Claude Opus 5.5 vs. Gemini 4 Carbon: Eine 12-%-Obergrenze und ein Drittel der Rechnung

Claude Opus 5.5 und Gemini 4 Carbon sind die beiden besten Modelle im neuen GDPx-Benchmark von SemiAnalysis, und der Abstand zwischen ihnen beträgt etwas mehr als einen Punkt: 12,0 % für Opus 5.5, 10,9 % für Carbon. Die nützlichere Zahl steht unter der Punktzahl. Carbon erreichte das für 16,29 US-Dollar pro Aufgabe; Opus 5.5 benötigte 51,41 US-Dollar. Das ist die ganze Entscheidung in einer Zeile – mit einem Haken, den die Rangliste nicht zeigen kann. Opus 5.5 ist seit dem 22. September 2026 allgemein verfügbar. Carbon wurde am 28. Oktober angekündigt und ist über Googles Fairwind-Programm weiterhin auf Cyberabwehr-Partner beschränkt, ohne öffentliche Modell-ID. Ein Drittel der Rechnung ist nur dann ein Schnäppchen, wenn man die Bestellung aufgeben kann.

GDPx v1.0 ist ein neuer Benchmark, der diese Woche veröffentlicht wurde, und die erste unabhängige Bewertung, die diese beiden Modelle anhand derselben Aufgaben mit derselben Testumgebung bewertet und angibt, was jeder Lauf gekostet hat. Dieser Zeitpunkt ist wichtiger als das Ranking. Sechs Wochen nach der Veröffentlichung von Opus 5.5 und wenige Tage nach der Ankündigung von Carbon gibt es endlich einen auf Messungen beruhenden Vergleich statt zwei nebeneinandergestellter Anbietertabellen.

Was jedes Modell ist, vor der Tabelle

Claude Opus 5.5 ist Anthropics aktuelles Flaggschiff für langlaufende agentische Programmierung und Wissensarbeit. Es hat Opus 5 abgelöst – mit 20 % niedrigerem Preis und einem dokumentierten Kontextfenster von 1 Mio. Tokens – und ist das Modell, das Anthropic für Claude Code und die Claude-Apps positioniert.

• Preis — 4 $ pro Million Input-Tokens, 20 $ pro Million Output-Tokens. Batch-Anfragen sind 50 % günstiger: 2 $ / 10 $.

• Kontext und Ausgabe — 1 Mio. Eingabe-Tokens, 128K Ausgabe bei der synchronen API, 300K Ausgabe bei der Batch-API mit dem Extended-Output-Beta-Header.

• Caching — ein fünfminütiger Cache-Schreibvorgang kostet 5 $ pro Million Tokens, ein einstündiger Schreibvorgang 8 $ und ein Cache-Lesevorgang 0,20 $.

• Denken — adaptives Denken ist immer aktiv und kann nicht deaktiviert werden; die Standard-Aufwandsstufe ist mittel, und der verlässliche Wissensstand endet im Juni 2026.

• Wo — die Claude API unter claude-opus-5-5, Amazon Bedrock, Google Cloud sowohl über die von Google verwalteten als auch über die von Anthropic verwalteten Pfade, Microsoft Foundry und die Claude Platform auf AWS.

Gemini 4 Carbon ist Googles neuestes Frontier-Modell; Koray Kavukcuoglu kündigte es am 28. Oktober als das stärkste Modell des Unternehmens für Cybersicherheit, langfristig agierende Agenten und komplexe Softwareentwicklung an. Googles Ankündigung enthält drei zentrale Behauptungen und eine auffällige Auslassung: Es wird kein Kontextfenster veröffentlicht. Die Benchmark-Angaben stammen von Google selbst – SEC-bench Pro 88,2 % für die Entdeckung von Schwachstellen, ExploitGym 54,8 % für die Ausnutzung und CWE-bench 71,0 % für das Patchen – und sollten als vom Anbieter berichtet und nicht unabhängig reproduziert verstanden werden.

• Preis — $2 pro Million Eingabe-Tokens und $10 pro Million Ausgabe-Tokens während einer Einführungsphase, wobei zwischengespeicherte Eingabe 95 % Rabatt erhält; der Standardtarif liegt später bei $4 / $20, und Google hat nicht gesagt, wann die Einführungspreise enden.

• Zugang — nur Fairwind, für eine Teilgruppe von Cyber-Verteidigern und vertrauenswürdigen Partnern, wobei ein breiterer Zugang für Entwickler, Unternehmen und Verbraucher „so bald wie möglich“ versprochen wurde – ohne Datum.

• Endpunkt — kein öffentlicher verfügbar. Die Gemini API stellt weiterhin gemini-4-argon bereit, nicht Carbon.

• Kontext – in der Ankündigung nicht angegeben. Ergebnisse zum Long-Context-Retrieval sind in der Berichterstattung zur Launch-Woche kursiert, doch das Kontextfenster selbst ist keine veröffentlichte Spezifikation.

Diese Asymmetrie ist das Erste, was man bei dieser Gegenüberstellung verstehen muss. Das eine Modell ist ein Produkt, das man heute über die Claude API, vier Cloud-Plattformen und ein Dutzend SDKs aufrufen kann. Das andere ist eine Demonstration der Leistungsfähigkeit mit Warteliste. Alles, was folgt, vergleicht sie als Modelle; nur eines von ihnen ist derzeit eine Bereitstellungsoption.

GDPx: 206 Aufgaben, eine Obergrenze von 12 % und eine Kostendifferenz um den Faktor 3,2

SemiAnalysis entwickelte GDPx als Nachfolger von OpenAIs GDPval, mit 14 Datenpartnern und 206 Aufgaben, verteilt über 11 berufliche Fachgebiete: Finanzen, Recht, Biologie, Materialwissenschaft, Chipdesign, Hardwaredesign, Cybersicherheit, Softwareentwicklung, Alignment, Quant-Trading und rekursive Selbstverbesserung. Jede Aufgabe erhält standardmäßig ein Acht-Stunden-Budget, drei Durchläufe werden gemittelt, und die Domänen werden gleich gewichtet. Nur 13 der 20 getesteten Modelle erscheinen auf dem öffentlichen Leaderboard.

• Claude Opus 5.5 — 12,0 %, Erster, bei 51,41 $ pro Aufgabe und rund 548.000 Ausgabe-Tokens pro Aufgabe.

• Gemini 4 Carbon — 10,9 %, Zweiter, bei 16,29 US-Dollar pro Aufgabe und rund 594.000 Ausgabe-Tokens pro Aufgabe.

• GPT-6 Astra — 9,6 %, Dritter, bei 53,99 $ pro Aufgabe.

• Claude Fable 5.1 — 8,5 % bei $67.16, das teuerste Modell in der Übersicht.

Hier konkurrieren zwei Lesarten, und beide sind richtig. Die erste ist, dass Carbon etwa 91 % der Punktzahl von Opus 5.5 für etwa 32 % der Kosten liefert, was ein echtes Preis-Leistungs-Argument ist und das, womit 9to5Google begann. Die zweite ist, dass beide Modelle sieben von acht professionellen Aufgaben, die ihnen gestellt werden, nicht abschließen. Ein Vorsprung von einem Punkt bei 12 % ist kein gelöstes Problem; er markiert die aktuelle Grenze dessen, was Agenten leisten können, wenn die Arbeit lang, offen und von einem Fachexperten bewertet wird.

SemiAnalysis hat eine zweite Ansicht veröffentlicht, bei der Cybersicherheit, Biologie und Alignment entfernt wurden, und die Reihenfolge ändert sich: GPT-6 Astra rückt auf den ersten Platz, und Carbon fällt unter GPT-6.1 Sol und Claude Sonnet 5.5. Das Unternehmen sagt, diese Ansicht entspreche seinen subjektiven Eindrücken besser. Der Mechanismus sind Guardrails – ein Modell, das eine Aufgabe ablehnt, erhält dafür null Punkte, und Carbons Sicherheitsverhalten ist genau in den Domänen strenger, in denen seine Cyber-Stärken am größten sind. Carbons zweiter Platz ist also teils ein Ergebnis der Fähigkeiten und teils ein Ergebnis der Berechtigungen. Wenn Ihre Arbeit wie die entfernten Domänen aussieht, beschreibt das Ranking in den Schlagzeilen nicht Sie.

Wo Carbon tatsächlich vorne liegt

Auf dem Intelligence Index v5.0 von Artificial Analysis liegt Carbon bei 59 und Opus 5.5 bei 58. Ein Punkt auf einem Composite, das am 27. Oktober auf eine neue Basis gestellt wurde, ist keine Lücke, für die man ein Produktionssystem migrieren würde. Das belegt jedoch, dass Googles Modell an der Frontier steht und nicht dahinter – eine stärkere Aussage, als der zugangsbeschränkte Rollout ohne Weiteres überprüfbar macht.

Die Cyber-Kennzahlen sind der Punkt, an dem Carbons Fall am klarsten ist, und zugleich der Punkt, an dem die Quellenlage am schwächsten ist. Googles eigener Harness beziffert sie auf 54,8 % bei ExploitGym, 71,0 % bei CWE-bench und 88,2 % bei SEC-bench Pro. Das sind große, konkrete Behauptungen zur Entdeckung und Behebung von Schwachstellen, und genau die Art von Behauptung, die einen unabhängigen erneuten Durchlauf erfordert, bevor ein Sicherheitsteam seine Budgetplanung darauf stützt. Die Cyber-Domäne von GDPx ist ein Eingangswert dafür, keine Replikation dieser drei Suiten.

Der Preis ist der dritte Vorteil – mit einem Sternchen. Bei $2 / $10 liegt Carbons Einführungstarif bei der Hälfte von Opus 5.5 mit $4 / $20. Beim Standardtarif von $4 / $20 ist er identisch. Der Rabatt von 95 % auf gecachte Eingaben ist real, schrumpft aber zum Listenpreis: $0.10 pro Million gecachter Token beim Einführungstarif, $0.20 beim Standardtarif – gegenüber den $0.20, die Opus 5.5 für das Lesen aus dem Cache berechnet. Der Kostenvorteil ist heute am größten, solange der Rabatt gilt, und Google hat nicht gesagt, wie lange das sein wird.

Wo Opus 5.5 weiterhin vorne liegt

Das stärkste unabhängige Ergebnis von Opus 5.5 ist nicht der GDPx-Wert, sondern das Coding-Profil. Der Coding Agent Index von Artificial Analysis führt es mit 62 gegenüber 59 für Carbon, und dieser Index basiert auf agentischen Coding-Läufen statt auf Single-Shot-Completions. Für ein Modell, dessen erklärter Zweck langlaufende Softwarearbeit ist, ist das die passendere Messung.

Anthropics eigene Einführungszahlen deuten in dieselbe Richtung, und sie stammen vom Anbieter selbst: Terminal-Bench 4.0 bei 66,4 %, FrontierCode v1.1 bei 54,4 %, CursorBench 4.0 bei 57,8 % und AutomationBench bei 40,0 %. Der Harness ist entscheidend. Artificial Analysis hat dasselbe Modell mit 59,6 % auf Terminal-Bench 4.0 bei xhigh-Aufwand gemessen, und Vals AI meldete 65,2 %. Eine Spanne von sieben Punkten zwischen dem Anbieter und einem unabhängigen Harness ist bei agentischen Benchmarks normal, und genau deshalb sollte eine einzelne Zeile niemals über einen Kauf entscheiden.

Der unspektakuläre Vorteil ist die Verfügbarkeit. Opus 5.5 hat ein veröffentlichtes Kontextfenster, ein dokumentiertes Ausgabelimit, eine Batch-Stufe, einen Fast-Modus für $8 / $40, einen Migrationsleitfaden und sechs Wochen Produktionseinsatz hinter sich. Carbon hat einen Blogbeitrag, ein Partnerprogramm und eine Preisliste. Für ein Team, das in diesem Quartal eine Antwort braucht, entscheidet dieser Unterschied mehr Fälle als 59 versus 58.

Was eine Aufgabe tatsächlich kostet

Die Kostenangaben von GDPx sind gemessene Token-Ausgaben im Rahmen eines Acht-Stunden-Budgets, keine Listenpreise, und enthalten daher, wie viel Text jedes Modell zu schreiben beschließt. Carbon verbrauchte pro Aufgabe etwa 8 % mehr Ausgabe-Tokens als Opus 5.5 und kostete dennoch nur ein Drittel so viel, weil der Einführungstarif halb so hoch ist und sich lange Agentenläufe auf der Eingabeseite summieren. Bei 1.000 Aufgaben liegt die berichtete Differenz bei rund 51.000 $ gegenüber 16.000 $.

Zum Listenpreis ist die Rechnung weniger dramatisch. Eine Anfrage mit 1 Mio. Eingabe-Tokens und 250 K Ausgabe-Tokens kostet 9 $ bei Opus 5.5 zu 4 $ / 20 $, 4,50 $ bei Carbon zum Einführungspreis von 2 $ / 10 $ und 9 $ bei Carbon zum Standardpreis von 4 $ / 20 $. Die Batch-API von Opus 5.5 mit 50 % Rabatt landet bei 2 $ / 10 $ – demselben Satz wie der Einführungspreis von Carbon – für Arbeit, die warten kann. Wenn die Einführungsphase von Carbon endet, verschwindet der Unterschied auf der Preisliste vollständig; übrig bleibt der Unterschied im Tokenverbrauch pro Aufgabe, der gering ist.

Dies ist der Teil des Vergleichs, der am ehesten aus dem Zusammenhang gerissen zitiert wird. „Ein Drittel der Kosten“ gilt für GDPx-Läufe zu den heutigen Aktionspreisen. Es ist keine dauerhafte Eigenschaft des Modells und nicht das Verhältnis, das Sie bei einer Batch-Arbeitslast zu Standardtarifen sehen werden.

Die Verfügbarkeitslücke ist die eigentliche Entscheidung

Claude Opus 5.5 ist auf OrcaRouter als anthropic/claude-opus-5.5 zum Listenpreis des Anbieters von $4 / $20 live, ohne Aufschlag, neben 200+ Modellen mit einem einzigen Key. Die Weiterleitung ist eine Änderung des Model-Strings, und ein gewichteter Anteil mit automatischem Failover ist der günstige Weg, es gegen Ihr aktuelles Modell zu testen, ohne einen Produktionspfad auf das Ergebnis zu verwetten.

Gemini 4 Carbon ist nicht auf OrcaRouter verfügbar und kann es auch nicht sein. Google hat keine Modell-ID und keinen öffentlichen Endpunkt veröffentlicht, es gibt also nichts, wohin geroutet werden könnte; die einzige ehrliche Aussage ist, dass der Zugriff über Googles Fairwind-Programm und schließlich über die eigene API des Anbieters läuft. Sobald ein öffentlicher Endpunkt erscheint, bedeutet das Pass-through-Modell, dass der Listenpreis das ist, was Sie hier zahlen, und zwar an dem Tag, an dem er sich ändert, statt einer neu bepreisten Version davon.

Damit bleibt eine Entscheidung, die enger ist, als die Benchmark-Tabelle vermuten lässt:

• Sicherheitsarbeit mit Fairwind-Zugang – testen Sie Carbon in Ihrer eigenen Triage- und Patch-Warteschlange. Die Cyber-Kennzahlen des Anbieters sind die stärksten veröffentlichten, aber nicht repliziert, und das Ergebnis der GDPx-Domänen-Neugewichtung besagt, dass sein Vorteil domänenabhängig ist.

• Langlaufende Coding-Agenten — Opus 5.5. Es führt den unabhängigen Coding-Index an, verfügt über ein dokumentiertes 1M-Token-Fenster und 128K Ausgabe und ist auf den Plattformen verfügbar, mit denen die meisten Unternehmen bereits vertraglich verbunden sind.

• Kostensensible Batch-Arbeit — die Batch-API von Opus 5.5 zu 2 $ / 10 $ entspricht heute dem Einführungstarif von Carbon und hängt nicht von einem Rabatt ab, den Google ohne Vorankündigung beenden kann.

• Eine reine Wette auf die Leistungsfähigkeit — Moment. Ein Vorsprung von einem Punkt beim Intelligence Index und von 1,1 Punkten bei GDPx liegt im Rauschen der Harness-Wahl, und keines der Modelle ist auch nur annähernd so weit, die professionellen Aufgaben abzuschließen, die GDPx stellt.

Was würde die Antwort ändern

Drei Dinge verdienen Aufmerksamkeit, und keines davon ist ein weiterer Anbieter-Benchmark. Das erste ist ein öffentlicher Carbon-Endpunkt. Bis Google eine Modell-ID ausliefert, ist jeder Kostenvergleich für alle außerhalb von Fairwind hypothetisch, und der Einführungspreis ist ein Versprechen statt einer Rechnung. Das zweite ist das Ende dieser Einführungsphase; bei $4 / $20 ist Carbons Preisliste identisch mit der von Opus 5.5, und das Wertargument fällt auf die Token-Effizienz zurück. Das dritte ist eine unabhängige Reproduktion der Cyber-Ergebnisse. SEC-bench Pro mit 88,2 % und ExploitGym mit 54,8 % sind die Zahlen, die ein Sicherheitsbudget rechtfertigen würden, und sie stützen sich derzeit auf die Testumgebung eines einzigen Labors.

Vorerst fällt die ehrliche Zusammenfassung enger aus, als es beiden Anbietern recht wäre. Opus 5.5 ist das bessere Modell, auf dem man aufbauen kann, denn es ist dasjenige, auf dem man tatsächlich aufbauen kann. Carbon ist das interessantere Modell, das man beobachten sollte, weil es mit der Frontier zu einem niedrigeren Preis mithält und es noch nicht öffentlich unter Beweis stellen durfte. Die 12%-Obergrenze gilt für beide.