Claude Opus 5 im Faktencheck: Starkes Coding-Modell, aber kein universeller Sieger

Was ist Claude Opus 5?

Claude Opus 5 ist ein multimodales Frontier-Modell von Anthropic für Softwareentwicklung, Computer Use und anspruchsvolle Wissensarbeit. Es nimmt Text und Bilder entgegen und erzeugt Text. Die API-Modell-ID lautet `claude-opus-5`. Laut Modelldokumentation ist diese datumslose ID ein gepinnter Snapshot und kein automatisch aktualisierter Evergreen-Alias.

Anthropic positioniert das Modell unter Claude Fable 5. Das ist für die Einordnung wichtig: Opus 5 soll viele klar begrenzte Coding- und Agentenaufgaben nahe am teureren Fable-Modell lösen, ersetzt es aber nicht generell. In der eigenen System Card bewertet Anthropic Fable 5 insgesamt weiterhin als leistungsfähiger.

Die wichtigsten technischen Daten

Das Kontextfenster ist eine Kapazitätsangabe, keine Qualitätsgarantie. Im Long-Context-Test von Artificial Analysis erreicht Opus 5 `max` `70,0 Prozent`, während GPT-5.6 Sol `max` bei `73,7 Prozent` liegt. Dieser Test umfasst 100 Fragen mit Kontextlängen von 10.000 bis 100.000 Token. Eine Million Token können verarbeitet werden, aber dieser einzelne Eval belegt keinen generellen Long-Context-Sieg.

Was ist gegenüber Claude Opus 4.8 neu?

Der Sprung von Opus 4.8 auf Opus 5 betrifft nicht nur Benchmarkwerte. Anthropic ändert auch das Laufzeitverhalten, die API-Logik und die möglichen Output-Längen.

• Das Kontextfenster von einer Million Token ist die Standardkonfiguration statt einer gesonderten Langkontext-Variante.
• Der synchrone Output steigt auf bis zu 128.000 Token; die Batch-API kann mit einem Beta-Header bis zu 300.000 Token ausgeben.
• Adaptive Thinking ist standardmäßig aktiv. Entwickler steuern die Rechenintensität über fünf Effort-Stufen.
• Die Beta-Funktion Mid-conversation Tool Changes erlaubt es, Werkzeuge zwischen Turns zu ändern, ohne den Prompt Cache zu verwerfen.
• Automatic Fallbacks können bei bestimmten Sicherheitsablehnungen ein anderes Modell einsetzen.
• Der reguläre Tokenpreis bleibt auf dem Niveau von Opus 4.8.

Auch das Verhalten verschiebt sich. Die offizielle Prompting-Dokumentation warnt vor längeren Deliverables, häufigeren Fortschrittsmeldungen, schnellerer Delegation an Subagenten und unnötigen Verifikationsschleifen. Bestehende Prompts, die das Modell mehrfach zum Prüfen und Nacharbeiten auffordern, können diesen Effekt verstärken.

Wie gut ist Claude Opus 5 beim Coding?

Die kurze Antwort: sehr gut, aber nicht in jeder Disziplin am besten. Zwei externe Eval-Anbieter zeigen, warum ein einzelner Spitzenwert nicht genügt.

Vals: Opus führt SWE-bench, aber nicht Terminal-Bench

Vals aktualisierte diese Opus-5-Messungen am 22. und 23. Juli 2026 im Vorabzugang, also vor dem öffentlichen Release. Die Modellseiten weisen für Opus 5, GPT-5.6 Sol, Fable 5 und Opus 4.8 `max`-Effort aus. Vals verwendet innerhalb jedes Benchmarks ein einheitliches Setup für die Modelle; Harness- und Fallbackregeln unterscheiden sich jedoch zwischen den Benchmarks.

SWE-bench Verified ist Opus 5s stärkster externer Coding-Wert in dieser Vals-Auswahl. Die Fehlerbereiche von Opus 5 und GPT-5.6 Sol überlappen sich jedoch. Aus dem nominellen Abstand folgt deshalb kein robuster Beleg, dass Opus 5 grundsätzlich das bessere Coding-Modell ist.

Beim Vals Terminal-Bench kommt ein weiterer Caveat hinzu: Der ausgewiesene Opus-5-Wert enthält erfolgreiche Fallbacks auf Opus 4.8. Ohne diese Fallback-Erfolge sinkt der Score von 84,64 auf 81,27 Prozent. Der Leaderboard-Wert misst damit teilweise das Gesamtsystem und nicht ausschließlich Opus 5.

Artificial Analysis: Spitzenplatz im Index, wechselnde Sieger in den Subtests

Artificial Analysis führt Opus 5 `max` im Intelligence Index v4.1 mit `61 Punkten`. Das war der höchste Gesamtwert beim Abruf am 24. Juli 2026. Die Subtests widersprechen trotzdem einem universellen Siegerclaim. Artificial Analysis führte die Runs mit benchmarkabhängigen Harnesses aus; die Fable-5-Werte enthalten in den hier aufgeführten Evals einen Opus-4.8-Fallback und messen daher ein System aus Modell und Fallback.

Das Profil ist aussagekräftiger als die Gesamtrangliste: Opus 5 `max` führt in diesem GDPval-AA-v2-Run. GPT-5.6 Sol liegt in den zitierten Terminal-Bench-2.1- und Long-Context-Runs vorn. Fable 5 mit Opus-4.8-Fallback gewinnt den hier aufgeführten AA-Omniscience-Run. Daraus lassen sich keine universellen Sieger für ganze Aufgabenklassen ableiten.

Was zeigen die von Anthropic veröffentlichten Benchmarks?

Auch Anthropics System Card enthält kein durchgehend dominantes Bild. Opus 5 erreicht im FrontierCode 1.1 `53,4 Prozent`, Fable 5 `53,5 Prozent` und GPT-5.6 Sol `47,5 Prozent`. Im DeepSWE v1.1 liegt dagegen GPT-5.6 Sol mit `72,7 Prozent` vor Opus 5 mit `68,8 Prozent`.

Beim Computer Use setzt Opus 5 in OSWorld 2.0 mit `70,6 Prozent` einen Spitzenwert gegenüber GPT-5.6 Sol mit `62,6 Prozent` und Fable 5 mit `66,1 Prozent`. Diese Läufe wurden von Anthropic veröffentlicht und häufig selbst ausgeführt. Sie sind relevante Herstellerdaten, aber keine unabhängige Replikation.

Ein besonders auffälliges Ergebnis liefert ARC-AGI-3: Das externe ARC Prize Leaderboard weist Opus 5 `high` mit `30,2 Prozent` und GPT-5.6 Sol `max` mit `7,8 Prozent` aus. Die Effort-Stufen unterscheiden sich, und der Benchmark misst Anpassung in interaktiven Umgebungen statt allgemeiner Intelligenz. Wie Modell und Agentenarchitektur Ergebnisse gemeinsam beeinflussen, erklärt mein historischer Hintergrund zum ARC-AGI-3-Benchmark, dessen Einordnung noch aus der Zeit vor Opus 5 stammt.

Warum gibt es keinen universellen Benchmark-Sieger?

Modellvergleiche messen nie nur das Modell. Sie messen ein System aus Modell, Prompt, Tools, Harness, Laufzeitgrenzen, Sampling, Effort-Level und Bewertungslogik.

Artificial Analysis misst mit Terminus 2/E2B 89,5 Prozent für GPT-5.6 Sol `xhigh` und 89,1 Prozent für Opus 5 `max` über drei Wiederholungen. Vals misst mit Terminus 2/Daytona 85,77 Prozent zu 84,64 Prozent, wobei der Opus-Wert erfolgreiche Opus-4.8-Fallbacks enthält. Die Fehlerbereiche des Vals-Runs überlappen sich; Artificial Analysis weist für den engen Abstand kein Unsicherheitsintervall aus. Die kleinen Differenzen belegen keinen generellen Terminalvorsprung.

Drei Regeln verhindern falsche Schlussfolgerungen:

1. Vergleiche nur Werte mit dokumentiertem Effort, identischem Harness und vergleichbarem Tokenbudget.
2. Prüfe, ob Fallbacks oder Safety-Refusals den Modellnamen im Ergebnis verwässern.
3. Behandle kleine Abstände innerhalb überlappender Fehlerbereiche als praktisch offen.

Das gilt auch für den eigenen Einsatz. Ein aufwändiger Prompt mit mehreren Review-Schleifen kann Opus 5 verschlechtern, obwohl derselbe Aufbau einem anderen Modell hilft. Der AI Harness ist deshalb kein Nebendetail, sondern Teil der gemessenen Leistung.

Was kostet Claude Opus 5?

Opus 5 ist günstiger als Fable 5, aber weiterhin ein teures Frontier-Modell. Für die Kostenplanung reicht der reguläre Tokenpreis nicht, weil Batch, Caching, Fast Mode und Effort das Ergebnis verändern.

Der Fast Mode ist laut Anthropic bis zu `2,5`-mal schneller, verdoppelt aber die Tokenpreise. Wird er erst tief in einer Claude-Code-Sitzung aktiviert, verarbeitet das System den bestehenden Kontext einmal zum Fast-Mode-Preis neu. Für kostenkritische Workloads ist das meist die falsche Standardwahl.

Entscheidend ist nicht der Preis pro Token, sondern der Preis pro erfolgreich gelöster Aufgabe. Ein teureres Modell kann wirtschaftlicher sein, wenn es weniger Korrekturschleifen benötigt. Umgekehrt vernichten hohe Verbosität, `max`-Effort und Over-Verification diesen Vorteil schnell.

Was müssen Entwickler bei der Migration beachten?

Opus 5 ist kein vollständig transparenter Modelltausch. Thinking ist standardmäßig aktiv, und alte Limits oder Prompts können unerwartete Fehler und höhere Kosten verursachen.

Claude Code aktualisieren und Modell wählen

Opus 5 benötigt laut Claude-Code-Dokumentation mindestens Version 2.1.219. Die aktuelle Version lässt sich über den dokumentierten Update-Befehl installieren:

claude update
claude --model opus

Der Alias `opus` verweist bei Anthropic, Bedrock und Google Cloud auf Opus 5. In Microsoft Foundry kann der Alias laut aktueller Provider-Tabelle noch auf Opus 4.6 zeigen. Dort ist der vollständige Deployment-Name die sicherere Wahl.

Thinking, Effort und Output-Limits testen

Bei `xhigh` oder `max` lässt sich Thinking nicht deaktivieren. Die API antwortet in diesem Fall laut Migrationsdokumentation mit HTTP 400. Außerdem umfasst `max_tokens` sowohl Thinking als auch die sichtbare Antwort. Ein Limit, das für einen alten Non-Thinking-Workflow genügte, kann die neue Ausgabe vorzeitig abschneiden.

Thinking sollte deshalb aktiviert bleiben. Kosten und Laufzeit steuerst du besser über `effort`. Für jeden produktiven Workflow sind getrennte Evals mit `medium`, `high`, `xhigh` und `max` sinnvoll, statt automatisch die höchste Stufe zu wählen.

Prompts enger statt ausführlicher machen

Anthropic empfiehlt in der Prompting-Dokumentation, Umfang und gewünschte Ausgabelänge klar zu begrenzen. Entferne doppelte Aufforderungen wie „prüfe alles noch einmal“ aus bestehenden Agenten-Prompts. Lege stattdessen konkrete Akzeptanzkriterien, Werkzeuggrenzen und Abbruchbedingungen fest.

Für die Migration ergibt sich diese Checkliste:

1. Modell-ID und tatsächliche Modellidentität im Log erfassen.
2. Thinking, Effort und `max_tokens` gemeinsam testen.
3. Latenz, Input, Output und Kosten pro erfolgreichem Task messen.
4. Tool-Aufrufe, Subagenten und Verifikationsschleifen begrenzen.
5. Safety-Fallbacks separat protokollieren.
6. Opus 5 mit identischem Harness gegen Opus 4.8, Fable 5 und GPT-5.6 Sol evaluieren.

Welche Einschränkungen hat Claude Opus 5?

Hohe Verbosität und Over-Verification

Frühe Hands-on-Berichte beschreiben Opus 5 als stark bei Frontend, Debugging und klar begrenzten Coding-Aufgaben, aber als übervorsichtig bei offenen Agentenläufen. Claire Vo berichtet nach einem mehrtägigen Early-Access-Test von häufigen Rückfragen und unnötiger menschlicher Bestätigung. Ihr Frontend-Vergleich wertete Opus 5 zwar auf den ersten Platz, bestand aber zu `70 Prozent` aus einem subjektiven Vibe-Score und zu `30 Prozent` aus einem Modell-Judge. Das ist ein Praxisindikator, kein objektiver Benchmark.

In einem dokumentierten Image-to-HTML-Einzelfall auf Hacker News beurteilte der Kommentator Geometrie und Details des Opus-5-Ergebnisses als besser als bei Fable 5. Er beobachtete zugleich Responsive-Probleme. Das ist ein selektiver Einzeltest ohne kontrollierte Replikation.

Eine Million Token lösen Context Rot nicht

Ein großes Kontextfenster verhindert nicht, dass wichtige Anweisungen in langen Agentensitzungen an Gewicht verlieren. Der unabhängige Long-Context-Wert zeigt bereits, dass Opus 5 trotz großer Kapazität in diesem Eval nicht führt. Kontextkompression, Retrieval und saubere Zustandsverwaltung bleiben notwendig.

Keine belastbare Evidenz für tagelange Autonomie

Zum Launch fehlen unabhängige Langzeittests für mehrtägige, offene Softwareprojekte. Benchmarks prüfen abgegrenzte Tasks unter kontrollierten Bedingungen. Daraus folgt nicht, dass Opus 5 ohne menschliche Kontrolle ein komplexes Produkt über Tage zuverlässig weiterentwickelt.

Keine eigene Testreihe in diesem Faktencheck

Dieser Artikel vergleicht offizielle Dokumentation, externe Leaderboards und frühe Praxissignale. Es wurde keine eigene API- oder Claude-Code-Testreihe mit identischem Repository, Prompt, Toolset und Budget durchgeführt. Aussagen wie „in meinem Test“ wären deshalb falsch.

Wie sicher ist Claude Opus 5?

Anthropic betreibt Opus 5 unter ASL-3-Schutzmaßnahmen und stuft es als CB-1, nicht CB-2 ein. Das Modell darf Quellcode breiter auf Schwachstellen untersuchen, während die Suche in kompilierten Binärdateien weiter stärker eingeschränkt bleibt. Diese Grenzen können legitime Security-Workflows blockieren.

Prompt-Injection ist verbessert, aber nicht gelöst. Anthropic testete mit einem Shade-Angreifer 40 Coding-Szenarien und 200 Versuche je Szenario. Laut System Card lag die Angriffserfolgsrate pro Versuch mit Thinking und ohne zusätzliche Schutz-Probes bei `0,56 Prozent`; 13 von 40 Szenarien hatten mindestens einen Erfolg. Mit Probes sank die Rate auf `0,18 Prozent`, wobei 4 von 40 Szenarien mindestens einen Erfolg aufwiesen. Das sind interne Messungen in einem spezifischen Setup, kein allgemeiner Immunitätsnachweis.

Bei als riskant klassifizierten Anfragen greifen in Claude.ai, Claude Code und Claude Cowork standardmäßig Fallbacks auf Opus 4.8. Für die API lassen sich Fallbacks aktivieren. Wer reproduzierbare Evals oder auditierbare Agenten baut, muss deshalb Modellwechsel im Lauf protokollieren.

Auch Halluzinationen bleiben ein Problem. Anthropic beschreibt Opus 5 in der System Card insgesamt als genauer als Opus 4.8, meldet bei Faktenfragen aber leicht mehr falsche Antworten. Selbstbewusste Formulierungen sind daher kein Ersatz für Retrieval, Quellenprüfung und Tests.

Was gilt bei Datenschutz und Zero Data Retention?

Opus 5 ist grundsätzlich für unterstützte API-Funktionen unter Zero Data Retention (ZDR) nutzbar. Das bedeutet nicht, dass jede Opus-5-Nutzung automatisch ohne Speicherung erfolgt. ZDR muss laut Anthropic-Dokumentation vertraglich für die Organisation aktiviert sein.

Consumer-Produkte wie Free, Pro und Max sind nicht ZDR-fähig. Message Batches sind ebenfalls nicht ZDR-eligible und werden wegen der asynchronen Verarbeitung 29 Tage gespeichert. Als Richtlinienverstoß markierte Inhalte können laut Retention-Dokumentation bis zu zwei Jahre gespeichert werden; rechtliche Aufbewahrungspflichten können darüber hinaus greifen.

Die korrekte Aussage lautet deshalb: Opus 5 ist ZDR-fähig, wenn Vertrag, API-Funktion und Produktkonfiguration passen. Für regulierten Code müssen Unternehmen zusätzlich Data Processing Agreement, Datenresidenz, Cloud-Provider und eingesetzte Features prüfen.

Für wen lohnt sich Claude Opus 5?

Für Teams ist Modellrouting eine sinnvolle Testhypothese, keine allgemeingültige Tatsachenregel. Ein eigener Eval-Satz kann prüfen, ob Opus 5 komplexe Coding- und Computer-Use-Aufgaben, GPT-5.6 Sol bestimmte Terminal- oder Long-Context-Jobs und Fable 5 bestimmte Wissens- oder Langzeitaufgaben wirtschaftlicher löst. Entscheidend sind echte Unternehmensaufgaben mit identischem Harness, Budget und klaren Akzeptanzkriterien.

FAQ: Häufig gestellte Fragen zu Claude Opus 5

Ist Claude Opus 5 das beste Coding-Modell?

Nein. Opus 5 erreicht bei Vals in einem externen Early-Access-Run in SWE-bench Verified `97,00 Prozent`, liegt aber im dortigen Terminal-Bench 2.1 nominell hinter GPT-5.6 Sol und in LiveCodeBench v6 knapp hinter Fable 5. Aufgabe, Effort, Harness und Fallbackregeln entscheiden.

Was kostet die Claude-Opus-5-API?

Der Standardpreis beträgt 5 US-Dollar pro Million Input-Token und 25 US-Dollar pro Million Output-Token. Batch halbiert diese Preise, während Fast Mode sie verdoppelt.

Wie groß ist das Kontextfenster von Claude Opus 5?

Claude Opus 5 verarbeitet bis zu eine Million Token. Das ist zugleich Standard und Maximum, garantiert aber keine fehlerfreie Nutzung des gesamten Kontexts.

Welche Claude-Code-Version braucht Opus 5?

Du brauchst laut Model Configuration mindestens Claude Code 2.1.219. Mit `claude update` aktualisierst du die CLI.

Ist Thinking bei Claude Opus 5 immer aktiv?

Thinking ist standardmäßig aktiv. Bei `xhigh` und `max` kann es nicht deaktiviert werden; ein entsprechender API-Aufruf endet mit HTTP 400.

Hat Claude Opus 5 automatisch Zero Data Retention?

Nein. Opus 5 ist für ZDR-fähige API-Funktionen grundsätzlich geeignet, aber ZDR muss vertraglich aktiviert sein. Consumer-Pläne und Message Batches sind nicht ZDR-fähig; markierte Inhalte können länger gespeichert werden.

Ist Opus 5 besser als Claude Fable 5?

Nicht generell. Opus 5 liegt in mehreren abgegrenzten Evals nahe an Fable 5 und kostet weniger. Anthropic bewertet Fable 5 in der System Card insgesamt weiter als leistungsfähiger. Beim zitierten AA-Omniscience-Run führt zudem Fable 5 mit Opus-4.8-Fallback.

Fazit

Claude Opus 5 ist ein starkes Upgrade für komplexes Coding, Computer Use und professionelle Wissensarbeit, aber kein universeller Sieger. Meine Empfehlung: Teste es mit deinem eigenen Agent-Harness gegen GPT-5.6 Sol, Fable 5 und Opus 4.8, jeweils mit identischen Tools, Budgets und Akzeptanzkriterien. Für die technische Einordnung helfen mein Artikel zum AI Harness, der historische Hintergrund zum ARC-AGI-3-Benchmark aus der Zeit vor Opus 5 und der Praxisguide zu Claude Code Channels.

## Quellen

### Hersteller-Primärquellen

• Anthropic: Introducing Claude Opus 5
• Anthropic: Claude Opus 5 System Card
• Claude Platform: Models overview
• Claude Platform: What’s new in Claude Opus 5
• Claude Platform: Pricing
• Claude Platform: Prompting Claude Opus 5
• Claude Platform: Release Notes
• Claude Code: Model Configuration
• Claude Code: Fast Mode
• Claude Platform: API and Data Retention

### Externe Originalleaderboards

• Artificial Analysis: Claude Opus 5
• Artificial Analysis: Terminal-Bench 2.1
• Artificial Analysis: GDPval-AA v2
• Artificial Analysis: Long-Context Reasoning
• Artificial Analysis: Omniscience
• Vals: SWE-bench Verified, externer Early-Access-Run
• Vals: Terminal-Bench 2.1, externer Early-Access-Run
• Vals: LiveCodeBench v6, externer Early-Access-Run
• Vals: GPQA Diamond, externer Early-Access-Run
• Vals: MMMU Pro, externer Early-Access-Run
• ARC Prize: Claude Opus 5 Results
• ARC Prize Leaderboard

### Early-Access- und Communityquellen

• Lenny’s Newsletter: frühes Claude-Opus-5-Review
• How I AI: Early-Access-Test von Claire Vo
• Hacker News: Image-to-HTML-Einzelfall