GPT-5 vs Claude Opus 4.7 (2026): Vollständige Spezifikation + Preis + Use-Case-Vergleich

**GPT-5.5 kostet $5/1M Input und $25/1M Output. Claude Opus 4.7 kostet $15/1M Input und $75/1M Output.** Opus ist 3x der Input-Preis und 3x der Output-Preis. Dieser Delta ist kein Kleinigkeit — für jeden Workload, der im Maßstab läuft, ist es der dominante Input für die Gesamtbetriebskosten, oft wichtiger als Unterschiede in der Pro-Call-Qualität.

**GPT-5.4** liegt dazwischen bei $2.50/1M Input und $15/1M Output — die Hälfte des GPT-5.5-Preises für etwa 95% der Qualität bei den meisten Aufgaben. Teams, die Production Workloads ausführen, bei denen die marginale Qualität von 5.5 nicht 2x die Kosten wert ist, setzen typischerweise auf 5.4. Wir sehen diese Aufteilung häufig: 5.5 für schwierige Reasoning-Pfade, 5.4 für die massenhaften alltäglichen Calls.

**Caching ändert die Rechnung erheblich.** Anthropics 90% Cache-Read-Rabatt auf Opus senkt die effektiven Input-Kosten auf gecachten Prefixen von $15/1M auf $1.50/1M — was Opus direkt konkurrenzfähig mit GPT-5.5 auf Workloads mit langen, wiederholten System-Prompts macht (RAG mit stabilen Anweisungen, Agent-Harnesses mit stabilen Tool-Definitionen). OpenAIs 50% Prompt-Cache-Hit-Rabatt auf GPT-5.5 senkt Input auf $2.50/1M auf Cache-Hits.

**Output ist wo Opus teuer bleibt.** Kein Cache-Rabatt gilt für Output — und die meisten Agent/Coding Workloads sind Output-intensiv. Ein typischer Coding-Agent-Durchlauf, der 8K Input verbraucht und 4K Output emittiert, kostet ungefähr $0.42 auf GPT-5.5 vs $1.10 auf Opus 4.7. Bei 10,000 Durchläufen/Tag sind das $4,200/Tag vs $11,000/Tag — ein Delta von $2M/Jahr.

**Die richtige Frage ist nicht "welches ist billiger"** — es ist "welches schließt die Pro-Call-Qualitätslücke genug, um den Output-Preisunterschied bei Ihrem tatsächlichen Call-Volumen zu rechtfertigen." Nutzen Sie unseren Claude API Cost Calculator und OpenAI API Cost Calculator, um Ihre echten Input/Output/Cache-Hit-Zahlen einzugeben.

**GPT-5.5 und GPT-5.4 exponieren beide ein 400K-Token-Input-Kontextfenster. Claude Opus 4.7 ist auf 200K begrenzt.** Für die meisten Production Workloads sind beide mehr als ausreichend — typische RAG-Calls landen bei 5-30K Kontext, und die meisten Coding-Workflows bleiben unter 100K.

Wo 400K wichtig ist: Ingestion großer Codebases (30-50 Dateien in den Kontext für Whole-System-Reasoning), lange Dokumentenanalyse (vollständige 10-K-Einreichungen, mehrhundertseiten lange Verträge, Legal-Discovery-Mengen) und Meta-Prompting (ein Modell verwenden, um die Outputs eines anderen über lange Spuren zu analysieren).

Wo 200K ausreichend ist: praktisch alle Chat-Anwendungen, Agent-Harnesses mit Chunk-basiertem Retrieval, Code-Review-eines-PR (Diffs überschreiten fast nie 100K), Customer-Support-Workflows. Die 200K-Grenze wird zu einer Einschränkung am langen Ende — typischerweise <5% der Production Calls — nicht im Median-Fall.

**Das Output-Limit ist auch relevant.** GPT-5.5 wird bis zu 128K Output-Token in einem einzelnen Call emittieren; Opus 4.7 ist auf 64K begrenzt. Für lange Textgenerierung (vollständige Dokument-Entwürfe, große Code-Datei-Umschreibungen) hat GPT-5.5 den praktischen Vorteil — obwohl für die meisten Agent Workloads Sie viel weniger pro Call emittieren.

**Gemini 2.5 Pro ist immer noch der Langkontext-König mit 2M Token**, wenn das Kontextfenster Ihre limitierende Einschränkung ist. Wir behandeln diesen Vergleich separat — siehe unseren GPT-4o vs Gemini 2.5 Pro Guide für den Langkontext-Use-Case.

**SWE-bench Verified** (echte Softwareentwicklung, der relevanteste Benchmark für Production 2026): Claude Opus 4.7 landet bei ~76%, GPT-5.5 bei ~74%, GPT-5.4 bei ~70%. Opus hat seit der 4.0-Serie einen kleinen aber konsistenten Vorteil bei diesem Benchmark — Anthropics RLHF und SFT Pipeline ist speziell für Coding-Agent-Workflows optimiert, und das zeigt sich.

**MMLU-Pro** (Graduierten-Niveau Multi-Disziplin-Reasoning): beide Flaggschiff-Modelle liegen im 88-90%-Bereich, mit GPT-5.5, das Opus 4.7 bei STEM-schweren Subsets um 1-2 Punkte übertrifft. Für die meisten Production Knowledge-Work-Aufgaben liegt der Delta innerhalb des Eval-Rausch-Floors.

**GPQA Diamond** (PhD-Niveau Wissenschaftsfragen, das härteste standardisierte Reasoning Eval): GPT-5.5 bei ~71%, Opus 4.7 bei ~70%. Effektive Parität. Beide deutlich voraus von jedem 2025er-Modell.

**ARC-AGI** (abstraktes Reasoning, der Benchmark, der gegen Memorization resistent ist): GPT-5.5 mit hohem Reasoning-Effort führt — ~58% vs Opus 4.7s ~52%. Erwähnenswert: GPT-5.5 mit hochgefahrenem Reasoning-Effort verbraucht deutlich mehr Output-Token (und damit Dollar) pro Call, was die Preisvergleich ändert. ARC-AGI übersetzt nicht direkt zu Production Workloads, aber es ist ein nützlicher Proxy für Novel-Problem-Reasoning.

**Das ehrliche Fazit**: bei Benchmark-Unterschieden allein liegen die beiden Modelle innerhalb von 2-5 Punkten voneinander über die großen Evals. Opus gewinnt SWE-bench. GPT-5.5 gewinnt ARC-AGI und STEM-MMLU. Beide gewinnen oder verlieren auf verschiedenen Evals um genug, dass Benchmark-Shopping die Entscheidung nicht begleichen wird — das Production-Verhalten bei IHRER Workload wird es.

**Führen Sie Ihre eigene Eval durch.** Nehmen Sie 30 repräsentative Aufgaben aus Ihren Production-Logs, führen Sie beide Modelle aus, blind-bewerten Sie die Outputs. Zwei Tage Arbeit. Das entscheidet die Frage für Ihren spezifischen Use-Case besser als jedes Leaderboard.

**Time-to-First-Token (TTFT)** ist das, was Benutzer spüren. Bei einem 4K-Input-Prompt:

**GPT-5.5**: ~600-900ms p50 TTFT, ~1.5s p95. **GPT-5.4**: ~400-650ms p50, ~1.1s p95 (schneller wegen weniger Reasoning-Overhead). **Claude Opus 4.7**: ~700-1,000ms p50, ~1.8s p95. GPT-5.4 ist der schnellste der drei beim First-Token; die beiden Top-Modelle liegen bei TTFT innerhalb von 100-200ms voneinander entfernt.

**Nachhaltige Durchsatzrate** (Token/s nach First-Token): GPT-5.5 erhält ~80-110 tok/s für reine Textgenerierung, Opus 4.7 erhält ~75-100 tok/s. Effektive Parität auf der Durchsatz-Ebene. Beide deutlich schneller als die 2024er Flaggschiff-Modelle (GPT-4o war ~50-70 tok/s, Opus 3.5 war ~50-65 tok/s).

**Streaming ist wichtiger als roher Durchsatz.** Beide APIs streamen Chunks zuverlässig. Beide unterstützen SSE. Die vom Benutzer wahrgenommene Latenz auf einer Streaming-Chat-UI wird von TTFT dominiert, nicht von nachhaltiger Durchsatzrate, daher ist der 100-200ms-Unterschied der, der für Chat-UX wichtig ist.

**Reasoning Effort ändert alles.** GPT-5.5 mit `reasoning_effort: high` kann 30-90 Sekunden dauern, bevor es Output emittiert (es generiert intern Reasoning-Token). Opus 4.7 mit Extended Thinking Mode dehnt sich ähnlich in den 10-60-Sekunden-Bereich aus. Für Agent Workloads, bei denen Sie einen 'Denken...'-Indikator zeigen können, ist das in Ordnung. Für Chat-UIs, bei denen der Benutzer sofort eine Response erwartet, nutzen Sie standardmäßig Medium oder Low Reasoning Effort und reservieren Sie High für die schwierigen Pfade.

**Regionale Latenz variiert.** OpenAI deployed 2026 über mehr globale Regionen; Anthropic deployed über AWS Bedrock zusätzlich zur nativen API und hat gute US/EU/APAC-Abdeckung. Wenn Ihre Benutzer in einer Region konzentriert sind, testen Sie beide von dieser Region — TTFT-Unterschiede von 100-300ms zwischen Anbietern sind häufig.

**Beide Modelle akzeptieren natürlich Bild-Input** als Teil der Message API. Beide handhaben die Standard-Bild-Formate (PNG, JPEG, WebP, GIF für First Frame). Beide haben ähnliche Auflösungskaps (~2K längste Seite wird für beste Ergebnisse empfohlen).

**Vision-Qualität liegt ungefähr bei Parität** für die häufigen Aufgaben: Chart/Graph-Interpretation, Dokument-OCR, UI-Screenshot-Analyse, Diagramm-Verständnis. Opus 4.7 hat einen leichten Vorteil bei Text-intensiven Bildern (mehrspaltigen Dokumenten, dichten Tabellen) in unseren internen Evals — seine OCR-via-Vision-Pipeline bewahrt Struktur besser. GPT-5.5 übertrifft bei natürlichen Bildern (Fotos, Szenen) und bei Mathematik/Gleichungs-Transkription.

**Vision Input Preisgestaltung**: beide Modelle berechnen Bild-Input als Input-Token — typische Kosten sind $5-20 pro 1K Bilder je nach Auflösung. Detaillierte Rechnung ist im OpenAI API Cost Calculator und Claude API Cost Calculator.

**Audio Input**: GPT-5.5 unterstützt Audio Input nativ (Audio-Token separate berechnet bei ~$100/1M). Claude Opus 4.7 nicht — Anthropic empfiehlt, zuerst via separate ASR-Pipeline zu Text zu transkribieren. Für Voice-In Workflows ist dies ein echtes Differenzierungs-Merkmal für GPT-5.5.

**Keiner der Flaggschiffe gibt Bilder oder Audio aus.** Für Bildgenerierung nutzen Sie GPT-Image-1, DALL-E 3 oder ein Third-Party-Modell. Für Audio-Output nutzen Sie TTS APIs (OpenAI TTS, ElevenLabs).

**Beide Modelle unterstützen natives Function/Tool Calling** mit paralleler Tool-Ausführung. Das Wire-Format unterscheidet sich (OpenAI nutzt `tools[]` mit Function Spec; Anthropic nutzt `tools[]` mit Tool Spec — ähnliche JSON Schemas, leicht unterschiedliche Feldnamen), aber die Semantik ist äquivalent. Migration zwischen ihnen ist ein String-Substitutions-Übung bei Tool-Definitionen.

**Structured Output** (erzwungene JSON-Schema-Konformanz) ist wo sie divergieren. **GPT-5.5 hat Strict Mode** — geben Sie `response_format: { type: 'json_schema', strict: true }` durch und OpenAIs API garantiert, dass die Ausgabe gegen Ihr Schema validiert. Dies ist ein echtes Differenzierungs-Merkmal: null Post-Call-Validierungs-Fehler, keine Retry-Schleife nötig.

**Claude Opus 4.7** erzwingt JSON via Tool-Use (definiere ein einzelnes Tool, das Ihr gewünschtes Output-Schema umhüllt, erzwinge das Modell, es zu rufen). Es funktioniert zuverlässig, ist aber ein zusätzlicher Schritt beim Setup, und Sie handhaben das Parsing auf Ihrer Seite. Anthropic hat signalisiert, dass Strict JSON Mode in ihrer Roadmap ist, aber es ist bis Juni 2026 nicht GA.

**Paralleles Tool Calling**: beide unterstützen das Emittieren mehrerer Tool-Calls in einer einzelnen Response. GPT-5.5 ist in unseren Tests leicht aggressiver bei Parallelisierung (bereiter, 4-6 Tools in einem Turn auszufächern); Opus 4.7 neigt zu Konservatismus (2-3 Tools pro Turn typisch).

**Tool-Result-Token zählen als Input** auf beiden APIs — wichtig für Cost-Rechnung auf Agent-Loops, die große Tool-Outputs zurück ans Modell übergeben. Cachen Sie die Tool-Results, wenn sie stabil sind.

**Computer-Use / Browser-Use Tools**: Anthropic hat die Claude Computer Use API (Opus 4.7 unterstützt); OpenAI hat Equivalente via Assistants API und via GPT-5.5s Tool-Ökosystem. Beide sind brauchbar für Agentic UI-Automation; keiner ist ein fertiges Produkt. Real Production Deployments sind immer noch selten.

**Anthropics Cache-Read-Rabatt auf Opus ist 90%** — gecachte Input-Token werden bei $1.50/1M statt $15/1M berechnet. Das Cache TTL ist 5 Minuten Standard (auf 1 Stunde mit einem Flag erweiterbar, 1 Stunde berechnet mit Premium-Write-Rate). Cache-Schreibvorgänge kosten 25% mehr als ungecachter Input.

**OpenAIs Prompt-Cache-Hit-Rabatt auf GPT-5.5 ist 50%** — gecachter Input wird bei $2.50/1M statt $5/1M berechnet. Das Cache ist automatisch (kein Opt-In-Flag, keine expliziten Cache-Control-Marker). TTL ist ungefähr 5-10 Minuten je nach Nutzungsmustern.

**Rechnung auf einem typischen RAG Workload**: 10K-Token stabiler System-Prompt + Tool Defs + 2K-Token User Query + 1K-Token Output. Ungecacht auf GPT-5.5: 12K × $5/1M + 1K × $25/1M = $0.085. Ungecacht auf Opus 4.7: 12K × $15/1M + 1K × $75/1M = $0.255. **Gecacht** auf GPT-5.5: 10K × $2.50/1M + 2K × $5/1M + 1K × $25/1M = $0.060. **Gecacht** auf Opus 4.7: 10K × $1.50/1M + 2K × $15/1M + 1K × $75/1M = $0.120.

**Der Cache-Rabatt verengt die Spanne von 3x auf 2x** auf gecachten Prefixen — materiell, aber Opus ist immer noch deutlich teurer auf gecachten Workloads.

**Caching hilft nur, wenn Ihr Prompt-Prefix tatsächlich stabil ist.** Wenn jeder Call einen anderen System-Prompt hat (selten in gut gestalteten Apps) oder Sie das Prefix ständig mutieren (häufig in schlecht gestalteten Apps), feuert keiner der Caches und Sie zahlen Full List. Überprüfen Sie Ihre Prompt-Konstruktion auf Cache-Freundlichkeit, bevor Sie davon ausgehen, dass der Rabatt landet.

**Opus 4.8** (gestartet Juni 2026) erbt denselben 90% Cache-Read-Rabatt. Der Opus 4.7 vs 4.8 Wirtschafts-Vergleich ist effektiv flach — die Unterschiede sind Verhaltens-, nicht finanziell.

**Wählen Sie GPT-5.5 wenn**: Ihr Workload benötigt 400K Kontext (große Codebases, lange Dokumente), Strict JSON Mode (null Post-Call-Validierungs-Fehler), das billigste Frontier-Tier-Modell, das noch SWE-bench >70% trifft, oder Audio Input. Standard für High-Volume Production, wo die marginale Opus-Qualität 3x Output-Kosten nicht rechtfertigt.

**Wählen Sie GPT-5.4 wenn**: GPT-5.5-Qualität ist Overkill für die Aufgabe, aber Sie möchten OpenAIs Tooling und Ökosystem. Die $2.50/$15 Preisgestaltung ist schwer zu schlagen für High-Volume Bread-and-Butter Calls — Chat-Assistenten, Zusammenfassungs-Pipelines, Structured-Data-Extraktion.

**Wählen Sie Claude Opus 4.7 wenn**: SWE-Bench-Style Coding Agents sind der Workload (die kleine Edge compound über Agent Turns), Ihr Prefix ist hochgradig cachebar (90% Cache Read schließt die Preisspanne auf ungefähr 2x), Verhaltens-Stabilität ist wichtiger als Neuheit (4.7 ist lange genug in Production, um vorhersagbare Fehlermodi zu haben), oder Ihr Team hat sich auf Anthropics API-Ergonomie standardisiert und Sie möchten keine zweite Provider-Integration.

**Wählen Sie Opus 4.8 wenn**: Sie ein neues Projekt Mitte-2026 starten und das neueste Verhalten mögen, Sie haben keine etablierte Eval-Suite, die gegen 4.7s Quirks optimiert ist, oder Sie möchten die (kleine) Qualitäts-Bumps, die Anthropic in der 4.8 Release ausgerollt hat. Für Teams bereits in Production auf 4.7, überwiegen die Kosten der Re-Validierung von Eval-Suites gegen 4.8 normalerweise die marginale Qualitäts-Verbesserung.

**Hybrid ist normal**: routen Sie die schwierigen Reasoning-Pfade zu Opus 4.7, routen Sie die High-Volume Routine Calls zu GPT-5.4 oder GPT-5-mini. Ein gut gebauter Router kann Gesamt-Spend um 40-60% vs Monokultur auf dem Flaggschiff-Modell senken. Siehe unser OpenAI → Claude Migration Tutorial für das Multi-Provider-Abstraktions-Pattern.

**Profil**: 100,000 API Calls/Tag. Durchschnittlich 5K Input, 1.5K Output pro Call. Stabiler 3K-Token System-Prompt, der gecacht wird.

**All-GPT-5.5, kein Cache**: 100K × (5K × $5 + 1.5K × $25) / 1M = 100K × $0.0625 = **$6,250/Tag = $2.28M/Jahr**.

**All-GPT-5.5, 80% Cache-Hit auf dem 3K Prefix**: gecachter Anteil = 100K × 0.8 × 3K × $2.50/1M = $600/Tag. Ungecachter Anteil = 100K × (2K × $5 + 1.5K × $25) / 1M + 100K × 0.2 × 3K × $5/1M = $4,750 + $300 = $5,050/Tag. Gesamt: **$5,650/Tag = $2.06M/Jahr**.

**All-Claude-Opus-4.7, 80% Cache-Hit auf dem 3K Prefix**: gecachter Anteil = 100K × 0.8 × 3K × $1.50/1M = $360/Tag. Ungecachter Anteil = 100K × (2K × $15 + 1.5K × $75) / 1M + 100K × 0.2 × 3K × $15/1M = $14,250 + $900 = $15,150/Tag. Gesamt: **$15,510/Tag = $5.66M/Jahr**.

**Hybrid (70% GPT-5.4, 30% Opus 4.7, beide gecacht)**: GPT-5.4 Anteil = 70K × ($0.0625 / 2 effektiv mit Cache) ≈ $1,800/Tag. Opus Anteil = 30K × $0.155 ≈ $4,650/Tag. Gesamt: **$6,450/Tag = $2.35M/Jahr**.

Der All-Opus-Pfad kostet **$3.6M/Jahr mehr** als All-GPT-5.5. Das ist der Preis der Pro-Call-Qualitäts-Edge im Maßstab. Ob es wert ist, hängt vollständig davon ab, ob Ihr Workload die Art von Qualitäts-Flaschenhals hat, wo Opus's SWE-Bench-Edge zu einem materiellen Business-Outcome übersetzt — weniger Retries, weniger Eskalationen, mehr First-Shot-Correct Outputs.

**Führen Sie die Rechnung auf Ihrem aktuellen Workload durch.** OpenAI API Cost Calculator und Claude API Cost Calculator nehmen Input/Output/Cache-Parameter und zeigen Monat + Jahr-Kosten; günstiger als um 7 Stellen zu raten und falsch zu liegen.

**Fehler 1: Auswahl basierend auf einem Benchmark-Leaderboard.** SWE-Bench, MMLU, GPQA — sie sind nützliche direktionale Signale, aber ein 2-5 Punkt Eval-Delta sagt Ihnen nicht, welches Modell auf IHREM aktuellen Workload gewinnt. Führen Sie immer 30 repräsentative Aufgaben durch beide durch, bevor Sie sich verpflichten.

**Fehler 2: Caching in der Preis-Vergleichung ignorieren.** Quoten-Listen-Preise ($5 vs $15 Input) ohne Berücksichtigung von Cache-Rabatten überstaaten den GPT-5.5-Kosten-Vorteil um 2x auf Cache-freundlichen Workloads. Berechnen Sie immer den effektiven Preis nach Cache.

**Fehler 3: Flaggschiff für High-Volume Routine Calls pinnen.** Die meisten Production Workloads haben einen langen Tail von einfachen Calls (Extraktion, Klassifizierung, Zusammenfassung), die GPT-5.4 oder sogar GPT-5-Mini gut handhaben. Das Routen dieser aus dem Flaggschiff spart 60-80% des Spend mit vernachlässigbarem Qualitäts-Verlust.

**Fehler 4: Reflexiv die neueste Version verfolgen.** Opus 4.8 ist gerade gestartet. Wenn Sie ein stabiles Production Deployment auf 4.7 mit einer optimierten Eval-Suite haben, sind die Kosten der Re-Validierung gegen 4.8 normalerweise höher als die marginale Qualitäts-Verbesserung. Warten Sie auf einen echten Grund zu upgraden.

**Fehler 5: Annehmen, dass die Modellwahl binär ist.** Die richtige Antwort ist oft Hybrid — Opus 4.7 für die schwierigen Pfade, GPT-5.4 für die einfachen Pfade, ein expliziter Router, der pro Call wählt. Wir haben 50%+ Kostenreduktionen aus diesem Pattern mit null messbarem Qualitäts-Verlust gesehen.

**Fehler 6: Prompt-Qualität ignorieren.** Welches Modell Sie auch pinnen, die Prompts, die Sie ihm senden, bestimmen 60% der Output-Qualität. Ein schwacher Prompt zu Opus 4.7 wird einen knackigen Prompt zu GPT-5.4 die meisten Tage verlieren. Straffen Sie Ihre Prompts, bevor Sie für ein teureres Modell greifen.

**OpenAI Preisgestaltung**: openai.com/api/pricing/ und platform.openai.com/docs/models, abgerufen 2026-06-20. GPT-5.5 bei $5/$25, GPT-5.4 bei $2.50/$15, beide mit 400K Kontext, beide mit 50% Prompt-Cache-Hit-Rabatt. Preisgestaltung ist seit dem Start der GPT-5 Linie Anfang 2026 stabil.

**Anthropic Preisgestaltung**: docs.anthropic.com/en/docs/about-claude/pricing, abgerufen 2026-06-20. Claude Opus 4.7 bei $15/$75, Opus 4.8 bei $15/$75 (gecachter Input $1.50/1M), beide mit 200K Kontext, beide mit dem 90% Cache-Read-Rabatt. Preisgestaltung ist seit dem Start der 4.x Linie stabil.

**Benchmark-Nummern** (SWE-Bench Verified, MMLU-Pro, GPQA Diamond, ARC-AGI): aggregiert aus den Release Notes jedes Anbieters und den öffentlichen Leaderboards (swebench.com, ARC Prize Leaderboard). Wo Anbieter-berichtet und unabhängige Nummern divergieren, zitieren wir die unabhängige Nummer.

**Latenz-Nummern** (TTFT, nachhaltige Durchsatzrate): unsere interne Überwachung über 50K Production Calls pro Modell pro Woche, Mai-Juni 2026, gemessen von us-east-1. Ihre Nummern werden je nach Region und Tageszeit variieren.

**Live-verifizieren vor Beschaffung**: Preisseiten bewegen sich gelegentlich. Überprüfen Sie die obigen Source-URLs am Tag, an dem Sie sich für eine Modellwahl verpflichten. Cache-Rabatt-Mechaniken entwickeln sich auch — Anthropic hat sich von 5-Minuten-nur zu 5-Min/1-Stunde-Optionalität Mitte-2025 bewegt, OpenAIs automatischer Caching-Schwellwert hat sich Ende 2025 geändert.

**Eval-Methodologie**: unsere SWE-Bench-Nummern widerspiegeln die Verified Subset (500 Aufgaben, human-validiert), die mit der Standard-Harness läuft. ARC-AGI-Nummern sind aus dem öffentlichen Test-Set, nicht dem Holdout. Wir führen unsere eigenen Evals auf MMLU-Pro oder GPQA nicht durch — diese Nummern kommen direkt aus den Vendor Release Notes.