messwert85,13 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 39,562 % | Höherer Messwert41,69 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert92,929 % | 92,424 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 86,669 % | Höherer Messwert90,731 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert83,836 % | 82,612 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 69,714 % | Höherer Messwert74,286 % | 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, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.5: Stilbereinigte Arena-Bewertung aus 12.172 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.052 anonymen Paarvergleichen. | 1.484,744 95-%-Konfidenzintervall: ±6,754Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis. | Höherer Messwert1.490,29 95-%-Konfidenzintervall: ±11,183Der 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Kein direkter Sieger92,015 % | Kein direkter Sieger92,015 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
MortgageTaxSemantic ExtractionTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Höherer Messwert61,367 % | 53,816 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 0,5 % | Höherer Messwert2 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
SAGECalculusTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: xhigh, Temperatur: 1 Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens | 72,222 % | Höherer Messwert75,617 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | Kein direkter Sieger66,667 % | Kein direkter Sieger66,667 % | 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 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 84,464 % | Höherer Messwert86,1 % | Vals AIQuellendetailsDatenstand: 09.08.2026 |
Terminal-Bench 2.1HardTestdetailsTestaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.5: Reasoning: high, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens | 66,667 % | Höherer Messwert74,444 % | Vals AIQuellendetailsDatenstand: 06.08.2026 |
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
Ähnliche LLM-Vergleiche
Vergleiche GPT-5.5 und Kimi K3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.