Anthropics Claude Opus 5 ist derzeit das leistungsfähigste KI-Modell, wenn man mehrere Benchmark-Ergebnisse heranzieht, mit besonders starken Werten bei analytischer Qualität, Programmieren und Wissensaufgaben. Das Modell erreicht oder übertrifft Claude Fable 5 in vielen Tests und kostet dabei im Allgemeinen weniger, obwohl Evaluierungen auch eine höhere Halluzinationsrate zeigen, wenn das Modell trotz Unsicherheit antwortet.

Im Artificial-Analysis-Intelligence-Index erreichte Claude Opus 5 einen Wert von 61. Der Index kombiniert neun Tests aus den Bereichen Wissensarbeit, Programmieren, wissenschaftliches Denken und faktische Genauigkeit. Dieses Ergebnis platziert Opus 5 knapp vor Claude Fable 5 mit 60, GPT-5.6 Sol mit 59, Kimi K3 mit 57 und Claude Opus 4.8 mit 56. Artificial Analysis hat vor der öffentlichen Veröffentlichung mit Anthropic zusammengearbeitet, um das Modell zu testen.

Bei Programmier-Benchmarks teilt sich Claude Opus 5 auf der Reasoning-Stufe „xhigh", eingesetzt mit Claude Code, den ersten Platz im Artificial-Analysis-Coding-Index. Der Index misst, wie gut KI-Modelle eigenständig Programmieraufgaben bewältigen können, einschließlich der Fehlererkennung und -behebung. Auf dem Terminal-Bench v2.1, der Agenten als autonome Ingenieure in realen Terminal-Umgebungen testet, erreichte Opus 5 auf der Stufe „max" 89 Prozent und zog damit mit dem bisherigen Spitzenreiter GPT-5.6 Sol gleich.

Im wissenschaftlichen Denken erzielte Opus 5 beim Humanity's Last Exam, einem anspruchsvollen akademischen Wissenstest aus mehreren Bereichen, 53 Prozent und lag damit gleichauf mit Claude Fable 5. Bei CritPt, einem Physik-Benchmark von Forschern des Argonne National Laboratory und der UIUC, erreichte Opus 5 erneut den gleichen Wert wie Fable 5, blieb aber hinter GPT-5.6 Sol, GPT-5.5 Pro und GPT-5.6 Terra zurück.

Die faktische Genauigkeit bleibt ein Schwachpunkt. Bei AA-Omniscience, das die Genauigkeit der Wissensbehauptungen eines Modells misst, verbesserte sich Opus 5 um 7 Punkte gegenüber Opus 4.8, lag aber weiterhin hinter Fable 5. Das Modell antwortet zudem häufiger, wenn es unsicher ist, wodurch die Halluzinationsrate um 14 Punkte auf 50 Prozent stieg. Dieser Kompromiss ist bei Einsatzszenarien relevant, in denen Nutzer Modelle für lange, komplexe Aufgaben nutzen möchten, aber dennoch eine zuverlässige Verweigerung oder den Umgang mit Unsicherheit erwarten, wenn eine Antwort nicht belegt ist.

Epoch-AI-Ergebnisse zeigen ein enges Rennen unter den Frontier-Modellen

Auch Epoch AI hat Claude Opus 5 evaluiert. Das Forschungsinstitut vergab einen Gesamtwert von 159 im Epoch Capability Index, knapp unter Fable 5 mit 161. In der Teilmenge Software-Engineering, bekannt als SWE-ECI, lag Opus 5 mit Fable 5 bei 161 gleichauf und übertraf GPT-5.6 Terra und Claude Opus 4.8. GPT-5.6 Sol führt sowohl den Gesamtindex als auch die Kategorie Software-Engineering an.

Die Ergebnisse deuten auf eine enge Leistungslücke unter den Frontier-Modellen hin. Kein einzelnes Modell zeigt in allen Kategorien einen klaren Vorsprung. Dieser Befund stützt die These, dass KI-Modelle zunehmend zu Commodities werden könnten – eine Sichtweise, die auch im Zusammenhang mit Aussagen von Microsoft-CEO Satya Nadella diskutiert wurde. Zudem zeigt sich, warum Käufer und Entwickler Modelle zunehmend nach Arbeitslast, Latenz, Zuverlässigkeit und Kosten vergleichen statt nach einem einzelnen Spitzenwert.

Niedrigere Reasoning-Stufen können beim Programmieren ein besseres Preis-Leistungs-Verhältnis bieten

Eine durchschnittliche Intelligence-Index-Aufgabe kostet mit Opus 5 2,03 $. Das ist weniger als bei Claude Fable 5 mit Fallback bei 2,75 $, aber mehr als bei Opus 4.8 mit 1,80 $ und Sonnet 5 mit 1,53 $. Auf den Reasoning-Stufen „high" und „xhigh" schlägt Opus 5 jedoch sowohl Opus 4.8 als auch Sonnet 5 und kostet dabei weniger.

Vals.ai testete Claude Opus 5 auf allen fünf Reasoning-Stufen mit dem Vibe Code Bench, einem Benchmark für Programmieraufgaben. Die Werte stiegen von 76,7 Prozent bei „low" auf 82 Prozent bei „medium" und 89,8 Prozent bei „high". Anschließend sank die Leistung auf den beiden höchsten Stufen: „xhigh" erreichte 88,3 Prozent und „max" 88,4 Prozent, trotz deutlich höherer Kosten.

Vals.ai stellte fest, dass die höchsten Stufen tendenziell komplexere Lösungen erzeugen, die häufiger Fehler enthalten. Die Stufe „high" produzierte einfachere Lösungen, die die Anforderungen zuverlässiger erfüllten.

Der Terminal-Bench 2.1 zeigt ein ähnliches Muster. Die Stufe „high" schnitt besser ab als „max", da das Modell auf der höchsten Stufe mehr Zeit pro Versuch benötigt und somit weniger Versuche innerhalb des Zeitlimits möglich sind. Das entspricht der Empfehlung von Anthropic, die „high" als Standardstufe sowohl in der API als auch in Claude Code festlegt.

Die Token-Preise bleiben bei 5 $ pro Million Input-Token und 25 $ pro Million Output-Token. Cache-Writes kosten 6,25 $ pro Million Token bei einer Lebensdauer von fünf Minuten, Cache-Hits nur 0,50 $ pro Million Token. Diese Preise machen Ausgabelänge, Wiederholungsverhalten und Prompt-Caching zu wichtigen Bestandteilen der tatsächlichen Kosten für agentenbasiertes Programmieren und dokumentenlastige Workflows.

Opus 5 führt bei den Evaluierungen für Wissensarbeit an

Opus 5 schneidet besonders stark beim AA-Briefcase-Benchmark ab, der misst, wie gut KI-Modelle typische Büroaufgaben bewältigen, etwa das Verfassen von Forschungsberichten, das Erstellen von Präsentationen und das Analysieren von Tabellenkalkulationen auf Basis Tausender Eingabedateien. Der Benchmark bewertet die Leistung anhand von Korrektheit, analytischer Qualität und Präsentationsqualität und wandelt die Ergebnisse in eine Elo-Wertung um, ähnlich wie beim Schach.

Bei maximaler Reasoning-Leistung erreichte Opus 5 einen Elo-Wert von 1720 und lag damit 146 Punkte vor Claude Fable 5 mit 1574. Seine drei höchsten Stufen – max, xhigh und high – belegten die ersten drei Plätze. Zusammen mit Fable 5, Sonnet 5 und Opus 4.8 stellen Modelle von Anthropic nun die große Mehrheit der Top-10-Plätze.

Die Kosten pro Aufgabe sanken um 20 Prozent auf 17,79 $, verglichen mit 22,30 $ bei Fable 5. Die Variante „xhigh" kostet 14,26 $ pro Aufgabe, während „high" bei 10,41 $ liegt – weniger als die Hälfte der Kosten von Fable 5. Beide Stufen lagen im Elo-Ranking dennoch vor Fable 5. Bei mittlerer Leistung erreichte Opus 5 einen Elo-Wert von 1470, knapp hinter GPT-5.6 Sol auf max mit 1505. Bei niedriger Leistung erzielte Opus 5 einen Wert von 1223 Elo, leicht unter GLM-5.2 auf max mit 1254.

Die größten Fortschritte zeigt Opus 5 bei der analytischen Qualität. Auf der Stufe „max" erreichte das Modell einen Analytical-Quality-Elo-Wert von 2016, fast 300 Punkte vor Fable 5. Die Rubric-Pass-Rate, die misst, wie oft das Modell vordefinierte Qualitätsstandards erfüllt, lag bei 58 Prozent („max"), 57,2 Prozent („xhigh") und 56 Prozent („high").

Bei der Präsentationsqualität war Opus 5 weniger dominant. Das Modell erreichte einen Presentation-Elo-Wert von 1628, etwa 40 Punkte hinter GPT-5.6 Sol auf „max", der 1666 erzielte.

Höhere Leistung erfordert auch mehr Zeit. Auf der Stufe „max" benötigt Opus 5 über 36 Minuten pro Aufgabe und absolviert durchschnittlich 103 Durchläufe, rund 50 Prozent länger als Opus 4.8 mit 24 Minuten und 55 Durchläufen. Für Teams, die das Modell evaluieren, legen die Benchmark-Ergebnisse nahe, dass die beste Stufe davon abhängen kann, ob die Aufgabe maximale Analyse, schnellere Bearbeitung oder geringere Kosten pro Aufgabe belohnt.