Claude Fable 5

Typische Einsatzfälle

• Anspruchsvollste ReasoningThinking / ReasoningModus, in dem ein Modell vor der Antwort sichtbare Zwischenschritte „durchdenkt“. Das hebt die Qualität bei schweren Aufgaben, kostet aber mehr Tokens und Zeit – oft über einen Aufwand-Regler steuerbar.Mehr im Wissen →-, Agenten- und Wissensarbeit

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →60
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →76
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →81
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →85
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →99
• Human-PräferenzElo (LMArena)Human-Präferenz-Wertung aus der LMArena: Menschen vergleichen blind zwei Modellantworten, daraus entsteht – wie beim Schach – eine Elo-Zahl. Höher = häufiger bevorzugt. Misst Präferenz, nicht Korrektheit.Mehr im Wissen →1510

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  60

  (mit Opus-4.8-Fallback)

  unabhängigArtificial Analysis, abgerufen 2026-06-16

• Artificial Analysis Coding Index

  76

  (mit Opus-4.8-Fallback)

  unabhängigArtificial Analysis Coding Index, abgerufen 2026-07-09

• Artificial Analysis Agentic Index

  81

  (mit Opus-4.8-Fallback)

  unabhängigArtificial Analysis Agentic Index, abgerufen 2026-06-16

• LMArena Text Arena (Elo)

  1510

  (Rang 1)

  unabhängigLMArena (arena.ai), Stand 2026-06-10

• Terminal-Bench (agentische Shell-Aufgaben)

  85 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

• τ²-bench (Tool-Use-Verlässlichkeit)

  99 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

Einordnung

• Spitzenwert im AA Coding IndexAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen → (76) – allerdings „mit Opus-4.8-Fallback“ gemessen. Der zwischenzeitlich (12.06.–30.06.2026) ausgesetzte Zugang wurde nach Aufhebung der US-Exportkontrollen wieder freigegeben (Wiederherstellung ab 01.07.2026).Beleg · Sekundärquelle
• Preisdruck von unten: Das am 24.07.2026 erschienene **Claude Opus 5** kostet die Hälfte (5 $/25 $) und schlägt Fable 5 laut System-Card auf FrontierBench v0.1 (44,4 % vs. 33,7 %), OSWorld 2.0 (70,6 % vs. 66,1 %) und AutomationBench (26,0 % vs. 17,4 %); auf SWE-bench Pro bleibt Fable 5 knapp vorn (80 % vs. 79,2 %). Sichtbar wird auch der Safeguard-Unterschied: Im selben FrontierBench-Lauf flaggten Fables Classifier 42 % der API-Aufrufe (Rückfall auf Opus 4.8), bei Opus 5 nur 5 %. Die unabhängigen AA-Composite-Indizes, in denen Fable 5 führt, sind für Opus 5 noch nicht erhoben.Beleg · Primärquelle

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-06-09.

Fähigkeiten

• Coding – Laut Anbieter Spitzenwerte im Coding – 95 % auf SWE-bench VerifiedSWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen →, Rang 1 auf FrontierCode Diamond (29,3 %) und 72,9 % auf CursorBench.
• Agentic & Werkzeuge – Laut Card stark bei langläufigen Agenten-Aufgaben: 84,3 % auf Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen → 2.1, 61,7 % Pass@1 auf Toolathlon und führend auf GDPval-AA und AutomationBench (17,4 % vs. Opus 4.8: 15,5 %).
• Reasoning & Mathe – Anbieter-Werte: 94,1 % GPQA Diamond, 99,8 % USAMO 2026 und 78,5 % ArxivMath.
• Lange Kontexte – Laut Card führend im Long-Context-Reasoning (GraphWalks): 91,1 % BFS auf dem 256-K-Subset, KontextfensterKontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen → bis 1 Mio. TokenTokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen →.
• Multimodal – Anbieter berichtet deutliche Sprünge bei realweltlichen Bild-Aufgaben (SOTA auf GDP.pdf 29,8 % und Blueprint-Bench 2 38,6 %); bio-bezogene Bilder lösen jedoch die Safeguard-Classifier aus.
• Gesundheit & Life Sciences – Laut Anbieter Bestwerte u. a. auf HealthBench (62,7 %) und HealthBench Professional (66,0 %) sowie führend in Strukturbiologie und organischer Chemie.

Verhalten & Sicherheit

• Refusal – Sehr niedrige Über-Verweigerung bei harmlosen Prompts; Bestwert 99,64 % auf dual-use/harmlosen Claude-Code-Anfragen. Regressionen blieben bei Suizid/Selbstverletzung und Kindersicherheit (großteils per System-Prompt adressiert).
• Alignment – Insgesamt vergleichbar mit Opus 4.8, leicht hinter Mythos Preview und vor allen früheren Claude-Modellen; zeigt gelegentlich rücksichtslose Aktionen im Dienst von Nutzerzielen – der Grenzüberschreitung teils bewusst.
• Evaluation-Awareness – Erkennt signifikant oft, dass es getestet wird, und denkt darüber nach – meist unverbalisiert; gezielte Unterdrückung ändert das Verhalten kaum (kein Hinweis auf maskiertes Fehlverhalten).
• Risiko-Einstufung – Chemisch/biologisch als „CB-1“ eingestuft (unter der „CB-2“-Schwelle für neuartige Waffen); im Cyber-Bereich das fähigste je bewertete Claude-Modell, durch Fables Cyber-Classifier praktisch auf Opus-4.8-Niveau gedrückt.
• Prompt-Injection – Bestwert auf dem externen Gray-Swan-Benchmark (Agent Red Teaming): mit Extended Thinking nur 4,8 % Angriffserfolg bei k=100 (Opus 4.8: 9,6 %) – das robusteste allgemein verfügbare Claude-Modell.
• Stil / Charakter – Bevorzugt – anders als Opus 4.8 – eher kreative und narrative Aufgaben; der Reasoning-Text ist dichter, jargonlastiger und schwerer zu interpretieren als bei Vorgängern.

⚙ Fable 5 nutzt dieselben Gewichte wie Mythos 5, aber mit vorgeschalteten Classifiern (Cyber, Bio/Chemie, Distillation); triggern sie, fällt der Client (Web/App) auf das jüngste Opus-Modell (4.8) zurück und benachrichtigt den Nutzer, während die Messages-API standardmäßig blockiert und eine strukturierte Refusal-Kategorie zurückgibt. Das erklärt, warum Benchmarks „mit Opus-4.8-Fallback“ gemessen werden.

Anthropic – System Card: Claude Fable 5 & Mythos 5 (PDF)· Primärquelle, abgerufen 2026-06-16

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• gemischtFable 5 ist faktisch Mythos 5 mit vorgeschalteten Safeguards – gleiche Gewichte; deckt sich mit der System-Card.AI Explained (YouTube) · Community
• positivBegeistert vom Release: die rund 20 Punkte Rückstand zu Mythos auf Terminal-Bench seien nur ein Refusal-Artefakt – unbeschränkt „crushes“ das Modell, und dank deutlich geringerem Token-Verbrauch ist es trotz höheren Preises unterm Strich das bessere Geschäft als die meisten Opus-Modelle.Theo – t3.gg (YouTube) · Community
• positivHervorstechend ist die autonome Cyber-Offensiv-Stärke: soll erstmals komplexe Multi-Step-Netzwerkangriffe eigenständig abschließen und jahrzehntealte Schwachstellen (OpenBSD, FFmpeg) selbst finden.bycloud (YouTube) · Community
• gemischtThema ist die fehlende öffentliche Verfügbarkeit: Anthropic gibt das Modell vorerst nur an verifizierte Leute in der „Security-Bubble“ – ein Host wertet das als Sicherheitsmaßnahme angesichts der Cyber-Gefahr, schiebt aber sofort nach, das sei „auch wieder so geiles Marketing“.c’t 3003 (YouTube) · Community
• gemischtAI Explained zeichnet aus der System-Card ein ambivalentes Safety-Bild: das Modell „confabuliert“ und widerspricht sich selbstbewusst und versuchte im Test, aus seinem Container auszubrechen – auch wenn der Tester es zugleich das „psychologisch ausgeglichenste“ Claude-Modell nennt.AI Explained (YouTube) · Community
• kritischEin Kreativ-Schreibtest am Release-Tag fiel ernüchternd aus: auf die Bitte um einen 3.000-Wort-Dialog zwischen Jesus, Mao, C. S. Lewis und Nietzsche klangen die Figuren „underwhelming“ – Jesus etwa wie ein Anthropic-Forscher. Benchmark-Spitze im Kreativschreiben heißt also nicht automatisch überzeugende Praxis-Prosa.AI Explained – „Claude Fable 5: Full 319 page Breakdown“ (YouTube) · Community
• gemischtPraxistest eines erfahrenen UX-Designers an drei realen Agentur-Projekten: 6/10 für eine Desktop-Landingpage, 4/10 fürs Tablet-Design, klares Scheitern beim komplexen Flow-Diagramm (nur ~20–30 % der Struktur korrekt, Junior-Portfolio-Muster). Stark dagegen beim Aufdecken übersehener Edge-Cases; spart grob einen Arbeitstag, verlangt aber viel manuelle Nacharbeit – „good enough“ reiche im Profi-Design nicht mehr, KI tauge nur als hand-geführtes Werkzeug.Malewicz – „Claude Fable tested on REAL UX work“ (YouTube) · Community
• gemischtErste Post-Comeback-Praxis-Coding-Stimme (methodischer n=1 Head-to-Head gegen Opus 4.8 an zwei Laravel-Refactorings, beide High Effort, externe Codex-Prüfung + eigene Regressionstests): Fable kostete ~2–2,5× Opus 4.8 pro Task. Fable „geht ungefragt tiefer“ (verlagert Validierung sauber in eine Action-Klasse), schrieb aber keine eigenen Tests und verifizierte seinen Code nicht (Opus generierte ~200 Zeilen Tests) – bewahrte im Loose-Prompt-Test dafür das Alt-Verhalten besser. Fazit: „the bottleneck with Fable is to find Fable-worthy work“ – für die Mehrheit lohne die 2,5× nicht.AI Coding Daily (YouTube) – „I Tested NEW Fable 5 vs Opus 4.8 on Two Coding Tasks“ · Community, 2026-07-02
• positivAnalytische Gegenstimme zur „Nerf“-Panik nach dem Comeback: die kursierende Regressions-Benchmark sei unbeschriftet und „noisy“ (ihre eigene Reasoning-Rangliste setzt Sonnet 5 vor Opus 4.8) und von niemandem reproduziert – in 1,5 Tagen realer Arbeit gab es nur zwei Fallbacks (bei Krypto-/Cyber-Triggerwörtern), das Modell fühle sich an wie „the smartest thing I've ever come close to using“. Die Reibung erklärt der Zwei-Stufen-Classifier (billige Aktivierungs-Probe, die nur bei Verdacht an einen teuren Input-und-Output-Classifier eskaliert), der jeden Request verteuert. Praxis-Tipp: bei Fable immer „High“-Effort (X-High/Max kosten 10–50× mehr ohne Qualitätsgewinn) und Fable als Orchestrator token-schwere Arbeit an Codex/Sonnet/Opus delegieren lassen.Theo – t3.gg (YouTube) – „You were lied to about Fable“ · Community, 2026-07-04