Claude Opus 5.5 Max hat in Arenas am 12. Oktober 2026 veröffentlichter Rangliste der Woche 41 (Zeitraum 5. bis 11. Oktober) bei seinem ersten Auftritt in der Agenten-Rangliste sofort Platz eins belegt. Sein Net Improvement lag bei 15,53 %, die bestätigte Aufgabenerfolgsquote bei 17,29 % und die Werkzeug-Halluzinationsrate bei 0,37 %. Aussagekräftiger als der Rang ist jedoch die absolute Höhe dieser Werte: Selbst das derzeit stärkste Agentenmodell kommt bei echten Aufgaben nur auf gut 15 % Net Improvement.
Hinter der Spitze fällt es steil ab
Die Spitze der Agenten-Rangliste ist fast eine Anthropic-interne Angelegenheit: Claude Opus 5.5 (High) liegt mit 14,33 % auf Platz zwei, OpenAIs GPT 6 Astra (Max) mit 13,09 % auf Platz drei, und Gemini 4 Argon (High) stieg auf Platz acht – mit einer Werkzeug-Halluzinationsrate von 0,18 %, der niedrigsten unter den Führenden. Chinesische Modelle bilden insgesamt eine zweite Liga: DeepSeek V4.1 Flash (Max) liegt auf Platz 17 mit 3,80 % Net Improvement, Kimi K3 (Max) auf Platz 18 mit 3,78 %, Tencents Hy4 preview auf Platz 19, Xiaomis MiMo V2.6 Pro auf Platz 20 und Alibabas Qwen3.8 Max auf Platz 24 mit nur 2,35 %. Zwischen Platz eins und dem besten chinesischen Ergebnis liegt etwa der Faktor vier.
Wie man diese Liste lesen sollte – und wie nicht
Arenas Ranglisten entstehen aus anonymen Blindtest-Abstimmungen: Die Gesamtliste nutzt ELO-Werte, die Agentenliste Prozentsignale; beide spiegeln subjektive Nutzerpräferenzen und Signale zum Aufgabenabschluss, nicht eine standardisierte absolute Fähigkeitsprüfung. Verschiedene Listen lassen sich nicht direkt vergleichen, Abstände innerhalb der Fehlergrenzen gelten als Gleichstand, und neue Modelle brauchen erst genügend Stimmen. Als Thermometer ist die Liste tauglich: Sie misst nicht, ob ein Modell eine bestimmte Aufgabe lösen kann, sondern ob echte Nutzer, die mehrstufige Aufgaben abgeben, das Ergebnis bestätigen wollen. Auch der frühere Bericht dieser Seite über eine Studie zu Multi-Agenten-Teams mahnte Ähnliches an: Mehr Agenten bedeuten höhere Kosten, aber nicht zwingend mehr Qualität.
Was das für Teams bei der Modellwahl bedeutet
Für Teams, die ein Modell für Agentenanwendungen auswählen, ist der Nutzen der Liste dieser Woche klar: Abstände an der Spitze gehören zusammen mit ihren Fehlergrenzen gelesen, und ein oder zwei Ränge sind kein Grund, die gesamte Aufrufkette auszutauschen. Der Rückstand chinesischer Modelle bei Agentenaufgaben ist real; Kernabläufe, die auf verlässliche Werkzeugaufrufe angewiesen sind, sollten deshalb zuerst mit kleinem Traffic geprüft und dann ausgeweitet werden. In der Gesamtliste führt gemini-4-argon-high mit 1.525 Punkten, kimi-k3-max liegt auf Platz 16 und ist damit das bestplatzierte chinesische Modell – Gesamterlebnis und Agentenfähigkeit sind längst zwei verschiedene Wettbewerbe.
