AI Coding 2026: Die besten KI-Modelle nach SWE-bench und Preis

Die ehrliche Antwort auf die Frage nach dem besten Modell für AI Coding im Jahr 2026: GPT-5.5 und Claude Opus 4.8 liegen beim meistzitierten Benchmark inzwischen statistisch gleichauf. Beide erreichen beim SWE-bench Verified rund 88.6 Prozent. Dieser Wert taugt nicht mehr als Entscheidungskriterium. Ausschlaggebend sind heute der anspruchsvollere Benchmark, den kaum jemand zitiert, der Preis pro Million Tokens und die Frage, welches Modell sich im bereits genutzten Tool überhaupt ausführen lässt.

Vorab eine kurze Begriffsklärung, damit Gründer und Entwickler von derselben Sache sprechen. Das „Modell“ liefert die eigentliche Intelligenz (Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro). Ein „Coding-Tool“ oder „Agent“ (Claude Code, Cursor, Codex) bildet den Rahmen: Es stellt dem Modell das Repository bereit und führt dessen Befehle aus. Dieser Artikel bewertet die Modelle. Die Wahl des Tools ist davon getrennt — und meistens fällt sie zuerst. Danach kommt das beste Modell zum Einsatz, das dieses Tool unterstützt.

„SWE-bench Verified“ ist der Benchmark, auf den sich praktisch jedes Ranking stützt. Er besteht aus echten GitHub-Issues, die so kuratiert wurden, dass ein menschlicher Entwickler sie lösen könnte. Der Patch eines Modells zählt nur dann, wenn er die Tests des jeweiligen Repositorys besteht. Näher kommt die Branche einer Prüfung unter realen Arbeitsbedingungen derzeit kaum. Der Haken, auf dem die weitere Analyse beruht: Die Spitzenmodelle haben diesen Test nahezu ausgereizt.

AI Coding: das Urteil in einer Tabelle

Für agentische Aufgaben, bei denen das Modell plant, mehrere Dateien bearbeitet und die Testsuite ausführt, ist Claude Opus 4.8 die erste Wahl. Bei den schwierigsten einzelnen Denkaufgaben zieht GPT-5.5 im Rohwert gleich. Das beste Verhältnis aus Preis und riesigem Kontextfenster bietet Gemini 3.1 Pro. Wer selbst hostet, erhält mit DeepSeek V4 ein Modell, das weniger als einen Punkt hinter den geschlossenen Spitzenreitern liegt.

Eine Zeile genügt für die schnelle Antwort. Die folgenden Abschnitte erklären die Unterschiede, wenn mehrere Kandidaten eng beieinanderliegen.

Warum „Bestes Modell im SWE-bench“ nichts mehr aussagt

Der Benchmark, nach dem alle ihre Ranglisten sortieren, ist gesättigt. Die besten geschlossenen Modelle drängen sich beim SWE-bench Verified inzwischen zwischen 88 und 89 Prozent. Forschende haben zudem gezeigt, dass die Spitzenreiter manche ursprünglichen „Gold“-Patches nahezu wortgetreu reproduzieren können. Ein Teil der Punktzahl misst damit Erinnerung statt Problemlösefähigkeit. Wenn GPT-5.5 auf 88.7 und Opus 4.8 auf 88.6 kommt, sind die 0.1 Punkte Abstand nur Rauschen. Danach zu entscheiden wäre, als wählte man ein Auto, weil es in 4.1 statt 4.2 Sekunden von 0 auf 60 beschleunigt.

Entscheidender ist der Benchmark, der noch Luft nach oben hat. SWE-bench Pro nutzt schwierigere, größere und weniger kontaminierte Aufgaben — und plötzlich zieht sich das Feld auseinander: Claude Opus 4.8 erreicht 69.2 Prozent, GPT-5.5 kommt auf 58.6. Das ist ein echter zweistelliger Abstand bei Aufgaben, die einer unübersichtlichen produktiven Codebasis tatsächlich ähneln. Daraus folgt nicht, dass Pro die einzige Wahrheit liefert. Eine isoliert zitierte Zahl bleibt Marketing. Aussagekräftig ist das Muster über beide Tests hinweg: Welches Modell hält stand, wenn die Probleme anspruchsvoller werden, und was kostet es?

Claude Opus 4.8: Spitzenmodell für agentisches Coding

Claude Opus 4.8 empfiehlt sich nicht für den Auftrag „Schreibe diese Funktion“, sondern für „Öffne dieses Repository, finde den Fehler über sechs Dateien hinweg, behebe ihn und belege das Ergebnis mit Tests“. Anthropic veröffentlichte das Modell am 28. Mai 2026. Mit 88.6 Prozent beim SWE-bench Verified teilt es sich die Spitzenposition. Wichtiger sind jedoch die 69.2 Prozent beim schwierigeren SWE-bench Pro, wo es jedes andere Modell in diesem Vergleich deutlich hinter sich lässt.

Bezahlt wird vor allem für ausdauernde Autonomie über viele Schritte: Opus 4.8 hält lange Aufgaben wesentlich länger konsistent, als der Abstand in der Punktzahl vermuten lässt. Genau das braucht ein autonomer Coding-Agent. Der Preis liegt bei $5 pro Million Eingabe-Tokens und $25 pro Million Ausgabe-Tokens. Dazu kommen ein Kontextfenster von 1M Tokens und bis zu 128k Tokens Ausgabe in einer einzigen Antwort. Konkret bedeutet das: Ein mittelständisches Team, das nachts einen Agenten seinen Issue-Rückstand sichten und patchen lässt, bekommt mehr Issues tatsächlich geschlossen — und muss seltener Änderungen zurücknehmen, weil die falsche Datei bearbeitet wurde — als mit jedem anderen Modell dieser Liste.

Die Schwächen: Das Modell ist nicht das günstigste. Bei kurzen, eindeutig beschriebenen Aufgaben wird für Autonomie bezahlt, die gar nicht benötigt wird. Wer das absolute Leistungslimit sucht und nicht auf das Budget achten muss, findet darüber noch Anthropics neuestes Modell Claude Fable 5, veröffentlicht am 9. Juni 2026. Es kostet $10 / $50 pro Million Tokens. Im Programmieralltag bringt dieser Aufpreis gegenüber Opus 4.8 allerdings wenig.

GPT-5.5: gleicher Spitzenwert zum doppelten Preis

GPT-5.5 ist OpenAIs neuestes Spitzenmodell. Beim reinen SWE-bench Verified liegt es mit rund 88.7 Prozent hauchdünn vorn — der Abstand ist in der Praxis nicht wahrnehmbar. OpenAI präsentierte es als „neue Klasse von Intelligenz“ und setzte den Preis entsprechend an: $5 pro Million Eingabe-Tokens und $30 pro Million Ausgabe-Tokens bei einem Kontextfenster von 1M Tokens. Damit hat es den höchsten Ausgabepreis aller verbreiteten Modelle in diesem Vergleich, etwa doppelt so hoch wie bei der vorherigen Generation.

Sein Argument sind die schwierigsten Einzelprobleme: neuartige algorithmische Aufgaben, dichte Schlussfolgerungen und der eine Prompt, bei dem schon der erste Versuch möglichst stark sein soll und der Preis zweitrangig ist. Dagegen spricht nahezu alles andere. Beim anspruchsvolleren SWE-bench Pro erreicht es 58.6 Prozent und liegt damit mehr als zehn Punkte hinter Opus 4.8. Der Premiumpreis erkauft also keinen Vorsprung bei der Arbeit an großen, unübersichtlichen Codebasen, mit der die meisten Teams tatsächlich konfrontiert sind.

Für die meisten Unternehmen im OpenAI-Ökosystem ist GPT-5.2 die vernünftigere Wahl. Das frühere Spitzenmodell kostet $1.75 für die Eingabe und $14 für die Ausgabe pro Million Tokens, bietet ein Kontextfenster von 400k und 90 Prozent Rabatt auf zwischengespeicherte Eingaben. Wer allein entwickelt und täglich Tausende kleine Completion-Aufrufe ausführt, merkt den Unterschied zwischen $14 und $30 bei der Ausgabe erheblich stärker als den Bruchteil eines Benchmark-Punkts. Für schwierige Probleme lohnt sich 5.5; für Volumen sollte 5.2 die Voreinstellung sein.

Gemini 3.1 Pro: Sieger bei Preis und Kontext

Gemini 3.1 Pro ist unter den Spitzenmodellen die wirtschaftliche Wahl — und für ein bestimmtes Aufgabenprofil sogar eindeutig das beste Modell. Google berechnet bei Prompts unter 200k Tokens $2 pro Million Eingabe-Tokens und $12 pro Million Ausgabe-Tokens; das Kontextfenster umfasst volle 1M Tokens. Beim SWE-bench Verified erreicht es 80.6 Prozent und bleibt damit hinter Claude und OpenAI. Die Ausgabe kostet jedoch weniger als halb so viel wie bei GPT-5.5.

Seine Stärke ist die preiswerte Analyse einer vollständigen Codebasis. Ein CTO kann einen gesamten Dienst samt Tests und Dokumentation in einen Prompt laden und fragen: „Wo würde dieses System unter Last ausfallen?“ Dafür steht ein Kontextfenster von 1M Tokens zu einem Preis bereit, der einen Einsatz im ganzen Team vertretbar macht. Die ehrliche Einschränkung: Bei präzisen, agentischen Änderungen über mehrere Dateien hinweg bleibt es deutlich hinter Opus 4.8. Oberhalb von 200k Tokens verdoppelt sich außerdem der Eingabepreis auf $4, während die Ausgabe auf $18 steigt. Ausgerechnet bei den sehr langen Kontexten, für die das Modell gebaut ist, schrumpft damit sein Kostenvorteil. Wer bereits Google Cloud und Vertex AI nutzt, findet hier dennoch den Weg des geringsten Widerstands — und meist auch die bessere Rechnung.

Claude Sonnet 4.6 und Haiku 4.5: Alltagstalent und Sparmodell

Claude Sonnet 4.6 ist das Modell, mit dem die meisten Teams tatsächlich täglich programmieren sollten — und der unauffällige Preis-Leistungs-Sieger des Jahres 2026. Es erreicht 79.6 Prozent beim SWE-bench Verified und liegt damit in Reichweite der Spitzenklasse. Der Preis beträgt $3 für Eingabe und $15 für Ausgabe pro Million Tokens; das Kontextfenster ist mit 1M Tokens genauso groß wie bei Opus. Noch nie war der Abstand zwischen Sonnet und Opus innerhalb einer Claude-Generation kleiner. Bei gewöhnlichen Features, Refactorings und Reviews werden die Opus-Preise deshalb nur für die schwierigsten 20 Prozent der Aufgaben benötigt.

Haiku 4.5 deckt das andere Ende ab: einfache Aufgaben in hoher Stückzahl, bei denen das Modell Tausende Male aufgerufen wird und jeder einzelne Auftrag überschaubar bleibt. Für $1 Eingabe und $5 Ausgabe pro Million Tokens bei einem Kontextfenster von 200k eignet es sich für einen CI-Bot, der Commit-Nachrichten schreibt, Standardcode entwirft oder eine Flut kleiner Tickets vorsortiert. Eine Systemarchitektur wird es nicht entwerfen — dafür ist es auch nicht gedacht.

Modelle mit offenen Gewichten holen auf

Wer die Inferenz selbst betreiben kann, findet inzwischen wirklich konkurrenzfähige Modelle mit offenen Gewichten — vor zwei Jahren war das noch anders. Allen voran steht DeepSeek V4-Pro: Es erreicht beim SWE-bench Verified 80.6 Prozent, liegt damit gleichauf mit Gemini 3.1 Pro und nur ungefähr einen Punkt hinter den geschlossenen Spitzenreitern. Gleichzeitig werden die Gewichte ausgeliefert, sodass das Modell auf eigener Hardware laufen kann. Die leichtere Variante V4-Flash kommt auf 79.0 Prozent.

Relevant ist das nicht wegen des Prestiges, sondern wegen der Kontrolle. Ein Team in einer regulierten Branche — oder eines, das proprietären Code grundsätzlich nicht an die API eines Drittanbieters sendet — erhält damit Programmierleistung nahe der Spitzenklasse, ohne dass das Modell das eigene Netzwerk verlässt. Die Kosten verlagern sich von Tokens auf GPU-Stunden. Dadurch dreht sich die Rechnung um: Ein dauerhaft hohes Volumen begünstigt den Eigenbetrieb, ein schwankendes oder geringes Volumen weiterhin eine gehostete API.

Auch der Rest des offenen Feldes liegt dicht dahinter. GLM-5 von Z.ai erreicht beim SWE-bench Verified 77.8 Prozent, Alibabas Qwen 3.6 rund 77.2, und Moonshots Kimi K2.6 Thinking führt die offenen Modelle bei Bewertungen für agentisches Coding an. Der Kompromiss bleibt real: Betrieb, GPU-Rechnung und Verfügbarkeit liegen in eigener Verantwortung, während ein gehosteter Anbieter all das übernimmt. Für die meisten Teams verläuft genau hier die Grenze. Gehört der Betrieb von Inferenzsystemen nicht bereits zum eigenen Können, sind geschlossene APIs günstiger, sobald die Arbeitszeit eines Entwicklers eingerechnet wird.

Welche KI zum Programmieren passt wirklich?

Die Entscheidungsregel ist kurz: Maßgeblich sind der schwierigste verfügbare Benchmark und der Preis der Ausgabe-Tokens, nicht die Schlagzeile zum SWE-bench Verified. Und die Modellwahl kommt erst, nachdem das Tool feststeht, das dieses Modell aufrufen soll. Die folgende Übersicht zeigt die Zuordnung.

Wer sich nicht entscheiden kann, sollte keine weiteren Benchmarks lesen, sondern die Modelle an der eigenen Codebasis gegeneinander testen. OpenRouter bietet nahezu jedes Modell dieser Liste über einen API-Schlüssel und eine Rechnung an. So lassen sich dieselben drei echten Tickets aus dem Backlog an Opus 4.8, GPT-5.5 und Gemini 3.1 Pro senden und die Diffs direkt vergleichen. Das eigene Repository ist der einzige Benchmark, der nicht gesättigt ist. Ein Nachmittag mit A/B-Tests an echten Aufgaben sagt mehr als jede Rangliste.

Ein letzter Perspektivwechsel: Das Modell ist nur die halbe Entscheidung. Der Agent oder Editor, in dem es läuft, bestimmt, wie das Modell das Repository sieht und welche Aktionen es ausführen darf. Mehr dazu steht im Leitfaden zu den besten KI-Coding-Agenten und im direkten [Vergleich Codex vs. Claude Code vs. Cursor](/blog/codex-vs-claude-code-vs-cursor). Ein Spitzenmodell in einem schwachen Rahmen verliert gegen ein Mittelklassemodell in einem hervorragenden. Deshalb zuerst das Tool wählen.

Ist ChatGPT oder Claude 2026 besser zum Programmieren?

Beim reinen SWE-bench Verified liegen beide gleichauf: GPT-5.5 erreicht rund 88.7 Prozent, Claude Opus 4.8 kommt auf 88.6. Beim schwierigeren und weniger gesättigten SWE-bench Pro führt Opus 4.8 deutlich (69.2 gegenüber 58.6) und kostet pro Ausgabe-Token weniger ($25 gegenüber $30 pro Million). Bei agentischen Aufgaben über mehrere Dateien hat Claude die Nase vorn; beim schwierigsten einzelnen Denk-Prompt zieht GPT-5.5 gleich.

Was ist derzeit das beste KI-Modell zum Programmieren?

Claude Opus 4.8 für agentische Aufgaben im gesamten Repository; GPT-5.5 für die schwierigsten Einzelprobleme; Gemini 3.1 Pro für den Preis in Verbindung mit 1M Tokens Kontext; Claude Sonnet 4.6 als Alltagsmodell mit dem besten Preis-Leistungs-Verhältnis; DeepSeek V4-Pro, wenn das Modell selbst gehostet werden muss.

Welches kostenlose oder quelloffene Modell eignet sich am besten zum Programmieren?

DeepSeek V4-Pro ist mit 80.6 Prozent beim SWE-bench Verified das stärkste Modell mit offenen Gewichten und liegt ungefähr einen Punkt hinter den geschlossenen Spitzenreitern. Es läuft auf eigener Hardware; an die Stelle der Token-Rechnung treten damit Kosten pro GPU-Stunde. GLM-5 und Qwen 3.6 folgen knapp dahinter.

Welches Modell ist beim Programmieren am günstigsten?

Unter den Spitzenmodellen bieten Gemini 3.1 Pro ($2 / $12 pro Million Tokens) und GPT-5.2 ($1.75 / $14) das beste Preis-Leistungs-Verhältnis. Für einfache Aufgaben in hoher Stückzahl ist Claude Haiku 4.5 ($1 / $5) noch günstiger. Da beim Programmieren viel Ausgabe entsteht, sollte die Ausgabe- und nicht die Eingabespalte verglichen werden.

Was ist wichtiger: das Modell oder das Coding-Tool?

Beides zählt, doch das Tool sollte zuerst gewählt werden. Das Tool (Claude Code, Cursor, Codex) steuert, wie das Modell das Repository liest und Befehle ausführt; das Modell bestimmt die Qualität der Schlussfolgerungen. Ein hervorragendes Modell in einem schwachen Tool bleibt hinter einem Mittelklassemodell in einem starken Tool zurück. Deshalb zuerst den Rahmen festlegen und anschließend das beste unterstützte Modell darin ausführen.

Aktuelle Empfehlungen zu Modellen und Tools, ohne jeden Monat erneut Ranglisten zu lesen? Der Newsletter liefert die Kurzliste samt Preisen und Benchmarks genau in der Woche, in der sie sich ändern.