DEV Community: Emre Demir

Was ist REA (Reverse Engineer Anything)? Der MCP-Server, der in einer Woche 115.000 GitHub-Stars erreichte

Emre Demir — Tue, 13 Oct 2026 03:03:13 +0000

Was ist REA (Reverse Engineer Anything)? Der MCP-Server, der in einer Woche 115.000 GitHub-Stars erreichte

REA, kurz für Reverse Engineer Anything, ist ein Open-Source-MCP-Server und CLI, die einem Coding-Agenten die Werkzeuge geben, Software ohne ihren Quellcode zu zerlegen. Richte Claude Code, Codex, Cursor oder einen anderen Agenten auf eine native Binärdatei, eine Electron-App, eine .NET-Assembly, eine Android-APK, eine Website oder einen gespeicherten Netzwerk-Mitschnitt, frage, wie ein Feature funktioniert, und REA liefert Pseudocode, Modulgraphen, Request-Logs und die Belege für jede Aussage zurück. Der Agent erklärt anschließend das Verhalten oder baut es nach.

Teste Apidog noch heute

Das Repository morluto/rea wurde im April 2026 erstellt und blieb bis zur ersten Oktoberwoche weitgehend unbeachtet. Bis zum 12. Oktober hatte es mehr als 115.000 Stars und 25.000 Forks erreicht, einer der schnellsten Anstiege, die GitHub gesehen hat. Dieser Guide behandelt, was REA tut, wie du es installierst, wo es stark ist, wo der Hype weitergeht als die Realität, und den Teil, den die meisten Berichte auslassen: REA liest HAR- und mitmproxy-Mitschnitte und ist damit ein Frontend für API-Reverse-Engineering, das du in Apidog abschließen kannst.

Die Zahlen hinter dem Hype

Trendshifts tägliches Tracking zeigt die Form des Anstiegs. REA erschien am 4. Oktober zum ersten Mal in der Trending-Liste, mit rund 1.400 neuen Stars an einem Tag. Danach wuchs es eine Woche lang weiter compoundiert.

Datum	Neue Stars an diesem Tag
4. Okt.	1.373
7. Okt.	5.602
9. Okt.	19.375
10. Okt.	26.572
11. Okt.	31.255

Das Repository hielt fünf der sieben Tage vom 6. bis 12. Oktober den ersten Platz in den GitHub Trendings. Releases hielten Schritt: Version 3.2 erschien am 3. Oktober, 4.0 am 5. Oktober, 5.0 am 7. Oktober, 6.0 am 8. Oktober und 6.1 bis 6.4 zwischen dem 9. und 11. Oktober. Dieses Tempo ist für jede Person wichtig, die REA einführt, und wir kommen darauf zurück.

Kein einzelner Tweet oder Launch-Post erklärt den Sprung. Der Pitch hat die Arbeit getan: „Sieh ein Feature, das dir gefällt. Verstehe, wie es funktioniert, bis auf die Binärebene.“ Demo-Videos von Agenten, die Desktop-Apps aus ihren Binärdateien nachbauen, verbreiteten sich schnell, zusammen mit den üblichen Behauptungen, Software sei am Ende. Die nützlichere Lesart ist enger. REA ist ein gut verpackter Konnektor zwischen Agenten und Reverse-Engineering-Werkzeugen, die bereits existierten.

Was REA tut

REA läuft als lokaler MCP-Server. Dein Agent ruft dessen Werkzeuge auf, REA untersucht das Ziel mit der passenden Engine, und der Agent erhält strukturierte Erkenntnisse samt Einschränkungen und offenen Fragen. Dieselben Workflows stehen als CLI-Befehle zur Verfügung, sodass du sie auch ganz ohne Agenten skripten kannst.

Was es analysiert, laut der Zieltabelle im README:

Ziel	Was REA zurückgibt	Benötigt
Native Binärdateien	Pseudocode, Assembly, Strings, Symbole, Querverweise	Hopper, Ghidra oder IDA
Go-Binärdateien	Compilerversion, Module, Buildeinstellungen	Nichts zusätzliches
JavaScript- und Electron-Apps	Module, Imports, Source Maps, Routen, IPC-Grenzen	Nur Node.js
Websites	Seitenstruktur, Skripte, Netzwerkbeobachtungen, Screenshots	Ein Browser aus der Chrome-Familie
Gespeicherte Netzwerk-Mitschnitte	Requests, Responses, Payloads, Quellpositionen	HAR; mitmdump unter Linux für mitmproxy
.NET-Assemblies	Metadaten, CIL, native Abhängigkeiten	Nichts zusätzliches
Android-APKs und Geräte	Manifest, dekompilierte Methoden, Logs, Bildschirmaufnahmen	JADX plus JDK; adb
Firmware	Regionen, Extraktionsergebnisse	Binwalk oder Unblob unter Linux
WASM- und EVM-Bytecode	Sections, Imports und Exports, Dispatch-Selektoren	WABT; Linux x64

Der Entwurfsentscheid, der REA von einem dünnen Wrapper unterscheidet, ist das Belegmodell. Jedes Ergebnis trägt seine Herkunft: Datei-Digests, Bytebereiche, JSON-Pointer in den Mitschnitt und eine explizite Liste dessen, was die Analyse nicht feststellen konnte. Das Projekt weist in seiner Dokumentation wiederholt darauf hin. Die Analyse läuft auf deinem Rechner, aber das FAQ im README sagt unmissverständlich, dass der Modellanbieter des Agenten die Tool-Ergebnisse weiterhin nach seiner eigenen Datenpolitik erhält.

So installierst du REA

Du brauchst Node.js 22.19 oder neuer (23 und 25 werden nicht unterstützt) sowie npm. Ein Befehl registriert den MCP-Server und installiert die passenden Skill-Anweisungen für deinen Agenten:

npx rea-agents setup

Das Setup zeigt einen Plan an, sichert die bestehende Konfiguration und schreibt erst nach deiner Zustimmung. Laut der Installationsanleitung werden Claude Code, Claude Desktop, Codex, Cursor, Gemini CLI, Windsurf, Devin, OpenCode, Antigravity, GitHub Copilot CLI, VS Code, Grok Build, Hermes und weitere unterstützt, jeweils auswählbar mit einem Flag --client. Starte danach den Agenten neu und frage ihn etwa so:

Understand how search works in the Notes app, show me the evidence,
and build a similar feature for my project.

Für eine globale CLI:

npm install --global rea-agents
rea doctor --json

Statische JavaScript-, .NET-, Website- und Mitschnittanalysen funktionieren ohne zusätzliche Engine. Tiefe native Analysen brauchen Hopper, Ghidra 12.1 mit JDK 21 oder neuer, oder IDA. Das Setup kann Hopper mit deiner Zustimmung installieren, aber Hopper ist eigenständige kommerzielle Software mit eigener Lizenz. Ghidra unter Windows gilt als experimentell.

Was REA gut kann, gezeigt an den Showcase-Beispielen

Die eigenen Fallstudien des Projekts sind der ehrlichste Benchmark. In der DX-Boll-Studie folgte der Agent einem Sound-Aufruf bis zur Position-zu-Pan-Hilfsfunktion, wandelte unvollständigen Pseudocode in C um, und die Rekonstruktion bestand 3.205 originale x86-Testfälle, während alle 63 Bytes der kompilierten Funktion reproduziert wurden. In der Notion-Studie verfolgte er die Clipboard-API vom Renderer über Preload und IPC bis in den Electron-Main-Prozess. Eine dritte Studie gewann eine Berechnung des Bullet-Ring-Winkels aus 16-Bit-Instruktionen eines PC-98-Spiels aus den 1990er-Jahren zurück.

Beachte das Muster. Das sind eng begrenzte Fragen zu einer Funktion oder einem Datenpfad, mit einer Möglichkeit, die Antwort zu überprüfen. Genau dort funktioniert agentengesteuertes Reverse-Engineering heute. „Baue diese ganze App neu“-Demos sehen im Video gut aus und erzeugen etwas, das dem Ziel ähnelt, aber eine frühe Review, die REA bei einer einfachen Mac-App gegen einen Vanilla-Agenten testete, fand einen geringen Abstand und einen langsameren REA-Lauf. Der Wert zeigt sich, wenn die Frage konkret und das Ziel komplex ist.

REA für API-Arbeit: vom Mitschnitt zur getesteten Spezifikation

Hier kommt der Teil, der für alle relevant ist, die gegen APIs bauen. REAs Werkzeug inspect_web_network_capture liest eine HAR-Datei (oder einen nativen mitmproxy-Mitschnitt unter Linux) offline. Es ruft aufgezeichnete URLs nie erneut ab. Es validiert jeden Eintrag, bewahrt Request- und Response-Bodies mit ihren Digests und schließt Autorisierungsheader, Cookies und URL-Credentials strukturell aus den Belegen aus.

Danach tut es etwas, das jedes API-Team sofort erkennt. Übergib die bewahrten Belege an inspect_analysis_view mit der Ansicht api-surface, und REA gruppiert jeden Request nach Methode, Origin und abgeleiteter Pfadvorlage. Numerische IDs werden zu {numeric}, UUIDs zu {uuid}, lange Hex-Strings zu {hex} und Daten zu {iso-date}. Jede Gruppe zitiert die Datensätze, aus denen sie stammt, und kennzeichnet gemischte Status oder Content-Types. Der Mitschnitt-Guide betont ausdrücklich, dass die Ansicht keine Schema- oder Handler-Aussagen trifft. Sie ist ein abgeleitetes Inventar, keine Spezifikation.

Dieses Inventar ist genau der Ausgangspunkt für den Workflow in unserem Guide zum Reverse-Engineering von APIs, und Apidog vollendet ihn:

Einmal aufzeichnen. Reproduziere in den Chrome DevTools den Ablauf und speichere alle Requests als HAR mit Inhalt. Nutze ein Testkonto; eine HAR-Datei enthält aktive Tokens.
Den Agenten kartieren lassen. Bitte deinen Agenten, REA auf die HAR-Datei anzuwenden und die API-Oberfläche zusammenzufassen. Du erhältst die Endpoint-Liste, die ID-Muster und die fehlschlagenden Calls, mit Zeigern zurück zu den Rohdatensätzen.
Dieselbe HAR-Datei in Apidog importieren. Apidog wandelt erfasste Requests in Endpoints um, optional mit einem Standardtestfall pro Endpoint und dem Entfernen statischer Assets beim Import. Unsere HAR-Import-Anleitung behandelt die Bereinigung.
Abgeleitete Vorlagen zu echten Pfadparametern befördern. REAs Platzhalter {numeric} und {uuid} zeigen, welche Segmente in den Apidog-Endpoint-Definitionen parametrisiert werden müssen.
Mocken und testen. Aktiviere Apidogs Smart Mock, damit dein Client-Code gegen die rekonstruierte API laufen kann, bevor du die echte berührst. Schreibe dann Assertions gegen die erfassten Response-Shapes und führe sie über die Apidog-CLI in CI aus.

Die Aufteilung ist sauber. REA ist gut darin, Belege zu lesen und zu erklären. Apidog ist der Ort, an dem Endpoints zu einem dokumentierten, gemocten und getesteten Contract werden, den dein Team teilen kann. Keines übernimmt die Arbeit des anderen.

Einschränkungen vor der Einführung

Release-Tempo schneidet auf beiden Seiten. Sieben Minor-Versionen erschienen in neun Tagen, und die Projekt-Richtlinie always-bump-minor bedeutet, dass ein Minor-Bump breaking sein kann. Der 6.2-Migrationsguide veränderte die Form jedes MCP-Ergebnisses. Wenn du gegen REAs JSON-Ausgabe skriptest, pinne die Version und lies das Changelog, bevor du aktualisierst.

Es ist ein Konnektor, keine Sandbox. Die Sicherheitsrichtlinie des Projekts sagt, dass seine lokale Provider-Bridge keine Sandbox ist und dass das Öffnen einer nicht vertrauenswürdigen Binärdatei deren Parsing mit deinen Benutzerrechten ausführt. Analysiere nicht vertrauenswürdige Ziele in einer isolierten Umgebung, genauso wie du die Tool-Calls jedes Agenten isolieren würdest.

Plattformgrenzen sind spezifisch. Natives mitmproxy-Decoding benötigt exakt mitmdump 12.2.3, unter Linux, von dir bereitgestellt. Firmware-Extraktion, EVM und WASM laufen auf Linux x64. Für Hopper gibt es keinen Windows-Build.

Die rechtliche Verantwortung bleibt bei dir. Das README beschränkt REA auf rechtmäßige Forschung, Analyse und Rekonstruktion und sagt, dass du für die Autorisierung verantwortlich bist. Ein Wettbewerber-Feature zu kopieren bleibt dieselbe Rechtsfrage wie vor dem Werkzeug. Das Projekt musste zudem erklären, dass es keinen Token ausgegeben hat und Coins, die seinen Namen nutzen, nicht verbunden sind.

Es ist früh. Beim Schreiben gibt es über 100 Contributors sowie mehr als 170 offene Issues und Pull Requests. Die Dokumentation ist gründlich, aber außerhalb der gezeigten Pfade sind rauhe Kanten zu erwarten.

Häufig gestellte Fragen

Ist REA kostenlos? Ja. Der Code steht unter der MIT-Lizenz und das npm-Paket ist kostenlos. Hopper ist ein kostenpflichtiges Produkt, wenn du es für native Analysen wählst; Ghidra ist kostenlos.

Lädt REA meine App oder Binärdatei hoch? Nein. Die Analyse läuft lokal. Die Tool-Ergebnisse gehen an das Modell, das dein Agent nutzt, daher gilt die Datenpolitik dieses Anbieters.

Brauche ich Ghidra oder IDA für den Einstieg? Nicht für JavaScript-, Electron-, .NET-, Website- oder Mitschnittanalysen. Nur die Dekompilierung nativer Binärdateien braucht eine Engine.

Kann REA aus Traffic eine OpenAPI-Spec erzeugen? Nein. Die api-surface-Ansicht ist ein abgeleitetes Inventar mit Pfadvorlagen. Importiere die HAR-Datei in Apidog, um editierbare Endpoint-Definitionen zu erhalten, und exportiere von dort OpenAPI. Lade Apidog herunter, um den Import mit einem vorhandenen Mitschnitt auszuprobieren.

Was das für dich bedeutet

REA hat sich seine Stars verdient, indem es echte Reverse-Engineering-Engines hinter einem MCP-Server bündelte und die zurückgegebenen Belege dokumentierte. Nutze es für präzise begrenzte Fragen: wie eine Funktion funktioniert, welcher IPC-Kanal eine Nachricht trägt oder wie der Traffic einer App aussieht. Behandle die Alles-nachbauen-Demos als Demos.

Für API-Teams liegt der praktische Gewinn im Mitschnitt-Pfad. Lass den Agenten die HAR-Datei mit REA lesen, importiere anschließend dieselbe Datei in Apidog und verwandle das Inventar in Endpoints, die du mocken, testen und dokumentieren kannst.

Claude Haiku 5.5 vs GPT-6 Luna

Emre Demir — Thu, 08 Oct 2026 04:26:19 +0000

Claude Haiku 5.5 und GPT-6 Luna haben einen Listenpreis von 0,10 $/0,50 $ pro Million Eingabe-/Ausgabetoken für Haiku-Prompts bis 100.000 Token, einschließlich 0,01 $ für Cache-Lesevorgänge und 0,125 $ für Cache-Schreibvorgänge bei beiden Modellen. Der Unterschied beginnt oberhalb dieser Grenze: Haiku 5.5 steigt über 100.000 Token auf 0,50 $/2,50 $, während Luna seinen Basistarif bis 272.000 Eingabetoken beibehält und danach das 2-Fache für Eingabe sowie das 1,5-Fache für Ausgabe berechnet. In Anthropics Starttabelle erzielt Haiku 5.5 bei allen gemeinsamen Benchmarks höhere Werte. In Anthropics eigenen Kostendiagrammen ist Luna bei jeder GDPval-AA-Aufwandsstufe und bei vier von fünf OSWorld-Stufen günstiger; nur bei OSWorld Medium ist Haiku 5.5 geringfügig günstiger.

Apidog heute ausprobieren

Dieser Beitrag zeigt Preise, Spezifikationen, gemeinsame Benchmarks, Kosten pro Aufwandsstufe und ein praktisches Routing nach Arbeitslast. Details zu den einzelnen Modellen finden Sie unter Was ist Claude Haiku 5.5? und Was ist GPT-6 Luna?. Im letzten Abschnitt testen Sie beide Modelle mit demselben Prompt in Apidog.

Preis im Vergleich

Pro 1 Mio. Token	Claude Haiku 5.5	GPT-6 Luna
Eingabe, Basistarif	0,10 $ (Prompts bis 100.000 Token)	0,10 $ (bis 272.000 Eingabetoken)
Ausgabe, Basistarif	0,50 $	0,50 $
Cache-Lesen, Basistarif	0,01 $	0,01 $
Cache-Schreiben, Basistarif	0,125 $ (5 Minuten)	0,125 $
Höherer Tarif, Eingabe / Ausgabe	0,50 $ / 2,50 $ (über 100.000)	0,20 $ / 0,75 $ (über 272.000)
Höherer Tarif, Cache-Lesen / -Schreiben	0,05 $ / 0,625 $	2× Cache-Raten
Batch	0,05 $ / 0,25 $ bis 100.000; 0,25 $ / 1,25 $ darüber	50 % der Standardraten (Batch und Flex)

Quellen: Anthropics Preisdokumentation und OpenAIs GPT-6-Luna-Modellseite.

OpenAI berechnet die vollständige Anfrage neu, sobald sie 272.000 Token überschreitet. Anthropic gibt an, dass ein Prompt über 100.000 Token vollständig zu höheren Preisen abgerechnet wird.

Praktisch bedeutet das:

Unter 100.000 Token: Die Preise sind zeilenweise identisch.
Zwischen 100.000 und 272.000 Token: Haiku 5.5 ist bei Ein- und Ausgabe fünfmal teurer als Luna.
Über 272.000 Token: Beide Modelle verwenden höhere Tarife, Luna bleibt aber günstiger.

Beispielrechnungen

Die folgenden Rechnungen verwenden die jeweiligen Token des Anbieters:

150.000-Token-Prompt, 2.000 Ausgabetoken
- Haiku 5.5: 0,15 × 0,50 $ + 0,002 × 2,50 $ = 0,080 $
- Luna: 0,15 × 0,10 $ + 0,002 × 0,50 $ = 0,016 $
300.000-Token-Prompt, 2.000 Ausgabetoken
- Haiku 5.5: 0,30 × 0,50 $ + 0,002 × 2,50 $ = 0,155 $
- Luna: 0,30 × 0,20 $ + 0,002 × 0,75 $ = 0,0615 $

Anthropic sagt, dass Prompts bis 100.000 Token etwa 90 % der Haiku-4.5-Anfragen ausmachten. Wenn Ihr Traffic ähnlich aussieht, kosten die meisten Aufrufe bei beiden Modellen gleich viel. Weitere Berechnungen finden Sie unter Claude Haiku 5.5 Preisgestaltung.

Tokenizer verschieben die Schwelle

Ein Token bei einem Modell entspricht nicht zwingend einem Token beim anderen. Laut Anthropic erzeugt der aktualisierte Tokenizer von Haiku 5.5 für denselben Text etwa 30 % mehr Token als Haiku 4.5.

Im Hacker-News-Launch-Thread schätzte ein Kommentator, dass „moderne Claude's 100K Token etwa ~60–65K moderne GPT Token“ entsprechen. Das ist eine Community-Schätzung, keine Anbieterangabe.

Für die Implementierung heißt das: Verlassen Sie sich nicht nur auf Rohgrenzen wie 100.000 oder 272.000 Token. Zählen Sie reale Prompts mit beiden APIs und protokollieren Sie jedes usage-Objekt.

Spezifikationen

	Claude Haiku 5.5	GPT-6 Luna
API-Modell-ID	`claude-haiku-5-5`	`gpt-6-luna`
Kontextfenster	1 Mio. Token	1.050.000 Token
Maximale Ausgabe	128.000 Token (300.000 im Batch mit Beta-Header)	128.000 Token
Wissensstand bis	Juni 2026	18. Mai 2026
Aufwandsstufen	niedrig, mittel (Standard), hoch, xhoch, max	keine, niedrig, mittel (Standard), hoch, xhoch, max
Denken ausgeschaltet	`thinking: {"type": "disabled"}` bei hohem Aufwand oder darunter	Begründungsaufwand `none`
Kostenloser Chat-Zugang	Kostenlose Claude.ai-Nutzer können es auswählen	Kostenlose und Go-Nutzer in der ChatGPT-Desktop-App

Beide Modelle verwenden standardmäßig medium.

Für Haiku 5.5 verwenden Sie output_config.effort.
Für Luna verwenden Sie reasoning.effort.

Die kostenlosen Chat-Angebote liefern keinen API-Schlüssel. Sie eignen sich daher nicht für Skripte, CI-Jobs oder Agenten. Siehe Claude Haiku 5.5 kostenlos nutzen und GPT-6 Luna kostenlos nutzen.

Cache-Verhalten bei Aufwandswechseln

Bei wiederholten Anfragen ist das Cache-Verhalten relevant:

Bei Haiku 5.5 invalidiert eine Änderung von effort auf Top-Level-Ebene den Prompt-Cache.
OpenAI sagt, dass ein Wechsel des Begründungsaufwands bei GPT-6-Modellen den Cache nicht mehr unterbricht. Siehe GPT-6 Prompt-Caching.

Wenn Ihre Anwendung dieselben großen Systemprompts oder Dokumente mehrfach verwendet, sollten Sie Aufwand und Cache-Hit-Rate als Metriken erfassen.

Benchmarks: Anthropics Tabelle und Herkunft der Luna-Werte

Jede Zahl in der folgenden Tabelle stammt aus Anthropics Startbeitrag und dessen Systemkarte. Anthropic hat die Tabelle zusammengestellt, aber unterschiedliche Parteien haben unterschiedliche Benchmarks ausgeführt.

Die Haiku-5.5-Ergebnisse wurden bei maximalem Aufwand gemessen und meist über fünf Durchläufe gemittelt.

Benchmark	Haiku 5.5	GPT-6 Luna	Herkunft der Luna-Zelle
GDPval-AA v2.1 (Elo)	1620	1437	Unabhängig von Artificial Analysis durchgeführt
AA-Briefcase v1.1 (Elo)	1578	1336	Unabhängig von Artificial Analysis durchgeführt
OSWorld 2.1, Offline-Subset	72,4 %	48,9 %	Anthropic führte beide Modelle über die OpenAI-API auf denselben 82 Aufgaben aus
Terminal-Bench 4.0	39,2 %	16,4 %	Öffentliche Rangliste; Codex CLI bei maximalem Aufwand
FrontierCode 1.1 (Main)	46,4 %	42,4 %	Cognition führte Claude in Claude Code und GPT in Codex aus
Chartography, ohne Tools	46,4 %	29,1 %	Von Surge AI öffentlich berichtet

Die Benchmarks haben zwar denselben Namen, verwenden aber nicht zwingend dasselbe Harness. Bei Terminal-Bench lief Haiku 5.5 in Claude Code, Luna dagegen im Codex CLI. OSWorld ist stärker kontrolliert, weil Anthropic beide Modelle auf denselben Aufgaben ausführte; dennoch führte dabei ein Anbieter das Modell eines Konkurrenten aus.

Ein unabhängiger direkter Head-to-Head-Vergleich existiert noch nicht. Stand 8. Oktober 2026 hatte Artificial Analysis keine Haiku-5.5-Seite. Außerdem wurden keine Haiku-5.5-Ergebnisse auf Vals, LMArena, SWE-bench oder Aider gefunden.

Die AA-Bestenliste desselben Tages listet GPT-6 Luna bei maximalem Aufwand mit einem Intelligenzindex von 38 und 129 Ausgabetoken pro Sekunde. Vollständige Ergebnisse finden Sie unter Claude Haiku 5.5 Benchmarks.

Kosten pro Versuch bei jeder Aufwandsstufe

Die Starttabelle zeigt beide Modelle bei maximalem Aufwand. Anthropics Launch-Seite enthält zusätzlich Kosten- und Leistungswerte für jede Aufwandsstufe.

OSWorld 2.1, Offline-Subset

Teilleistungs-Score / Kosten pro Versuch:

Aufwand	Haiku 5.5	GPT-6 Luna
Niedrig	42,0 % / 0,0695 $	19,2 % / 0,038 $
Mittel	53,3 % / 0,1257 $	37,5 % / 0,1261 $
Hoch	61,3 % / 0,1827 $	42,3 % / 0,1435 $
Xhoch	67,6 % / 0,2792 $	44,8 % / 0,1672 $
Max	72,4 % / 0,6111 $	48,9 % / 0,205 $

GDPval-AA v2.1

Elo / Kosten pro Aufgabe:

Aufwand	Haiku 5.5	GPT-6 Luna
Niedrig	1125 / 0,01167 $	1036 / 0,0038 $
Mittel	1277 / 0,03042 $	1262 / 0,02 $
Hoch	1420 / 0,08938 $	1344 / 0,03 $
Xhoch	1513 / 0,26725 $	1364 / 0,05 $
Max	1620 / 0,86593 $	1437 / 0,09 $

Luna kostet auf jeder GDPval-AA-Stufe weniger und auf vier von fünf OSWorld-Stufen ebenfalls. Bei OSWorld Medium ist Haiku 5.5 mit 0,1257 $ gegenüber 0,1261 $ um 0,0004 $ günstiger.

Vergleichen Sie bei der Auswahl immer gleiche Aufwandsstufen:

OSWorld: Bei mittlerem Aufwand kostet Haiku 5.5 pro Versuch 0,1257 $ und erreicht 53,3 %. Luna kostet 0,1261 $ und erreicht 37,5 %. Haiku 5.5 bei medium schlägt in dieser Tabelle sogar Luna bei max mit 48,9 % und kostet weniger.
GDPval-AA: Luna bei max erreicht 1437 Elo für 0,09 $. Haiku 5.5 bei high erreicht 1420 Elo für 0,08938 $. Die Kosten sind fast identisch, die Ergebnisse liegen 17 Elo auseinander.

Für Computernutzung kauft Haiku 5.5 in Anthropics Messung mehr Punkte pro Dollar. Bei Wissensarbeit liegen die Modelle bei gleichem Aufwand näher zusammen. Lunas niedrigerer Preisboden ist relevant, wenn „gut genug“ ausreicht.

Routing: Welches Modell für welche Arbeitslast?

Anthropic positioniert Haiku 5.5 für „eng gefasste Aufgaben“ und nennt Sonnet 5.5 sowie Opus 5.5 als bessere Optionen für komplexe agentenbasierte Coding-Aufgaben. Beide hier verglichenen Modelle sind für hohen Durchsatz ausgelegt.

Arbeitslast	Beginnen Sie mit	Warum
Klassifizierung, Routing, Extraktion unter 100.000 Token	Beide testen	Identischer Preis; wählen Sie anhand Ihrer Label-Genauigkeit
Q&A über lange Dokumente, 100.000 bis 272.000 Token	GPT-6 Luna	Basistarif bis 272.000 Token; Haiku 5.5 ist oberhalb von 100.000 Token 5× teurer
Browser- und Desktop-Automatisierung	Claude Haiku 5.5	Höherer OSWorld-Score bei vergleichbaren Kosten
Subagenten unter Opus 5.5 oder Sonnet 5.5	Claude Haiku 5.5	Claude-Code-Frontmatter `model: haiku`; Haiku 5.5 auf der Anthropic API
Niedrigste Kosten pro Aufruf	GPT-6 Luna	Niedrigster Preisboden: 0,038 $ auf OSWorld und 0,0038 $ auf GDPval-AA bei niedrigem Aufwand
Wissensarbeitsentwürfe bei hohem Aufwand	Beide testen	Auf GDPval-AA bei gleichem Aufwand nur 17 Elo Unterschied

Für die praktische Umsetzung:

Segmentieren Sie Anfragen nach Prompt-Länge.
Messen Sie Qualität mit einem repräsentativen Evaluierungsset.
Starten Sie mit low, medium und high.
Speichern Sie Kosten, Latenz, Tokenverbrauch und Task-Erfolg pro Modell.
Routen Sie erst danach produktiv.

Weitere Anleitungen: Claude Haiku 5.5 in Claude Code für Subagenten und GPT-6 Luna für API-Workloads mit hohem Volumen für High-QPS-Pipelines.

Wenn Sie von Haiku 4.5 migrieren, listet Haiku 5.5 vs. Haiku 4.5 die fünf neuen 400er-Fehler auf.

Beide Modelle nebeneinander in Apidog testen

Der aussagekräftigste Vergleich verwendet Ihre eigenen Prompts. Erstellen Sie in Apidog ein Projekt mit zwei Anfragen und identischem Prompt.

Speichern Sie ANTHROPIC_API_KEY und Ihren OpenAI-Schlüssel als Umgebungsvariablen.
Erstellen Sie eine Anfrage für Haiku 5.5 und eine für Luna mit demselben Prompt und Aufwand.
Prüfen Sie bei Haiku, dass stop_reason nicht "refusal" ist. Es gibt keinen serverseitigen Fallback.
Prüfen Sie, ob usage innerhalb Ihres Token-Budgets bleibt.
Führen Sie beide Anfragen mit low, medium und high aus.
Speichern Sie Antwort, Eingabe- und Ausgabetoken sowie Latenz für jeden Lauf.

Beispiel für Haiku 5.5:

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 2048,
    "thinking": {"type": "adaptive"},
    "output_config": {"effort": "medium"},
    "messages": [
      {
        "role": "user",
        "content": "Classify this support ticket as billing, bug, or feature request: The export button returns a 500 error since this morning."
      }
    ]
  }'

Lassen Sie bei Haiku 5.5 temperature, top_p und top_k weg: Nicht-Standardwerte führen zu einem 400er-Fehler.

Eine vollständige Anleitung finden Sie unter Claude Haiku 5.5 API verwenden. Für Evaluierungssets siehe LLM-Anwendungen testen.

FAQ

Sind Claude Haiku 5.5 und GPT-6 Luna gleich teuer?

Ja, für Haiku-Prompts bis 100.000 Token: 0,10 $/0,50 $ für Eingabe/Ausgabe, 0,01 $ für Cache-Lesevorgänge und 0,125 $ für Cache-Schreibvorgänge. Oberhalb davon kostet Haiku 5.5 0,50 $/2,50 $, während Luna bis 272.000 Token beim Basistarif bleibt.

Welches Modell erzielt höhere Benchmark-Werte?

Haiku 5.5 erzielt in jeder gemeinsamen Zeile der Starttabelle von Anthropic höhere Werte. Die Tabelle wurde von Anthropic zusammengestellt; ein unabhängiger direkter Vergleich liegt noch nicht vor.

Welches Modell ist pro Aufgabe günstiger?

Meist Luna: bei jeder Aufwandsstufe im GDPval-AA-Diagramm von Anthropic und bei vier von fünf OSWorld-Stufen. Bei OSWorld Medium ist Haiku 5.5 um 0,0004 $ günstiger. Bei gleichem Aufwand führt Haiku 5.5 bei OSWorld, während GDPval-AA näher beieinanderliegt.

Ist eines der Modelle kostenlos verfügbar?

Nur im Chat. Kostenlose Claude.ai-Nutzer können Haiku 5.5 auswählen. Kostenlose und Go-Nutzer erhalten Luna in der ChatGPT-Desktop-App. Keines der Angebote stellt einen API-Schlüssel bereit. Siehe Claude Haiku 5.5 kostenlos nutzen.

Auswahl nach Prompt-Länge, dann testen

Prüfen Sie zuerst die Verteilung Ihrer Prompt-Längen:

Unter 100.000 Token: Preisgleichheit; Qualität und Latenz entscheiden.
100.000 bis 272.000 Token: Luna spart pro Anfrage durch den längeren Basistarif.
Über 272.000 Token: Beide nutzen höhere Tarife, Luna bleibt laut diesen Preisstufen günstiger.

Testen Sie danach beide Modelle mit echten Anfragen bei zwei oder drei Aufwandsstufen. Laden Sie Apidog herunter, legen Sie beide Requests in einem Projekt an und lassen Sie usage, Latenz und Task-Erfolg die Routing-Entscheidung bestimmen.

Claude Haiku 5.5 vs Haiku 4.5: Änderungen, Neuerungen und kritische Breaking Changes

Emre Demir — Thu, 08 Oct 2026 04:24:58 +0000

Claude Haiku 5.5 (claude-haiku-5-5, veröffentlicht am 7. Oktober 2026) kostet für Prompts bis 100.000 Tokens 90 % weniger als Haiku 4.5: 0,10 $ / 0,50 $ pro Million Eingabe-/Ausgabe-Tokens statt 1 $ / 5 $. Außerdem erweitert es das Kontextfenster von 200K auf 1M Tokens und erzielt in allen aufgeführten Start-Benchmarks deutlich höhere Werte. Der Haken: Fünf Anfrageformen, die unter 4.5 funktionierten, lösen jetzt einen 400er-Fehler aus. Weitere Änderungen beeinflussen Antworten und Kosten ohne Fehler.

Apidog noch heute ausprobieren

In diesem Beitrag erhalten Sie eine Seite-an-Seite-Tabelle, Vorher-/Nachher-JSON für jede inkompatible Änderung, eine Liste stiller Änderungen und einen Testplan für Apidog. Das vollständige Datenblatt finden Sie unter Was ist Claude Haiku 5.5?. Falls Sie noch das ältere Modell einsetzen, lesen Sie den Claude Haiku 4.5 API-Leitfaden.

Haiku 4.5 vs. Haiku 5.5 im Überblick

	Claude Haiku 4.5	Claude Haiku 5.5
Modell-ID (Claude API)	`claude-haiku-4-5-20251001`	`claude-haiku-5-5`
Kontext / maximale Ausgabe	200K / 64K	1M / 128K
Eingabe / Ausgabe pro MTok	1 $ / 5 $	0,10 $ / 0,50 $ bis 100.000 Tokens; 0,50 $ / 2,50 $ darüber
Cache-Lesen / 5m-Schreiben pro MTok	0,10 $ / 1,25 $	0,01 $ / 0,125 $ bis 100.000; 0,05 $ / 0,625 $ darüber
Batch-Eingabe / -Ausgabe pro MTok	0,50 $ / 2,50 $	0,05 $ / 0,25 $ bis 100.000; 0,25 $ / 1,25 $ darüber
Thinking	Manuelles `budget_tokens`	Nur adaptiv, standardmäßig aktiviert
Effort-Stufen	Keine	`low`, `medium` (Standard), `high`, `xhigh`, `max`
Minimaler cachefähiger Prompt	4.096 Tokens	512 Tokens
Tokenisierer	Älter	Etwa 30 % mehr Tokens für denselben Text
Nicht-Standard-Sampling-Parameter, Vorbefüllung	Akzeptiert	400er-Fehler
Prioritätsstufe	Unterstützt	Nicht unterstützt
Status	Aktiv, Außerbetriebnahme nicht vor dem 15. Okt. 2026	Aktiv, Außerbetriebnahme nicht vor dem 7. Okt. 2027

Haiku 4.5 ist nicht veraltet. Die Modell-Veraltungs-Seite listet es weiterhin als aktiv ohne Verfallsdatum. Sie können daher nach Ihrem eigenen Zeitplan migrieren. Die Ratenbegrenzungen sind bei beiden Modellen gleich.

Die fünf bahnbrechenden Änderungen

Jede der folgenden Änderungen erzeugt bei Haiku 5.5 einen 400er-Fehler für einen Request-Body, der mit Haiku 4.5 noch funktioniert hat. Der Haiku-5.5-Migrationsleitfaden listet diese Änderungen ebenfalls auf.

1. Manuelles Thinking mit `budget_tokens`

Haiku 5.5 unterstützt ausschließlich adaptives Thinking. Ein festes Token-Budget wird abgelehnt.

// Vorher: Haiku 4.5
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 16000,
  "thinking": {
    "type": "enabled",
    "budget_tokens": 8000
  },
  "messages": [
    {
      "role": "user",
      "content": "Dieses Ticket klassifizieren."
    }
  ]
}

// Nachher: Haiku 5.5
{
  "model": "claude-haiku-5-5",
  "max_tokens": 16000,
  "thinking": {
    "type": "adaptive"
  },
  "output_config": {
    "effort": "medium"
  },
  "messages": [
    {
      "role": "user",
      "content": "Dieses Ticket klassifizieren."
    }
  ]
}

effort ist jetzt Ihr Steuerungshebel. Wenn Sie unter 4.5 ein kleines Thinking-Budget verwendet haben, wählen Sie eine niedrigere Effort-Stufe.

Sie können weiterhin thinking: {"type": "disabled"} senden, aber nur bis einschließlich high. Bei xhigh oder max führt deaktiviertes Thinking ebenfalls zu einem 400er-Fehler.

2. Sampling-Parameter

Entfernen Sie temperature, top_p und top_k aus migrierten Requests. Die einzigen akzeptierten Werte sind:

temperature: 1
top_p: 0.99

Jeder andere Wert erzeugt einen 400er-Fehler. Das gilt auch für:

top_p: 1
jedes top_k
das gleichzeitige Senden von temperature und top_p

// Vorher: Haiku 4.5
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 1024,
  "temperature": 0.2,
  "top_k": 40,
  "messages": [
    {
      "role": "user",
      "content": "Die Bestell-ID extrahieren."
    }
  ]
}

// Nachher: Haiku 5.5
{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Die Bestell-ID extrahieren."
    }
  ]
}

Wenn Sie niedrige Temperatur für konsistente Ausgaben genutzt haben, formulieren Sie die gewünschte Konsistenz explizit im Prompt.

3. Assistenten-Vorbefüllung

Eine abschließende assistant-Nachricht, die das Modell fortsetzen soll, wird in Haiku 5.5 abgelehnt — auch bei deaktiviertem Thinking.

Beenden Sie messages daher immer mit einer user-Nachricht.

// Vorher: Haiku 4.5
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Das Sentiment als JSON zurückgeben."
    },
    {
      "role": "assistant",
      "content": "{\"sentiment\": \""
    }
  ]
}

// Nachher: Haiku 5.5
{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "system": "Antworten Sie nur mit einem JSON-Objekt. Keine Präambel.",
  "messages": [
    {
      "role": "user",
      "content": "Das Sentiment als JSON zurückgeben."
    }
  ]
}

Für strikt strukturierte Antworten empfiehlt der Migrationsleitfaden strukturierte Ausgaben oder ein Tool mit Enum-Feldern für Klassifizierungen.

4. Computer Use: `computer_20250124` zu `computer_toolset_20260801`

Auf der Claude API und in Google Cloud unterstützt Haiku 5.5 Computer Use nur über das neue Toolset.

Entfernen Sie außerdem diese Beta-Header, falls Sie sie noch setzen:

computer-use-2025-01-24
fine-grained-tool-streaming-2025-05-14

Zusammen mit dem neuen Toolset verursachen sie einen 400er-Fehler.

// Vorher: Haiku 4.5
// Header: anthropic-beta: computer-use-2025-01-24
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 4096,
  "tools": [
    {
      "type": "computer_20250124",
      "name": "computer",
      "display_width_px": 1280,
      "display_height_px": 800
    }
  ],
  "messages": [
    {
      "role": "user",
      "content": "Die Einstellungen-Seite öffnen."
    }
  ]
}

// Nachher: Haiku 5.5
// Kein Beta-Header
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "tools": [
    {
      "type": "computer_toolset_20260801"
    }
  ],
  "messages": [
    {
      "role": "user",
      "content": "Die Einstellungen-Seite öffnen."
    }
  ]
}

Passen Sie auch Ihre Agenten-Schleife an:

Dispatchen Sie auf name und toolset_name jedes tool_use-Blocks.
Verlassen Sie sich nicht mehr auf input.action.
Geben Sie toolset_name in Tool-Ergebnissen zurück.

Haiku 5.5 unterstützt zusätzlich das Browser-Tool browser_toolset_20260801, das Haiku 4.5 nicht unterstützt. Weitere Hintergründe finden Sie unter Claude Code Computernutzung.

5. Frühere Züge vor einem Thinking-Block bearbeiten

Ein Thinking-Block von Haiku 5.5 bleibt nur gültig, solange alle vorherigen Eingaben unverändert bleiben.

Wenn Sie system, tools oder eine frühere Nachricht ändern und anschließend einen alten Thinking-Block erneut senden, erhalten Sie einen 400er-Fehler. Haiku 4.5 hat diese Prüfung nicht durchgeführt.

// Vorher: Bearbeitetes System + erneut gesendeter Thinking-Block = 400
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "system": "Sie sind ein Abrechnungsagent. Fassen Sie sich kurz.",
  "messages": [
    {
      "role": "user",
      "content": "Warum wurde mir doppelt berechnet?"
    },
    {
      "role": "assistant",
      "content": [
        {
          "type": "thinking",
          "thinking": "",
          "signature": "<from turn 1>"
        },
        {
          "type": "text",
          "text": "Überprüfung."
        }
      ]
    },
    {
      "role": "user",
      "content": "Bestellung 4412."
    }
  ]
}

// Nachher: Frühere Züge unverändert, neue Anweisung angehängt
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "system": "Sie sind ein Abrechnungsagent.",
  "messages": [
    {
      "role": "user",
      "content": "Warum wurde mir doppelt berechnet?"
    },
    {
      "role": "assistant",
      "content": [
        {
          "type": "thinking",
          "thinking": "",
          "signature": "<from turn 1>"
        },
        {
          "type": "text",
          "text": "Überprüfung."
        }
      ]
    },
    {
      "role": "user",
      "content": "Bestellung 4412. Fassen Sie sich kurz."
    }
  ]
}

Bei Konten, die vor dem 31. August 2026 um 00:00 UTC erstellt wurden, tritt der Fehler nur auf, wenn Requests thinking.block_binding.prefix_mismatch_behavior setzen.

Stille Änderungen, die keinen Fehler auslösen

Diese Änderungen verursachen keinen 400er-Fehler, können aber Ihre Verarbeitung, Token-Kosten und Tests beeinflussen.

Thinking-Feld ist standardmäßig leer. Jeder thinking-Block enthält ein leeres thinking-Feld und nur eine signature. Haiku 4.5 gab zusammenfassendes Thinking zurück. Wenn Sie Thinking protokollieren oder anzeigen möchten, setzen Sie:

  {
    "thinking": {
      "type": "adaptive",
      "display": "summarized"
    }
  }

Antworten können mit Thinking beginnen. Adaptives Thinking ist standardmäßig aktiv. Suchen Sie Inhaltsblöcke immer anhand von type, nicht anhand eines festen Array-Index.
Etwa 30 % mehr Tokens. Der neue Tokenisierer zählt denselben Text als etwa 30 % mehr Tokens. Messen Sie Ihre Prompts neu. Thinking-Tokens zählen außerdem gegen max_tokens; bei einem zu kleinen Limit kann der Request mit stop_reason: "max_tokens" enden, bevor Text ausgegeben wird.
Erzwungenes tool_choice überspringt Thinking. any oder ein benanntes Tool funktionieren weiterhin, aber die Antwort beginnt direkt mit dem Tool-Aufruf und enthält keinen thinking-Block. Wenn das Modell zuerst überlegen soll, verwenden Sie:

  {
    "tool_choice": {
      "type": "auto"
    }
  }

Beschreiben Sie im Prompt zusätzlich, wann das Tool verwendet werden soll.

Neue Ablehnungen ohne Fallback. Haiku 5.5 nutzt Sicherheitsklassifikatoren wie cyber, frontier_llm, bio und general_harms. Diese können stop_reason: "refusal" zurückgeben. Es gibt kein serverseitiges Fallback; ein erneuter Versuch führt normalerweise erneut zur Ablehnung.
Prioritätsstufe entfällt. Falls Sie für Haiku 4.5 eine Priority-Tier-Verpflichtung haben, planen Sie Kapazität für Haiku 5.5 separat.
Thinking-Blöcke sind konto-gebunden. Sie funktionieren nur im Konto, das sie erzeugt hat, oder in einem verknüpften Konto. Beim Wiedergeben gespeicherter Konversationen über ein anderes Konto geht diese Argumentation verloren.
Caching startet früher. Der minimale cachefähige Prompt sinkt von 4.096 auf 512 Tokens. Dadurch können kurze Systemprompts gecacht werden, die unter Haiku 4.5 nicht cachefähig waren.

Was wurde besser?

Die folgenden Werte wurden von Anthropic für Haiku 5.5 mit maximaler Effort-Stufe gemeldet. Artificial Analysis führte GDPval-AA und AA-Briefcase unabhängig durch.

Benchmark	Haiku 4.5	Haiku 5.5
GDPval-AA v2.1 (Elo)	735	1620
AA-Briefcase v1.1 (Elo)	614	1578
OSWorld 2.1, Offline-Subset	15,7 %	72,4 %
Humanity’s Last Exam, mit Tools	18,7 %	57,4 %
Terminal-Bench 4.0	0,0 %	39,2 %
SWE-bench Multilingual	67,4 %	83,7 %
Chartography, ohne Tools	6,4 %	46,4 %

Der Terminal-Bench-Lauf von Haiku 4.5 verwendete ein festes Thinking-Budget von 63.999 Tokens. Mit dem Standardwert medium erreichte Haiku 5.5 bei GDPval-AA 1277 Punkte und lag damit weiterhin deutlich über Haiku 4.5.

Box meldete Ergebnisse, die 11 Punkte höher als bei Haiku 4.5 lagen, bei etwa der halben Latenz. Vollständige Tabellen finden Sie unter Claude Haiku 5.5 Benchmarks.

Anthropic positioniert Sonnet 5.5 und Opus 5.5 weiterhin als bessere Wahl für komplexe agentische Coding-Aufgaben. Haiku 5.5 zielt auf Klassifizierung, Extraktion, Zusammenfassung, Kompaktierung, Subagenten und Browser-Nutzung ab.

Bei den Kosten nennt Anthropic durchschnittlich etwa 75 % Einsparung. Diese Zahl berücksichtigt die 90 % niedrigeren Preise bis 100.000 Tokens, die 50 % niedrigeren Preise darüber sowie die zusätzlichen Tokens des neuen Tokenisierers. Der System-Prompt für Tool-Nutzung schrumpfte bei auto-Tool-Auswahl zudem von 496 auf 286 Tokens.

Ausgearbeitete Kostenbeispiele finden Sie unter Claude Haiku 5.5 Preisgestaltung.

Migration in Apidog testen

Erstellen Sie in Apidog ein Projekt mit drei gespeicherten Requests an:

https://api.anthropic.com/v1/messages

Baseline: Verwenden Sie Ihren aktuellen Haiku-4.5-Request-Body. Erwartung: Status 200.
Alter Body, neues Modell: Ändern Sie ausschließlich model zu claude-haiku-5-5. Erwartung: Status 400. Speichern Sie für jede auftretende inkompatible Änderung eine Kopie.
Migriert: Verwenden Sie den korrigierten Request-Body. Erwartung:
- Status 200
- stop_reason ist weder refusal noch max_tokens
- Ein Textblock wird anhand von type gefunden

Speichern Sie ANTHROPIC_API_KEY als Umgebungsvariable und referenzieren Sie ihn im x-api-key-Header:

{{ANTHROPIC_API_KEY}}

Setzen Sie zusätzlich diesen Header:

anthropic-version: 2023-06-01

Vergleichen Sie usage.input_tokens zwischen Baseline und migriertem Request. So sehen Sie direkt, wie sich der neue Tokenisierer auf Ihre eigenen Prompts auswirkt.

Speichern Sie die Requests anschließend als Testszenario. Wenn jemand später versehentlich temperature wieder einführt, schlägt der Test fehl — statt erst die Produktion.

Die Request-Grundlagen finden Sie unter So verwenden Sie die Claude Haiku 5.5 API.

Wenn Sie mit Claude Code arbeiten, führt folgender Befehl Modell-ID-Austausch und Parameterkorrekturen durch und liefert anschließend eine Checkliste:

/claude-api migrate this project to claude-haiku-5-5

Beachten Sie: Der Alias haiku wird nur auf der Anthropic API zu Haiku 5.5 aufgelöst. Details finden Sie unter Claude Haiku 5.5 in Claude Code.

FAQ

Ist Claude Haiku 4.5 veraltet?

Nein. Es ist als aktiv ohne Verfallsdatum gelistet. Die Außerbetriebnahme erfolgt nicht vor dem 15. Oktober 2026.

Warum liefert meine Haiku-4.5-Anfrage bei Haiku 5.5 einen 400er-Fehler?

Prüfen Sie auf:

budget_tokens
temperature, top_p oder top_k
Assistenten-Vorbefüllung
computer_20250124
Änderungen an früheren Zügen vor einem Thinking-Block

Das sind die fünf inkompatiblen Änderungen.

Ist Haiku 5.5 für lange Prompts günstiger als Haiku 4.5?

Ja. Über 100.000 Tokens kostet Haiku 5.5 0,50 $ / 2,50 $ pro Million Tokens — halb so viel wie Haiku 4.5 mit 1 $ / 5 $. Haiku 4.5 kann außerdem keine Prompts über 200.000 Tokens verarbeiten.

Sollte ich alles auf Haiku 5.5 umstellen?

Für Klassifizierung, Extraktion und Subagenten-Aufgaben sollten Sie Haiku 5.5 zuerst testen und dann migrieren. Einen Vergleich mit dem engsten Konkurrenten finden Sie unter Haiku 5.5 vs. GPT-6 Luna.

Nächster Schritt

Speichern Sie Ihre Haiku-4.5-Anfrage neben ihrem Haiku-5.5-Zwilling. Bestätigen Sie zunächst den 400er-Fehler, beheben Sie ihn und leiten Sie den Traffic erst um, wenn die migrierte Anfrage erfolgreich ist.

Apidog herunterladen, um dieses Testpaar zu erstellen.

Claude Haiku 5.5 Preise

Emre Demir — Thu, 08 Oct 2026 04:20:13 +0000

Claude Haiku 5.5 kostet $0,10 pro Million Eingabetoken und $0,50 pro Million Ausgabetoken für Prompts bis 100K Token. Für Prompts über 100.000 Token gelten höhere Preise: $0,50 für Eingabe und $2,50 für Ausgabe. Cache-Lesevorgänge beginnen bei $0,01, die Batch-API halbiert jeden Preis, und Anthropic beschreibt das Modell im Durchschnitt als „etwa 75 % günstiger im Betrieb“ als Haiku 4.5.

Apidog noch heute testen

Dieser Leitfaden zeigt die einzelnen Kostenpositionen, die Rechnung hinter den 75 %, drei durchgerechnete Beispiele (eins über 100K), Kosten nach Aufwandsstufe und den Vergleich mit Haiku 4.5, GPT-6 Luna und Sonnet 5.5. Neu im Modell? Beginnen Sie mit was Claude Haiku 5.5 ist. Um die Werte für Ihren eigenen Traffic zu prüfen, senden Sie Anfragen mit Apidog und werten Sie den usage-Block jeder Antwort aus.

Claude Haiku 5.5 API-Preistabelle

Preise pro Million Token (MTok), laut Anthropics Preisdokumentation:

Posten	Prompts bis 100K Token	Prompts über 100K Token
Eingabe	$0.10	$0.50
Ausgabe	$0.50	$2.50
5-Minuten-Cache-Schreibvorgang	$0.125	$0.625
1-Stunden-Cache-Schreibvorgang	$0.20	$1.00
Cache-Lesevorgang (Treffer und Aktualisierungen)	$0.01	$0.05
Batch-Eingabe	$0.05	$0.25
Batch-Ausgabe	$0.25	$1.25

Die Dokumentation formuliert es klar: „Ein Prompt von über 100.000 Token zahlt höhere Preise.“ Andere Claude-Modelle ab 4.6 berechnen das gesamte 1M-Fenster zu einem Satz; Haiku 5.5 ist die Ausnahme.

Berücksichtigen Sie bei Ihrer Kalkulation außerdem:

Inferenz nur in den USA: Routing ausschließlich über die USA via inference_geo kostet das 1,1-Fache in jeder Token-Kategorie auf der Claude API und der Claude-Plattform auf AWS. Unter 100K entsprechen das $0,11 für Eingabe und $0,55 für Ausgabe.
Neuer Tokenizer: Derselbe Text erzeugt ungefähr 30 % mehr Token als bei Haiku 4.5.
Geringerer Tool-Overhead: Der Tool-Use-System-Prompt umfasst 286 Token (auto/none) statt 496 bei Haiku 4.5.
Keine Prioritätsstufe und kein schneller Modus: Planen Sie keine zusätzliche Preisstufe für diese Optionen ein.

Woher die „etwa 75 % weniger“ kommen

Haiku 5.5 ist bis 100.000 Token 90 % günstiger als Haiku 4.5 und darüber 50 % günstiger. Laut Anthropic lagen 90 % der Haiku-4.5-Anfragen unter 100K Token. Der neue Tokenizer ist in der Durchschnittsangabe bereits berücksichtigt.

Eine grobe Rekonstruktion:

Gewichtung nach Anfrageanzahl: 0,9 × 90 % + 0,1 × 50 % = 86 % weniger
Berücksichtigen Sie ungefähr 30 % mehr Token: Die verbleibenden 14 % der Kosten werden zu 14 % × 1,3 = 18,2 %. Die rechnerische Einsparung sinkt damit auf etwa 82 %.

Anthropics Wert liegt noch niedriger. Das Unternehmen veröffentlicht die genaue Gewichtung nicht, und lange Prompts verursachen wahrscheinlich überproportional viele Ausgabetoken. Verwenden Sie die 75 % daher als Durchschnittswert; Ihre eigenen usage-Daten liefern die belastbare Antwort.

Kosten pro Versuch bei jeder Aufwandsstufe

Haiku 5.5 ist das erste Haiku-Modell mit Aufwandsstufen: low bis max. medium ist die API-Standardeinstellung. Der Aufwand beeinflusst Ihre Rechnung oft stärker als der reine Tokenpreis.

Die folgenden Werte stammen aus den Pro-Aufwand-Diagrammen des Launch-Posts. Anthropic führte OSWorld und Terminal-Bench durch; Artificial Analysis führte GDPval-AA durch.

Aufwand	OSWorld 2.1 (Score, $/Versuch)	GDPval-AA v2.1 (Elo, $/Aufgabe)	Terminal-Bench 4.0 (Score, $/Versuch)
niedrig	42.0%, $0.0695	1125, $0.0117	12.7%, $0.424
mittel	53.3%, $0.1257	1277, $0.0304	20.3%, $0.6798
hoch	61.3%, $0.1827	1420, $0.0894	24.8%, $1.0372
xhoch	67.6%, $0.2792	1513, $0.2673	31.5%, $1.7545
max	72.4%, $0.6111	1620, $0.8659	39.2%, $2.6433

Praktische Konsequenzen:

max kostet auf OSWorld 4,9-mal so viel wie medium: $0,6111 ÷ $0,1257
Auf GDPval-AA kostet max 28,5-mal so viel wie medium: $0,86593 ÷ $0,03042
Die Scores der Starttabelle stammen von max: Bei der API-Standardeinstellung medium liegt GDPval-AA bei 1277, nicht bei 1620.
Prüfen Sie Sonnet für agentisches Coding: Auf Terminal-Bench erreichte Sonnet 5.5 bei low mit $0,10 Cache-Lesevorgängen 20 % für $0,6205. Haiku 5.5 erreichte bei medium 20,3 % für $0,6798. Anthropic sagt, Sonnet und Opus „bleiben bessere Optionen für komplexe agentische Coding-Aufgaben“.

Die Benchmarks-Übersicht enthält alle Werte.

Wie Haiku 5.5 preislich im Vergleich abschneidet

Modell	Eingabe / Ausgabe pro MTok	Cache-Lesevorgang	5-Minuten-Cache-Schreibvorgang	Regel für lange Prompts
Claude Haiku 5.5	$0.10 / $0.50 bis 100K	$0.01	$0.125	Über 100K: $0.50 / $2.50
GPT-6 Luna	$0.10 / $0.50	$0.01	$0.125	Über 272K Eingabe: 2× Eingabe und Cache, 1.5× Ausgabe ($0.20 / $0.75)
Claude Haiku 4.5	$1 / $5	$0.10	$1.25	Ein Preis (200K Kontext)
Claude Sonnet 5.5	$2 / $10	$0.10	$2.50	Ein Preis über 1M

GPT-6 Luna entspricht Haiku 5.5 bis 100K Token; die Schwellen unterscheiden sich jedoch. Laut OpenAIs Modellseite beginnt der Luna-Zuschlag über 272K und gilt „für die gesamte Anfrage“.

Beispiel 3 bleibt bei Luna im Basistarif:

(150.000 × $0,10 + 2.000 × $0,50) ÷ 1.000.000 = $0,016

Bei Haiku 5.5 kostet derselbe Aufruf $0,08. Auch die Tokenizer unterscheiden sich: Ein Hacker-News-Kommentator schätzte 100K Claude-Token auf etwa 60–65K GPT-Token.

Auf Anthropics OSWorld-Diagramm schlug Haiku 5.5 bei medium (53,3 %, $0,1257) Luna bei max (48,9 %, $0,205). Details finden Sie unter Claude Haiku 5.5 vs GPT-6 Luna.

Sonnet 5.5 senkte am selben Tag die Kosten für Cache-Lesevorgänge von $0,20 auf $0,10. Laut Anthropic macht das die meisten agentischen Arbeiten etwa 20 % günstiger. Der Sonnet-5.5-Preisleitfaden stammt von vor dieser Senkung.

Haiku 4.5 ist nicht veraltet. Haiku 5.5 vs Haiku 4.5 listet die Breaking Changes auf, die Sie vor einer Migration beheben müssen.

API-Guthaben und Verbrauchertarife

Max- und Team-API-Guthaben: Max 5x erhält $100 pro Monat an Claude-Plattform-Guthaben, Max 20x $200. Team erhält $20 pro Standard-Platz und $100 pro Premium-Platz. Die Guthaben werden zusammengelegt und sind auf $500 begrenzt.

Kostenlos, Pro und Enterprise sind nicht berechtigt. Laut der API-Guthaben-Dokumentation decken die Guthaben die Claude API ab, nicht Claude Code oder Cloud-Anbieter. Sie verfallen am Monatsende.

Bei $0,10 pro MTok kaufen $100:

1 Milliarde Eingabetoken oder
ungefähr 220.000 Anfragen aus Beispiel 1: $100 ÷ $0,000455

Verbrauchertarife: Nutzer von Kostenlos, Pro, Max, Team und Enterprise können Haiku 5.5 auf Claude.ai im Web sowie unter iOS und Android auswählen. Laut claude.com/pricing kostet Pro $17/Monat bei jährlicher Abrechnung oder $20 monatlich. Max beginnt bei $100/Monat.

Ein Chat-Plan kann kein Skript oder keinen CI-Job antreiben. Der kostenlose Plan enthält außerdem kein Claude Code. Weitere Optionen beschreibt Wie man Claude Haiku 5.5 kostenlos nutzt.

Clouds: Bedrock, Google Cloud und Foundry berechnen Haiku 5.5 über ihre eigenen Preislisten.

Kosten pro Anfrage in Apidog verfolgen

Jede Messages-Antwort enthält ein usage-Objekt. Damit können Sie einen einzelnen Aufruf in Apidog bepreisen.

Speichern Sie Ihren API-Schlüssel als Umgebungsvariable:

export ANTHROPIC_API_KEY="..."

Speichern Sie dieselbe Anfrage einmal je Aufwandsstufe (low, medium, high):

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 4000,
    "thinking": {"type": "adaptive"},
    "output_config": {"effort": "medium"},
    "messages": [
      {
        "role": "user",
        "content": "Classify this support ticket: ..."
      }
    ]
  }'

Fügen Sie in Apidog einen Post-Prozessor hinzu. Dieses Beispiel verwendet input_tokens als Prompt-Länge; das gilt ohne Caching:

const body = pm.response.json();
const u = body.usage;

const long = u.input_tokens > 100000;
const rateIn = long ? 0.50 : 0.10;
const rateOut = long ? 2.50 : 0.50;

const cost =
  (u.input_tokens * rateIn + u.output_tokens * rateOut) / 1e6;

pm.environment.set("haiku_call_usd", cost.toFixed(6));

pm.test("not a refusal", () => {
  pm.expect(body.stop_reason).to.not.eql("refusal");
});

Führen Sie die drei gespeicherten Anfragen aus und vergleichen Sie Ausgabe-Token sowie Kosten nebeneinander.

Die Verweigerungsprüfung ist wichtig, weil die Sicherheitsklassifikatoren von Haiku 5.5 keinen serverseitigen Fallback haben. Die vollständige Implementierung finden Sie unter wie man die Claude Haiku 5.5 API verwendet.

FAQ

Wie viel kostet Claude Haiku 5.5 pro Million Token?

$0,10 für Eingabe und $0,50 für Ausgabe bei Prompts bis 100K Token. Darüber steigen die Preise auf $0,50 beziehungsweise $2,50.

Ist Haiku 5.5 günstiger als Haiku 4.5?

Ja. Es ist pro Token bis 100K 90 % günstiger, darüber 50 % günstiger und laut Anthropic durchschnittlich etwa 75 % günstiger.

Ist Haiku 5.5 preislich identisch mit GPT-6 Luna?

Bis 100K Token ja. Darüber steigt Haiku 5.5 um das Fünffache, während Luna bis 272K konstant bleibt. Details enthält die GPT-6-Luna-Übersicht.

Funktionieren Max-Plan-Guthaben in Claude Code?

Nein. Sie decken die Claude-Plattform-API ab, nicht Claude Code. Informationen zum Planzugriff enthält Claude Haiku 5.5 in Claude Code.

Nächster Schritt: Bepreisen Sie Ihre eigene Arbeitslast

Nehmen Sie Ihre drei häufigsten Anfragetypen und prüfen Sie:

Wie viele Anfragen überschreiten 100K Token?
Wie unterscheiden sich die Ergebnisse und Kosten bei low und medium?
Wie viele Eingabe- und Ausgabetoken zeigt usage pro Anfrage?

Multiplizieren Sie die usage-Werte mit den Preisen aus der Tabelle, um Ihre tatsächliche Einsparung zu bestimmen. Laden Sie Apidog herunter, um die Anfragen und das Kostenskript gemeinsam in einem Projekt zu speichern.

Wie nutzt man Claude Haiku 5.5 kostenlos?

Emre Demir — Thu, 08 Oct 2026 04:16:37 +0000

Ja, Sie können Claude Haiku 5.5 kostenlos nutzen, aber nur im Chat: Anthropic sagt, dass Nutzer des kostenlosen Plans Haiku 5.5 auf Claude.ai im Web, unter iOS und Android auswählen können. Die Claude API hat keine dauerhafte kostenlose Stufe (neue Nutzer erhalten nur ein kleines Testguthaben), Claude Code ist nicht im kostenlosen Plan enthalten, und ein kostenloses Chat-Konto liefert keinen API-Schlüssel. Wenn Sie claude-haiku-5-5 aus Code aufrufen möchten, zahlen Sie pro Token: ab 0,10 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens für Prompts bis zu 100K Tokens.

Apidog noch heute ausprobieren

Haiku 5.5 wurde am 7. Oktober 2026 veröffentlicht. Dieser Leitfaden zeigt den kostenlosen Chat-Weg, erklärt den API-Zugang ohne Marketing-Abkürzungen und beschreibt, welche Guthaben und Angebote tatsächlich funktionieren. Für das Modell selbst lesen Sie was Claude Haiku 5.5 ist; für Claude allgemein siehe den kostenlosen Claude-Leitfaden. Wenn Sie zur API wechseln, können Sie mit Apidog eine Haiku-5.5-Anfrage testen und validieren, bevor Sie Code schreiben.

Jeder Weg auf einen Blick

Weg	Kostenlos?	Was Sie bekommen	Der Haken
Claude.ai Free-Plan	Ja	Haiku 5.5 im Chat im Web, unter iOS und Android auswählen	Nur Chat: kein API-Schlüssel, kein Claude Code
Claude API	Nein	`claude-haiku-5-5` für 0,10 $/0,50 $ pro 1 Mio. Tokens für Prompts bis zu 100K	Nur ein kleines Testguthaben für neue Nutzer; Prompts über 100K kosten 0,50 $/2,50 $
Monatliche API-Guthaben für Max und Team	Nein, Vorteil kostenpflichtiger Pläne	100 $/Monat (Max 5x), 200 $ (Max 20x), bis zu 500 $ gebündelt (Team)	Nicht für Free, Pro oder Enterprise; nicht in Claude Code oder auf Cloud-Plattformen nutzbar
Claude Code	Nein	Haiku 5.5 ab v2.1.293	Nicht im kostenlosen Plan enthalten
Vercel AI Gateway	Unbestätigt	5 $ Guthaben alle 30 Tage für Konten ohne bisherige Zahlung	Vercel bestätigt nicht, ob das Guthaben Haiku 5.5 abdeckt
Google Cloud 300-$-Testversion	Nein	Nichts für Claude	Schließt Partnermodelle als verwaltete API aus
Azure 200-$-Guthaben	Nein	Nichts für Claude	Schließt Markenprodukte von Drittanbietern aus
OpenRouter, GitHub Copilot	Nein	Stand 8. Oktober 2026 nicht gelistet	Nur Haiku 4.5

Weg 1: Der kostenlose Plan von Claude.ai

Dies ist der einfachste kostenlose Weg:

Öffnen Sie claude.ai oder installieren Sie die iOS- bzw. Android-App.
Melden Sie sich mit einem kostenlosen Konto an.
Öffnen Sie die Modellauswahl.
Wählen Sie Haiku 5.5.

Die Preisseite von Anthropic kennzeichnet Haiku als im kostenlosen Plan enthalten; Opus ist nicht enthalten.

Wichtig: Anthropic sagt, kostenlose Nutzer können Haiku 5.5 auswählen. Es wird nicht bestätigt, dass Haiku 5.5 das Standardmodell im kostenlosen Plan ist. Prüfen Sie die Modellauswahl daher vor längeren Unterhaltungen.

Der System-Prompt von Claude.ai beschreibt Haiku 5.5 als „das schnellste Modell für schnelle Fragen“. Praktische Einsatzfälle:

Kurze, wiederholbare Aufgaben: Zusammenfassungen, Umschreibungen, Klassifizierungen und schnelle Nachschlageaufgaben.
Lange Inhalte mit Vorsicht: Das API-Kontextfenster beträgt 1 Mio. Tokens, aber Anthropic hat kein Kontextlimit für den kostenlosen Chat-Plan veröffentlicht.
Komplexe Aufgaben anders lösen: Anthropic positioniert Sonnet 5.5 und Opus 5.5 für komplexere agentische Coding-Aufgaben. Der kostenlose Sonnet-5.5-Leitfaden behandelt den nächsten Schritt.

Ein kostenloses Chat-Konto kann keinen Claude-Code-Workflow ausführen, keinen API-Schlüssel erzeugen und weder Skripte noch CI-Jobs oder Agenten steuern.

Gibt es eine kostenlose Claude Haiku 5.5 API?

Nicht dauerhaft.

Anthropic dokumentiert, dass neue Nutzer „eine kleine Menge kostenloser Credits erhalten, um die API zu testen“. Es gibt jedoch keine dauerhafte kostenlose API-Stufe und kein offizielles kostenloses Haiku-5.5-API-Angebot. Jede Anfrage an claude-haiku-5-5 wird pro Token abgerechnet.

Monatliche API-Guthaben für Max und Team

Neben Haiku 5.5 bietet Anthropic ein monatliches API-Guthaben für Max- und Team-Abonnenten. Das Guthaben ist kein Free-Tier-Angebot, sondern Bestandteil eines kostenpflichtigen Abonnements.

Plan	Monatliches API-Guthaben
Max 5x	100 $
Max 20x	200 $
Team	20 $ pro Standard-Platz, 100 $ pro Premium-Platz, gebündelt und auf 500 $ begrenzt
Free, Pro, Enterprise	Nicht berechtigt

Die Guthaben funktionieren mit allen Modellen auf der Claude-Plattform, einschließlich Haiku 5.5, über:

Messages API
Message Batches
Managed Agents
Agent SDK
Console Playground

Nicht abgedeckt sind interaktiver Claude Code, zusätzliche Nutzung in Claude-Apps sowie Claude über Bedrock, Google Cloud, Microsoft Foundry oder Claude Platform auf AWS.

Guthaben verfallen am Ende des jeweiligen Abrechnungszyklus und werden nicht übertragen. Neue Abonnenten können sie nach sieben Tagen beanspruchen. Sie verknüpfen dazu eine Konsolenorganisation in den Abrechnungseinstellungen von Claude.ai. Wenn das Guthaben aufgebraucht ist und kein anderes Guthaben vorhanden ist, stoppen API-Anfragen bis zum nächsten Monat. Die Nutzung wird nicht dem Claude-Plan belastet. Die konkreten Schritte finden Sie im Hilfeartikel.

Vercel AI Gateway: unbestätigt

Vercel listet Haiku 5.5 als anthropic/claude-haiku-5.5. Laut der Modellseite erhalten kostenlose Nutzer, die noch nie bezahlt haben, alle 30 Tage 5 $ Guthaben.

Vercel bestätigt jedoch nicht ausdrücklich, dass dieses Guthaben Haiku 5.5 abdeckt. Behandeln Sie diesen Weg daher als unbestätigt, bis eine Anfrage auf einem Konto ohne bisherige Zahlung erfolgreich ausgeführt wurde.

Falls das Guthaben gilt, entsprechen 5 $ bei Prompts bis zu 100K Tokens etwa:

50 Mio. Eingabe-Tokens oder
10 Mio. Ausgabe-Tokens

Der günstigste kostenpflichtige Weg

Ohne Max- oder Team-Plan erstellen Sie einen Konsolenschlüssel und zahlen Listenpreise. Der Leitfaden zum Anthropic-API-Schlüssel erklärt die Einrichtung.

Haiku 5.5, pro 1 Mio. Tokens	Eingabe	Ausgabe	Cache-Lesen	Batch-Eingabe / -Ausgabe
Prompts bis zu 100K Tokens	0,10 $	0,50 $	0,01 $	0,05 $ / 0,25 $
Prompts über 100K Tokens	0,50 $	2,50 $	0,05 $	0,25 $ / 1,25 $

Eine Anfrage mit 2.000 Eingabe-Tokens und 500 Ausgabe-Tokens kostet in der unteren Stufe ungefähr:

2.000 Eingabe-Tokens: 0,0002 $
500 Ausgabe-Tokens:   0,00025 $
Gesamt:               0,00045 $

Beachten Sie zwei Punkte:

Der neue Tokenizer erzeugt für denselben Text etwa 30 % mehr Tokens als Haiku 4.5.
Sobald ein Prompt 100.000 Tokens überschreitet, gelten die höheren Preise.

Die Haiku-5.5-Preisaufschlüsselung enthält weitere Beispiele.

So strecken Sie ein kleines API-Budget:

Aufwand reduzieren: output_config.effort akzeptiert low, medium (Standard), high, xhigh oder max. Anthropic bezeichnet low als günstigste und schnellste Stufe.
Denken deaktivieren: Verwenden Sie bei high oder niedriger:

  "thinking": { "type": "disabled" }

Denk-Tokens zählen zu max_tokens.

Wiederholte Präfixe cachen: Der kleinste cachebare Prompt für Haiku 5.5 umfasst 512 Tokens. Cache-Lesevorgänge kosten in der unteren Stufe 0,01 $ pro Million Tokens. Details finden Sie im Erklärer zum Prompt-Caching.
Batch API verwenden: Für Jobs ohne Echtzeit-Anforderung halbiert die Batch API Ein- und Ausgabepreise.

Was nicht kostenlos ist

Diese Optionen tauchen häufig bei Suchen nach „kostenlosem Haiku 5.5“ auf, liefern aber nicht den erwarteten kostenlosen API-Zugang.

Claude Code im kostenlosen Plan: Claude Code ist nicht im Free-Plan enthalten. Auch die API-Guthaben für Max und Team decken Claude Code nicht ab. Haiku 5.5 benötigt mindestens v2.1.293. Der Haiku-5.5-Claude-Code-Leitfaden beschreibt die Einrichtung.

API-Zugang über einen Pro-Plan: Pro ist nicht für monatliche API-Guthaben berechtigt. Pro-Abonnenten zahlen daher für jeden API-Aufruf pro Token.

Google Clouds 300-$-Testversion: Google erklärt, dass das Guthaben nicht für generative KI-Partnermodelle genutzt werden kann, die als verwaltete API angeboten werden. Testkonten können generative KI-Modelle von Drittanbietern erst nach einem Upgrade nutzen.

Azures 200-$-Guthaben: Die Angebotsbedingungen von Microsoft schließen Markenprodukte von Drittanbietern und Produkte aus dem Azure Marketplace aus. Claude ist ein Markenmodell eines Drittanbieters.

AWS Free Tier: AWS bietet neuen Konten bis zu 200 $ Guthaben, aber Bedrock rechnet Haiku 5.5 über den AWS Marketplace ab. Keine der überprüften AWS-Seiten bestätigt, dass Free-Tier-Guthaben gelten. Gehen Sie daher davon aus, dass sie nicht gelten.

OpenRouter: Stand 8. Oktober 2026 listet OpenRouter kein Haiku 5.5. Verfügbar ist nur Haiku 4.5 für 1 $/5 $ ohne :free-Variante.

GitHub Copilot: GitHub hat Haiku 5.5 nicht angekündigt. Die Liste unterstützter Modelle enthält nur Haiku 4.5.

Cursor Hobby: Haiku 5.5 wird über den „Other Models“-Pool von Cursor abgerechnet, der in Pro, Pro Plus und Ultra enthalten ist. Es gibt keine offizielle Aussage, dass Hobby darauf zugreifen kann.

Chatbots von Drittanbietern mit „Haiku 5.5“: Ein überprüfter Eintrag auf einem Chatbot-Aggregator wurde von einem nicht verbundenen Nutzer erstellt und nutzte ein Modell eines anderen Unternehmens. Verwenden Sie Claude.ai und die offiziellen Apps.

Testen Sie Ihre erste Haiku-5.5-Anfrage in Apidog

Sobald Sie einen API-Schlüssel haben, testen Sie die Anfrage isoliert, bevor Sie sie in eine Anwendung integrieren.

Speichern Sie ANTHROPIC_API_KEY in Apidog als Umgebungsvariable.
Importieren Sie den folgenden cURL-Befehl.
Ersetzen Sie $ANTHROPIC_API_KEY durch {{ANTHROPIC_API_KEY}}.
Senden Sie die Anfrage.
Prüfen Sie stop_reason und usage, bevor Sie die Anfrage als Vorlage speichern.

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 1024,
    "thinking": {"type": "disabled"},
    "output_config": {"effort": "low"},
    "messages": [
      {
        "role": "user",
        "content": "Classify this ticket as billing, bug, or feature request: The export button returns a 500 error."
      }
    ]
  }'

Prüfen Sie nach dem Senden besonders diese zwei Felder:

stop_reason statt nur HTTP-Status: Haiku 5.5 verwendet Sicherheitsklassifikatoren. Eine Anfrage kann mit stop_reason: "refusal" enden, auch wenn Sie einen erfolgreichen HTTP-Status erhalten. Das ist relevant, wenn Sie von Haiku 4.5 migrieren.
usage innerhalb Ihres Budgets: Führen Sie die Anfrage erneut aus, wenn Sie Prompt oder Aufwand ändern, und vergleichen Sie die Token-Nutzung.

Wenn Sie eine Haiku-4.5-Anfrage kopieren, entfernen Sie:

temperature
top_p
top_k
jede budget_tokens-Konfiguration für Thinking
jede Assistenten-Vorausfüllung

Diese Optionen können bei Haiku 5.5 einen 400-Fehler auslösen. Der Haiku-5.5-vs.-Haiku-4.5-Leitfaden listet die Breaking Changes auf. Der Haiku-5.5-API-Leitfaden erklärt Aufwand, Thinking und Caching ausführlicher.

FAQ

Ist Claude Haiku 5.5 kostenlos?

Ja, im Chat. Nutzer des kostenlosen Plans können Haiku 5.5 auf Claude.ai im Web sowie unter iOS und Android auswählen. Die API und Claude Code sind kostenpflichtig.

Ist Haiku 5.5 das Standardmodell im kostenlosen Claude-Plan?

Anthropic hat das nicht bestätigt. Es wird nur angegeben, dass kostenlose Nutzer Haiku 5.5 auswählen können. Prüfen Sie daher die Modellauswahl.

Kann ich einen kostenlosen Claude-Haiku-5.5-API-Schlüssel erhalten?

Nicht dauerhaft. Neue API-Nutzer erhalten nur ein kleines Testguthaben, und ein Chat-Plan enthält keinen API-Schlüssel. Max- und Team-Pläne enthalten monatliche API-Guthaben, sind aber kostenpflichtige Abonnements.

Funktionieren Max- und Team-API-Guthaben in Claude Code?

Nein. Sie gelten für Claude API, Message Batches, Managed Agents, Agent SDK und Console Playground, nicht für interaktiven Claude Code oder Cloud-Plattformen.

Ist GPT-6 Luna eine kostenlose Alternative?

GPT-6 Luna hat denselben Listenpreis von 0,10 $/0,50 $ für kurze Prompts. OpenAI erlaubt Free- und Go-Nutzern Zugriff in der Desktop-App, nicht im Chat. Der kostenlose GPT-6-Luna-Leitfaden und der Haiku-5.5-vs.-GPT-6-Luna-Vergleich behandeln beide Themen.

Beginnen Sie im Chat, dann zahlen Sie Cents für die API

Öffnen Sie claude.ai oder die mobile App und wählen Sie Haiku 5.5 für schnelle, wiederholbare Aufgaben. Wenn Sie das Modell in einem Skript oder Agenten benötigen, prüfen Sie zuerst, ob Sie bereits Max- oder Team-API-Guthaben haben.

Falls nicht, reicht bereits ein kleines Konsolenguthaben weit: Für Prompts bis zu 100K Tokens kostet Haiku 5.5 0,10 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens. Laden Sie Apidog herunter, senden Sie Ihre erste claude-haiku-5-5-Anfrage und prüfen Sie von Anfang an stop_reason, usage und die Speicherung des API-Schlüssels als Umgebungsvariable.

So nutzen Sie Claude Haiku 5.5 in Claude Code (und als Subagenten-Modell)

Emre Demir — Thu, 08 Oct 2026 04:16:28 +0000

Um Claude Haiku 5.5 in Claude Code zu verwenden, aktualisieren Sie Claude Code auf v2.1.293 oder höher, starten Sie eine Sitzung mit claude --model claude-haiku-5-5 oder wechseln Sie innerhalb einer Sitzung mit /model claude-haiku-5-5. Der praktischste Einsatz ist meist ein Subagent: Setzen Sie model: haiku in einer Subagenten-Datei und lassen Sie Sonnet 5.5 oder Opus 5.5 Suche, Testläufe und Zusammenfassungen delegieren. Mit API-Schlüssel kostet Haiku 5.5 bei Prompts bis 100K Tokens 0,10 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens; oberhalb von 100K Tokens steigen die Preise auf 0,50 $ bzw. 2,50 $.

Apidog noch heute testen

Dieser Leitfaden zeigt die Einrichtung, die haiku-Alias-Falle, Aufwandseinstellungen, Subagenten-Dateien, die 100K-Preisschwelle und die Fälle, in denen Sonnet oder Opus die Führung behalten sollten. Eine Modellübersicht finden Sie unter was Claude Haiku 5.5 ist. Wenn Ihr Code APIs aufruft, können Sie mit Apidog Testszenarien verwalten, die ein Haiku-Subagent anschließend ausführt.

Claude Haiku 5.5 in Claude Code auf einen Blick

Einstellung	Haiku 5.5
Mindestversion	v2.1.293 (`claude update`)
Modell-ID	`claude-haiku-5-5`
`haiku`-Alias	Nur Haiku 5.5 auf der Anthropic API
Kontext	1M nativ in jedem Plan, kein `[1m]`-Suffix
Auto-Komprimierung	Standardmäßig etwa 967K Tokens
Standard-Aufwand	`medium` (Stufen `low` bis `max`)
Denken	Immer an; kann nicht ausgeschaltet werden
API-Preis	0,10 $/0,50 $ bis 100K Tokens; 0,50 $/2,50 $ darüber
Pläne	Pro, Max, Team, Enterprise oder API-Schlüssel; nicht kostenlos

Schritt 1: Claude Code aktualisieren

Haiku 5.5 benötigt Claude Code v2.1.293 oder höher. Der Changelog-Eintrag beschreibt es als das neue Standard-Haiku-Modell auf der Anthropic API.

claude update

Prüfen Sie anschließend die installierte Version und starten Sie Claude Code neu, falls das Update dazu auffordert.

Claude Code ist nicht im kostenlosen Plan enthalten. Kostenlose Benutzer können Haiku 5.5 in den Claude.ai-Apps auswählen. Für Claude Code benötigen Sie Pro, Max, Team, Enterprise oder einen Anthropic API-Schlüssel. Laut claude.com/pricing kostet Pro 17 $ monatlich bei jährlicher Abrechnung oder 20 $ monatlich; Max beginnt bei 100 $.

Schritt 2: Haiku 5.5 als Hauptmodell auswählen

Starten Sie eine neue Sitzung direkt mit Haiku 5.5:

claude --model claude-haiku-5-5

Oder wechseln Sie in einer laufenden Sitzung:

/model claude-haiku-5-5

Wenn Ihre gespeicherte model-Einstellung haiku lautet, wird eine zuvor auf Haiku 4.5 gespeicherte Sitzung auf der Anthropic API mit Haiku 5.5 fortgesetzt.

Der `haiku`-Alias bedeutet nicht überall Haiku 5.5

Anbieter	`haiku` löst auf zu
Anthropic API	Haiku 5.5
Claude Platform auf AWS	Haiku 4.5
Amazon Bedrock, Google Cloud’s Agent Platform	Haiku 4.5
Microsoft Foundry	Haiku 4.5

Bei diesen Cloud-Anbietern verweisen /model haiku und model: haiku in einer Subagenten-Datei auf Haiku 4.5.

Verwenden Sie deshalb die anbieterspezifische vollständige Modellreferenz:

Google Cloud und Claude Platform auf AWS: claude-haiku-5-5
Microsoft Foundry: Ihren Bereitstellungsnamen
Amazon Bedrock: eine Inferenzprofil-ID wie us.anthropic.claude-haiku-5-5

Alternativ können Sie den Alias mit ANTHROPIC_DEFAULT_HAIKU_MODEL auf Haiku 5.5 setzen.

Schritt 3: Aufwand passend zur Aufgabe einstellen

Haiku 5.5 ist das erste Haiku-Modell mit Aufwandssteuerung:

low
medium
high
xhigh
max

Claude Code startet standardmäßig mit medium. Für längere oder anspruchsvollere Agenten-Aufgaben erhöhen Sie den Aufwand:

claude --model claude-haiku-5-5 --effort high

Innerhalb einer Sitzung ändern Sie ihn mit:

/effort low

Praktische Zuordnung:

low: kurze Tool-Aufgaben, Dateisuche, Log-Auswertung, viele wiederholte Anfragen
medium: Standard für die meisten Aufgaben
high: längere Agenten-Abläufe mit mehreren Schritten
xhigh und max: nur verwenden, wenn Ihre Evaluierungen messbare Vorteile zeigen

Das Denken bleibt in Claude Code für Haiku 5.5 aktiviert. alwaysThinkingEnabled: false und MAX_THINKING_TOKENS=0 haben dort keine Wirkung. Wenn Sie weniger Denk-Tokens benötigen, reduzieren Sie den Aufwand.

Schritt 4: Haiku 5.5 als Subagent einsetzen

Haiku 5.5 eignet sich besonders für klar abgegrenzte, wiederholbare Aufgaben. Anthropic empfiehlt die Kombination mit Sonnet 5.5 oder Opus 5.5 als führendem Modell.

Subagenten sind Markdown-Dateien mit YAML-Frontmatter:

Projektweit: .claude/agents/
Für alle lokalen Projekte: ~/.claude/agents/

Mindestens name und description sind erforderlich. Laut der Subagenten-Dokumentation akzeptiert model die Werte sonnet, opus, haiku, fable, eine vollständige Modell-ID oder inherit.

Weitere Hinweise zu Bereichen und Tools finden Sie im Subagenten-Leitfaden.

Explore durch einen günstigen Explorer ersetzen

Der eingebaute Explore-Subagent verwendet das Modell der Hauptkonversation. In einer Opus-5.5-Sitzung laufen Explore-Suchen also ebenfalls auf Opus.

Sie können ihn mit einem eigenen Subagenten namens Explore überschreiben:

---
name: Explore
description: Schnelle schreibgeschützte Codebase-Suche. Verwenden Sie dies, um Dateien, Symbole und Aufrufstellen zu finden, ohne etwas zu bearbeiten.
tools: Read, Grep, Glob
model: haiku
effort: low
---

Sie durchsuchen die Codebasis und berichten, was Sie finden. Geben Sie Dateipfade mit Zeilennummern und eine kurze Zusammenfassung jeder Übereinstimmung zurück. Bearbeiten Sie niemals Dateien.

Speichern Sie die Datei unter:

.claude/agents/Explore.md

Führen Sie während der Ausführung /tasks aus, um das verwendete Modell zu prüfen. Bei Bedrock, Foundry, Google Cloud oder Claude Platform auf AWS ersetzen Sie haiku durch die passende vollständige Modell-ID.

Alle Subagenten auf Haiku festlegen

Wenn jeder Subagent, einschließlich Explore, Haiku verwenden soll, setzen Sie beide Variablen im env-Block Ihrer Einstellungsdatei:

{
  "env": {
    "CLAUDE_CODE_SUBAGENT_MODEL": "haiku",
    "CLAUDE_CODE_SUBAGENT_MODEL_FORCE": "1"
  }
}

CLAUDE_CODE_SUBAGENT_MODEL allein ist nur ein Standardwert. Ein explizites model-Feld eines Subagenten hat weiterhin Vorrang, und Explore wird damit nicht überschrieben.

Schritt 5: Hintergrundaufgaben auf Haiku 5.5 ausrichten

ANTHROPIC_DEFAULT_HAIKU_MODEL legt fest, welches Modell Claude Code für haiku und Hintergrundfunktionen verwendet. Dazu gehört beispielsweise das Zusammenfassen früherer Sitzungen für:

claude --resume

Die ältere Variable ANTHROPIC_SMALL_FAST_MODEL ist laut der Referenz der Umgebungsvariablen veraltet. Ersetzen Sie sie in Ihrem Shell-Profil, falls sie noch gesetzt ist.

Auf der Anthropic API ist keine zusätzliche Konfiguration erforderlich. Bei Google Cloud, Foundry und Bedrock können Hintergrundaufgaben standardmäßig auf Sonnet oder dem primären Modell laufen. Sobald Haiku 5.5 in Ihrem Konto aktiviert ist, setzen Sie es explizit:

# Google Cloud's Agent Platform
export ANTHROPIC_DEFAULT_HAIKU_MODEL=claude-haiku-5-5

# Amazon Bedrock (Inferenzprofil-ID)
export ANTHROPIC_DEFAULT_HAIKU_MODEL=us.anthropic.claude-haiku-5-5

Die 100K-Preisschwelle in langen Sitzungen

Der Preis von Haiku 5.5 hängt von der Prompt-Länge ab. Claude Code sendet den bisherigen Gesprächskontext bei jeder Runde erneut als Prompt.

Sobald der Kontext 100K Tokens überschreitet, steigt der Preis von:

0,10 $ / 0,50 $ pro Million Eingabe-/Ausgabe-Tokens
auf 0,50 $ / 2,50 $ pro Million Eingabe-/Ausgabe-Tokens

Das entspricht dem Fünffachen des Kurz-Prompt-Tarifs. Die Dokumentation legt nicht fest, ob zwischengespeicherte Tokens in diese Grenze einfließen. Planen Sie daher vorsichtshalber so, als würden sie angerechnet.

Die automatische Komprimierung greift standardmäßig erst bei etwa 967K Tokens. Damit kann eine Sitzung die 100K-Schwelle lange überschreiten, bevor Kontext reduziert wird.

Zwei Maßnahmen halten Kosten kontrollierbar:

Früher komprimieren

   /autocompact 100k

Das setzt das kleinste von Claude Code akzeptierte Kontextfenster, sodass die Komprimierung näher an der Preisschwelle erfolgt.

Umfangreiche Arbeit an Subagenten delegieren

Subagenten haben einen eigenen Kontext. Testprotokolle, Suchergebnisse und Log-Ausgaben bleiben dadurch aus der Hauptkonversation heraus.

Auch oberhalb von 100K Tokens liegen die Preise von Haiku 5.5 mit 0,50 $/2,50 $ noch bei einem Viertel von Sonnet 5.5 mit 2 $/10 $. Bei kostenpflichtigen Plänen greifen allerdings Nutzungslimits statt API-Abrechnung; Anthropic hat nicht veröffentlicht, wie Haiku 5.5 darauf angerechnet wird.

Eine detaillierte Berechnung finden Sie in der Aufschlüsselung der Haiku-5.5-Preise.

Für Max- und Team-Abonnenten gilt: Die monatlichen API-Guthaben — 100 $ bei Max 5x, 200 $ bei Max 20x und bis zu 500 $ gebündelt bei Team — decken interaktives Claude Code laut der API-Guthaben-Dokumentation nicht ab.

Wann Sonnet 5.5 oder Opus 5.5 die Führung behalten sollte

Für komplexe agentenbasierte Coding-Aufgaben bleiben Sonnet 5.5 und Opus 5.5 die bessere Wahl.

Auf Terminal-Bench 4.0, den Anthropic in Claude Code mit maximalem Aufwand ausführte, erreichte Haiku 5.5 39,2 %, Sonnet 5.5 dagegen 70,6 %.

Aufwand	Haiku 5.5	Sonnet 5.5
`medium`	20,3 % bei 0,68 $	28,8 % bei 0,68 $
`high`	24,8 % bei 1,04 $	43 % bei 1,46 $
`max`	39,2 % bei 2,64 $	70,6 % bei 10,44 $

Bei medium kosten beide Modelle pro Versuch etwa gleich viel, während Sonnet höhere Werte erzielt. Der niedrigere Token-Preis von Haiku bedeutet daher nicht automatisch niedrigere Gesamtkosten für lange Shell- und Agenten-Aufgaben.

Bei Computernutzung sieht es anders aus: Auf OSWorld 2.1 erreichte Haiku 5.5 bei medium 53,3 % zu 0,13 $ pro Versuch. Sonnet 5.5 erreichte bei low 57,9 % zu 0,68 $.

Die vollständigen Werte finden Sie in der Haiku-5.5-Benchmarks-Aufschlüsselung. Für die Rolle des führenden Modells lesen Sie den Sonnet-5.5-Claude-Code-Leitfaden.

Eine praxistaugliche Aufteilung:

Sonnet 5.5 oder Opus 5.5: Architektur, komplexe Refactorings, mehrstufige Coding-Aufgaben
Haiku 5.5: Explore, Testrunner, Log-Reader, Dokumenten-Abruf und Zusammenfassungen

Beispiel: Ein Haiku-Subagent für Apidog-Tests

Testläufe sind ausführlich und wiederholbar — genau der passende Einsatz für Haiku. Die Apidog CLI kann gespeicherte Apidog-Testszenarien direkt im Terminal ausführen. Der Subagent liefert anschließend nur den kompakten Bericht an das führende Modell zurück.

---
name: api-test-runner
description: Führt die Apidog-Testszenarien des Projekts mit der Apidog CLI aus, nachdem ein API-Endpunkt geändert wurde, und meldet dann die Anzahl der bestandenen und fehlgeschlagenen Tests mit den fehlgeschlagenen Anfragen.
tools: Bash, Read
model: haiku
effort: low
---

Führen Sie den in der README dieses Repos dokumentierten Apidog CLI-Testbefehl für das Szenario aus, das den geänderten Endpunkt abdeckt. Melden Sie die Anzahl der bestandenen und fehlgeschlagenen Tests. Geben Sie für jeden Fehler den Anfragenamen, das erwartete Ergebnis und das tatsächliche Ergebnis an. Bearbeiten Sie keinen Code. Wiederholen Sie einen fehlgeschlagenen Lauf nicht mehr als einmal.

Die CLI-Einrichtung einschließlich Authentifizierung und Ausführungsbefehl finden Sie unter Apidog CLI in Claude Code. Laden Sie Apidog herunter, um die Szenarien zu erstellen, die der Subagent ausführen soll.

Migration einer App von Haiku 4.5

Wenn Ihre Anwendung Haiku 4.5 über die API aufruft, kann Claude Code die Migration starten:

/claude-api migrate this project to claude-haiku-5-5

Rechnen Sie mit grundlegenden Anpassungen:

Manuelles Denken über budget_tokens führt zu Fehlern.
Nicht standardmäßige temperature- oder top_p-Werte führen zu Fehlern.
Jedes top_k führt zu einem 400-Fehler.
Assistant-Prefill führt zu einem 400-Fehler.

Der Haiku 5.5 vs. Haiku 4.5 Leitfaden listet alle Korrekturen auf.

Speichern Sie nach der Migration die alte und die neue Anfrage als Paar in Apidog. Legen Sie ANTHROPIC_API_KEY als Umgebungsvariable ab und prüfen Sie stop_reason sowie usage. Ein neuer refusal-Stop oder ein unerwarteter Token-Sprung sollte einen Test fehlschlagen lassen, statt unbemerkt in Produktion zu gelangen.

FAQ

Ist Haiku 5.5 das Standardmodell in Claude Code?

Nein. Es ist das Standard-Haiku-Modell auf der Anthropic API. Das bedeutet nur, dass der Alias haiku dort auf Haiku 5.5 verweist. Als Hauptmodell wählen Sie es mit --model oder /model.

Kann ich Haiku 5.5 in Claude Code im kostenlosen Plan verwenden?

Nein. Claude Code benötigt einen kostenpflichtigen Plan oder einen API-Schlüssel. Kostenlose Benutzer können Haiku 5.5 in den Claude.ai-Apps auswählen. Details finden Sie unter wie man Claude Haiku 5.5 kostenlos nutzt.

Warum erhalte ich mit model: haiku Haiku 4.5?

Sie verwenden wahrscheinlich Bedrock, Google Cloud, Foundry oder Claude Platform auf AWS — oder eine Claude-Code-Version vor v2.1.293. Verwenden Sie die vollständige Modell-ID oder setzen Sie ANTHROPIC_DEFAULT_HAIKU_MODEL.

Kann ich das Denken ausschalten, um Tokens zu sparen?

Nicht in Claude Code. Senken Sie stattdessen den Aufwand. low ist die günstigste Einstellung.

Ihr nächster Schritt

Führen Sie claude update aus.
Fügen Sie die Haiku-Explore-Überschreibung hinzu.
Behalten Sie Ihr bisheriges Hauptmodell eine Woche lang bei.
Ergänzen Sie bei API-Projekten den Test-Runner-Subagenten.

Wenn Sie Haiku 5.5 aus eigenem Code aufrufen möchten, starten Sie mit dem Haiku-5.5-API-Leitfaden. Mit Apidog können Sie kostenlos beginnen und Ihrem Subagenten reale API-Tests zur Ausführung geben.

Was ist Claude Haiku 5.5?

Emre Demir — Thu, 08 Oct 2026 04:14:31 +0000

Claude Haiku 5.5 ist Anthropics kleinstes und schnellstes aktuelles Modell. Es wurde am 7. Oktober 2026 veröffentlicht, verwendet die API-ID claude-haiku-5-5 und kostet $0,10 pro Million Eingabetokens sowie $0,50 pro Million Ausgabetokens für Prompts bis 100K Tokens. Für Prompts über 100K Tokens gelten $0,50/$2,50. In seinem Launch-Post gibt Anthropic an, dass das Modell im Durchschnitt „etwa 75 % weniger kostet“ als Haiku 4.5 und sein bislang schnellstes Modell ist. Haiku 5.5 ist außerdem das erste Haiku-Modell mit Aufwandseinstellung und bietet ein Kontextfenster von 1 Million Tokens.

Apidog noch heute ausprobieren

Dieser Artikel zeigt die Spezifikationen, Preisstufen, Migrationsänderungen, Benchmarks und verfügbaren Plattformen. Für eine detaillierte Kostenanalyse siehe die Preisaufschlüsselung für Haiku 5.5. Sie können Anfragen direkt in Apidog testen, den API-Schlüssel als Umgebungsvariable speichern und Token-Nutzung neben der Antwort prüfen.

Claude Haiku 5.5: Spezifikationen auf einen Blick

Spezifikation	Claude Haiku 5.5
Veröffentlichungsdatum	7. Oktober 2026
Modell-ID: Claude API, Google Cloud, Microsoft Foundry, Claude Platform auf AWS	`claude-haiku-5-5` — feste ID ohne Datumssuffix
Modell-ID: Amazon Bedrock	`anthropic.claude-haiku-5-5`
Kontextfenster	1 Million Tokens (Haiku 4.5: 200K)
Maximale Ausgabe	128K (Haiku 4.5: 64K); 300K über die Batch API mit Beta-Header `output-300k-2026-03-24`
Denken	Nur adaptiv
Aufwandsstufen	`low`, `medium` (Standard), `high`, `xhigh`, `max`
Wissensstand	Juni 2026
Preis pro MTok: Prompts bis 100K Tokens	$0,10 Eingabe, $0,50 Ausgabe
Preis pro MTok: Prompts über 100K Tokens	$0,50 Eingabe, $2,50 Ausgabe
Außerbetriebnahme	Nicht vor dem 7. Oktober 2027

Position in der Claude-Reihe

Modell	Eingabe / Ausgabe pro MTok	Standardaufwand	Latenz
Claude Fable 5.1	$10 / $50	`high`	Langsamer
Claude Opus 5.5	$4 / $20	`medium`	Moderat
Claude Sonnet 5.5	$2 / $10	`high`	Schnell
Claude Haiku 5.5	$0,10 / $0,50 für Prompts bis 100K Tokens	`medium`	Am schnellsten

Alle vier Modelle teilen sich ein Kontextfenster von 1 Million Tokens, eine maximale Ausgabe von 128K und einen Wissensstand vom Juni 2026. Anthropic entwickelte Haiku 5.5 für Aufgaben mit hohem Volumen und geringer Latenz, darunter:

Klassifizierung
Extraktion
Routing
Zusammenfassungen
Live-Support
Browser-Nutzung
Subagenten unter Opus 5.5 oder Sonnet 5.5

Die Geschwindigkeitsangabe gilt nur bei der Standardgeschwindigkeit jedes Modells. Haiku 5.5 kann langsamer als Opus im Fast Mode sein. Anthropic veröffentlicht keine Angabe zu Tokens pro Sekunde.

Claude Haiku 5.5 Preise

Die Abrechnung hängt von der Länge des Prompts ab: Überschreitet ein Prompt 100.000 Tokens, wird der höhere Satz verwendet.

Quelle: Claude API-Preise.

Die Angabe „rund 75 % weniger“ ist ein Durchschnitt:

90 % günstiger als Haiku 4.5 für Prompts bis 100K Tokens
50 % günstiger für Prompts über 100K Tokens
Rund 90 % der Haiku-4.5-Anfragen liegen unter dem Schwellenwert

Dabei ist bereits berücksichtigt, dass der neue Tokenizer für denselben Text etwa 30 % mehr Tokens erzeugt.

US-exklusive Inferenz mit inference_geo kostet in jeder Token-Kategorie das 1,1-Fache. Der minimale cachefähige Prompt sinkt von 4.096 auf 512 Tokens bei Haiku 4.5.

Unterhalb von 100K Tokens entspricht der Listenpreis GPT-6 Luna: $0,10 für Eingabe, $0,50 für Ausgabe, $0,01 für Cache-Lesen und $0,125 für Cache-Schreiben. Die Schwellenwerte unterscheiden sich jedoch: Bei Luna beginnt der Preisaufschlag erst ab 272K Eingabetokens.

Weitere Details finden Sie im Vergleich zwischen Haiku 5.5 und GPT-6 Luna sowie im Preisleitfaden mit Kostenbeispielen.

Migration von Haiku 4.5 zu Haiku 5.5

Haiku 5.5 erweitert das Kontextfenster um das Fünffache, verdoppelt die maximale Ausgabe und führt Aufwandseinstellungen ein. Der offizielle Migrationsleitfaden weist darauf hin, dass Haiku-4.5-Code fehlschlagen kann.

Diese fünf Änderungen verursachen einen HTTP-400-Fehler:

Manuelle Denkbudgets entfernen Das folgende Format schlägt fehl:

   {
     "thinking": {
       "type": "enabled",
       "budget_tokens": 4096
     }
   }

Verwenden Sie stattdessen adaptives Denken und output_config.effort:

   {
     "thinking": {
       "type": "adaptive"
     },
     "output_config": {
       "effort": "low"
     }
   }

Sampling-Parameter entfernen

Senden Sie keine Werte für temperature, top_p oder top_k. Nicht-Standardwerte für temperature und top_p schlagen fehl. Gleiches gilt für jedes top_k sowie für Requests, die gleichzeitig temperature und top_p enthalten.
Keine Assistenten-Vorausfüllung verwenden

Vorausgefüllte Assistant-Nachrichten werden abgelehnt, auch wenn Denken deaktiviert ist.
Computer-Tool aktualisieren

Verwenden Sie auf der Claude API und Google Cloud:

   computer_toolset_20260801

Das alte Tool computer_20250124 schlägt fehl.

Verlauf nur anhängen Ändern Sie weder system, tools noch frühere Nachrichten vor einem zurückgegebenen Denkblock. Halten Sie Konversationen append-only.

Weitere Änderungen führen nicht zwingend zu Fehlern, beeinflussen aber Verhalten und Kosten:

Denkanzeige: Denkblöcke werden standardmäßig leer zurückgegeben und enthalten nur eine Signatur. Setzen Sie "display": "summarized", um Zusammenfassungen zu erhalten.
Token-Zählung: Derselbe Text kann rund 30 % mehr Tokens belegen. max_tokens umfasst auch das Denken.
Erzwungene Tool-Nutzung: tool_choice mit any oder einem benannten Tool funktioniert weiter, aber die Antwort enthält keinen Denkblock.
Ablehnungen: Sicherheitsklassifizierer können stop_reason: "refusal" zurückgeben, ohne serverseitigen Fallback.
Prioritätsstufe: Wird für Haiku 5.5 nicht unterstützt.

Denken kann bei high oder niedriger deaktiviert werden. Bei xhigh und max führt das Deaktivieren zu einem 400-Fehler.

Haiku 4.5 ist weiterhin aktiv. Der Haiku 5.5 vs. Haiku 4.5 Leitfaden enthält Vorher-/Nachher-JSON für die Migration.

Claude Haiku 5.5 Benchmarks

Haiku-5.5-Ergebnisse werden bei maximalem Aufwand erzielt und meist über fünf Durchläufe gemittelt. Artificial Analysis führte GDPval-AA und AA-Briefcase aus, Cognition führte FrontierCode aus und Anthropic bewertete Chartography mit einer eigenen Implementierung.

Beachten Sie drei Einschränkungen bei der Interpretation:

FrontierCode vergleicht Haiku bei max mit Sonnet 5.5 bei xhigh. Bei max erreichte Sonnet 46,2 %, knapp unter Haikus 46,4 %.
Anthropic führte Lunas OSWorld-Score über die OpenAI-API aus.
Lunas Terminal-Bench-Score stammt aus dem öffentlichen Leaderboard von Codex CLI.

Beim Standardaufwand medium erreichte Haiku 5.5:

1277 auf GDPval-AA
1372 auf AA-Briefcase

Anthropic empfiehlt Sonnet 5.5 und Opus 5.5 weiterhin für komplexe agentische Codierungsaufgaben. Am 8. Oktober 2026 gab es auf keinem unabhängigen Leaderboard ein Haiku-5.5-Ergebnis. Cursor meldet 48,4 % auf dem eigenen CursorBench bei max.

Die detaillierte Benchmark-Analyse enthält Ergebnisse und Kosten pro Aufwandsstufe.

Wo Sie Claude Haiku 5.5 verwenden können

Plattform	Zugriff	Hinweise
Claude API	`claude-haiku-5-5`	Bezahlung pro Token
Amazon Bedrock	`anthropic.claude-haiku-5-5`	Abrechnung über AWS Marketplace
Google Cloud, Microsoft Foundry, Claude Platform auf AWS	`claude-haiku-5-5`	Gleiche ID wie die Claude API
Claude.ai — Web, iOS, Android	Modellauswahl	Kostenlose, Pro-, Max-, Team- und Enterprise-Benutzer können es auswählen
Claude Code	`/model claude-haiku-5-5`	Version 2.1.293 oder neuer; kostenpflichtige Pläne
Vercel AI Gateway	`anthropic/claude-haiku-5.5`	Ab $0,10 / $0,50
Cursor	`claude-haiku-5-5`	Pool „Andere Modelle“

Am 8. Oktober 2026 war das Modell weder für OpenRouter noch für GitHub Copilot angekündigt.

Der Chat-Zugriff im Free-Plan ist kein API-Schlüssel. Die API wird über das kleine kostenlose Guthaben hinaus, das Anthropic neuen Benutzern zum Testen gewährt, pro Nutzung abgerechnet. Max- und Team-Pläne enthalten monatliche API-Guthaben:

$100 bei Max 5x
$200 bei Max 20x
Bis zu $500 gesammelt im Team

Diese Guthaben gelten nicht für Claude Code. Der Leitfaden zum kostenlosen Zugang zeigt, welche Optionen kostenlos sind und welche nicht.

In Claude Code verweist der Alias haiku nur auf der Anthropic API auf Haiku 5.5. Auf anderen Plattformen bedeutet der Alias weiterhin Haiku 4.5. Für Subagenten-Setups siehe Haiku 5.5 in Claude Code.

Wer zu Haiku 5.5 wechseln sollte

Sie verwenden Haiku 4.5: Wechseln Sie nach der Behebung der fünf Breaking Changes. Haiku 5.5 übertrifft Haiku 4.5 in jeder vergleichbaren Zeile der Launch-Tabelle und hat einen niedrigeren Listenpreis.
Sie verwenden Sonnet oder Opus für einfache, wiederholte Aufgaben: Testen Sie Haiku 5.5 für Klassifizierung, Extraktion, Zusammenfassungen und Subagenten. Nutzen Sie größere Modelle weiterhin für komplexe agentische Codierungsaufgaben.
Ihre Prompts überschreiten oft 100K Tokens: Prüfen Sie beide Preisstufen. Oberhalb des Schwellenwerts kostet die Eingabe pro Token das Fünffache.
Sie arbeiten im Sicherheitsbereich: Die Cyber-Schutzmaßnahmen von Haiku 5.5 blockieren weiterhin Penetrationstests.

Im Launch-Post berichtet Asana von mehr als 30 % niedrigerer Latenz bei Aufgabenabschlüssen. Box verzeichnete eine um 11 Punkte höhere Bewertung als Haiku 4.5 bei etwa halber Latenz. Das sind Kundenangaben, keine unabhängigen Tests.

Die Systemkarte weist außerdem auf mehr Ablehnungen im automatisierten Audit von Anthropic hin als bei jedem anderen Modell. Testen Sie deshalb Ablehnungsraten mit Ihren eigenen Prompts und Produktionsdaten.

Erste Haiku-5.5-Anfrage senden

Starten Sie mit einer einfachen Klassifizierungsanfrage:

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 4000,
    "thinking": {"type": "adaptive", "display": "summarized"},
    "output_config": {"effort": "low"},
    "messages": [
      {
        "role": "user",
        "content": "Classify this support ticket as billing, bug, or feature request: The export button returns a 500 error."
      }
    ]
  }'

Lassen Sie Sampling-Parameter und Assistant-Vorausfüllung weg. Prüfen Sie außerdem jeden Inhaltsblock über type, da eine Antwort mit einem Denkblock beginnen kann.

Anfrage in Apidog testen

Importieren Sie den Curl-Befehl als neue Anfrage in Apidog.
Speichern Sie den Schlüssel als Umgebungsvariable ANTHROPIC_API_KEY.
Fügen Sie Assertions hinzu, damit stop_reason weder refusal noch max_tokens ist.
Duplizieren Sie die Anfrage und setzen Sie effort auf medium.
Vergleichen Sie das Objekt usage, um Kosten und Token-Verbrauch je Aufwandsstufe zu messen.

Der Haiku 5.5 API-Leitfaden behandelt Caching, Batch und Streaming. Falls Sie noch keinen Schlüssel haben, hilft der Anthropic API-Schlüssel-Leitfaden.

FAQ

Wann wurde Claude Haiku 5.5 veröffentlicht?

Am 7. Oktober 2026, neun Tage nach Sonnet 5.5.

Ist Claude Haiku 5.5 kostenlos?

In der Chat-App Claude.ai können kostenlose Nutzer das Modell auswählen. Die API ist kostenpflichtig, abgesehen von kleinen Testguthaben für neue Nutzer. Siehe alle kostenlosen Wege.

Wie groß ist das Kontextfenster von Claude Haiku 5.5?

1 Million Tokens, mit einer maximalen Ausgabe von 128K auf der Messages API.

Wird Haiku 4.5 eingestellt?

Noch nicht. Es wird weiterhin als aktiv gelistet; eine Einstellung ist nicht vor dem 15. Oktober 2026 geplant.

Nächster Schritt

Wählen Sie eine Aufgabe mit hohem Volumen, die bereits heute läuft, etwa Ticket-Triage oder Dokumentenzusammenfassungen.

Senden Sie dieselbe Aufgabe an claude-haiku-5-5 mit low.
Wiederholen Sie den Test mit medium.
Prüfen Sie Qualität, Latenz, stop_reason und usage.
Vergleichen Sie die Ergebnisse mit Ihrem aktuellen Modell.
Rechnen Sie Token-Nutzung auf Ihre erwartete monatliche Last hoch.

Laden Sie Apidog herunter, um Requests, Umgebungen und Assertions in einem Projekt zu speichern. Nutzen Sie anschließend den Preisleitfaden, um die Token-Anzahl in eine Monatsrechnung umzuwandeln.

Nano Banana 2.1 API verwenden: Anleitung

Emre Demir — Tue, 06 Oct 2026 17:37:36 +0000

Google hat Nano Banana 2.1 am 6. Oktober 2026 veröffentlicht. Das Modell ist über die Gemini API als gemini-nano-banana-2.1 verfügbar und aktualisiert Nano Banana 2 (Gemini 3.1 Flash Image) mit besserer visueller Qualität, maskenartiger Bearbeitung und stärkerer Zeichenkonsistenz über mehrere Durchgänge. Bei jeder gemeinsamen Auflösung kostet die Bildausgabe nur halb so viel wie bei Nano Banana 2.

Testen Sie Apidog noch heute

Dieser Leitfaden zeigt den vollständigen Weg vom leeren Terminal bis zur gespeicherten Bilddatei. Sie lernen, Seitenverhältnisse, 2K- und 4K-Ausgabe, Bildbearbeitung, mehrstufige Änderungen, Referenzbilder, Google-Suche und Kosten zu nutzen. Jede Anfrage können Sie in Apidog speichern und reproduzieren, um Nano Banana 2.1 mit Ihrem aktuellen Modell zu vergleichen.

Möchten Sie zuerst den Hintergrund wissen? Lesen Sie Was ist Nano Banana 2.1, um zu erfahren, was sich geändert hat und was Google noch nicht veröffentlicht hat.

Was Sie benötigen

Element	Wert
Basis-URL	`https://generativelanguage.googleapis.com/v1beta`
Auth-Header	`x-goog-api-key: $GEMINI_API_KEY`
Modell-ID	`gemini-nano-banana-2.1`
Endpunkt	`POST /v1beta/interactions`
Auflösungen	1K (Standard), 2K, 4K
Eingaben	Text, Bilder (bis zu 14 Referenzen), Video
Python SDK	`pip install google-genai`
JavaScript SDK	`npm install @google/genai`

Alle Beispiele verwenden die Interactions API, die Google in der Bildgenerierungsdokumentation für 2.1 verwendet.

Schritt 1: Einen Gemini API-Schlüssel erhalten

Öffnen Sie Google AI Studio und melden Sie sich an.
Wählen Sie API-Schlüssel abrufen und erstellen Sie einen Schlüssel in einem Google-Cloud-Projekt.
Aktivieren Sie die Abrechnung für das Projekt. Google listet die kostenlose Stufe für Nano Banana 2.1 als „Nicht verfügbar“ auf. API-Aufrufe erfordern daher ein kostenpflichtiges Projekt.
Exportieren Sie den Schlüssel in Ihrer Shell:

export GEMINI_API_KEY="your-key-here"

Google verknüpft 2.1 mit dem AI Studio Playground. Das ist praktisch, um Prompts zu testen, aber Google hat nicht veröffentlicht, wie viel ein kostenloses Konto dort generieren kann. Unser Leitfaden zum kostenlosen Verwenden von Nano Banana 2.1 behandelt diesen Weg. Einen Gemini API-Schlüssel erhalten erklärt die Schlüsseleinrichtung ausführlicher.

Schritt 2: Ihr erstes Bild generieren

curl

Senden Sie eine POST-Anfrage an /v1beta/interactions:

curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-nano-banana-2.1",
    "input": [
      {
        "type": "text",
        "text": "Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme"
      }
    ]
  }'

Die Antwort ist JSON. Das Bild wird als Base64-Daten in einem Bildinhaltsblock geliefert. Verwenden Sie ein SDK oder ein Skript, um diese Daten zu dekodieren und als Datei zu speichern.

Python

Installieren Sie zunächst das SDK:

pip install google-genai

Generieren und speichern Sie anschließend das Bild:

from google import genai
import base64

client = genai.Client()  # liest GEMINI_API_KEY

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme",
)

with open("generated_image.png", "wb") as f:
    f.write(base64.b64decode(interaction.output_image.data))

interaction.output_image enthält den zuletzt generierten Bildblock. Das Feld data ist Base64-kodiert und muss vor dem Schreiben der Datei dekodiert werden.

JavaScript

Installieren Sie das SDK:

npm install @google/genai

Erstellen Sie dann die Bilddatei:

import { GoogleGenAI } from "@google/genai";
import * as fs from "node:fs";

const ai = new GoogleGenAI({});

const interaction = await ai.interactions.create({
  model: "gemini-nano-banana-2.1",
  input: "Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme",
});

const image = interaction.output_image;

if (image) {
  fs.writeFileSync("nano-banana.png", Buffer.from(image.data, "base64"));
}

Gemini-3-Bildmodelle denken, bevor sie zeichnen. Das Modell kann bis zu zwei vorläufige „Gedankenbilder“ erzeugen, während es die Komposition plant. Diese werden nicht berechnet, und das Nachdenken kann über die API nicht deaktiviert werden.

Schritt 3: Seitenverhältnis, Auflösung und reine Bildausgabe festlegen

Steuern Sie die Ausgabe über response_format. Mit "type": "image" erhalten Sie nur das Bild und keinen Konversationstext. Das reduziert die Antwortgröße und vereinfacht das Parsen.

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="A product shot of a matte black coffee grinder on a marble counter",
    response_format={
        "type": "image",
        "mime_type": "image/png",
        "aspect_ratio": "16:9",
        "image_size": "2K",
    },
)

Beachten Sie dabei:

image_size akzeptiert 1K, 2K und 4K. Verwenden Sie ein großes K; Kleinbuchstaben wie 2k werden abgelehnt.
Nano Banana 2.1 hat keine 512px-Stufe. Diese gehört zu Nano Banana 2.
Unterstützte Seitenverhältnisse sind 1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9, 21:9, 1:4, 4:1, 1:8 und 8:1.
Ein 16:9-Bild in 2K hat 2752x1536 Pixel; in 4K sind es 5504x3072.
Für Text und Bild in derselben Antwort verwenden Sie eine Liste:

response_format=[
    {"type": "text"},
    {"type": "image"},
]

Schritt 4: Ein bestehendes Bild bearbeiten

Übergeben Sie das Quellbild als Base64-kodierten image-Block zusammen mit einer präzisen Textanweisung:

with open("living_room.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode("utf-8")

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input=[
        {
            "type": "text",
            "text": (
                "Using the provided image of a living room, change only the blue sofa "
                "to be a vintage, brown leather chesterfield sofa. Keep the rest of "
                "the room, including the pillows on the sofa and the lighting, unchanged."
            ),
        },
        {
            "type": "image",
            "data": image_b64,
            "mime_type": "image/png",
        },
    ],
)

Maskenartiges Inpainting ohne Maskendatei

Es gibt keinen separaten Masken-Upload. Definieren Sie den zu bearbeitenden Bereich direkt im Prompt.

Verwenden Sie das bereitgestellte Bild, ändern Sie nur das [spezifische Element] zu [neuem Element/Beschreibung]. Behalten Sie alles andere im Bild genau gleich bei und bewahren Sie den ursprünglichen Stil, die Beleuchtung und die Komposition.

Nennen Sie genau ein Element, beschreiben Sie den Ersatz konkret und wiederholen Sie explizit, welche Bereiche unverändert bleiben sollen. Vage Prompts wie „Mach das Sofa schöner“ erhöhen die Wahrscheinlichkeit, dass das Modell den gesamten Raum neu zeichnet.

Schritt 5: Iterieren mit mehrstufiger Bearbeitung

Für schrittweise Verfeinerungen übergeben Sie die id der vorherigen Interaktion als previous_interaction_id. Senden Sie anschließend nur die nächste gewünschte Änderung.

interaction_2 = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="Update this infographic to be in Spanish. Do not change any other elements of the image.",
    previous_interaction_id=interaction.id,
    response_format={
        "type": "image",
        "mime_type": "image/png",
        "aspect_ratio": "16:9",
        "image_size": "2K",
    },
)

Über REST gehört dasselbe Feld in den Request-Body:

{
  "previous_interaction_id": "<PREVIOUS_INTERACTION_ID>"
}

Hier ist die verbesserte Zeichenkonsistenz von 2.1 besonders relevant: Figuren oder Produkte sollten über mehrere Bearbeitungsrunden hinweg erkennbar bleiben.

Schritt 6: Bis zu 14 Referenzbilder kombinieren

Fügen Sie weitere image-Blöcke zur input-Liste hinzu. Google dokumentiert für 2.1 bis zu 10 hochauflösende Objektbilder und bis zu 4 Charakterbilder, also maximal 14 Referenzen.

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input=[
        {
            "type": "text",
            "text": "An office group photo of these people, they are making funny faces.",
        },
        {"type": "image", "data": person_1_b64, "mime_type": "image/png"},
        {"type": "image", "data": person_2_b64, "mime_type": "image/png"},
        {"type": "image", "data": person_3_b64, "mime_type": "image/png"},
    ],
    response_format={
        "type": "image",
        "aspect_ratio": "5:4",
        "image_size": "2K",
    },
)

Referenzbilder zählen als Eingabe-Tokens. Die Eingabe für 2.1 kostet dreimal so viel wie bei Nano Banana 2. Bei Workflows mit vielen Referenzen verringert sich der Preisvorteil daher. Messen Sie Ihre tatsächlichen Prompts vor einer Migration.

Schritt 7: Bilder mit Google Suche fundieren

Für Bilder, die von aktuellen Informationen abhängen, etwa Wetterkarten oder aktuelle Ereignisse, fügen Sie das Suchwerkzeug hinzu:

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="A detailed painting of a Timareta butterfly resting on a flower",
    tools=[
        {
            "type": "google_search",
            "search_types": ["web_search", "image_search"],
        }
    ],
)

{"type": "google_search"} aktiviert nur die Websuche. Mit image_search kann das Modell zusätzlich Webbilder als visuellen Kontext verwenden. Diese Funktion unterstützen nur 2.1 und Nano Banana 2.

Die Fundierung kann keine echten Bilder von Personen aus der Suche verwenden. Wenn Sie Nutzern fundierte Ergebnisse anzeigen, verlangt Google außerdem, dass Sie die im Schritt google_search_result zurückgegebenen search_suggestions anzeigen.

Schritt 8: In Apidog testen

Skripte eignen sich für die Generierung. Für schnelle Prüfungen von Prompt, API-Schlüssel und Modell ist eine gespeicherte Anfrage in Apidog praktischer.

Erstellen Sie eine Umgebung und fügen Sie die Variable GEMINI_API_KEY mit Ihrem Schlüssel hinzu.
Erstellen Sie eine Anfrage:

   POST https://generativelanguage.googleapis.com/v1beta/interactions

Fügen Sie diesen Header hinzu:

   x-goog-api-key: {{GEMINI_API_KEY}}

Fügen Sie einen JSON-Body mit model, input und response_format ein und klicken Sie auf Senden.
Ergänzen Sie ein Post-Response-Skript mit zwei Assertions:

pm.test("status is 200", () => {
  pm.response.to.have.status(200);
});

pm.test("response contains an image block", () => {
  const steps = pm.response.json().steps || [];

  const hasImage = steps.some(
    (s) =>
      s.type === "model_output" &&
      (s.content || []).some((c) => c.type === "image" && c.data)
  );

  pm.expect(hasImage).to.be.true;
});

Duplizieren Sie die Anfrage und ändern Sie model zu gemini-3.1-flash-image.
Senden Sie beide Anfragen mit identischem Prompt.

Damit erhalten Sie einen direkten Vergleich zwischen 2.1 und Nano Banana 2, einschließlich Status, Zeitpunkt und Antwortgröße für jeden Durchlauf. Einen breiteren Funktionsvergleich finden Sie in Nano Banana 2.1 vs. Nano Banana 2 vs. Pro.

Was es kostet

Kostenpflichtige Stufe gemäß Googles Preisgestaltungsseite vom 7. Oktober 2026:

Modell	Eingabe / 1M	1K Bild	2K Bild	4K Bild	Batch 1K
Nano Banana 2.1	$1.50	$0.0336	$0.0504	$0.0756	$0.0168
Nano Banana 2	$0.50	$0.067	$0.101	$0.151	$0.034
Nano Banana Pro	$2.00	$0.134	$0.134	$0.24	$0.067

Die Bildausgabe für 2.1 kostet 30 $ pro 1 Mio. Tokens:

1K-Bild: 1.120 Tokens
2K-Bild: 1.680 Tokens
4K-Bild: 2.520 Tokens

Text- und Denkprozess-Ausgabe kostet 7,50 $ pro 1 Mio. Tokens. Die Suchgrundlagen umfassen 5.000 kostenlose Anfragen pro Monat, die über Gemini-3.x-Modelle geteilt werden. Danach kosten sie 14 $ pro 1.000 Anfragen.

Beispielrechnung: 1.000 Produktbilder in 2K aus kurzen Text-Prompts mit jeweils etwa 100 Eingabe-Tokens.

Ausgabe: 1.000 × $0.0504 = $50.40
Eingabe: 100.000 Tokens × $1.50 / 1M = $0.15
Gesamt: etwa $50.55, zuzüglich möglicher Denkprozess-Text-Tokens

Dieselbe Aufgabe kostet auf Nano Banana 2 etwa 101 $. Über die Batch API sinkt der 2K-Preis von 2.1 auf $0.0252. Die Ausgabeseite fällt damit auf $25.20, wenn Sie warten können. Batch-Jobs tauschen eine Bearbeitungszeit von bis zu 24 Stunden gegen höhere Ratenlimits ein.

Weitere Details finden Sie in unserer Aufschlüsselung der Nano Banana 2 API-Preise.

Häufige Fehler

Diese Fehler sind generische Gemini-API-Verhaltensweisen und keine dokumentierten 2.1-spezifischen Fehler.

Fehler	Wahrscheinliche Ursache	Lösung
`400 INVALID_ARGUMENT`	Kleinbuchstaben bei `image_size`, nicht unterstütztes Verhältnis oder fehlerhafte `input`-Struktur	Verwenden Sie `2K` statt `2k` und prüfen Sie die Liste der Seitenverhältnisse
`403 PERMISSION_DENIED`	Falscher Schlüssel oder Projekt ohne Abrechnung	API-Schlüssel prüfen und Abrechnung aktivieren
`404 NOT_FOUND`	Tippfehler in der Modell-ID	Exakt `gemini-nano-banana-2.1` verwenden
`429 RESOURCE_EXHAUSTED`	Ratenlimit erreicht	Mit Backoff erneut versuchen oder Batch verwenden
`500` / `503`	Temporäres Serverproblem	Mit exponentiellem Backoff erneut versuchen
`200`, aber kein Bild	Prompt blockiert oder reine Textantwort	`"type": "image"` setzen und Prompt überarbeiten

FAQ

Gibt es eine kostenlose Stufe für die Nano Banana 2.1 API?

Nein. Google listet die kostenlose API-Stufe als „Nicht verfügbar“ auf. Der AI Studio Playground verweist auf 2.1, aber Google hat kein kostenloses Limit dafür veröffentlicht.

Ist 2.1 ein Drop-in-Ersatz für Nano Banana 2?

Meistens. Tauschen Sie die Modell-ID gegen gemini-nano-banana-2.1 aus. Sie verlieren die 512px-Stufe, und Eingabe-Tokens kosten mehr. Referenzlastige Bearbeitungen sollten daher vorab auf Kosten geprüft werden.

Tragen generierte Bilder ein Wasserzeichen?

Ja. Alle Ausgaben enthalten ein SynthID-Wasserzeichen.

Kann ich ein Bild aus einem Video generieren?

Ja. 2.1 akzeptiert einen video-Eingabeblock, beispielsweise eine YouTube-URL, zusammen mit Ihrem Text-Prompt.

Gilt der alte Nano Banana 2 API-Leitfaden noch?

Die Konzepte gelten weiterhin. Siehe den Nano Banana 2 API-Leitfaden für das frühere Modell.

Zusammenfassung

Nano Banana 2.1 bietet bessere Bilder zum halben Preis pro Bild von Nano Banana 2 und verwendet dieselbe Interactions-API-Struktur. Besorgen Sie sich einen kostenpflichtigen API-Schlüssel, generieren Sie ein Bild und speichern Sie die Anfrage anschließend in Apidog mit Status- und Bild-Assertions.

Duplizieren Sie die Anfrage mit der alten Modell-ID. So können Sie innerhalb eines Nachmittags prüfen, ob Nano Banana 2.1 für Ihre Prompts einen Wechsel rechtfertigt.

Wie Nano Banana 2.1 kostenlos nutzen?

Emre Demir — Tue, 06 Oct 2026 17:34:58 +0000

Google hat Nano Banana 2.1 am 6. Oktober 2026 veröffentlicht. In einem Beitrag des Google-AI-Studio-Kontos hieß es, das Bildmodell „übertrifft unsere bisherigen Modelle in jeder Hinsicht“; Nutzer wurden eingeladen, es direkt in AI Studio auszuprobieren. Die naheliegende Frage lautet: Ist Nano Banana 2.1 kostenlos?

Apidog noch heute ausprobieren

Die ehrliche Antwort lautet: teilweise. Für Nano Banana 2.1 gibt es keinen kostenlosen Tarif in der Gemini API. Google AI Studio selbst ist kostenlos nutzbar, aber Google hat kein konkretes kostenloses Kontingent für 2.1 veröffentlicht. Die Gemini-App und Google Flow bieten kostenlose Bildgenerierung, dokumentieren Nano Banana 2.1 jedoch bisher nicht als verfügbares Modell.

Dieser Leitfaden zeigt, welche Optionen am 7. Oktober 2026 überprüfbar waren, wie Sie kostenlosen Zugriff testen und welcher kostenpflichtige Weg für viele Bilder am günstigsten ist.

Wenn Sie das Modell per Code verwenden, sollten Sie Anfragen zunächst reproduzierbar testen, statt kostenpflichtige Wiederholungsversuche zu senden. Apidog hilft dabei weiter unten im Artikel.

TL;DR: Jeder Weg, geprüft am 7. Oktober 2026

Weg	Kostenlos?	Limits	Am besten für
Google AI Studio Playground	AI Studio ist kostenlos; kostenloser Zugang zu 2.1 nicht bestätigt	Kostenloser Plan erhält ein „bescheidenes Kontingent“, keine Zahl veröffentlicht	Prompts ausprobieren, bevor man bezahlt
Gemini API kostenloser Tarif	Nein	„Nicht verfügbar“	Nichts
Gemini App	Nicht bestätigt für 2.1	Nano Banana 2 ist für alle Nutzer verfügbar	Gelegentliche Bilder
Google Flow	Nicht bestätigt für 2.1	Nano Banana 2 Lite ist kostenlos	Bilder für Videoprojekte
Google Cloud 300-$-Testversion (Vertex AI)	Möglicherweise, unbestätigt	90 Tage, Abrechnungskonto erforderlich	Neue Google-Cloud-Konten
Drittanbieter-Websites	Keine verifiziert	Unbekannt	Nicht empfohlen
Batch API (kostenpflichtig)	Nein, aber günstig	0,0168 $ pro 1.000 Bilder, bis zu 24 Stunden Bearbeitungszeit	Massen-Generierung

Weg 1: Google AI Studio – die wahrscheinlichste kostenlose Option

Google AI Studio ist Googles Web-Playground für Gemini-Modelle. Google verwies Nutzer am Veröffentlichungstag auf diesen Weg, und die Nano-Banana-2.1-Karte auf der Gemini-API-Preisseite enthält ebenfalls den Link „Probieren Sie es in Google AI Studio aus“.

Laut Preisseite ist die Nutzung von Google AI Studio „in allen verfügbaren Regionen kostenlos“. Die Abrechnungs-FAQ schränkt das ein: Es bleibt kostenlos, solange kein kostenpflichtiger API-Schlüssel für kostenpflichtige Funktionen verknüpft wird.

Entscheidend ist das Kontingent. Googles Seite zu AI-Plänen nennt für kostenlose Konten ein „bescheidenes Kontingent“ mit „grundlegenden Limits und Zugang“. Google AI Pro bietet höhere Kontingente sowie Zugang zu Premium-Modellen wie Gemini Pro, Nano Banana und Lyria. Außerdem sollen Pro und Ultra kostenpflichtige Modelle und höhere Ratenlimits im Google AI Studio Playground freischalten.

Google veröffentlicht jedoch nicht:

ob kostenlose Konten Nano Banana 2.1 tatsächlich ausführen können,
wie viele Bilder ein kostenloses Konto generieren darf,
ob sich die Limits nach Region oder Konto unterscheiden.

So testen Sie den kostenlosen Zugriff

Melden Sie sich bei ai.studio an.
Öffnen Sie den Playground.
Wählen Sie Gemini Nano Banana 2.1 aus.
Senden Sie einen einfachen Prompt.
Prüfen Sie das Ergebnis:
- Wird ein Bild generiert, haben Sie aktuell kostenlosen Zugriff innerhalb Ihres Kontingents.
- Werden Sie zu einem Upgrade oder zur Verknüpfung eines kostenpflichtigen Schlüssels aufgefordert, ist der kostenlose Weg für Ihr Konto nicht verfügbar.

Eine praktische Anleitung für den Playground finden Sie im Beitrag zum kostenlosen Nutzen von Google AI Studio.

Beachten Sie dabei zwei Punkte:

Kostenlose Nutzung kann zur Produktverbesserung verwendet werden. Die Preisseite nennt für Daten des kostenlosen Tarifs „Zur Verbesserung unserer Produkte verwendet: Ja“. Beim kostenpflichtigen Tarif steht dort „Nein“. Laden Sie daher keine Kundenbilder, vertraulichen Assets oder unveröffentlichte Produktaufnahmen hoch.
Playground-Zugriff ist nicht gleich API-Zugriff. Die Vorteile eines AI-Plans gelten laut Google nur innerhalb der Google-AI-Studio-Weboberfläche. Code-Aufrufe laufen über die kostenpflichtige API.

Weg 2: Der kostenlose Tarif der Gemini API existiert nicht

Für gemini-nano-banana-2.1 zeigt die Gemini-Preisseite im kostenlosen Tarif für Eingabe und Ausgabe „Nicht verfügbar“ an. Das gilt auch für Nano Banana 2, 2 Lite und Pro.

Ein kostenloser Gemini-API-Schlüssel kann daher keine Nano-Banana-2.1-Bilder generieren. Sie müssen die Abrechnung aktivieren. Für neue Konten bedeutet ein Upgrade laut Abrechnungs-FAQ, mindestens 5 $ Guthaben im Voraus zu bezahlen.

Die Anleitung zum kostenlosen Erhalt eines Gemini API-Schlüssels funktioniert weiterhin für Textmodelle, deckt jedoch keine Nano-Banana-2.1-Bilder ab.

Weg 3: Die Gemini App – nicht bestätigt für 2.1

Googles Gemini-Hilfeseite listet Nano Banana 2 für alle Nutzer und Nano Banana Pro für Google AI Plus und höhere Tarife. Nano Banana 2.1 wird dort nicht erwähnt.

Nokia Power User berichtete am 6. Oktober, dass 2.1 direkt in Gemini-Apps erschienen sei. Google hat das jedoch nicht offiziell bestätigt.

Wenn Ihnen das konkrete Modell nicht wichtig ist und Sie nur gelegentlich Bilder erstellen möchten, bleibt die kostenlose Gemini-App mit Nano Banana 2 eine Option. Siehe dazu den Leitfaden für Nano Banana 2 ohne Kosten.

Weg 4: Google Flow – nicht bestätigt für 2.1

Google Flow ist Googles KI-Kreativstudio. Dort wurde Nano Banana 2.1 offenbar zuerst entdeckt: Nutzer sahen das Modell am 5. Oktober in der Modellauswahl, bevor es zurückgezogen und am nächsten Tag offiziell veröffentlicht wurde.

Flows Hilfeseite bezeichnet Nano Banana 2 Lite als das „standardmäßige, kostenlos verfügbare Modell“. Nano Banana 2 ist das Standardmodell, während Pro als Standardmodell für AI-Ultra-Abonnenten genannt wird. Am 7. Oktober war Nano Banana 2.1 dort nicht dokumentiert.

Die Berichte sind widersprüchlich:

Nokia Power User schreibt, dass 2.1-Generierungen in Flow Standard-Abonnement-Credits verbrauchen.
OrcaRouter sah einen Screenshot mit null Credits, weist aber darauf hin, dass dies lediglich den Tarif dieses Kontos widerspiegeln kann.

Praktisch heißt das: Prüfen Sie die angezeigten Credit-Kosten direkt in Flows Modellauswahl, bevor Sie eine Generierung starten.

Weg 5: Google-Cloud-Testguthaben auf Vertex AI – unbestätigt

Nano Banana 2.1 besitzt auch eine Modellseite auf Googles Gemini Enterprise Agent Platform, ehemals Vertex AI. Dort sind Pay-as-you-go- und bereitgestellte Durchsatzoptionen verfügbar.

Neue Google-Cloud-Kunden können ein Willkommensguthaben von 300 $ erhalten, das nach 90 Tagen abläuft.

Bestätigt ist:

Seit März 2026 sind Kosten für die Gemini API ausdrücklich vom 300-$-Google-Cloud-Testprogramm ausgeschlossen.
Laut Seite zur kostenlosen Testversion kann das Guthaben keine Gemini-API-Kosten in AI Studio bezahlen.
Das Guthaben kann nicht für Partnermodelle verwendet werden, die als verwaltete APIs angeboten werden.

Keine dieser Aussagen schließt Googles eigene Modelle auf der Enterprise Agent Platform eindeutig aus. Das Guthaben könnte Nano Banana 2.1 dort also möglicherweise abdecken, aber Google bestätigt das nicht für dieses Modell.

Wenn Sie diesen Weg testen wollen:

Aktivieren Sie die Google-Cloud-Testversion.
Führen Sie wenige, klar dokumentierte Testanfragen aus.
Öffnen Sie anschließend den Cloud-Abrechnungsbericht.
Prüfen Sie, ob die Kosten vom Testguthaben abgezogen wurden.

Weg 6: Drittanbieter-Websites

Mehrere Websites verwenden bereits den Namen Nano Banana und bieten Seiten für 2.1 an. Einige werben mit kostenlosen Generierungen.

Nicht verifiziert ist jedoch:

ob diese Websites wirklich Googles Nano-Banana-2.1-Modell ausführen,
welche Daten sie speichern,
wie sie hochgeladene Bilder verwenden,
welche Limits oder Kosten nach dem ersten Test gelten.

Keine dieser Seiten ist ein Google-Produkt. Wenn Sie sie dennoch testen, laden Sie keine persönlichen, vertraulichen oder geschäftlichen Bilder hoch.

Der günstigste kostenpflichtige Weg: Batch API für 0,0168 $ pro Bild

Die Bildausgabe von Nano Banana 2.1 kostet im Standardmodus 30 $ pro Million Token. Ein 1K-Bild entspricht 1.120 Token. Mit der Batch API halbieren sich die Ausgabekosten.

Auflösung	Standard	Batch	Bilder pro 1 $ (Batch)	Bilder pro 5 $ (Batch)
1K	0,0336 $	0,0168 $	ungefähr 59	ungefähr 297
2K	0,0504 $	0,0252 $	ungefähr 39	ungefähr 198
4K	0,0756 $	0,0378 $	ungefähr 26	ungefähr 132

Die Mindestvorauszahlung von 5 $ reicht damit für ungefähr 297 Bilder in 1K-Auflösung zum Batch-Preis.

Nano Banana 2 kostet im Standardmodus 0,067 $ pro 1K-Bild. Nano Banana 2.1 liegt damit bei jeder gemeinsamen Auflösung ungefähr bei der Hälfte dieses Preises.

Beachten Sie drei Kostenfaktoren:

Eingabe kostet zusätzlich. Der Preis liegt bei 1,50 $ pro Million Eingabe-Token, also dreimal so hoch wie bei Nano Banana 2. Bearbeitungen mit mehreren Referenzbildern – bis zu 14 – summieren sich.
Text- und Denk-Ausgabe kostet ebenfalls. Dafür fallen 7,50 $ pro Million Token an. Ein Antwortformat nur mit Bild unterdrückt die Textantwort.
Batch ist langsam. Google nennt eine Bearbeitungszeit von bis zu 24 Stunden. Nutzen Sie Batch für Asset-Pipelines und Massen-Generierung, nicht für interaktive Live-Funktionen.

Für den Modellvergleich siehe Nano Banana 2.1 vs. Nano Banana 2 vs. Pro. Für die Implementierung per Code lesen Sie den Nano-Banana-2.1-API-Leitfaden.

API testen, ohne Credits zu verschwenden

Jeder erfolgreiche Aufruf von Nano Banana 2.1 wird abgerechnet. Laut Googles Abrechnungs-FAQ werden Anfragen mit Fehlern der Klassen 400 oder 500 nicht für Token berechnet, zählen aber weiterhin gegen das Kontingent.

Testen Sie daher Payload, Header und Antwortformat, bevor Sie Varianten oder Wiederholungen automatisieren.

Hier ist Googles REST-Beispiel:

curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-nano-banana-2.1",
    "input": [
      {
        "type": "text",
        "text": "Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme"
      }
    ]
  }'

Anfrage in Apidog einrichten

Importieren Sie den cURL-Befehl in eine neue Anfrage. Apidog übernimmt URL, Header und Body. Speichern Sie die funktionierende Anfrage als Referenz.
Speichern Sie den API-Schlüssel als Umgebungsvariable, etwa GEMINI_API_KEY, und verwenden Sie diese im Header x-goog-api-key. So bleibt der Schlüssel außerhalb gespeicherter Requests, und Sie können zwischen Test- und Produktionsumgebungen wechseln.
Fügen Sie Assertions hinzu. Prüfen Sie mindestens den HTTP-Status 200 und das Vorhandensein eines Bildblocks im Response-Body. Den exakten JSON-Pfad sollten Sie aus der ersten erfolgreichen Rohantwort übernehmen.
Speichern Sie Varianten getrennt ab, beispielsweise für 1K, 2K und Referenzbild-Bearbeitungen. So vergleichen Sie Ausgaben und Kosten gezielt.

Apidog macht die Generierung nicht kostenlos: Jeder gesendete erfolgreiche Request bleibt ein kostenpflichtiger API-Aufruf. Es reduziert jedoch Fehler durch manuelle Header, inkonsistente Payloads oder falsch gespeicherte Umgebungen.

FAQ

Ist Nano Banana 2.1 kostenlos?

Nicht über die Gemini API. Dort ist der kostenlose Tarif als „Nicht verfügbar“ markiert. Google AI Studio ist kostenlos nutzbar, aber Google hat kein kostenloses 2.1-Kontingent bestätigt.

Ist Nano Banana 2.1 in der Gemini App kostenlos?

Nicht bestätigt. Googles Hilfeseite listet Nano Banana 2 für alle Nutzer, erwähnt Nano Banana 2.1 aber nicht.

Berechnet Google Flow Credits für Nano Banana 2.1?

Google hat sich dazu nicht offiziell geäußert. Prüfen Sie die Kosten direkt in Flows Modellauswahl. Nano Banana 2 Lite ist dort als kostenlos verfügbar dokumentiert.

Kann ich das Google-Cloud-Guthaben von 300 $ verwenden?

Nicht für die Gemini API oder AI Studio. Auf der Enterprise Agent Platform könnte es zutreffen, aber das ist für Nano Banana 2.1 nicht bestätigt.

Was ist der günstigste Weg für viele Bilder?

Die Batch API: 0,0168 $ pro 1K-Bild oder ungefähr 59 Bilder pro Dollar.

Fazit

Sie können Nano Banana 2.1 wahrscheinlich kostenlos in Google AI Studio ausprobieren – dem Weg, auf den Google selbst verweist. Planen Sie Ihre Anwendung jedoch nicht auf Basis dieses kostenlosen Zugangs: Google hat weder das Kontingent veröffentlicht noch Nano Banana 2.1 eindeutig für kostenlose Konten bestätigt.

Die Gemini-App und Google Flow bieten kostenlose Bildmodelle, dokumentieren Nano Banana 2.1 aber weiterhin nicht als kostenlosen Standardzugang.

Wenn der kostenlose Zugriff endet, ist die Batch API der günstigste Weg für größere Mengen: ungefähr 59 Bilder in 1K pro Dollar, bei etwa der Hälfte des Preises von Nano Banana 2. Richten Sie den Request einmal in Apidog ein, speichern Sie den Schlüssel als Umgebungsvariable und prüfen Sie Responses mit Assertions, bevor Sie kostenpflichtige Generierungen skalieren.

Mehr zu den Änderungen dieses Modells finden Sie im Beitrag Was ist Nano Banana 2.1?.

Nano Banana 2.1, Nano Banana 2 und Nano Banana Pro im Vergleich: Welches sollten Sie nutzen?

Emre Demir — Tue, 06 Oct 2026 17:33:32 +0000

Google verkauft jetzt vier Nano-Banana-Bildmodelle über die Gemini API. Das neueste Modell, Nano Banana 2.1, wurde am 6. Oktober 2026 zum halben Bildpreis des Vorgängermodells eingeführt. Das ändert die Standardwahl für die meisten Teams, aber nicht für jede Arbeitslast.

Apidog heute testen

Dieser Leitfaden vergleicht Nano Banana 2.1, Nano Banana 2 und Nano Banana Pro direkt miteinander; Nano Banana 2 Lite dient als Budget-Option. Alle Preise und Limits stammen aus den Google-Dokumenten zur Bildgenerierung und der Google-Preisseite, Stand 7. Oktober 2026.

Kurzes Fazit

Verwenden Sie standardmäßig Nano Banana 2.1 (gemini-nano-banana-2.1) für neue Projekte. Google empfiehlt es für neue Projekte, und die Bildausgabe kostet bei 1K, 2K und 4K halb so viel wie bei Nano Banana 2.
Behalten Sie Nano Banana 2 (gemini-3.1-flash-image), wenn Sie eine 0.5K-Ausgabe (512 px) benötigen. Nano Banana 2.1 unterstützt diese Größe nicht.
Verwenden Sie Nano Banana 2 Lite (gemini-3.1-flash-lite-image) für viele einfache 1K-Bilder ohne Referenzierung und mit wenigen Referenzeingaben. Der 1K-Bildpreis entspricht 2.1, die Eingabe ist günstiger.
Wählen Sie Nano Banana Pro (gemini-3-pro-image), wenn Sie Googles Premium-Tier für professionelle Asset-Produktion benötigen und etwa viermal so viel pro 1K-Bild zahlen können.

Ein Vorbehalt: Google hat keine Benchmarks für 2.1 veröffentlicht. Die Launch-Ankündigung sagt, 2.1 „übertrifft unsere vorherigen Modelle durchweg“, nennt aber keine direkten Vergleichszahlen. Prüfen Sie die Bildqualität daher mit Ihren eigenen Prompts.

Direkte Spezifikationen

	Nano Banana 2.1	Nano Banana 2	Nano Banana Pro
API-Modell-ID	`gemini-nano-banana-2.1`	`gemini-3.1-flash-image`	`gemini-3-pro-image`
Googles Positionierung	Primäres hocheffizientes Arbeitstier	Arbeitstier der vorherigen Generation	Premium-Wahl für komplexe visuelle Aufgaben
Auflösungen	1K, 2K, 4K	0.5K, 1K, 2K, 4K	1K, 2K, 4K
Eingabepreis pro 1 Mio. Tokens	$1.50	$0.50	$2.00
Bildausgabepreis pro 1 Mio. Tokens	$30	$60	$120
Pro Bild bei 0.5K	n/a	$0.045	n/a
Pro Bild bei 1K	$0.0336	$0.067	$0.134
Pro Bild bei 2K	$0.0504	$0.101	$0.134
Pro Bild bei 4K	$0.0756	$0.151	$0.24
Batch pro Bild bei 1K	$0.0168	$0.034	$0.067
Google-Search-Referenzierung	Web-Suche + Bildersuche	Web-Suche + Bildersuche	Web-Suche
Referenzbilder	Bis zu 14: bis zu 10 Objekte, 4 Charaktere	Bis zu 14: bis zu 10 Objekte, 4 Charaktere	Bis zu 14: bis zu 6 Objekte, 5 Charaktere
Videoeingabe	Ja	Ja	Nein
Kostenlose API-Stufe	Nein, im AI Studio testbar	Nein	Nein

Wichtige Konsequenzen aus der Tabelle:

Token-Berechnung: Ein 1K-Bild verwendet 1.120 Ausgabe-Tokens, 2K 1.680 und 4K 2.520 — sowohl bei 2.1 als auch bei Nano Banana 2. Die Tokenmenge bleibt gleich, der Preis pro Ausgabe-Token halbiert sich.
Batch-Verarbeitung: Für 2.1 listet Google auch Batch-Preise von $0.0252 bei 2K und $0.0378 bei 4K auf.
Denkprozesse: Gemini-3-Bildmodelle denken standardmäßig; dies lässt sich über die API nicht deaktivieren. Bis zu zwei temporäre „Gedankenbilder“ entstehen ohne Berechnung. Text- und Denk-Output kostet bei 2.1 $7.50 pro 1 Mio. Tokens, bei Nano Banana 2 $3.
Referenzierungskosten: Über Gemini-3.x-Modelle werden 5.000 kostenlose Suchanfragen pro Monat geteilt. Danach kostet die Nutzung $14 pro 1.000 Anfragen.

Kosten pro 1.000 Bilder

Die folgende Tabelle enthält nur Ausgabekosten für die Standard-API, nicht für Batch-Verarbeitung, in der kostenpflichtigen Stufe:

Modell	0.5K	1K	2K	4K
Nano Banana 2.1	n/a	$33.60	$50.40	$75.60
Nano Banana 2	$45.00	$67.00	$101.00	$151.00
Nano Banana 2 Lite	n/a	$33.60	n/a	n/a
Nano Banana Pro	n/a	$134.00	$134.00	$240.00

Mit der Batch API sinken die Kosten von Nano Banana 2.1 auf $16.80, $25.20 und $37.80 pro 1.000 Bilder bei 1K, 2K beziehungsweise 4K.

Zwei Zahlen sind besonders relevant:

Ein 4K-Bild mit 2.1 kostet $0.0756 und damit weniger als ein 1K-Bild mit Pro für $0.134.
Ein 1K-Bild mit 2.1 kostet $0.0336 und ist damit günstiger als die 512px-Stufe von Nano Banana 2 für $0.045.

Behalten Sie 0.5K deshalb nur bei, wenn Ihre Anwendung exakt diese Größe benötigt.

Wenn eingabeintensive Bearbeitung die Rechnung ändert

Die Ausgabe ist nur ein Teil der Rechnung. Nano Banana 2.1 kostet $1.50 pro 1 Mio. Eingabe-Tokens, also dreimal so viel wie Nano Banana 2 mit $0.50. Bearbeitungsworkflows mit vielen Referenzbildern zahlen daher mehr für die Eingabe.

Laut Googles Vertex-AI-Modellseite kostet jedes Eingabebild 1.120 Tokens.

Beispiel: Eine Produktfoto-Pipeline sendet 14 Referenzbilder plus einen Prompt mit 500 Tokens und fordert ein 1K-Bild an.

	Nano Banana 2.1	Nano Banana 2
Eingabe-Tokens: `14 × 1.120 + 500`	16.180	16.180
Eingabekosten	$0.0243	$0.0081
1K-Ausgabe	$0.0336	$0.0670
Gesamt pro Anfrage	$0.0579	$0.0751
Pro 1.000 Anfragen	$57.90	$75.10

Selbst mit 14 Referenzbildern ist 2.1 noch günstiger. Die Ersparnis sinkt jedoch von 50 % auf etwa 23 %.

Kipppunkt berechnen

Jeder Eingabe-Token kostet bei 2.1 um $0.000001 mehr als bei Nano Banana 2. Gleichzeitig spart 2.1 bei der Bildausgabe:

1K: $0.0334 pro Bild
2K: $0.0506 pro Bild
4K: $0.0754 pro Bild

Daraus ergeben sich diese Schwellenwerte:

Bildgröße	2.1 wird teurer ab etwa
1K	33.400 Eingabe-Tokens
2K	50.600 Eingabe-Tokens
4K	75.400 Eingabe-Tokens

Vierzehn Referenzbilder allein erreichen diese Werte nicht. Näher an den Kipppunkt kommen Sie in zwei Fällen:

Lange, mehrstufige Bearbeitungssitzungen: Wenn Sie Bearbeitungen mit previous_interaction_id verketten, prüfen Sie die Eingabe-Tokens in den Nutzungsdaten jeder Antwort. Vorherige Schritte können den bezahlten Kontext vergrößern.
Viele Denk- und Text-Tokens: Bei 2.1 kosten diese $7.50 pro 1 Mio. Tokens, bei Nano Banana 2 $3. Da Denken nicht deaktiviert werden kann, schrumpft der Preisvorteil von 2.1 bei entsprechend komplexen Prompts.

Wenn Sie 1K-Bearbeitungen mit langen Historien ausführen, messen Sie beide Modelle mit realem Traffic, bevor Sie migrieren.

Wo Nano Banana 2 Lite passt

Lite ist die Budget-Option. Google bezeichnet es als „das schnellste und günstigste Gemini-Bildmodell“. Die Eingabe kostet $0.25 pro 1 Mio. Tokens, während ein 1K-Bild — wie bei 2.1 — $0.0336 kostet.

Lite hat klare Einschränkungen:

Ausgabe nur in 1K
keine Google-Search-Referenzierung
laut Google nicht für mehrere Referenzeingaben oder mehrstufige Bearbeitung optimiert

Für einfache 1K-Text-zu-Bild-Aufgaben mit hohem Volumen kosten Lite und 2.1 pro Bild gleich viel; Lite ist bei der Eingabe sechsmal günstiger. Sobald Sie 2K, 4K, Referenzierung oder iterative Bearbeitung brauchen, wechseln Sie zu 2.1.

Google empfiehlt Lite außerdem als Migrationspfad für das inzwischen veraltete ursprüngliche Nano Banana (gemini-2.5-flash-image). Der Vergleich Nano Banana 1 vs. Nano Banana 2 behandelt diesen früheren Wechsel.

Wo Nano Banana Pro weiterhin sinnvoll ist

Google beschreibt Pro als „die Premium-Wahl für die komplexesten visuellen Aufgaben“. Es sei für professionelle Asset-Produktion optimiert und biete das höchste Maß an Weltwissen, fortgeschrittene Lokalisierung, präzise Markenkonsistenz und genaue kreative Kontrolle. Der Prompting-Leitfaden empfiehlt Pro zudem für professionelle textlastige Assets.

Das sind Positionierungsaussagen, keine gemessenen Vergleichsergebnisse. Ohne veröffentlichten Pro-vs.-2.1-Benchmark sollten Sie die Wahl praktisch validieren:

Wählen Sie Pro, wenn Ihre bestehenden Pro-Workflows Anforderungen erfüllen, die Sie nicht riskieren möchten, oder wenn Sie auf die Grenze von fünf konsistenten Charakteren angewiesen sind.
Testen Sie zuerst 2.1, wenn Sie Pro für Massenaufgaben einsetzen. Bei 4K kostet 2.1 etwa ein Drittel von Pro: $0.0756 statt $0.24. Bei 1K liegt 2.1 ungefähr bei einem Viertel des Preises.
Beachten Sie die Features: Pro unterstützt weder Bildersuche-Referenzierung noch Videoeingabe.

Das vollständige Anfrageformat finden Sie im Nano Banana Pro API-Leitfaden.

Migrationshinweise

Der Wechsel von Nano Banana 2 auf 2.1 ist im Kern eine Ein-Zeilen-Änderung am model-Wert. Endpunkt, response_format und das Tool google_search bleiben gleich:

curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-nano-banana-2.1",
    "input": [
      {
        "type": "text",
        "text": "Ein Studio-Produktfoto einer Keramiktasse auf einem Walnuss-Schreibtisch"
      }
    ],
    "response_format": {
      "type": "image",
      "mime_type": "image/png",
      "aspect_ratio": "16:9",
      "image_size": "2K"
    }
  }'

Prüfen Sie diese Punkte, bevor Sie Produktions-Traffic umstellen:

Bildgröße: Wenn ein Aufruf "image_size": "512px" oder 0.5K verwendet, bleibt er bei gemini-3.1-flash-image. Nano Banana 2.1 unterstützt diese Größe nicht.
Großes K: "2K" funktioniert. "2k" wird bei jedem Modell abgelehnt.
Bildersuche: Ergänzen Sie im google_search-Tool "search_types": ["web_search", "image_search"] und zeigen Sie die zurückgegebenen Suchvorschläge an, wie von Google vorgeschrieben.
Budgets: Bei gleichem Traffic verdreifacht sich Ihr Eingabeposten ungefähr, während sich der Bildposten halbiert.
Kostenlose Stufe: Keines dieser Modelle hat eine kostenlose Gemini-API-Stufe. Siehe Nano Banana 2.1 kostenlos nutzen.

Eine vollständige Implementierung mit mehrstufiger Bearbeitung und Referenzierung finden Sie im Nano Banana 2.1 API-Leitfaden. Eine Übersicht der Änderungen bietet die Nano Banana 2.1 Übersicht.

Die drei Modelle in Apidog A/B-testen

Da es keine veröffentlichten Benchmarks gibt, zählt der Vergleich mit Ihren eigenen Prompts. Mit Apidog können Sie den Test ohne separaten Testrahmen durchführen.

Anfrage speichern: Erstellen Sie eine Anfrage für POST https://generativelanguage.googleapis.com/v1beta/interactions. Speichern Sie den Schlüssel als Umgebungsvariable und setzen Sie den Header:

   x-goog-api-key: {{GEMINI_API_KEY}}

Fügen Sie den JSON-Body ein. Referenzbilder übergeben Sie als Teile dieses Formats:

   {
     "type": "image",
     "mime_type": "image/jpeg",
     "data": "<BASE64>"
   }

Anfrage zweimal duplizieren: Ändern Sie nur das Feld model:

   gemini-nano-banana-2.1
   gemini-3.1-flash-image
   gemini-3-pro-image

Halten Sie Prompt, Referenzbilder, Seitenverhältnis und image_size identisch. Das Modell muss die einzige Variable sein.

Senden und vergleichen: Prüfen Sie in Apidog Status, Latenz und Antwortgröße. Dekodieren Sie die Base64-Bilder und vergleichen Sie sie nebeneinander.
Regressionstest erstellen: Validieren Sie einen 200-Status und ein nicht leeres Bild. Gruppieren Sie die Anfragen in einem Testszenario und führen Sie den Test erneut aus, wenn Google ein Modell aktualisiert.

Führen Sie 10 bis 20 reale Prompts aus, nicht nur einen. Multiplizieren Sie anschließend den Bildpreis jedes Modells mit Ihrem monatlichen Volumen. Apidog kostenlos herunterladen, um diesen Ablauf nachzustellen.

FAQ

Ist Nano Banana 2.1 besser als Nano Banana 2?

Google sagt, 2.1 „übertrifft unsere vorherigen Modelle durchweg“ und verweist auf visuelles Design, maskenbasiertes Bearbeiten, Objektkonsistenz und natürlicher aussehende Bilder. Da keine Benchmarks veröffentlicht wurden, sollten Sie dies mit eigenen Prompts prüfen.

Ist Nano Banana 2.1 günstiger als Nano Banana 2?

Pro Bild: ja. Bei 1K, 2K und 4K kostet 2.1 die Hälfte. Pro Eingabe-Token: nein. 2.1 kostet $1.50 statt $0.50 pro 1 Mio. Tokens. Für die meisten Workloads überwiegt die Einsparung bei der Ausgabe.

Sollte ich Nano Banana Pro durch 2.1 ersetzen?

Testen Sie zuerst. 2.1 kostet bei 1K etwa ein Viertel von Pro, Google positioniert Pro aber weiterhin als Premium-Modell.

Kann ich Nano Banana 2.1 kostenlos nutzen?

Nicht über die Gemini API. Die Preisseite listet keine kostenlose Stufe für Nano-Banana-Modelle auf. Sie können 2.1 jedoch im Google AI Studio testen.

Wie viele Referenzbilder kann ich senden?

Bis zu 14 bei allen drei Modellen. Nano Banana 2.1 und Nano Banana 2 halten bis zu 10 Objekte und 4 Charaktere konsistent. Pro verarbeitet bis zu 6 Objekte und 5 Charaktere.

Fazit

Nano Banana 2.1 ist die sinnvolle Standardwahl für neue Gemini-Bildworkloads: halber Bildpreis gegenüber Nano Banana 2 bei gleichen Grenzen für Referenzierung, Videoeingabe und Referenzbilder.

Bleiben Sie bei Nano Banana 2 nur für 512px-Ausgabe oder lange Bearbeitungshistorien, bei denen Sie den Vorteil konkret gemessen haben. Verwenden Sie Lite für einfache 1K-Bilder in hoher Stückzahl. Behalten Sie Pro dort, wo dessen Premium-Positionierung Ihren Anforderungen entspricht — und validieren Sie diese Entscheidung mit einem direkten Vergleichstest, bevor Sie etwa viermal so viel bezahlen.

Nano Banana 2.1 ist da: Halber Preis von Nano Banana 2, Text funktioniert endlich

Emre Demir — Tue, 06 Oct 2026 17:30:12 +0000

Google hat Nano Banana 2.1 am 6. Oktober 2026 leise veröffentlicht. Es gab keinen Launch-Blog-Beitrag und keine Benchmark-Tabelle. Das Modell erschien am 5. Oktober in Google Flows Modellauswahl, verschwand und kam dann am nächsten Tag mit einem kurzen Beitrag von @GoogleAIStudio zurück, in dem es hieß, es „übertrifft unsere bisherigen Modelle auf ganzer Linie“.

Apidog noch heute ausprobieren

Der wichtigste Teil für jeden, der für Bildgenerierung bezahlt, befindet sich auf der Preisseite. Nano Banana 2.1 kostet pro Bild nur die Hälfte von Nano Banana 2 bei jeder gemeinsamen Auflösung, und Googles Dokumentation listet „akkurate Textwiedergabe“ als eine der Verbesserungen auf. Hier erfahren Sie, was sich geändert hat, was es kostet und welche Fallstricke der Launch-Beitrag überspringt.

TL;DR

Was es ist: Gemini Nano Banana 2.1 mit der Modell-ID gemini-nano-banana-2.1. Es ist ein Update von Nano Banana 2 (Gemini 3.1 Flash Image). Google bezeichnet es als „das primäre hocheffiziente Arbeitspferd-Modell“ für Bildgenerierung und -bearbeitung.
Was Google als verbessert angibt: besseres visuelles Design, maskenbasiertes Bearbeiten, Konsistenz des Motivs und natürlichere Bilder. Die Dokumentation nennt zusätzlich Textwiedergabe, Konsistenz von Zeichen über mehrere Interaktionen hinweg und Suchanbindung.
Preis: $0.0336 pro 1K-Bild, $0.0504 pro 2K-Bild und $0.0756 pro 4K-Bild. Das ist bei jeder Größe die Hälfte des Preises von Nano Banana 2.
Die Fallstricke: Eingabe-Tokens kosten dreimal so viel wie bei Nano Banana 2, es gibt keine 512px-Stufe, keine kostenlose Gemini-API-Stufe und keine veröffentlichten Benchmarks für 2.1.
Wo Sie es testen können: Google AI Studio, Gemini API (Interactions API) und Vertex AI. Das Modell erschien zuerst in Google Flow.

Was Nano Banana 2.1 ist

Nano Banana ist Googles Name für die Bildmodelle der Gemini-Familie. Das ursprüngliche Nano Banana (gemini-2.5-flash-image) ist inzwischen veraltet. Nano Banana 2 (gemini-3.1-flash-image) wurde zum schnellen Standard, Nano Banana 2 Lite besetzt die Budget-Nische und Nano Banana Pro (gemini-3-pro-image) richtet sich an professionelle Asset-Produktion.

Nano Banana 2.1 ist das Update von Nano Banana 2. Googles Dokumentation zur Bildgenerierung beschreibt es als Modell für hocheffiziente Bildgenerierung und konversationelle Bearbeitung mit verbesserter visueller Qualität, Konsistenz über mehrere Interaktionen, genauer Textwiedergabe und suchbasierter Generierung in 1K, 2K und 4K.

Merkmal	Nano Banana 2.1
Modell-ID	`gemini-nano-banana-2.1`
Ausgabeauflösungen	1K, 2K, 4K
Eingaben	Text, Bild, Video (kein Audio)
Referenzbilder	Bis zu 14
Gedankenprozess	Standardmäßig aktiviert, in der API nicht deaktivierbar
Interne „Gedankenbilder“	Bis zu zwei, nicht berechnet
Suchanbindung	Google Websuche und Google Bildersuche
Wasserzeichen	SynthID auf jeder Ausgabe

Was Google als verbessert angibt

Der Launch-Beitrag nennt besseres visuelles Design, maskenbasiertes Bearbeiten, Konsistenz des Motivs und natürlichere Bilder. Die Dokumentation ergänzt Zeichenkonsistenz über mehrere Interaktionen, genaue Textwiedergabe und die Anbindung an Google Bildersuche.

Textwiedergabe

Verzerrte Schrift war lange ein typisches Erkennungsmerkmal von KI-Bildern. Google beschreibt die Nano-Banana-Familie als fähig, lesbaren und stilisierten Text für Infografiken, Menüs, Diagramme und Marketingmaterialien zu erzeugen. Für 2.1 nennt die Dokumentation Textwiedergabe ausdrücklich als Verbesserung.

Das ist eine Google-Behauptung, kein gemessenes Ergebnis: Es gibt keinen veröffentlichten Benchmark zur Textgenauigkeit von 2.1. Bevor Sie Produktions-Traffic umstellen, testen Sie textlastige Prompts selbst, etwa für:

Menüs und Produktetiketten
Poster und Social-Media-Grafiken
UI-Mockups
Folien und Infografiken

Maskenbasiertes Bearbeiten

Google nennt dies „semantisches Maskieren“. Statt eine Maske zu zeichnen, beschreiben Sie die Änderung direkt im Prompt:

Verwenden Sie das bereitgestellte Bild. Ändern Sie nur das [Element] in [neu].
Behalten Sie alles andere exakt bei.

Das Modell soll den zu bearbeitenden Bereich erkennen und den Rest des Bildes unverändert lassen.

Konsistenz von Motiv und Charakter

Ein Charakter, Produkt oder Maskottchen soll über mehrere Bearbeitungen hinweg konsistent bleiben. In der API verketten Sie Folgeanfragen über previous_interaction_id. Zusätzlich können Sie bis zu 14 Referenzbilder kombinieren.

Praktisches Muster:

Erzeugen Sie ein Ausgangsbild.
Speichern Sie die interaction.id.
Senden Sie die nächste Bearbeitung mit previous_interaction_id.
Wiederholen Sie das für Varianten, Perspektiven oder kleine Objektänderungen.

Suchanbindung

Nano Banana 2.1 und 3.1 Flash Image können Google Bildersuche und Websuche einbeziehen. Das ist besonders relevant für aktuelle Ereignisse, Wetterkarten oder Börsendiagramme.

Eine wichtige Einschränkung: Die Anbindung kann keine realen Bilder von Personen verwenden, die aus der Websuche stammen.

Preis: Die Hälfte von Nano Banana 2 pro Bild

Die folgenden Preise stammen aus Googles Preisseite, Stand 7. Oktober 2026, für die kostenpflichtige Gemini API im Standardmodus ohne Batch-Verarbeitung.

Modell	Eingabe (pro 1 Mio.)	Bildausgabe (pro 1 Mio.)	0.5K	1K	2K	4K
Nano Banana 2.1	$1.50	$30	n/a	$0.0336	$0.0504	$0.0756
Nano Banana 2	$0.50	$60	$0.045	$0.067	$0.101	$0.151
Nano Banana 2 Lite	$0.25	$30	n/a	$0.0336	n/a	n/a
Nano Banana Pro	$2.00	$120	n/a	$0.134	$0.134	$0.24

Wichtige Konsequenzen:

Halber Preis pro Bild: Bildausgabe-Tokens sinken von $60 auf $30 pro Million. Die Token-Anzahl pro Bild bleibt gleich: 1.120 bei 1K, 1.680 bei 2K und 2.520 bei 4K.
Konkretes Beispiel: 1.000 Bilder in 1K kosten mit 2.1 $33.60 statt $67 mit Nano Banana 2.
Lite-Preis mit höheren Auflösungen: Bei 1K kostet 2.1 genauso viel wie Nano Banana 2 Lite, liefert aber zusätzlich 2K und 4K.
Deutlich günstiger als Pro bei 1K: $0.0336 statt $0.134.
Batch senkt den Preis erneut: $0.0168 bei 1K, $0.0252 bei 2K und $0.0378 bei 4K.

Die Suchanbindung wird separat abgerechnet: 5.000 kostenlose Suchanfragen pro Monat, geteilt über Gemini-3.x-Modelle. Danach kosten sie $14 pro 1.000 Anfragen. Eine vollständige Aufschlüsselung finden Sie im Nano Banana 2 Preisleitfaden.

Die Fallstricke

Eingabekosten sind 3x höher

Eingabe-Tokens steigen von $0.50 auf $1.50 pro Million. Die Ausgabe für Text und Denkprozess steigt von $3 auf $7.50 pro Million.

Für kurze Text-zu-Bild-Prompts ist das meist vernachlässigbar. Bei Bearbeitungs-Workflows mit mehreren Referenzbildern kann es relevant werden.

Eine grobe Rechnung:

Bei 1K sparen Sie mit 2.1 etwa $0.033 pro Bild.
Gleichzeitig kostet die Eingabe $1 mehr pro Million Tokens.
Der Vorteil bleibt damit ungefähr bis zu 33.000 Eingabe-Tokens pro Anfrage bestehen.
Bei 4K liegt der Break-even wegen der höheren Bildersparnis bei etwa 75.000 Eingabe-Tokens.

Prüfen Sie deshalb Ihre echten usage-Werte, insbesondere bei Multi-Image-Workflows und verketteten Bearbeitungen.

Keine 512px-Stufe

Nano Banana 2 unterstützt 0.5K beziehungsweise 512px für $0.045. Nano Banana 2.1 unterstützt diese Größe laut Dokumentation nicht.

Für Thumbnails ist 1K mit 2.1 zwar mit $0.0336 weiterhin günstiger als 512px mit Nano Banana 2. Sie erzeugen jedoch größere Dateien und müssen gegebenenfalls nachgelagert skalieren oder komprimieren.

Keine kostenlose Stufe in der API

Googles Preisseite führt die kostenlose Gemini-API-Stufe für 2.1 als „Nicht verfügbar“ auf. Das gilt auch für Nano Banana 2, Lite und Pro.

Die Modellkarte verweist auf den Google AI Studio Playground, aber Google nennt keine kostenlose Nutzungsschwelle für 2.1. API-Code benötigt daher einen kostenpflichtigen Schlüssel. Optionen dazu behandelt der Leitfaden Nano Banana 2.1 kostenlos nutzen.

Noch keine Benchmarks

Die Aussage „übertrifft unsere bisherigen Modelle auf ganzer Linie“ kommt ohne veröffentlichte Zahlen und ohne offiziellen Launch-Blog-Beitrag. Betrachten Sie die Qualitätsverbesserung deshalb als plausibel, aber nicht als unabhängig belegt.

Ein stiller Rollout

Das Modell erschien in Google Flow vor der API-Ankündigung. Berichte Dritter sagen, dass es in Flow über Abonnementguthaben verfügbar ist und in Gemini-Apps auftaucht. Google hat den Rollout in Gemini-Apps jedoch nicht bestätigt.

Wer wechseln sollte

Wechseln Sie jetzt, wenn:

Sie Nano Banana 2 bei 1K, 2K oder 4K für Text-zu-Bild einsetzen und Ihre Prompts nicht extrem eingabelastig sind.
Sie Nano Banana 2 Lite nutzen, aber 2K- oder 4K-Ausgabe benötigen.
Ihre Bilder echten Text enthalten, etwa Produktetiketten, Menüs oder Foliengrafiken.
Sie Kosten senken und gleichzeitig die von Google angekündigten Verbesserungen in Bearbeitung und Konsistenz evaluieren möchten.

Warten Sie ab, wenn:

Ihre Pipeline von 512px-Ausgabe abhängt.
Ihre Requests viele Referenzbilder oder große Eingaben enthalten.
Sie Pro-Level-Qualität für finale Marketing-Assets benötigen. Der Vergleich Nano Banana 2.1 vs Nano Banana 2 vs Pro zeigt die Unterschiede.

Nano Banana 2.1 über die API testen

Nano Banana 2.1 läuft über die Gemini Interactions API. Starten Sie mit einer minimalen Anfrage:

curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-nano-banana-2.1",
    "input": [
      {
        "type": "text",
        "text": "A ripe banana wearing tiny sunglasses on a beach towel, bold hand-lettered sign that reads OPEN"
      }
    ]
  }'

Die Bildausgabe wird als Base64-Daten zurückgegeben. So speichern Sie sie in Python:

from google import genai
import base64

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="A ripe banana wearing tiny sunglasses on a beach towel",
    response_format={
        "type": "image",
        "mime_type": "image/png",
        "aspect_ratio": "16:9",
        "image_size": "2K",
    },
)

with open("banana.png", "wb") as f:
    f.write(base64.b64decode(interaction.output_image.data))

Mit type: "image" erhalten Sie nur Bildausgaben und keinen zusätzlichen Text.

Für eine Folge-Bearbeitung senden Sie erneut create mit neuem input und der ID der vorherigen Interaktion:

next_interaction = client.interactions.create(
    model="gemini-nano-banana-2.1",
    input="Change only the sunglasses to round red glasses. Keep everything else unchanged.",
    previous_interaction_id=interaction.id,
)

Um die Suche anzubinden, ergänzen Sie Ihre Anfrage um:

tools=[{"type": "google_search"}]

Wenn Sie Modelle ohne eigenes Skript vergleichen möchten, eignet sich Apidog für Side-by-Side-Tests:

Anfrage speichern: Erstellen Sie einen POST-Request zum Interactions-Endpunkt. Speichern Sie den Schlüssel als Umgebungsvariable und verwenden Sie im Header:

   x-goog-api-key: {{GEMINI_API_KEY}}

Pro Modell klonen: Duplizieren Sie die Anfrage und ändern Sie nur das Modell auf gemini-3.1-flash-image. Senden Sie beide Requests mit identischem Prompt.
Ergebnisse vergleichen: Prüfen Sie Bildqualität, Latenz, Token-Nutzung und Antwortstruktur.
Zusicherungen ergänzen: Testen Sie den Status 200 und stellen Sie sicher, dass die Antwort einen Bildausgabe-Block enthält. Speichern Sie das als Testszenario, um spätere Modelländerungen als Regressionstest zu erkennen.

Die vollständige Anleitung für Bildbearbeitung, Multi-Turn-Ketten und Kostenverfolgung finden Sie im Nano Banana 2.1 API-Leitfaden. Falls Ihnen noch ein Schlüssel fehlt, lesen Sie zuerst Gemini API-Schlüssel kostenlos erhalten.

FAQ

Was ist die Modell-ID von Nano Banana 2.1?

gemini-nano-banana-2.1. Der offizielle Name ist Gemini Nano Banana 2.1.

Ist Nano Banana 2.1 günstiger als Nano Banana 2?

Pro Bild ja: Bei 1K, 2K und 4K kostet es etwa die Hälfte. Eingabe-Tokens sind jedoch dreimal so teuer, weshalb sehr eingabelastige Bearbeitungen den Preisvorteil verringern oder aufheben können.

Gibt Nano Banana 2.1 Text korrekt wieder?

Google nennt „akkurate Textwiedergabe“ als Verbesserung. Es gibt bisher keine veröffentlichten Benchmarks, deshalb sollten Sie textlastige Prompts selbst testen.

Ist Nano Banana 2.1 kostenlos?

Nicht über die Gemini API. Die kostenlose Stufe ist als nicht verfügbar aufgeführt. Google verweist auf den AI Studio Playground, nennt dort aber keine veröffentlichte kostenlose Grenze für 2.1.

Fazit

Nano Banana 2.1 ist für Bildentwickler vor allem eine deutliche Preissenkung: gleiche Token-Anzahl pro Bild wie Nano Banana 2, halber Ausgabepreis pro Token und 2K- sowie 4K-Ausgabe zum 1K-Preis von Nano Banana 2 Lite.

Google nennt bessere Textwiedergabe, Bearbeitung und Konsistenz als Verbesserungen, aber unabhängige Benchmarks fehlen. Berücksichtigen Sie insbesondere den dreifachen Eingabepreis bei vielen Referenzbildern und planen Sie die fehlende 512px-Stufe ein.

Der praktische nächste Schritt: Führen Sie identische Prompts gegen beide Modelle in Apidog aus, messen Sie Kosten, Latenz und Ausgabequalität und leiten Sie dann Traffic auf das Modell um, das in Ihrer Pipeline besser abschneidet.

Mistral ist zurück: Le Chonk schlägt GPT-6 Astra und Claude

Emre Demir — Tue, 06 Oct 2026 16:19:57 +0000

Mistral war im Top-Segment der Open-Weight-Modelle eine Zeit lang vergleichsweise ruhig. Nach Mistral Large 3 im Dezember 2025 dominierten Kimi, DeepSeek, GLM und Qwen die Diskussion. Am 6. Oktober 2026 antwortete Mistral mit Mistral Large 4: einem Mixture-of-Experts-Modell mit 1 Billion Parametern, das das Team intern „Le Chonk“ nennt.

Apidog heute testen

Die auffälligste Zahl lautet: Large 4 erreicht laut Mistral 82 % in einem Cyber-Benchmark, während Claude Opus 5.5 und GPT-6 Astra nahezu null Punkte erzielen. Der notwendige Kontext: Diese geschlossenen Modelle verweigern die Aufgabe. Dieser Beitrag ordnet die Benchmark-Ergebnisse ein und zeigt, wie Sie Large 4 praktisch gegen Ihre eigenen API-Workflows testen.

TL;DR

Modell: Mixture-of-Experts mit 1,05 Billionen Parametern, davon 49 Milliarden aktiv. Dazu kommen ein Vision-Encoder mit 1,6 Milliarden Parametern, Text- und Bildeingaben sowie ein Kontextfenster von 1 Million Token.
API-Modell-ID: mistral-large-4; öffentliche Vorschau über die Mistral API.
Gewichte: laut Mistral bis Ende Oktober 2026; die Lizenz war zum Zeitpunkt der Ankündigung noch nicht veröffentlicht.
Preis: Listenpreis von 1,36 $ Input und 4,18 $ Output pro Million Token. In der Vorschau: 0,68 $ / 2,09 $. Gecachte Eingaben kosten 0,07 $ pro Million Token.
Cyber-Benchmark: 82 % im AA Cyber Index für die Reproduktion von Schwachstellen. Die nahezu null Punkte von Opus 5.5 und Astra entstehen laut Mistral durch deren Verweigerung der Aufgabe.
Codequalität: In einer menschlichen Codebewertung liegt Claude Opus 5 mit 4,22 vor Large 4 Preview mit 3,74 von 5 Punkten.

Warum „Mistral ist zurück“ berechtigt ist

Die stärksten Open-Weight-Modelle kamen 2026 größtenteils aus China. Mistral veröffentlichte weiter Modelle wie Medium 3.5, Devstral 2 und Small 4, hatte aber kein Modell, das bei vielen Frontier-Aufgaben direkt mit führenden geschlossenen Modellen konkurrierte.

Mit Large 4 ändert sich das. Mistral beschreibt das Modell als deutlich stärker als andere in den USA oder Europa entwickelte Open-Weight-Modelle. Für Teams mit EU-Anforderungen sind vor allem diese Punkte relevant:

Training von Grund auf auf 3.800 NVIDIA Grace Blackwell GPUs in europäischen Mistral-Rechenzentren
Unterstützung für mehr als 160 Sprachen, einschließlich aller offiziellen EU-Sprachen
Veröffentlichung kurz nach einer Series-D-Runde über 3 Milliarden Euro

Auch das Timing ist relevant: Large 4 erschien direkt nach Reflections Open-Weight-Modell Beam. Damit hat das Open-Model-Rennen zwischen den USA und China einen dritten ernsthaften Teilnehmer.

Die Cyber-Schlagzeile richtig einordnen

Der Artificial Analysis Cyber Index umfasst einen Test, bei dem ein Modell eine echte Schwachstelle in Open-Source-Software reproduzieren und anschließend patchen soll. Mistral meldet für Large 4 82 %, den höchsten Wert aller getesteten Modelle.

Mistral nennt selbst den entscheidenden Vorbehalt: Mehrere führende geschlossene Modelle, darunter Claude Opus 5.5 und GPT-6 Astra, erzielen nahezu null Punkte, weil sie die Aufgabe verweigern.

Behauptung	Was sie tatsächlich bedeutet
„Large 4 schlägt Astra und Opus 5.5 im Cyber-Bereich“	In diesem Test verweigern die geschlossenen Modelle die Aufgabe. Large 4 beantwortet sie und ist häufig erfolgreich.
„Large 4 ist das beste Hacking-Modell“	Nicht belegt. Eine Verweigerung ist eine Policy-Entscheidung, keine direkte Leistungsgrenze.
„Large 4 ist unsicher“	Ebenfalls nicht belegt. Mistral meldet eine höhere durchschnittliche Ablehnungsrate bei Cyber-Prompts aus JailbreakBench, StrongREJECT und AgentHarm als bei anderen Open-Weight-Modellen.

Abseits dieser Einordnung sind die Ergebnisse dennoch relevant:

Cybench: 93 % bei 40 Capture-the-Flag-Übungen
B3 Agent Security Benchmark: 93,3 % der Angriffe werden abgewehrt

Für Security- und API-Teams ist die Kombination interessant: ein selbst hostbares Modell, das bei der Reproduktion und Behebung einer CVE im eigenen Code unterstützen kann, gleichzeitig aber viele eindeutig schädliche Anfragen ablehnt.

Wo Large 4 GPT-6 Astra außerhalb des Cyber-Bereichs schlägt

Die Cyber-Zahl erzeugt die meisten Schlagzeilen. Aussagekräftiger sind Benchmarks, bei denen beide Modelle die Aufgabe tatsächlich bearbeitet haben.

Benchmark	Mistral Large 4	GPT-6 Astra	Einordnung
Dense 200, visuelle Verankerung	42 %	41 %	Ein realer, aber kleiner Vorsprung.
Finance Agent v2 (vals.ai)	Vorn	Hinten	Mistral nennt die Rangfolge, nicht die Punktwerte.
Harvey Legal Agent Benchmark	Bestes Open-Modell	Aufgeführt	Keine direkten Vergleichszahlen veröffentlicht.

Gegen andere Open-Weight-Modelle berichtet Mistral größere Abstände:

Benchmark	Mistral Large 4	Vergleich
AutomationBench, 657 Workflows	59,9 %	Vor Kimi K3 und DeepSeek V4 Pro
AA-Briefcase, Wissensarbeit	1.393 Elo	Vor DeepSeek V4 Pro
DeepSWE v1.1, Coding	61,7 %	Führendes Open-Weight-Modell
SWE-Atlas-QnA	59,4 %	—
Terminal-Bench 4.0	28,3 %	—

Wichtig für Produktionsentscheidungen: Das sind von Mistral gemeldete Werte des Vorschau-Modells. Unabhängige Reproduktionen standen zum Start noch aus. Euronews berichtete außerdem, dass das Reinforcement Learning zu diesem Zeitpunkt noch nicht abgeschlossen war. Nutzen Sie die Zahlen als Signal, nicht als abschließendes Urteil.

Wo Large 4 weiterhin verliert

Mistral veröffentlichte auch einen Benchmark, in dem ein geschlossenes Modell klar vorn liegt: eine menschliche Bewertung der Codequalität von Surge AI.

Modell	Menschliche Codebewertung, von 5
Claude Opus 5	4,22
Mistral Large 4 Preview	3,74
GLM-5.3	3,60
Kimi K3	3,59
GLM-5.2	3,40

Large 4 liegt damit vor den aufgeführten chinesischen Open-Modellen, aber etwa einen halben Punkt hinter Claude Opus 5. Die Mistral-Formulierung, dass Large 4 „die Lücke zu den führenden Modellen“ beim Coding schließt, ist deshalb treffender als ein pauschaler Sieg.

Außerdem fehlen in den Startmaterialien direkte Vergleiche mit Claude Fable 5.1 oder GPT-6 Sol. Wenn ein Anbieter oder Beitrag behauptet, Large 4 schlage eines dieser Modelle, sollte der konkrete Benchmark genannt werden.

Spezifikationen auf einen Blick

Spezifikation	Mistral Large 4
API-Modell-ID	`mistral-large-4`, Alias `mistral-large-4-0`
Version	26.10, öffentliche Vorschau
Architektur	Mixture-of-Experts, hybride Instruktion + Reasoning
Parameter	1,05 T insgesamt, 49 B aktiv, 1,6 B Vision-Encoder
Kontextfenster	1 Million Token
Eingabe	Text, Bilder
Reasoning	`reasoning_effort`: `"high"` oder `"none"`
Tools	Function Calling, strukturierte Ausgaben, integrierte Agenten-Tools
Endpunkte	`/v1/chat/completions`, `/v1/conversations`, `/v1/agents`, `/v1/batch`
Gewichte	Bis Ende Oktober 2026 angekündigt; Lizenz noch nicht veröffentlicht

Large 4 per API aufrufen

Für einen ersten Test genügt der Chat-Completions-Endpunkt:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": "Prüfe diesen API-Fehlerbericht und nenne reproduzierbare Debugging-Schritte."
      }
    ],
    "reasoning_effort": "high"
  }'

Für einen fairen Modellvergleich sollten Sie denselben System-Prompt, dieselben Tools, dieselbe Temperatur und identische Testdaten verwenden. Vergleichen Sie anschließend nicht nur Textqualität, sondern auch:

HTTP-Status und Fehlerrate
Latenz
Input- und Output-Token
Kosten je erfolgreichem Workflow
Formatstabilität bei strukturierten Ausgaben
Verhalten bei mehrsprachigen Eingaben

Preis: günstig für ein Frontier-Modell, aber mit Vorschau-Risiko

Die Mistral-Preisseite listet Large 4 während der Vorschau zum halben Listenpreis.

Modell	Input / 1 Mio. Token	Output / 1 Mio. Token	Open Weights
Mistral Large 4, Vorschaupreis	0,68 $	2,09 $	Ja, Ende Oktober angekündigt
Mistral Large 4, Listenpreis	1,36 $	4,18 $	Ja, Ende Oktober angekündigt
Claude Opus 5.5	4,00 $	20,00 $	Nein
GPT-6 Astra	10,00 $	50,00 $	Nein

Zum Vorschaupreis kostet der Output von Large 4 ungefähr ein Vierundzwanzigstel des Astra-Outputs. Selbst beim Listenpreis liegt er bei der Ausgabe ungefähr zwölfmal darunter.

Gecachte Eingaben kosten 0,07 $ pro Million Token. Das ist besonders für agentische Workflows relevant, die bei jedem Turn denselben System-Prompt, dieselben Tool-Definitionen oder große Referenzdokumente erneut übertragen.

Mistral hat nicht angegeben, wann der Vorschau-Rabatt endet. Kalkulieren Sie für längerfristige Entscheidungen daher mit dem Listenpreis.

Sollten Sie wechseln?

Large 4 ist besonders prüfenswert, wenn:

Sie agentische Workflows oder Wissensarbeit automatisieren und aktuell Frontier-Preise zahlen.
Sie mehrsprachige Antworten über EU-Sprachen oder EU-gehostete Inferenz für Compliance benötigen.
Sie defensive Security-Arbeit durchführen und legitime Schwachstellen-Reproduktionen häufig an Modellverweigerungen scheitern.
Sie perspektivisch ein Frontier-Modell selbst hosten möchten.
Sie Tool Calling, strukturierte Outputs und lange Kontexte in API-Workflows nutzen.

Warten sollten Sie, wenn:

menschlich bewertete Codequalität Ihre wichtigste Metrik ist; hier führt Claude Opus 5 weiterhin.
Sie Benchmarks für eine formale Architektur- oder Einkaufsentscheidung verteidigen müssen; warten Sie auf unabhängige Tests nach Veröffentlichung der Gewichte.
Sie Large 3 produktiv einsetzen; die Vorschau kann sich ändern, und eine stabile versionierte ID war noch nicht verfügbar.

Large 4 in Apidog gegen Ihre eigenen APIs testen

Benchmarks zeigen, wie ein Modell bei fremden Aufgaben abschneidet. Für eine Architekturentscheidung sollten Sie Large 4 mit Ihren eigenen Prompts, APIs und Fehlerfällen testen. Mit Apidog können Sie diese Vergleiche ohne zusätzlichen Test-Client aufsetzen.

Eine Basisanfrage anlegen Erstellen Sie eine Anfrage an POST https://api.mistral.ai/v1/chat/completions. Speichern Sie den Schlüssel als Umgebungsvariable und setzen Sie den Header:

   Authorization: Bearer {{MISTRAL_API_KEY}}

Eine Anfrage pro Modell klonen

Duplizieren Sie die Anfrage und ändern Sie nur das Feld model, etwa zwischen mistral-large-4 und Ihrem aktuellen Modell. So bleiben Prompt und Parameter vergleichbar.
Kosten und Latenz erfassen

Prüfen Sie Status, Antwortzeit, Antwortgröße und den usage-Block. Daraus können Sie Token-Kosten pro Prompt oder pro Workflow berechnen.
Antworten automatisch validieren

Fügen Sie Assertions für einen 200-Status, nicht-leere Antworten und JSON-Schema-Konformität hinzu. Damit wird aus einem manuellen Test ein wiederholbarer Regressionstest.
Bei jedem Modell-Update erneut ausführen

Gruppieren Sie die Anfragen in einem Testszenario. Führen Sie es erneut aus, wenn Mistral die Vorschau aktualisiert oder die Gewichte veröffentlicht. So erkennen Sie Qualitäts- oder Formatabweichungen vor Ihren Nutzern.

Ein minimales Request-Body-Beispiel für strukturierte Ausgaben kann so aussehen:

{
  "model": "mistral-large-4",
  "reasoning_effort": "high",
  "messages": [
    {
      "role": "user",
      "content": "Analysiere diesen API-Fehler und liefere eine priorisierte Liste von Debugging-Schritten."
    }
  ]
}

Zwei Eigenschaften von Large 4 passen gut zu API-Workflows:

Die Security-Ergebnisse machen das Modell zu einem möglichen zweiten Prüfer für API-Sicherheitstests, etwa bei der Reproduktion eines Auth-Bypasses in einer eigenen Staging-API.
Function Calling und strukturierte Ausgaben erleichtern es, eine in Apidog entworfene OpenAPI-Spezifikation in Tool-Definitionen für einen Agenten zu überführen.

Für eine vollständige Code-Anleitung mit API-Schlüssel, Reasoning-Chunks, Bildern, Function Calling und Kostenberechnung lesen Sie den Mistral Large 4 API-Leitfaden. Wenn Sie von einem älteren Mistral-Modell migrieren, gelten die Mistral AI API-Grundlagen und der Mistral Medium 3.5 API-Leitfaden weiterhin: gleiche Basis-URL, gleiche Authentifizierung, neue Modell-ID.

FAQ

Ist Mistral Large 4 Open Source?

Es ist Open-Weight, nicht automatisch Open Source. Mistral kündigte die Gewichte für Ende Oktober 2026 an. Die Lizenz war noch nicht veröffentlicht; Sie sollten deshalb nicht davon ausgehen, dass sie der Apache-2.0-Lizenz von Large 3 entspricht.

Schlägt Mistral Large 4 wirklich GPT-6 Astra?

Laut Mistrals Zahlen liegt es bei visueller Verankerung mit 42 % zu 41 % vorn und führt auch bei Finance Agent v2. Beim Cyber-Schwachstellentest erzielt Astra nahezu null Punkte, weil es die Aufgabe verweigert. Das ist kein direkter Leistungsnachweis.

Schlägt Large 4 Claude?

Nicht bei der menschlich bewerteten Codequalität. Claude Opus 5 führt dort mit 4,22 gegenüber 3,74 für Large 4 Preview. Claude Opus 5.5 verweigert außerdem die Cyber-Reproduktionsaufgabe und erzielt deshalb in diesem Test nahezu null Punkte.

Was bedeutet „Le Chonk“?

Das ist Mistrals inoffizieller Spitzname für das Modell und spielt auf dessen Größe an. Der offizielle Name lautet Mistral Large 4 oder ML4.

Kann ich Large 4 kostenlos nutzen?

Mistrals kostenloser Plan enthält 10 $ API-Guthaben pro Monat sowie Zugriff auf aktuelle Modelle in Le Chat und Vibe. Zum Vorschaupreis entsprechen 10 $ ungefähr 4,8 Millionen Output-Token auf Large 4.

Fazit

Mistral ist wieder Teil der Frontier-Diskussion. Large 4 ist nach Mistrals Angaben ein führendes Open-Weight-Modell außerhalb Chinas, kostet deutlich weniger als Astra oder Opus 5.5 und soll in wenigen Wochen selbst hostbar sein.

Die Aussage, Large 4 schlage Astra und Claude im Cyber-Bereich, braucht jedoch Kontext: Die geschlossenen Modelle verweigern die relevante Aufgabe. Bei menschlich bewerteter Codequalität liegt Large 4 hinter Claude.

Testen Sie das Modell deshalb mit Ihren eigenen Prompts, APIs, Tool-Definitionen und Fehlerfällen. Nutzen Sie den Vorschaupreis für reproduzierbare Vergleichstests, und treffen Sie eine Produktionsentscheidung erst, wenn unabhängige Benchmarks und die endgültlichen Gewichte verfügbar sind.

DEV Community: Emre Demir

Was ist REA (Reverse Engineer Anything)? Der MCP-Server, der in einer Woche 115.000 GitHub-Stars erreichte

Was ist REA (Reverse Engineer Anything)? Der MCP-Server, der in einer Woche 115.000 GitHub-Stars erreichte

Die Zahlen hinter dem Hype

Was REA tut

So installierst du REA

Was REA gut kann, gezeigt an den Showcase-Beispielen

REA für API-Arbeit: vom Mitschnitt zur getesteten Spezifikation

Einschränkungen vor der Einführung

Häufig gestellte Fragen

Was das für dich bedeutet

Claude Haiku 5.5 vs GPT-6 Luna

Preis im Vergleich

Beispielrechnungen

Tokenizer verschieben die Schwelle

Spezifikationen

Cache-Verhalten bei Aufwandswechseln

Benchmarks: Anthropics Tabelle und Herkunft der Luna-Werte

Kosten pro Versuch bei jeder Aufwandsstufe

OSWorld 2.1, Offline-Subset

GDPval-AA v2.1

Routing: Welches Modell für welche Arbeitslast?

Beide Modelle nebeneinander in Apidog testen

FAQ

Sind Claude Haiku 5.5 und GPT-6 Luna gleich teuer?

Welches Modell erzielt höhere Benchmark-Werte?

Welches Modell ist pro Aufgabe günstiger?

Ist eines der Modelle kostenlos verfügbar?

Auswahl nach Prompt-Länge, dann testen

Claude Haiku 5.5 vs Haiku 4.5: Änderungen, Neuerungen und kritische Breaking Changes

Haiku 4.5 vs. Haiku 5.5 im Überblick

Die fünf bahnbrechenden Änderungen

1. Manuelles Thinking mit budget_tokens

2. Sampling-Parameter

3. Assistenten-Vorbefüllung

4. Computer Use: computer_20250124 zu computer_toolset_20260801

5. Frühere Züge vor einem Thinking-Block bearbeiten

Stille Änderungen, die keinen Fehler auslösen

Was wurde besser?

Migration in Apidog testen

FAQ

Nächster Schritt

Claude Haiku 5.5 Preise

Claude Haiku 5.5 API-Preistabelle

Woher die „etwa 75 % weniger“ kommen

Kosten pro Versuch bei jeder Aufwandsstufe

Wie Haiku 5.5 preislich im Vergleich abschneidet

API-Guthaben und Verbrauchertarife

Kosten pro Anfrage in Apidog verfolgen

FAQ

Nächster Schritt: Bepreisen Sie Ihre eigene Arbeitslast

Wie nutzt man Claude Haiku 5.5 kostenlos?

Jeder Weg auf einen Blick

Weg 1: Der kostenlose Plan von Claude.ai

Gibt es eine kostenlose Claude Haiku 5.5 API?

Monatliche API-Guthaben für Max und Team

Vercel AI Gateway: unbestätigt

Der günstigste kostenpflichtige Weg

Was nicht kostenlos ist

Testen Sie Ihre erste Haiku-5.5-Anfrage in Apidog

FAQ

Beginnen Sie im Chat, dann zahlen Sie Cents für die API

So nutzen Sie Claude Haiku 5.5 in Claude Code (und als Subagenten-Modell)

Claude Haiku 5.5 in Claude Code auf einen Blick

Schritt 1: Claude Code aktualisieren

Schritt 2: Haiku 5.5 als Hauptmodell auswählen

Der haiku-Alias bedeutet nicht überall Haiku 5.5

Schritt 3: Aufwand passend zur Aufgabe einstellen

Schritt 4: Haiku 5.5 als Subagent einsetzen

Explore durch einen günstigen Explorer ersetzen

Alle Subagenten auf Haiku festlegen

Schritt 5: Hintergrundaufgaben auf Haiku 5.5 ausrichten

Die 100K-Preisschwelle in langen Sitzungen

Wann Sonnet 5.5 oder Opus 5.5 die Führung behalten sollte

Beispiel: Ein Haiku-Subagent für Apidog-Tests

Migration einer App von Haiku 4.5

FAQ

Ihr nächster Schritt

Was ist Claude Haiku 5.5?

Claude Haiku 5.5: Spezifikationen auf einen Blick

1. Manuelles Thinking mit `budget_tokens`

4. Computer Use: `computer_20250124` zu `computer_toolset_20260801`

Der `haiku`-Alias bedeutet nicht überall Haiku 5.5