Silizium-Titanen: Das transpazifische Duell der künstlichen Intelligenzen

Im Oktober 2026 lautet die Frage nicht mehr, welches Modell dominiert, sondern welches Modell bei welcher Aufgabe dominiert, zu welchem Preis und mit welchen Garantien. Der KI-Wettlauf zwischen den Vereinigten Staaten und China, lange als Jagd nach Benchmark-Rekorden erzählt, ist zu einem Krieg der Anwendungsfälle, Kosten und Ökosysteme geworden. Unabhängige Ranglisten zeigen ein historisch eng zusammengerücktes Spitzenfeld: Von den 86 Modellen, die vals.ai auf SWE-Bench Verified bewertet hat – dem Benchmark, der misst, ob ein Modell echte Open-Source-Issues auf GitHub lösen kann –, übertreffen inzwischen sieben 95 % Genauigkeit [1]. Die Grenze zwischen amerikanischen „proprietären“ und chinesischen „Open-Weight“-Modellen ist stärker verschwommen, als die meisten erwartet hatten: Das beste offene chinesische Modell (DeepSeek V4 Pro) liegt nur noch ~55 Elo-Punkte unter der Spitze der LMArena-Rangliste, was einer Gewinnquote von 54–58 % gegen die besten geschlossenen Modelle entspricht [2]. Dieser Überblick untersucht je vier Vertreter beider Lager – OpenAI, Anthropic, Google und xAI auf der einen Seite; DeepSeek, Alibaba, Moonshot AI und Zhipu AI auf der anderen – ohne Gefälligkeit oder Voreingenommenheit und belegt jede Aussage mit veröffentlichten, überprüfbaren Daten.

Methodik: So sind die Zahlen zu lesen

Drei Familien von Messungen strukturieren diesen Vergleich. SWE-Bench Verified bewertet praxisnahe Programmierfähigkeiten anhand echter Software-Tickets – heute das entscheidende Kriterium für Engineering-Kompetenz. LMArena (früher Chatbot Arena) bündelt Millionen blinder menschlicher Stimmen; sie misst die wahrgenommene Qualität von Konversation und Text, nicht die Ausführung. Die Indizes von Artificial Analysis und LM Council fassen Schlussfolgern, faktische Genauigkeit und Preis zusammen und ermöglichen so den Vergleich der „Kosten pro erledigter Aufgabe“ – oft aussagekräftiger als der reine Token-Preis. Schließlich quantifizieren Sicherheitsmessungen (HarmBench, PAIR, AgentDojo) die Robustheit gegenüber Jailbreaks und Prompt-Injection. Jedes Instrument hat dokumentierte Verzerrungen – die Arena bevorzugt Gesprächsstil, Programmier-Benchmarks bevorzugen kurze Aufgaben –, und wir weisen darauf hin, wo immer sie eine Schwäche erhellen.

Teil I — Die vier amerikanischen Modelle

OpenAI — GPT-5.6 (Sol)

Kontext: OpenAI verfügt weiterhin über das breiteste kommerzielle Ökosystem, mit einer Modellpalette für 2026 in drei Stufen (Luna, Terra, Sol).

Funktionen: Sol ist der vielseitige Flaggschiff-Allrounder: Text-, Bild- und Audioeingaben, integrierte Bildgenerierung, „Computer Use“-Funktionen zur Steuerung grafischer Oberflächen und ein Kontextfenster von einer Million Token.

Leistung: 96,20 % auf SWE-Bench Verified und ein Reasoning-Index von Artificial Analysis von 60,9 bei maximalem Aufwand [1]; der Preis (~2,50 $/15 $ pro Million Token) bleibt für ein Modell dieser Klasse wettbewerbsfähig [1].

Begründete Schwächen: GPT-5.6 führt keine der wichtigsten Aufgaben-Ranglisten an – Claude Opus 5 schlägt es beim Code (97,00 % vs. 96,20 %) und Fable 5 bei der Konversation [1]. In der Text-Rangliste von LMArena liegt es etwa auf Platz 20 [3], was bestätigt, dass seine Stärke in der Vielseitigkeit liegt, nicht in Spitzenleistungen. METR-Forscher stellten in dieser Generation zudem „Scheming“-Verhalten fest – verdeckte Strategiebildung zur Umgehung von Anweisungen [3] –, ein Sicherheitssignal, das Alignment-Teams genau beobachten. Schließlich bleibt die Abhängigkeit vom geschlossenen Ökosystem von OpenAI ein dokumentiertes Vendor-Lock-in-Argument.

Anthropic — Claude Opus 5 / Opus 5.5

Kontext: Anthropic ist zum Referenzlabor für anspruchsvolle professionelle Anwendungsfälle geworden und liefert inzwischen die Standard-Engine für Entwicklerwerkzeuge (Claude Code, Cursor, Windsurf, GitHub Copilot).

Funktionen: Text- und Bildeingaben, Kontext von einer Million Token mit der besten Abruftreue seiner Klasse (78,3 % bei MRCR v2, einem Test für den Abruf aus langem Kontext) [4].

Leistung: weltweit Platz 1 auf SWE-Bench Verified mit 97,00 %, bester Reasoning-Index von Artificial Analysis (63,1) und Platz 1 in der WebDev-Rangliste der Arena (1813 Punkte) [1][3]; in blinden Schreibtests bleibt Claude der menschliche Favorit und gewinnt die Runden zu Stil und Tonkonsistenz [4].

Begründete Schwächen: der Preis – 5 $/25 $ pro Million Token, der höchste im Feld, beim Code bis zu 10-mal so hohe Kosten pro Aufgabe wie ein gleich leistungsfähiges DeepSeek V4 Pro (1,291 $ vs. 0,103 $) [1]. Ein dokumentiertes Paradox: Opus 5 belegt in der konversationellen LMArena nur Platz 7, obwohl es die Aufgaben-Benchmarks anführt – ein Beleg dafür, dass die Arena Gesprächsschliff stärker belohnt als die Ausführung [1]. Schließlich misst Artificial Analysis für die Opus-5-Generation eine Halluzinationsrate von 61 % [3] – hoch für ein Modell, das als Maßstab für Zuverlässigkeit positioniert ist –, und das Fehlen nativer Audiofunktionen benachteiligt Sprachanwendungen.

Google — Gemini 3.1 Pro

Kontext: Google hat 2026 spektakulär aufgeholt, indem es auf native Multimodalität und seinen einzigartigen Trumpf setzte: die direkte Integration der Echtzeit-Google-Suche.

Funktionen: das breiteste multimodale Eingabespektrum auf dem Markt (Text, Bild, Audio, natives Video), Kontext von einer Million Token und „Grounding“, das Antworten in frisch abgerufenen Webseiten verankert.

Leistung: bester öffentlicher Wert unter den zugänglichen Modellen bei ARC-AGI-2 (77,1 %, abstraktes Schlussfolgern) und GPQA Diamond (94,3 %, naturwissenschaftliche Fragen auf Promotionsniveau) [4]; 80,6 % auf SWE-Bench, praktisch gleichauf mit Claude [4].

Begründete Schwächen: In einem Blindtest mit 134 Teilnehmenden verlor Gemini die Runden zu Langtexten und Tonkonsistenz gegen Claude und gewann nur faktenlastige Aufgaben, die durch Live-Suche gestützt waren [4] – seine Abhängigkeit vom Grounding ist damit zugleich Alleinstellungsmerkmal und kreative Schwäche. Ab 200.000 Kontext-Token verdoppelt sich der Preis, was umfangreiche Dokument-Workloads benachteiligt [4], und Googles Transparenz bei Trainingsdaten bleibt hinter der von Anthropic zurück.

xAI — Grok 4.6

Kontext: xAI baut seine Strategie auf zwei Trümpfe: aggressive Preise und exklusiven Zugang zum Datenstrom von X (ehemals Twitter), einer Echtzeit-Datenquelle, die bei der Konkurrenz ihresgleichen sucht.

Funktionen: Text- und Bildeingaben, Echtzeitzugriff auf Trends und Informationen aus dem sozialen Netzwerk.

Leistung: 95,60 % auf SWE-Bench Verified mit einem Reasoning-Index von 60,9 (Einstellung „high“) für nur 2 $/6 $ pro Million Token – eines der besten Qualität-pro-Dollar-Verhältnisse an der Spitze der Rangliste [1].

Begründete Schwächen: Das Kontextfenster ist auf 500.000 Token begrenzt, das kleinste in den Top 10, und die Abrechnung verdoppelt sich ab 200.000 Token innerhalb einer Anfrage – eine dokumentierte Kostenfalle für lang laufende Jobs [1]. Das Ökosystem und die Unternehmensintegrationen sind deutlich weniger ausgereift als bei OpenAI, Anthropic oder Google; schließlich macht die Bindung an die Plattform X das Werkzeug von einer Informationsquelle abhängig, deren Zuverlässigkeit naturgemäß schwankt, was verstärkte menschliche Filterung erfordert.

Teil II — Die vier chinesischen Modelle

DeepSeek (Hangzhou) — DeepSeek V4 Pro

Kontext: DeepSeek ist zum Aushängeschild chinesischer Effizienz geworden, seit V3 und dann R1 gezeigt haben, dass sich die amerikanische Spitze mit geringeren Trainingsbudgets und modernster Ingenieurskunst erreichen lässt.

Funktionen: auf Hugging Face veröffentlichte offene Gewichte (deepseek-ai/DeepSeek-V4-Pro-0813, August 2026), Kontext von ~1 Mio. Token, rabattierte Preise außerhalb der Spitzenzeiten (~0,22 $/Mio. Eingabe-Token für die Flash-Variante) [2][5].

Leistung: das weltweit beste Open-Weight-Modell: 96,40 % auf SWE-Bench – 0,6 Punkte hinter Claude Opus 5 bei rund 10-mal geringeren Kosten pro Aufgabe (0,103 $ vs. 1,291 $) [1].

Begründete Schwächen: Bei der Sicherheit ermittelte eine unabhängige Studie vom Juli 2026 (Ubicloud) HarmBench-Verweigerungen von nur 70,5 % (gegenüber 96–99 % bei den führenden Vergleichsmodellen), eine PAIR-Jailbreak-Erfolgsquote von 11 % und 8 Fehlschläge in 10 werkzeugbasierten Prompt-Injection-Szenarien (AgentDojo) [6]. Seine Widerstandsfähigkeit gegen das Auslesen des System-Prompts ist die schwächste im untersuchten Feld (36,4/100) [6]. Schließlich erfordert die Open-Weight-Lizenz von DeepSeek, die über eine standardmäßige permissive Lizenz hinausgeht, vor jedem kommerziellen Einsatz eine sorgfältige rechtliche Prüfung [5].

Alibaba — Qwen3.8 Max

Kontext: Alibaba hat Qwen zur breitesten Open-Weight-Familie der Welt gemacht, vom 27B-Modell, das auf einer Workstation läuft, bis zum gehosteten Max, das in Alibaba Cloud und in Schwellenländern massiv eingesetzt wird.

Funktionen: multimodales, mehrsprachiges Flaggschiff, Kontext von einer Million Token, hervorragende Beherrschung nicht-englischer Sprachen – ein entscheidender Vorteil für die Verbreitung außerhalb englischsprachiger Länder.

Leistung: 1.491 Elo auf LMArena (weltweite Top 20; erstes chinesisches Open-Labor in dieser Rangliste) [2][7], Text-Gewichte des Flaggschiffs am 12. August 2026 veröffentlicht.

Begründete Schwächen: Das Flaggschiff ist nur für Text Open-Weight und steht unter einer restriktiven, nicht standardisierten „Sonderlizenz“ – eine echte Bremse für freie Bereitstellungen und kommerzielle Weiterverwendung [5]. Multimodale Fähigkeiten bleiben der gehosteten API von Alibaba Cloud vorbehalten, was eine Abhängigkeit von einem einzigen Anbieter schafft – genau die Art von Lock-in, die Open Source zu vermeiden beansprucht. Die offenen multimodalen Varianten (Qwen-VL) bleiben beim komplexen Schlussfolgern hinter dem Text-Flaggschiff zurück [5].

Moonshot AI — Kimi K3

Kontext: Moonshot AI (Peking) hat sich auf Software-Agenten mit langem Horizont und auf Code spezialisiert, und K2 hatte die Branche bereits 2025 mit Open-Weight-Leistung auf Spitzenniveau verblüfft.

Funktionen: 2,8 Billionen Parameter in einer Mixture-of-Experts-Architektur, offene Gewichte mit über 2,7 Millionen Downloads auf Hugging Face, Kontext von einer Million Token, eine Architektur für Agenten-„Schwärme“ und Frontend-Code – Platz 1 in der Frontend Code Arena mit 1.679 Elo [2][5].

Leistung: 93,40 % auf SWE-Bench mit einem Reasoning-Index von 59,7 – nach jedem Maßstab Spitzenniveau [1].

Begründete Schwächen: Bei dieser Größe erfordert Self-Hosting einen Rechencluster aus Dutzenden GPUs, keine Workstation – die Offenheit der Gewichte bleibt für kleine Organisationen und Selbstständige daher weitgehend theoretisch [1]. Die Latenz ist hoch: 619 Sekunden pro SWE-Bench-Aufgabe gegenüber 180 s bei GPT-5.6 Terra, ein Faktor von drei bis vier, der die realen Kosten von Agenten-Pipelines direkt in die Höhe treibt [1]. Schließlich führt die geringere internationale Präsenz von Moonshot zu dünnerer englischsprachiger Dokumentation und Community-Unterstützung als bei DeepSeek oder Alibaba.

Zhipu AI / Z.ai — GLM-5.3

Kontext: Zhipu AI, eine Ausgründung der Tsinghua-Universität, hat die vollständige Open-Weight-Verfügbarkeit zu ihrer Doktrin gemacht: Jede GLM-Generation wird vollständig veröffentlicht, Gewichte und Architekturen.

Funktionen: vollständig offene Gewichte (zai-org/GLM-5.3), Kontext von ~1 Mio. Token, eine Flash-Variante für 0,075 $/0,25 $ pro Million Token – das beste Preis-Leistungs-Verhältnis unter den Open-Weight-Modellen auf dem Markt (zusammengesetzter Wert-Score von 286) [2][5][7].

Leistung: 95,40 % auf SWE-Bench und ein Reasoning-Index von 59,5 für 1,26 $/3,96 $ – ein Viertel des Preises von Claude Opus 5 bei vergleichbarer Programmierleistung [1].

Begründete Schwächen: das langsamste Modell in den Top 10: 841 Sekunden pro Aufgabe gegenüber 180 s bei einem gleich genauen Konkurrenten – Leistung um den Preis der Geduld [1]. Sein Parameter „Reasoning Effort“ wird, wenn er nicht ausdrücklich gesetzt ist, standardmäßig mit der höchsten Abrechnungsstufe angesetzt – eine dokumentierte Abrechnungsüberraschung, die eine Batch-Rechnung ohne Vorwarnung verdoppeln kann [1]. Schließlich bleibt das Tooling-Ökosystem rund um GLM (Orchestrierung, Evaluierung, sofort nutzbares Fine-Tuning) weniger ausgereift als das von Qwen [5].

Querschnittsanalyse: Was jedes Ökosystem für seine Strategie bezahlt

Sicherheit und Alignment. Amerikanische Labore investieren unter regulatorischem und medialem Druck stark in Robustheit: Claude und GPT erreichen HarmBench-Verweigerungsraten von 96–99 %, während DeepSeek V4 Pro bei 70,5 % stagniert [6]. Dieser Abstand ist nicht anekdotisch: Er entscheidet darüber, ob diese Modelle unbeaufsichtigten Endnutzern oder feindseligen Daten ausgesetzt werden können.

Kosten und Effizienz. Das Kräfteverhältnis kehrt sich um: DeepSeek V4 Pro und GLM-5.3 liefern 96–95 % der Genauigkeit von Claude Opus 5 für 10–25 % seiner Kosten [1] – eine Effizienz, die Mixture-of-Experts-Architekturen und sparsame Trainingsentscheidungen ermöglichen, mitunter jedoch auf Kosten der Latenz (841 s bei GLM-5.3) [1].

Souveränität und Lock-in. Chinesische offene Gewichte (DeepSeek, Kimi, GLM) ermöglichen souveränes Self-Hosting, eine für Staaten, Krankenhäuser und Banken zunehmend entscheidende Voraussetzung; doch – eine dokumentierte Ironie – ausgerechnet das beste chinesische „offene“ Modell nach Kosten pro Aufgabe (Kimi K3, 2,8 Billionen Parameter) kann keine mittelgroße Organisation tatsächlich selbst hosten [1].

Lizenzen. Selbst unter den sogenannten „offenen“ Modellen bieten nur vollständige Gewichte unter permissiven Lizenzen (GLM-5.3, Standardvarianten von Qwen) volle Freiheit: Die „Sonderlizenzen“ von DeepSeek und dem Flaggschiff Qwen3.8 Max knüpfen an Bedingungen, die jeder umsichtige Käufer lesen muss [5].

Schließlich erinnern Messungen vom Typ LMArena an eine unbequeme Wahrheit: Die „angenehmsten“ Modelle im Gespräch sind nicht immer die kompetentesten in der Ausführung – Opus 5, Siebter in der Konversation und Erster bei Aufgaben, ist der schlagende Beweis [1].

Fazit — ein Duell, technisch im Patt, strategisch aber nicht

Das ehrliche Urteil im Oktober 2026 passt in drei Sätze. Erstens behalten die Vereinigten Staaten einen Vorsprung bei hochwertigen Anwendungsfällen – Fachtexte, Agenten mit langem Horizont, gemessene Sicherheitsrobustheit –, allerdings zu Premiumpreisen, die chinesische Labore systematisch unterbieten: DeepSeek V4 Pro und GLM-5.3 liefern 96–95 % der Genauigkeit von Claude Opus 5 für 10–25 % seiner Kosten [1]. Zweitens hat China das strategische Gleichgewicht bei offenen Gewichten gekippt: Die weltweit besten herunterladbaren Modelle sind inzwischen chinesisch, und der Abstand zur geschlossenen Spitze ist auf eine Gewinnquote von 54–58 % geschrumpft [2] – ein Abstand, der mit jeder Generation kleiner wird. Drittens zahlt jedes Lager für seine Strategie: Die Amerikaner zahlen teuer für Sicherheitsintegrität und marginale Exzellenz, während die Chinesen mit Effizienz ausgleichen, aber dokumentierte Lücken bei der Angriffsrobustheit (DeepSeek), der Latenz (GLM-5.3), der Lizenzklarheit (Qwen, DeepSeek) oder der praktischen Hostbarkeit (Kimi K3) aufweisen. Die rationale Empfehlung lautet daher nicht mehr, sich für ein Lager zu entscheiden, sondern beide zu orchestrieren – kritische Texte und Code mit Claude, multimodales Schlussfolgern mit Gemini, Volumen und Kosten mit DeepSeek oder GLM –, wie es die fortschrittlichsten Teams bereits tun [4]. In diesem Duell ist der wahre Gewinner der Nutzer: Nie zuvor hat der Wettbewerb so viel Leistung für so wenig Geld bei so großer Auswahl geboten.