Claude Haiku 4.5

Typische Einsatzfälle

• Klassifikation
• Hochvolumen-Aufgaben
• schnelle Antworten

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 →30
• 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 →44
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →40
• 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 →44
• 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 →55
• 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 →1411

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

  30

  unabhängigArtificial Analysis, abgerufen 2026-06-16

• Artificial Analysis Coding Index

  44

  unabhängigArtificial Analysis Coding Index, abgerufen 2026-07-09

• Artificial Analysis Agentic Index

  40

  unabhängigArtificial Analysis Agentic Index, abgerufen 2026-06-16

• LMArena Text Arena (Elo)

  1411

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

• SWE-bench Verified (mini-SWE-agent)

  66,6 %

  unabhängigswebench.com (standardisierter Harness, unabhängig)

• Terminal-Bench (agentische Shell-Aufgaben)

  44 %

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

• τ²-bench (Tool-Use-Verlässlichkeit)

  55 %

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

Einordnung

• Schnellstes und günstigstes Claude ($1 / $5); beim Coding klar hinter Opus 4.8/Sonnet 5 (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 → 44 vs. 74/72) – ausgelegt auf einfache, latenz-/kostensensitive Hochvolumen-Aufgaben, nicht auf Spitzenleistung.Beleg · Sekundärquelle

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.

Fähigkeiten

• Coding & Computer-Use – Laut Anbieter trotz kleiner, schneller Modellklasse große Sprünge bei agentic Coding und Computer-Use – geeignet für viele agentische Einsätze, ausdrücklich aber kein Frontier-Modell.
• Kontextfenster – 200-K-Token-Kontext; explizit „context-aware“ trainiert (kennt den verbrauchten Kontext), was laut Card agentische „Laziness“ – vorzeitiges Abbrechen – reduziert.
• Hybrid-Reasoning – Erstes Haiku-Modell mit zuschaltbarem „extended thinking“-Modus (Haiku 3.5 hatte keinen).
• SWE-bench (Autonomie) – Laut Anbieter 36,6 % (pass@1) auf dem Hard-Subset von 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 → – nahezu gleichauf mit Claude Sonnet 4 (36,7 %), unter der RSP-Autonomie-Schwelle von 50 %.
• Cyber (CTF) – Laut Anbieter 15 von 32 gelösten Cybench-Challenges (Capture-the-Flag), deutlich unter Claude Sonnet 4 (22 von 32).

Verhalten & Sicherheit

• ASL-Stufe – Unter dem AI-Safety-Level-2-StandardSicherheitsstufeAnbieter-Einstufung des Risikoniveaus eines Modells (z. B. Anthropics ASL-Stufen oder „Cyber: High“). Höhere Stufen lösen strengere Schutzmaßnahmen aus. Stammt aus der System-Card – Eigenangabe des Anbieters.Mehr im Wissen → (ASL-2) der Responsible Scaling Policy deployt; ASL-3-„rule-out“ bestanden, CBRN-Leistung vergleichbar mit Claude Sonnet 4 und weit unter den Schwellen.
• Eval-Awareness – Hohe verbalisierte Evaluation-Awareness – ~9 % der Transkripte im Haupt-Alignment-Audit zeigen klare Anzeichen, höher als Sonnet 4.5 und über 3-mal höher als Opus 4.1; das schränkt das Vertrauen in die Alignment-Feinvergleiche ein.
• Alignment – Laut Anbieter „beste Safety-Performance bis dato“ – beim Misaligned-Behavior-Audit minimal besser als Sonnet 4.5; niedrige Werte bei Sycophancy, Self-Preservation und User-Deception.
• Reward-Hacking – Im Schnitt 15,5 % Hack-Rate – gleichauf mit Sonnet 4.5 und rund halbiert gegenüber Haiku 3.5 (34 %).
• Over-Refusal – Laut Anbieter 0,02 % Über-Verweigerung bei harmlosen Anfragen (Haiku 3.5: 4,26 %).
• Prompt-Injection – Laut Anbieter robust für die kleinste Modellklasse – Computer-Use-Abwehr mit Classifier 92,4 %.

Anthropic – System Card: Claude Haiku 4.5 (PDF)· Primärquelle, abgerufen 2026-06-16

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• gemischtIm Intelligenz-Index nur ein Leichtgewicht, aber im Tool-Calling absolut zuverlässig – verpfuscht nie die Form eines Tool-Calls – und mit der niedrigsten Halluzinationsrate im Vergleich; sagt am schnellsten „weiß ich nicht“. Theos Reliabilitäts-Kontrast zum „benchmaxten“, aber unbrauchbaren Gemini 3.1 Pro: „It does its goddamn job.“Theo – t3.gg (YouTube) · Community