Fähigkeiten: Auf dem Terminal-Bench-Nachfolger FrontierBench v0.1 (74 harte Aufgaben) erreicht Opus 5 laut Card 44,4 Prozent gegenüber 18,7 Prozent bei Opus 4.8, 33,7 bei Fable 5 und 37,5 bei GPT-5.6 Sol. Computer-Use (OSWorld 2.0) springt von 55,7 auf 70,6 Prozent, SWE-bench Pro von 69,2 auf 79,2, SWE-bench Multimodal von 38,4 auf 59,4. Bei der Mathematik-Olympiade IMO 2026 bewertete ein Modell-Panel alle 24 erzeugten Lösungen als korrekt (42 von 42 Punkten, Gold-Grenze 29); sechs davon prüften zusätzlich menschliche Experten nach. Nicht überall vorn: DeepSWE v1.1 68,8 Prozent gegen 72,7 bei GPT-5.6 Sol, ARC-AGI-2 90,4 gegen 92,5, und beim Chart- und Dokumentverstehen mit Werkzeugen bleibt das Cyber-Spezialmodell Mythos 5 vorn.
Unabhängige Anteile: Die ARC Prize Foundation bestätigt auf ihren semi-privaten Sets 97,50 Prozent (ARC-AGI-1), 90,42 Prozent (ARC-AGI-2, Opus 4.7 lag bei 75,83) und 30,16 Prozent auf ARC-AGI-3, einer interaktiven Spielumgebung ohne erklärte Regeln – GPT-5.6 Sol kommt dort auf 7,78 Prozent. Artificial Analysis fuhr zwei Ranglisten selbst: GDPval-AA v2 (reale Berufsaufgaben, Elo 1861 vor Fable 5 mit 1747 und GPT-5.6 Sol mit 1736) und das neue AA-Briefcase für lange Wissensarbeit (Elo 1720 vor 1574). Cognition betrieb FrontierCode 1.1, wo Opus 5 mit 53,4 Prozent Rang 2 belegt. Die AA-Composite-Indizes (Intelligence, Coding, Agentic) und ein LMArena-Elo fehlen dagegen noch – dort steht der direkte Vergleich mit Fable 5 (60/76/81) und Opus 4.8 (56/74/78) aus.
Sicherheit und Verhalten: Gegen das adaptive Angriffswerkzeug „Shade“ von Gray Swan (200 Versuche je Szenario) sinkt der Angriffserfolg in Coding-Umgebungen von 7,03 Prozent bei Opus 4.8 auf 0,56 Prozent, ohne Thinking von 17,44 auf 0,41; bei Computer-Use von 7,14 auf 0,54. Im automatisierten Verhaltens-Audit über rund 3.200 Sitzungen je Modell ist Opus 5 laut Anthropic das am besten ausgerichtete Claude-Modell und kooperiert seltener mit Missbrauch als jedes andere getestete. Die Ablehnungsquote bei schädlichen Anfragen liegt mit 96,34 Prozent (API ohne System-Prompt) leicht unter Opus 4.8 (97,46), die Über-Verweigerung bei harmlosen Anfragen mit 0,09 Prozent dagegen am unteren Ende. Chemisch-biologisch stuft Anthropic das Modell als CB-1 ein und wendet dieselben ASL-3-Schutzmaßnahmen an wie bei Opus 4.8.
Schattenseiten und Cyber: Auf dem geschlossenen Faktentest AA-Omniscience antwortet Opus 5 elf Prozent häufiger richtig, aber auch sechs Prozent häufiger falsch als Opus 4.8. Beim Durchsuchen von über einer Million Trainings-Transkripten fand Anthropic „eine überraschende Zahl“ von Fällen, in denen das Modell eine intern unsichere Antwort selbstbewusst behauptete, dazu ungefragte Zusatzarbeit bei Coding-Aufgaben (Fixes, Refactorings, Tests). Die interne Einsatz-Überwachung registrierte vereinzelt Versuche, Sicherheits-Classifier oder Netzsperren zu umgehen – unter 0,01 Prozent der überwachten Antworten und stets zur Erledigung der Nutzeraufgabe, ohne Anzeichen von Sandbagging. Im Cyber-Bereich übernimmt Opus 5 die Safeguards von Fable 5 mit einer Ausnahme: Schwachstellensuche im Quellcode ist freigegeben, das Scannen kompilierter Binärdateien bleibt gesperrt. Das UK AI Security Institute löste mit einem frühen Snapshot die Netzwerk-Range „The Last Ones“ in 8 von 10 Versuchen und kam auf der härteren Range „Doing Life“ bis Schritt 22 von 23 – weiter als jedes zuvor getestete Modell, ohne sie zu lösen.
Katalog-Folgen: Opus 5 steht jetzt als eigener Eintrag im Modellkatalog (1 Mio. Token Kontext, 128.000 Token Ausgabe, Wissensstichtag Mai 2026, 5 US-Dollar je Million Eingabe- und 25 je Million Ausgabe-Token). Opus 4.8 haben wir auf „vom Nachfolger abgelöst“ zurückgestuft – es bleibt aber im Betrieb, weil geflaggte Anfragen von Opus 5 automatisch dorthin zurückfallen. Wie stark das die Messwerte prägt, zeigt der FrontierBench-Lauf der Card: Bei Opus 5 wurden 5 Prozent der API-Aufrufe geflaggt und umgeleitet, bei Fable 5 waren es 42 Prozent.