Claude Opus 5 Benchmarks: Was die Zahlen wirklich aussagen

Anthropic hat Claude Opus 5 am 24. Juli 2026 mit einer Reihe von Benchmark-Behauptungen vorgestellt, die wie ein klarer Sieg klingen: mehr als doppelt so gut wie Opus 4.8 bei einer Bewertung, dreimal besser als das nächstbeste Modell bei einer anderen und besser als Fable 5 zu einem Drittel der Kosten bei einer dritten. Das macht die Angaben nicht falsch. Sie sollten sie jedoch wie jede Benchmark-Tabelle eines Anbieters lesen: sorgfältig, mit Blick auf Messmethode, Vergleichsgruppe und ausgelassene Details. Dieser Leitfaden fasst alle veröffentlichten Opus-5-Behauptungen zusammen, ordnet ihre Aussagekraft ein und zeigt, wie Sie sie mit einer eigenen Evaluation in Apidog prüfen.

Testen Sie Apidog noch heute

Für das Modell selbst – claude-opus-5, 1M Kontext, 128k maximale Ausgabe, Wissensstand Mai 2026 – beginnen Sie mit Was Claude Opus 5 ist. Die primäre Quelle ist Anthropics Startbeitrag zu Claude Opus 5.

Jede veröffentlichte Behauptung in einer Tabelle

Die Vergleichsspalte ist genauso wichtig wie das Ergebnis: Mehrere Angaben sind keine absoluten Scores, sondern relative Aussagen gegenüber anderen Modellen.

Benchmark	Anthropics Behauptung	Angegeben als	Verglichen mit
Frontier-Bench v0.1	Übertrifft alle anderen Modelle; mehr als das Doppelte der Punktzahl von Opus 4.8, zu geringeren Kosten pro Aufgabe	Verhältnis plus Kostenangabe	Opus 4.8 und das Feld
ARC-AGI 3	Etwa das Dreifache der Punktzahl des nächstbesten Modells	Verhältnis	Unbenanntes nächstbestes Modell
OSWorld 2.0	Übertrifft Fable 5 zu einem Drittel der Kosten	Rangfolge plus Kostenangabe	Fable 5
CursorBench 3.2	Innerhalb von 0,5 % des Spitzenwerts von Fable 5, zum halben Preis	Lücke plus Kostenangabe	Fable 5
Zapier AutomationBench	Erfolgsquote etwa 1,5-mal höher als das nächstbeste Modell	Verhältnis	Unbenanntes nächstbestes Modell
Organische Chemie	+10,2 Punkte gegenüber Opus 4.8	Absolutes Delta	Opus 4.8
Proteinanalyse	+7,7 Punkte gegenüber Opus 4.8	Absolutes Delta	Opus 4.8
Cybersecurity-Exploitation	Hinter Mythos 5	Rangfolge	Mythos 5
Autonome Biologieforschung	Hinter Mythos 5	Rangfolge	Mythos 5

Quelle für alle Angaben: Anthropics Startbeitrag und Modelldokumentation. Zum Zeitpunkt der Abfassung hat kein Dritter diese Ergebnisse reproduziert.

Zwei Punkte fallen sofort auf:

1. Nur zwei von neun Aussagen nennen eine absolute Punktedifferenz.
2. Anthropic nennt selbst zwei Bereiche, in denen das neue Flaggschiff verliert.

Das Verhältnisproblem: Warum die fehlenden Scores wichtig sind

Vier Aussagen – Frontier-Bench, ARC-AGI 3, AutomationBench und teilweise CursorBench – werden als Verhältnis oder Lücke statt als Punktzahl formuliert.

Ein Verhältnis verbirgt den Nenner

„Etwa das Dreifache des nächstbesten Modells“ auf ARC-AGI 3 kann sehr unterschiedliche Ergebnisse bedeuten:

• Das nächstbeste Modell erreicht 8 %, Opus 5 erreicht 24 %.
• Das nächstbeste Modell erreicht 25 %, Opus 5 erreicht 75 %.

Beides ist korrekt als „3x“ beschreibbar. Die praktische Bedeutung ist jedoch völlig unterschiedlich. Ohne den Ausgangsscore lässt sich die Größe des Fortschritts nicht beurteilen.

Eine Verdopplung ist bei niedrigen Scores leichter

Die Aussage „mehr als das Doppelte der Punktzahl von Opus 4.8“ auf Frontier-Bench v0.1 hat dasselbe Problem.

Wenn Opus 4.8 zuvor nur einen einstelligen Score erreicht hat, kann eine Verdopplung ein kleiner absoluter Sprung sein. Hatte das Modell bereits 40 % erreicht, wäre die Verdopplung außergewöhnlich. Der Zusatz v0.1 ist ebenfalls relevant: Der Benchmark hat noch keine veröffentlichte Historie, keine Community-Reproduktionen und keinen bekannten Sättigungspunkt.

„Nächstbestes Modell“ bleibt unbenannt

Bei ARC-AGI 3 und AutomationBench benennt Anthropic den Vergleichskandidaten nicht. Dieser könnte Fable 5, Mythos 5 oder ein Modell eines anderen Labors sein. Ohne Vergleichsmenge lässt sich ein Verhältnis nicht sinnvoll einordnen.

Lücken brauchen Einheiten

„Innerhalb von 0,5 % des Spitzenwerts von Fable 5“ auf CursorBench 3.2 lässt offen, ob damit 0,5 Prozentpunkte oder eine relative Abweichung von 0,5 % gemeint sind. Außerdem deutet „Spitzenwert“ auf einen optimal konfigurierten Lauf hin, nicht zwingend auf eine Standardkonfiguration.

Bei Coding-Benchmarks kann der Unterschied zwischen Standard-effort und maximalem Aufwand erheblich sein. Unsere Aufschlüsselung der Fable-5-Benchmarks zeigt, wie die Zahlen dieses Modells formuliert wurden.

Die wissenschaftlichen Angaben sind am klarsten: +10,2 Punkte in organischer Chemie und +7,7 Punkte in Proteinanalyse gegenüber Opus 4.8. Die Basis-Scores fehlen zwar weiterhin, aber die absolute Bewegung ist eindeutig.

Kosten pro Aufgabe hängen von Ihrer Konfiguration ab

Drei Aussagen verbinden Leistung mit Kosten:

• niedrigere Kosten pro Aufgabe auf Frontier-Bench,
• ein Drittel der Kosten auf OSWorld 2.0,
• die Hälfte des Preises auf CursorBench 3.2.

Der Listenpreis ist überprüfbar: Opus 5 kostet 5 $ pro Million Eingabe-Tokens und 25 $ pro Million Ausgabe-Tokens. Das entspricht Opus 4.8 und ist halb so viel wie Fable 5 mit 10 $/50 $.

Diese Preise stehen auf Anthropics Preisseite. Sie sind jedoch kein Benchmark-Ergebnis. Die vollständige Berechnung einschließlich Cache-Schreibvorgängen, Batch-Raten und Fast-Mode-Premium finden Sie in unserer Opus-5-Preisaufschlüsselung.

Kosten pro Aufgabe sind etwas anderes. Sie hängen ab von:

• Eingabe- und Ausgabe-Tokens,
• aktiviertem Denken,
• Anzahl der Agenten-Durchläufe,
• eingesetzten Subagenten,
• Tool-Aufrufen,
• Caching,
• Schwierigkeit und Umfang der Aufgabe.

Anthropics Prompting-Anleitung weist darauf hin, dass Opus 5 längere Standardantworten erzeugt, leichter an Subagenten delegiert und Aufgaben häufiger erweitert. Diese Faktoren erhöhen in realen Workloads den Token-Verbrauch.

Die Kostenangabe ist dadurch nicht falsch. Der halbe Listenpreis bleibt der halbe Listenpreis. Unser Vergleich zwischen Opus 5 und Fable 5 zeigt, wo diese Differenz praktisch relevant wird.

Aber: Das Verhältnis „Kosten pro Aufgabe“ ist immer ein Resultat einer konkreten Testeinrichtung. Messen Sie es daher mit Ihrer Konfiguration und Ihren Aufgaben.

Die von Anthropic selbst genannte Obergrenze

Die aussagekräftigste Zeile in den Startunterlagen beschreibt keinen Gewinn: Laut Anthropic liegt Opus 5 bei Cybersecurity-Exploitation und autonomer Biologieforschung weiterhin hinter Mythos 5. Fable 5 behält zudem die Bezeichnung „leistungsfähigstes weit verbreitetes Modell“.

Die sachliche Zusammenfassung lautet daher:

Opus 5 bietet Frontier-Leistungsfähigkeit zu einem niedrigeren Preis, ist aber nicht das leistungsfähigste Modell im gesamten Stack.

Für Frontier-Sicherheitsforschung oder autonome wissenschaftliche Arbeit ist laut Benchmark-Aussagen weiter die Mythos-Klasse relevant. Siehe dazu unseren Erklärer zur Mythos-Klasse und Fable 5 vs. Mythos 5.

Es gibt auch eine operative Konsequenz: Anthropic hat fallbacks: "default" eingeführt. Mit dem Beta-Header server-side-fallback-2026-07-01 kann die API automatisch auf Opus 4.8 zurückfallen, wenn Opus 5 eine Anfrage der Cyber-Kategorie ablehnt.

Wenn Sie Cyber-nahe Aufgaben verarbeiten, testen Sie dieses Verhalten explizit. Ein Fallback ist eine Architekturentscheidung, kein Detail in einer Benchmark-Tabelle.

Was Benchmarks nicht abdecken

Benchmarks messen Aufgabenerfüllung. Sie messen nicht automatisch, ob das Modell in Ihrem Produkt zuverlässig funktioniert.

• Verhaltensabweichungen bei der Migration: Opus 5 überprüft seine eigene Arbeit häufiger unaufgefordert. Prompts aus Opus-4.8-Workflows wie „Überprüfe deine Antwort doppelt“ können dadurch zusätzliche Tokens erzeugen. Anthropics Prompting-Leitfaden für Opus 5 empfiehlt, solche Anweisungen zu entfernen.

• Ausgabelänge: Standardantworten und schriftliche Ergebnisse sind länger als bei Opus 4.8. Eine Reduktion des Aufwands reduziert Denk-Tokens, aber nicht zwingend die sichtbare Antwortlänge. Fordern Sie Prägnanz explizit an.

• Fehlermodi bei deaktiviertem Denken: Bei thinking: {type: "disabled"} können Tool-Aufrufe gelegentlich als normaler Text statt als ausführbare strukturierte Aufrufe erscheinen. In Agenten-Schleifen kann das Folgedurchläufe verfälschen. Interne XML-Tags können zudem vereinzelt sichtbar werden.

• Neukalibrierung von Aufwand: Die effort-Stufen wurden für Opus 5 neu kalibriert. Übernehmen Sie Opus-4.8-Werte nicht ungeprüft. Siehe den Leitfaden zum Aufwandsparameter.

• Ungültige Parameterkombinationen: Die Kombination aus thinking: {type: "disabled"} und effort: "xhigh" oder effort: "max" führt pro Anfrage zu einem 400-Fehler. Dieses Migrationsdetail behandelt der Migrationsleitfaden von Opus 4.8 zu Opus 5.

Was Sie selbst testen sollten

Behandeln Sie Anbieter-Benchmarks als Ausgangshypothese. Mit folgendem Ablauf können Sie an einem Nachmittag eine aussagekräftigere Evaluation für Ihren eigenen Use Case erstellen.

1. Erstellen Sie ein reales Aufgaben-Set

Wählen Sie 20 bis 50 abgeschlossene Aufgaben aus Ihrer Historie, zum Beispiel:

• geschlossene Tickets,
• gemergte Pull Requests,
• Support-Threads,
• Bug-Reports,
• API-Integrationsaufgaben.

Reale Eingaben sind synthetischen Prompts überlegen, weil sie Ihre tatsächlichen Formate, Mehrdeutigkeiten und Randfälle enthalten.

2. Fixieren Sie die Konfiguration

Dokumentieren Sie pro Lauf mindestens:

{
  "model": "claude-opus-5",
  "output_config": {
    "effort": "medium"
  },
  "thinking": {
    "type": "enabled"
  },
  "max_tokens": 8192
}

Wenn sich Modell-ID, effort, Thinking-Modus oder max_tokens zwischen den Runs ändern, sind spätere Vergleiche nicht aussagekräftig.

3. Messen Sie Kosten pro gelöster Aufgabe

Lesen Sie den usage-Block jeder API-Antwort aus und erfassen Sie:

• Eingabe-Tokens,
• Ausgabe-Tokens,
• Cache-Lese-Tokens,
• Cache-Schreib-Tokens,
• Anzahl der Tool-Aufrufe,
• Anzahl der Agenten-Durchläufe,
• Akzeptanzstatus der Aufgabe.

Berechnen Sie dann:

Kosten pro gelöster Aufgabe =
Gesamtkosten aller Läufe / Anzahl bestandener Aufgaben

Diese Kennzahl ist praxisnäher als reine Kosten pro Token.

4. Führen Sie einen Aufwand-Sweep durch

Testen Sie dieselben Aufgaben mit:

low
medium
high
xhigh

Vergleichen Sie dabei Erfolgsquote, Latenz, Token-Verbrauch und Kosten. Die Neukalibrierung kann dazu führen, dass low oder medium für Ihre Aufgaben bereits genügt.

Achten Sie bei hohen Aufwandsstufen besonders auf max_tokens.

5. Testen Sie die Agenten-Schleife statt nur eines Durchlaufs

OSWorld, CursorBench und AutomationBench sind agentenbasierte Benchmarks. Ein einzelner Prompt-Response-Test bildet diese Arbeitsweise nicht ab.

Führen Sie daher echte Multi-Turn-Szenarien aus:

1. Modell erhält eine Aufgabe.
2. Modell ruft ein Tool auf.
3. Tool liefert ein Ergebnis zurück.
4. Modell entscheidet über den nächsten Schritt.
5. Schleife endet erst bei Erfolg, Abbruch oder Fehlversuch.

Protokollieren Sie nicht nur das Endergebnis, sondern auch die Anzahl benötigter Durchläufe.

6. Vergleichen Sie mit Ihrem aktuellen Modell

Lassen Sie Opus 5 und Ihr aktuelles Modell auf exakt demselben Aufgaben-Set laufen, etwa Opus 4.8, Sonnet 5 oder einem anderen Modell.

Ein relativer Vergleich auf Ihren Daten ist wertvoller als ein absoluter Score auf einem fremden Benchmark.

7. Protokollieren Sie Ablehnungen separat

Cyber-nahe Aufgaben können bei Opus 5 häufiger abgelehnt werden als bei Opus 4.8. Erfassen Sie Ablehnungen als eigene Kategorie, bevor Sie entscheiden, ob Sie den serverseitigen Fallback verdrahten.

Für eine ähnliche Vergleichsmethodik siehe unseren Sonnet-5-Benchmarks-Beitrag. Der Opus-5-API-Leitfaden enthält passende Anfrageformen.

Die Bewertung in Apidog durchführen

Die Evaluation besteht aus HTTP-Anfragen mit Auth-Headern, JSON-Bodies, optionalen Streaming-Antworten und usage-Daten, die Sie je Lauf erfassen müssen. Das ist typische API-Arbeit, die Sie in Apidog als wiederverwendbare Sammlung aufbauen können.

Praktische Einrichtung:

1. Erstellen Sie eine Anfrage an den Anthropic-Messages-Endpunkt.
2. Speichern Sie den API-Schlüssel als Umgebungsvariable statt im Request-Body.
3. Duplizieren Sie die Anfrage für jede effort-Stufe.
4. Halten Sie Prompt, Tools und max_tokens konstant.
5. Aktivieren Sie Streaming, wenn Sie SSE-Ereignisse prüfen möchten.
6. Kontrollieren Sie Tool-Call-Payloads, insbesondere bei deaktiviertem Thinking.
7. Fügen Sie Assertions für die usage-Felder hinzu.
8. Speichern Sie alles als Sammlung für spätere Modellvergleiche.

Hier ist eine Basisanfrage:

curl https://api.anthropic.com/v1/messages \
  --header "x-api-key: $ANTHROPIC_API_KEY" \
  --header "anthropic-version: 2023-06-01" \
  --header "content-type: application/json" \
  --data '{
    "model": "claude-opus-5",
    "max_tokens": 8192,
    "output_config": {"effort": "medium"},
    "messages": [
      {"role": "user", "content": "Fix the failing test in this diff."}
    ]
  }'

Ändern Sie pro Lauf nur ein Feld. Protokollieren Sie anschließend den usage-Block sowie das Bewertungsergebnis der Aufgabe.

Laden Sie Apidog herunter, wenn Sie diese Evaluation mit Umgebungen, Assertions und gespeicherten Request-Sammlungen durchführen möchten.

Die ehrliche Zusammenfassung

Die Benchmark-Geschichte von Opus 5 ist stark: Anthropic beansprucht den größten Sprung gegenüber einem Opus-Vorgänger bei unveränderten Listenpreisen.

Gleichzeitig stammen alle Ergebnisse vom Anbieter, waren bis zum 25. Juli 2026 nicht unabhängig reproduziert und werden überwiegend als Verhältnisse angegeben, deren Ausgangswerte fehlen.

Beides kann gleichzeitig wahr sein.

Betrachten Sie die Tabelle als Anthropics Hypothese über das eigene Modell. Ermitteln Sie dann Ihre eigenen Zahlen mit Ihren Prompts, Tools, Agenten-Schleifen und Akzeptanzkriterien. Die Lücke zwischen einem Startdiagramm und Ihrer Produktionslast entscheidet über jede Modellmigration. Der Opus-5-Säulen-Leitfaden behandelt die weiteren Änderungen.

FAQ

Sind die Claude Opus 5 Benchmarks unabhängig verifiziert?

Nein. Stand 25. Juli 2026 stammen alle veröffentlichten Opus-5-Benchmark-Ergebnisse von Anthropic. Kein Drittanbieter-Labor oder unabhängiger Gutachter hat eine Reproduktion veröffentlicht. Lesen Sie sie als vom Anbieter gemeldete Zahlen.

Was ist die größte Opus-5-Benchmark-Behauptung?

Frontier-Bench v0.1: Anthropic gibt an, dass Opus 5 die Punktzahl von Opus 4.8 mehr als verdoppelt – bei niedrigeren Kosten pro Aufgabe. Die zugrunde liegenden Scores wurden nicht veröffentlicht, nur das Verhältnis. Zudem ist Frontier-Bench v0.1 ein neuer Benchmark ohne etablierte Historie.

Ist Claude Opus 5 das leistungsfähigste Claude-Modell?

Nein. Fable 5 behält die Bezeichnung „leistungsfähigstes weit verbreitetes Modell“. Anthropic erklärt außerdem, dass Opus 5 bei Cybersecurity-Exploitation und autonomer Biologieforschung noch hinter Mythos 5 liegt. Das Argument für Opus 5 ist Frontier-Leistung zu niedrigeren Kosten, nicht die Spitze des gesamten Stacks.

Wie viel besser ist Opus 5 bei wissenschaftlichen Aufgaben als Opus 4.8?

Anthropic meldet +10,2 Punkte in organischer Chemie und +7,7 Punkte in Proteinanalyse gegenüber Opus 4.8. Diese Angaben sind absolute Deltas und daher leichter zu interpretieren als die Verhältnis-Aussagen. Die Basis-Scores wurden jedoch nicht veröffentlicht.

Schlägt Opus 5 Fable 5?

Laut Anthropics Zahlen übertrifft Opus 5 Fable 5 auf OSWorld 2.0 zu einem Drittel der Kosten und liegt auf CursorBench 3.2 innerhalb von 0,5 % des Spitzenwerts von Fable 5 – zum halben Preis. Fable 5 behält jedoch weiterhin die allgemeine Leistungsbezeichnung. Siehe den vollständigen Vergleich.

Was sollte ich selbst benchmarken?

Messen Sie Kosten pro gelöster Aufgabe mit 20 bis 50 realen Aufgaben aus Ihrem Backlog. Testen Sie mehrere Aufwandsstufen, Ihre tatsächlichen Tools und Multi-Turn-Agenten-Schleifen. Vergleichen Sie Opus 5 mit dem Modell, das Sie heute in derselben Testumgebung einsetzen.