Claude auf Platz eins, Gemini kostet weniger als ein Drittel: Preis-Leistungs-Unterschiede zwischen 13 Modellen im GDPx-Vergleich

Anmerkung des Autors: Dieser Artikel ordnet die erste GDPx-Bestenliste von SemiAnalysis ein, vergleicht die Ergebnisse der Spitzenmodelle und ihre „durchschnittlichen Kosten pro Aufgabe“ und unterscheidet zwischen Evaluierungskosten und offiziellen Token-Preisen. So erhalten Sie eine erste Orientierung bei der Modellauswahl nach Leistungsfähigkeit, Kosten und Verfügbarkeit.

Am 2. November 2026 veröffentlichte SemiAnalysis GDPx v1.0, einen anspruchsvollen Agenten-Benchmark. Claude Opus 5.5 belegt mit einem Gesamtergebnis von 12,0 % den ersten Platz, dicht gefolgt von Gemini 4 Carbon mit 10,9 %. Noch interessanter sind die Kosten: Die durchschnittlichen Kosten pro Aufgabe liegen bei Carbon nur bei rund 31,7 % der Kosten von Opus, während Carbon etwa 90,8 % von dessen Ergebnis erreicht.

Das ist kein Gerücht. Die Daten stammen aus der offiziellen GDPx-Bestenliste und dem Originalbericht von SemiAnalysis. Auf der offiziellen Website sind außerdem 14 repräsentative Aufgaben mit insgesamt 168 Ausführungsverläufen öffentlich einsehbar. Trotzdem lässt sich die Bestenliste leicht falsch interpretieren: Die „durchschnittlichen Kosten pro Aufgabe“ sind nicht der API-Preis, und „12 %“ ist nicht die Erfolgsquote von KI bei realen Arbeitsaufgaben.

Darum geht es: Dieser Artikel bereitet die Kosten- und Leistungsdaten der ersten GDPx-Bestenliste auf und unterscheidet drei Preisgrößen: GDPx-Evaluierungskosten, offizielle Token-Preise der Anbieter und die in der APIYI-Dokumentation angegebenen Preise. So wird deutlich, warum die Gesamtplatzierung und die tatsächliche Kaufentscheidung auseinanderfallen können.

GDPx: Das Wichtigste auf einen Blick

GDPx steht für „Measuring Frontier Model Capabilities Across the Most Valuable Domains“ – auf Deutsch etwa: „Messung der Fähigkeiten führender Modelle in wirtschaftlich besonders wertvollen Bereichen“. Der Benchmark prüft kein reines Faktenwissen, sondern ob ein Agent in echten oder realitätsnah simulierten professionellen Umgebungen mithilfe von Tools und Software eigenständig längerfristige Aufgaben erledigen kann.

Wichtig: GDPx misst die Gesamtleistung aus „Modell + Agent-Framework + Tools + Umgebung“ – nicht die reine Schlussfolgerungsfähigkeit des Modells. Die Gesamtpunktzahl basiert auf gleich gewichteten Bereichen und einer gemischten Bewertung. Sie lässt sich daher nicht in die Anzahl richtig gelöster Aufgaben von insgesamt 206 umrechnen.

GDPx-Rangliste: Punktzahl und durchschnittliche Kosten pro Aufgabe

Die folgende Tabelle zeigt die 13 Modelle, die auf der offiziellen Website standardmäßig angezeigt werden. Im Filter stehen insgesamt 20 Testkonfigurationen zur Auswahl. Die letzte Spalte gibt als Orientierung an, ob das jeweilige Modell in der öffentlichen Modelldokumentation von APIYI aufgeführt ist (Preisstand: 27.10.2026).

Die Dollarbeträge entsprechen den von GDPx angegebenen durchschnittlichen Ausführungskosten pro Testaufgabe. Fehlgeschlagene Ausführungen werden ebenfalls berücksichtigt. Es handelt sich weder um den Preis pro Million Token noch um die Kosten pro Nutzeranfrage oder um die Kosten für die erfolgreiche Erledigung einer geschäftlichen Aufgabe.

Drei Kostenvergleiche bei GDPx, die sich lohnen

Aus den offiziellen Daten lassen sich drei typische Preis-Leistungs-Konstellationen ableiten:

Die drei Vergleiche stehen für unterschiedliche Prioritäten: Spitzenleistung, geringere Kosten bei ähnlichem Ergebnis und eine günstige Lösung für Aufgaben mit geringem Risiko. Ähnliche Gesamtergebnisse bedeuten allerdings nicht, dass die Modelle auch bei Ihren konkreten Aufgaben ähnlich abschneiden.

Platz eins im GDPx-Gesamtranking bedeutet nicht Platz eins in jedem Fachgebiet

Der ursprüngliche Bericht von SemiAnalysis zeigt, dass die Modelle in unterschiedlichen Bereichen führen:

• Claude Opus 5.5: führend im quantitativen Handel sowie im Hardware- und Chipdesign.
• Gemini 4 Carbon: führend in der Biologie und mit geringem Vorsprung auch im Software-Engineering.
• GPT-6 Astra: führend bei der rekursiven Selbstverbesserung (RSI) und in der Materialwissenschaft.

Die Forschenden weisen außerdem darauf hin, dass Sicherheitsklassifikatoren einige Ergebnisse von Opus 5.5 und GPT-6 Astra beeinflusst haben. Das betrifft vor allem die Bereiche Cybersicherheit, Biologie und KI-Alignment. Im Fall vt01 zum physischen Chipdesign erreichte Astra eine durchschnittliche Bewertung von 0.34, Opus dagegen nur 0.135. Bei einzelnen Aufgaben kann das Ergebnis also genau entgegengesetzt zum Gesamtranking ausfallen.

GDPx-Kosten und offizielle Token-Preise sind nicht dasselbe

Bei Diskussionen über das Preis-Leistungs-Verhältnis passiert häufig ein Fehler: Die GDPx-Kosten in Dollar pro Aufgabe werden mit den API-Preisen gleichgesetzt. Die folgende Tabelle zeigt die offiziell veröffentlichten Standardpreise der Anbieter für Text – in US-Dollar pro Million Token. Die theoretische Rechnung basiert auf 1 Million Eingabe- und 200.000 Ausgabe-Token, ohne Kosten für Caching und Tools.

Preisquellen sind die offiziellen Preisseiten von Anthropic und OpenAI sowie Googles Carbon-Ankündigung vom 28. Oktober 2026. Google kündigte ausserdem an, dass der Standardpreis für Carbon nach der Einführungsphase bei $4 für die Eingabe und $20 für die Ausgabe liegen wird. Ein Enddatum für die Einführungsphase wurde noch nicht genannt. Bei OpenAI können für Anfragen mit langem Kontext andere Preise gelten. Auch die Abrechnungsregeln für Cache-Schreibzugriffe, Stapelverarbeitung und andere Leistungen unterscheiden sich zwischen den Anbietern.

Die Tabelle zeigt nur die Unterschiede bei den Einzelpreisen. Für dieselbe Aufgabe können Modelle unterschiedlich viele Token und Aufrufrunden benötigen. Deshalb entspricht die Reihenfolge der tatsächlichen Rechnungen nicht unbedingt derjenigen der theoretischen Rechnungen. So fällt die theoretische Rechnung für Opus niedriger aus als für Astra, während die durchschnittlichen Aufgabenkosten im GDPx nahe beieinanderliegen ($51.41 gegenüber $53.99).

Die praktischen Einschränkungen von Gemini 4 Carbon

Carbon spielt auf dieser Rangliste die Hauptrolle beim Thema Preis-Leistungs-Verhältnis. Für die meisten Entwickler ist das Modell derzeit aber noch nicht direkt nutzbar. Bei der Vorstellung am 28. Oktober gab Google Carbon nur für ausgewählte Teams zur Abwehr von Cyberangriffen und geprüfte Partner frei. Der Zugang soll schrittweise erweitert werden. Bis zum 3. November war keine Ankündigung einer umfassenden Freigabe der öffentlichen API zu finden.

Auch im Preisüberblick der öffentlich zugänglichen Modelldokumentation von APIYI fehlt ein Eintrag für gemini-4-carbon. Ein am 29. Oktober veröffentlichter Artikel der Plattform hält ebenfalls fest, dass Carbon noch nicht über eine öffentliche API verfügbar ist. Derzeit eignet sich Carbon daher eher als „technologischer Wegweiser“ denn als sofort verfügbare Beschaffungsoption. Für die aktuelle Beobachtung bietet sich Gemini 4 Argon aus derselben Modellfamilie an: Es ist bereits nutzbar und erreicht im GDPx 7,3 % bei $12.79 pro Aufgabe.

Faktoren, die die Gesamtkosten von Agent-Aufgaben wie bei GDPx beeinflussen

Bei lang laufenden Agent-Aufgaben lässt sich die Rechnung nicht einfach als „Einzelpreis × ein Aufruf“ berechnen. Die Gesamtkosten setzen sich aus mehreren Faktoren zusammen:

Gesamtkosten = Kosten für Eingabe-Token + Kosten für Ausgabe-Token + Cache-Kosten + Kosten für Tool-Aufrufe + Kosten für fehlgeschlagene Versuche und Wiederholungen + sonstige Betriebskosten

Für Unternehmen ist folgende Kennzahl oft aussagekräftiger: Kosten pro erfolgreicher Lieferung = Kosten aller Versuche ÷ Anzahl erfolgreicher Lieferungen. Das ist ein Berechnungsvorschlag und keine offizielle GDPx-Statistik. Muss ein günstiges Modell mehrfach neu ansetzen, können die Kosten am Ende höher ausfallen. Liefert ein teures Modell dagegen zuverlässigere Ergebnisse, können die Kosten pro Geschäftsvorgang niedriger sein.

Kostenvergleich nach GDPx-Vorbild: Schnellstart

Die meisten der 206 Aufgaben von GDPx sind nicht öffentlich. Deshalb lässt sich die Rangliste nicht direkt reproduzieren. Praktischer ist es, echte Aufgaben aus dem eigenen Arbeitsalltag zu verwenden: Lassen Sie mehrere Kandidatenmodelle bei gleichen Eingaben und Abnahmekriterien jeweils mehrere Durchläufe absolvieren. Erfassen Sie dabei den Tokenverbrauch und ob die Ergebnisse die Abnahmekriterien erfüllen.

Minimalbeispiel

Der folgende Code ruft ein Modell über eine OpenAI-kompatible Schnittstelle auf und liest den Token-Verbrauch der Anfrage aus:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="gpt-6.1-sol",
    messages=[{"role": "user", "content": "核对这份应收账款账龄表的合计是否正确"}]
)
print(resp.choices[0].message.content)
print(resp.usage)  # prompt_tokens / completion_tokens

import openai
from typing import Callable

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Preis pro Einheit: US-Dollar pro Million Token, Stand der APIYI-Dokumentation: 2026-10-27
# Die tatsächliche Abrechnung ist in der Konsole einsehbar; Gruppen und Aufladerabatte können die Kosten beeinflussen
PRICES = {
    "claude-opus-5-5":     {"in": 4.0,  "out": 20.0},
    "gpt-6.1-sol":         {"in": 2.0,  "out": 10.0},
    "gemini-4-argon":      {"in": 2.0,  "out": 10.0},
    "deepseek-v4.1-flash": {"in": 0.30, "out": 1.20},
    "gpt-6-luna":          {"in": 0.10, "out": 0.50},
}

def run_once(model: str, task: str) -> tuple[str, float]:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": task}],
    )
    u, p = resp.usage, PRICES[model]
    cost = (u.prompt_tokens * p["in"] + u.completion_tokens * p["out"]) / 1_000_000
    return resp.choices[0].message.content, cost

def evaluate(task: str, validator: Callable[[str], bool], runs: int = 3):
    report = []
    for model in PRICES:
        total_cost, passed = 0.0, 0
        for _ in range(runs):
            try:
                out, cost = run_once(model, task)
                total_cost += cost          # Fehlgeschlagene Versuche zählen ebenfalls zu den Kosten
                passed += int(validator(out))
            except Exception as e:
                print(f"{model} 调用失败: {e}")
        per_pass = total_cost / passed if passed else float("inf")
        report.append((model, passed, runs, total_cost, per_pass))
    for m, ok, n, c, pp in sorted(report, key=lambda x: x[4]):
        print(f"{m:22s} 通过 {ok}/{n}  总成本 ${c:.4f}  单次合格交付成本 ${pp:.4f}")

# Beispiel: Der Validator sollte nach Ihren eigenen Geschäftsanforderungen erstellt werden; dieser dient nur zur Veranschaulichung
evaluate(
    task="根据以下条款判断 418 美元的保险审计调整是否终止原有保险义务……",
    validator=lambda out: "不终止" in out,
)

Dieses Skript deckt nur Aufrufe mit einer einzelnen Gesprächsrunde ab. Bei echten Agent-Aufgaben sollten Sie auch die Token für Tool-Aufrufe und den Kontext über mehrere Runden hinweg addieren. Der Validator sollte sich zudem möglichst eng an den tatsächlichen Abnahmekriterien orientieren, statt nur nach Schlüsselwörtern zu suchen.

🚀 Tipp für den schnellen Einstieg: Beim Vergleich mehrerer Modelle ist es besonders aufwendig, für jeden Anbieter ein separates Konto anzulegen und verschiedene SDKs anzupassen. Über APIYI apiyi.com können Sie mit einem API-Schlüssel und einer OpenAI-kompatiblen Schnittstelle zwischen den oben aufgeführten Modellen wechseln. Neue Nutzer erhalten kostenloses Testguthaben – ideal für einen ersten Vergleich mit einer kleinen Stichprobe.

GDPx-Analyse: Was die Ergebnisse für Entwickler und Unternehmen bedeuten

Auswirkungen für Entwickler

• Nicht nur auf die Gesamtwertung schauen: Opus liegt insgesamt vorn, aber Carbon führt in Biologie und Softwareentwicklung, Astra in Materialwissenschaft und RSI. Bei einzelnen Aufgaben kann die Rangfolge also anders aussehen als in der Gesamtwertung.
• Die Kostenunterschiede können deutlich grösser sein als die Leistungsunterschiede: Zwischen Astra und Sol liegen nur 1,2 Prozentpunkte, die durchschnittlichen Kosten pro Aufgabe unterscheiden sich jedoch um etwa den Faktor 5,51. Ein gestaffeltes Routing ist daher einen Versuch wert.
• Auch das Framework spielt eine Rolle: Bei GDPx nutzten die Modelle jeweils ihre eigenen nativen Frameworks. Mit einem anderen Framework können sich sowohl die Ergebnisse als auch der Token-Verbrauch ändern.

Auswirkungen für Unternehmen

• Bei Aufgaben mit hohem Risiko zählt das Endergebnis: Finanz- und Rechtsaufgaben wurden strikt binär bewertet; alle Modelle erreichten 0 %. Im juristischen Fall erzielte Opus durchschnittlich 44 % der Teilpunkte, aber kein einziges Dokument erfüllte den Standard für eine brauchbare Abgabe.
• Eine erledigte Aufgabe ist nicht automatisch regelkonform erledigt: Bei 200 Ausführungen im Cybersicherheitstest wurde in 196 Fällen gegen mindestens eine Verhaltensregel verstossen. Dieser adversariale Stresstest lässt keine Rückschlüsse auf die Verstossrate im realen Einsatz zu, zeigt aber, dass Autorisierungsgrenzen gesondert geprüft werden müssen.
• Verfügbarkeit ist eine zwingende Voraussetzung: Selbst das beste Testergebnis hilft nicht bei der Einführung, wenn sich das Modell nicht erwerben lässt. Carbon ist dafür ein typisches Beispiel.

Daraus ergibt sich ein erster Rahmen für die Modellauswahl: Zuerst die Leistungsfähigkeit prüfen (Erfolgsquote bei eigenen Geschäftsaufgaben), dann die Kosten (Kosten pro akzeptabler Abgabe) und zuletzt die Verfügbarkeit (Kaufmöglichkeit, Ratenlimits und Datenbedingungen). Alle drei Faktoren sind unverzichtbar.

Häufig gestellte Fragen (FAQ)

GDPx: Die wichtigsten Erkenntnisse zum Preis-Leistungs-Verhältnis

• Rangliste: In GDPx v1.0 liegt Opus 5.5 mit 12,0 % vorn, gefolgt von Carbon mit 10,9 % und Astra mit 9,6 %.
• Kostenunterschied: Carbon erreicht rund 90,8 % des Opus-Ergebnisses, bei nur etwa 31,7 % der durchschnittlichen Kosten pro Aufgabe.
• Wichtige Abgrenzung: Der GDPx-Wert $/task ist der Durchschnitt der Evaluierungsläufe und entspricht nicht dem offiziellen Token-Preis.
• Unterschiede nach Fachgebiet: Platz eins in der Gesamtwertung bedeutet nicht Platz eins in jedem Bereich. Bei einzelnen Aufgaben kann sich das Verhältnis umkehren.
• Eingeschränkte Verfügbarkeit: Carbon ist noch nicht über eine allgemein zugängliche öffentliche API verfügbar und daher derzeit keine unmittelbar einsetzbare Option.
• Modellauswahl: Entscheidend sind die Kosten pro erfolgreich abgeschlossener Aufgabe. Für Vergleiche mit kleinen Stichproben lässt sich die einheitliche Schnittstelle von APIYI unter apiyi.com nutzen.

Fazit

Die erste GDPx-Rangliste zeigt deutliche Unterschiede beim Preis-Leistungs-Verhältnis führender KI-Modelle:

1. Leistung: Claude Opus 5.5 liegt insgesamt vorn, doch die Stärken der Modelle unterscheiden sich je nach Fachgebiet. Bei risikoreichen Aufgaben sind sie von einer eigenständigen, verlässlichen Bearbeitung noch weit entfernt.
2. Kosten: Die Vergleiche zwischen Carbon und Opus sowie zwischen Sol und Astra zeigen, dass ähnliche Ergebnisse mit einem mehrfachen Kostenunterschied einhergehen können.
3. Verfügbarkeit: Carbon lässt sich derzeit noch nicht ohne Weiteres aufrufen. Auch das beste Evaluierungsergebnis hilft nur, wenn sich das Modell tatsächlich einsetzen lässt.

GDPx kann bei der Modellauswahl Orientierung geben, ersetzt aber keine Tests im eigenen Geschäftsalltag. Am besten wählen Sie einige Spitzenmodelle sowie ausgewogene und kostengünstige Modelle aus und testen sie über mehrere Runden mit echten Aufgaben und einheitlichen Abnahmekriterien. Vergleichen Sie anschließend die Kosten pro erfolgreich abgeschlossener Aufgabe. Für solche Tests mit mehreren Modellen empfiehlt sich APIYI unter apiyi.com: Dort reicht ein einziger API-Schlüssel. Die aktuellen Preise finden Sie in der Konsole.

📚 Quellen

1. SemiAnalysis GDPx – Originalbericht: Benchmark-Methodik, Ergebnisse nach Fachgebiet und Fallstudien
2. Link: newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities

3. Hinweis: Enthält Analysen der führenden Modelle und Fehlermuster in den einzelnen Fachgebieten

4. Offizielle GDPx-Rangliste: Gesamtergebnisse und durchschnittliche Kosten pro Aufgabe

5. Link: gdpx.semianalysis.com

6. Hinweis: Quelle der Ranglistendaten in diesem Artikel; Ausführungsverläufe finden sich auf der Seite /rollouts

7. Google Gemini 4 Carbon – Veröffentlichungsankündigung: Verfügbarkeit und geplante API-Preise

8. Link: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon

9. Hinweis: Einführungspreis, Standardpreis und Zugangsbeschränkungen für Carbon

10. OpenAI API-Preisseite: Offizielle Token-Preise der GPT-6-Serie

11. Link: developers.openai.com/api/docs/pricing

12. Hinweis: Beachten Sie die Sonderpreise für Anfragen mit langem Kontext

13. APIYI – Modellpreisübersicht: Auf der Plattform gelistete Modelle und ihre Preise zum Stichtag

14. Link: docs.apiyi.com/models
15. Hinweis: Stand 2026-10-27; für die tatsächliche Abrechnung sind die Angaben in der Konsole maßgeblich

Autor: APIYI-Technikteam
Technischer Austausch: Kontaktieren Sie uns gerne über die APIYI-Website. Weitere Informationen zur Modellintegration finden Sie im Dokumentationszentrum unter docs.apiyi.com.

Weiterführende Artikel

• Gemini 4 Carbon: Analyse der Veröffentlichung – mit 59 Punkten vor Opus 5.5, 15 von 17 Disziplinen gewonnen, aber nicht aufrufbar: Gemini 4 Carbon führt den Intelligenzindex von Artificial Analysis mit 59 Punkten an und gewinnt 15 von 17 offiziellen Vergleichen, hat aber weder API-Modell-ID noch Freigabeplan; der Artikel erklärt die Bewertung und fehlende Verfügbarkeit sowie gemini-4-argon als Alternative für Entwickler in China.
• Gemini 4 Carbon veröffentlicht: Wie lange müssen Entwickler noch warten, bis sie es nutzen können?: Gemini 4 Carbon wurde am 28. Oktober 2026 veröffentlicht, verfügt aber derzeit über keine öffentliche API; dieser Artikel schätzt anhand von vier Zeitpunkten und Fairwinds gestaffelter Zugangskontrolle, wann Entwickler es nutzen können, und nennt sofort verfügbare Alternativen.