Claude Opus 5

Typische Einsatzfälle

• Komplexe Coding-Agenten
• Computer-Use- und Browser-Agenten
• Tiefenrecherche und lange Wissensarbeit

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 →

• ARC-AGI-2 (fluide Intelligenz, semi-privates Set)

  90,42 %

  (max effort)

  unabhängigARC Prize Foundation, berichtet in der System-Card Claude Opus 5, 2026-07-24

• ARC-AGI-1 (fluide Intelligenz, semi-privates Set)

  97,50 %

  (max effort)

  unabhängigARC Prize Foundation, berichtet in der System-Card Claude Opus 5, 2026-07-24

• ARC-AGI-3 (interaktive Spielumgebungen)

  30,16 %

  (high effort) – rund viermal der bisherige Bestwert; GPT-5.6 Sol 7,78 %

  unabhängigARC Prize Foundation, berichtet in der System-Card Claude Opus 5, 2026-07-24

• GDPval-AA v2 (reale Berufsaufgaben, Elo)

  1861

  (Rang 1; Opus 4.8: 1593, Fable 5: 1747, GPT-5.6 Sol: 1736)

  unabhängigArtificial Analysis (unabhängig gefahren), berichtet in der System-Card, 2026-07-24

• AA-Briefcase (lange Wissensarbeit, Elo)

  1720

  (Rang 1; Opus 4.8: 1346, Fable 5: 1574)

  unabhängigArtificial Analysis (unabhängig gefahren), berichtet in der System-Card, 2026-07-24

• FrontierCode 1.1 (agentisches Coding, Cognition)

  53,4 %

  (Rang 2; Opus 4.8: 46,5 %, GPT-5.6 Sol: 47,5 %)

  unabhängigCognition (Lauf + Bewertung), berichtet in der System-Card, 2026-07-24

• AutomationBench (Zapier, privates Held-out-Set)

  26,0 %

  (Opus 4.8: 17,0 %, Fable 5: 17,4 %)

  unabhängigZapier-Leaderboard, berichtet in der System-Card, 2026-07-24

• FrontierBench v0.1 (Terminal-Bench-Nachfolger, 74 Aufgaben)

  44,4 %

  (xhigh; Opus 4.8: 18,7 %, Fable 5: 33,7 %, GPT-5.6 Sol: 37,5 %)

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• SWE-bench Pro (harte, mehrdateiige Diffs)

  79,2 %

  (Opus 4.8: 69,2 %, Fable 5: 80 %)

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• SWE-bench Verified (Coding)

  96,0 %

  (gesättigt & kontaminationsanfällig)

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• OSWorld 2.0 (Computer-Use)

  70,6 %

  (Opus 4.8: 55,7 %, Fable 5: 66,1 %, GPT-5.6 Sol: 62,6 %)

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• BrowseComp (agentische Websuche)

  90,8 %

  einzeln, 93,6 % im 10-Agenten-Team

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• HealthBench Professional (klinische Aufgaben)

  73,4 %

  roh / 59,8 % längenbereinigt (Opus 4.8: 60,3 %)

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe)

• IMO 2026 (Mathe-Olympiade, Beweise)

  42

  /42 Punkte – Gold-Niveau (Cutoff 29/42); 24/24 Lösungen von einem Modell-Panel, 6 zusätzlich von Menschen bestätigt

  AnbieterangabeAnthropic System Card Claude Opus 5, 2026-07-24 (Anbieterangabe, eigene Bewertung)

Einordnung

• Direkter Nachfolger von Claude Opus 4.8 (28.05.2026) zum **gleichen Preis**: 5 $ je Mio. Eingabe- und 25 $ je Mio. Ausgabe-Token, 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 → 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 →, 128 K Ausgabe (über die Batch-API mit Beta-Header bis 300 K). Anthropics Doku empfiehlt es als Standard-Einstieg für komplexes agentisches Coding und Unternehmensarbeit; Fable 5 bleibt das teurere Modell für die höchste verfügbare Fähigkeitsstufe.Beleg · Primärquelle
• Die unabhängigste Messung am Starttag kommt von der ARC Prize Foundation: 97,50 % auf ARC-AGI-1, 90,42 % auf ARC-AGI-2 (Opus 4.7: 75,83 %) und 30,16 % auf dem neuen interaktiven ARC-AGI-3 – rund das Vierfache des bisherigen Bestwerts der Bestenliste und knapp das Vierfache von GPT-5.6 Sol (7,78 %).Beleg · Primärquelle
• Auf den beiden von Artificial Analysis unabhängig gefahrenen Profi-Arbeits-Ranglisten belegt Opus 5 die Spitze: GDPval-AA v2 mit Elo 1861 (Opus 4.8: 1593, Fable 5: 1747, GPT-5.6 Sol: 1736) und AA-Briefcase mit Elo 1720 (Opus 4.8: 1346). Die AA-**Composite-Indizes** (Intelligence/Coding/Agentic) und ein LMArena-Elo lagen am Erscheinungstag noch nicht vor – dort steht die Einordnung gegen Fable 5 (Intelligenz 60, Coding 76, Agentic 81) und Opus 4.8 (56/74/78) noch aus.Beleg · Primärquelle
• Nicht überall vorn: Auf DeepSWE v1.1 (68,8 %) liegt Opus 5 hinter GPT-5.6 Sol (72,7 %) und Fable 5 (69,7 %), auf SWE-bench Pro knapp hinter Fable 5 (79,2 % vs. 80 %), auf ARC-AGI-2 hinter GPT-5.6 Sol (92,5 %). Beim Chart-Lesen (Chartography) und beim Dokumentverstehen (GDP.pdf) bleibt das Cyber-Spezialmodell Mythos 5 mit Werkzeugen vorn.Beleg · Primärquelle
• Praktisch relevanter Sicherheits-Fortschritt: Gegen adaptive Prompt-InjectionPrompt-InjectionAngriff, bei dem fremde Anweisungen über Inhalte eingeschleust werden, die ein Modell nur verarbeiten soll (Website, Dokument, Werkzeug-Ergebnis) – der Agent führt sie aus, als kämen sie vom Nutzer. Anders als beim Jailbreak greift hier ein Dritter an, nicht die nutzende Person.Mehr im Wissen →-Angriffe (Gray-Swan-Werkzeug „Shade“, 200 Versuche je Szenario) sinkt die Erfolgsquote in Coding-Umgebungen von 7,03 % (Opus 4.8, mit Thinking) auf 0,56 %, ohne Thinking von 17,44 % auf 0,41 %; mit vorgeschalteten Probes auf 0,18 %. In Computer-Use-Umgebungen fällt sie von 7,14 % auf 0,54 %.Beleg · Primärquelle
• Für Sicherheits-Arbeit wichtig: Opus 5 erbt die Cyber-Safeguards von Fable 5, mit einer Ausnahme – das Finden von Schwachstellen **im Quellcode** ist auf allen Zugangsstufen freigegeben, das Scannen kompilierter Binärdateien bleibt gesperrt. Beim Ausnutzen (Exploit-Entwicklung) bleibt Opus 5 klar hinter Mythos 5; 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“ mit Schritt 22 von 23 weiter als jedes zuvor getestete Modell.Beleg · Primärquelle
• Ehrlichkeit bleibt zweischneidig: Auf dem geschlossenen Faktenwissen-Test AA-Omniscience liegt die Trefferquote 11 % über Opus 4.8, die Halluzinationsrate aber 6 % darüber (Netto-Score 0,49). Anthropic selbst nennt „eine überraschende Zahl von Fällen, in denen Opus 5 eine Antwort selbstbewusst behauptet, bei der es unsicher war“; zwei Prüf-Evals (Syntax vor zustandsändernden Befehlen, gründliche Fehlersuche statt vorschnellem Eingriff) sättigt das Modell dagegen als erstes Claude-Modell vollständig.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 2026-07-24.

Fähigkeiten

• Coding – Laut Anbieter 96,0 % 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 → (gesättigter Benchmark), 79,2 % auf SWE-bench Pro, 89,5 % multilingual und 59,4 % multimodal (Opus 4.8: 38,4 %); auf dem von Cognition gefahrenen FrontierCode 1.1 Rang 2 mit 53,4 %.
• Agentic / Terminal – Laut Anbieter 44,4 % auf dem 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 →-Nachfolger FrontierBench v0.1 – mehr als das Doppelte von Opus 4.8 (18,7 %); 80,6 % Pass@1 auf Toolathlon Verified und 85,8 % auf MCP-Atlas (Opus 4.8: 82,2 %).
• Reasoning & Mathe – Laut Anbieter 42 von 42 Punkten bei der IMO 2026 (Gold-Niveau, Cutoff 29) sowie 90,8 % auf dem monatlich frisch aus arXiv-Papern gezogenen ArxivMath (GPT-5.6 Sol: 86,7 %).
• Fluide Intelligenz – Von der ARC Prize Foundation verifiziert: 97,50 % (ARC-AGI-1), 90,42 % (ARC-AGI-2) und 30,16 % auf dem interaktiven ARC-AGI-3 – rund viermal der bisherige Leaderboard-Bestwert.
• Lange Kontexte – Auf ProgramBench (Programm-Rekonstruktion aus Binär + Doku, 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 → je Episode) laut Anbieter 83 % nach der ersten und 93 % nach der fünften Episode (Opus 4.8: 80 % → 90 %).
• Multimodal / Computer-Use – Laut Anbieter 70,6 % auf OSWorld 2.0 (Opus 4.8: 55,7 %), 83,0 % auf Chartography und 85,5 % auf GDP.pdf – jeweils mit Werkzeugen; ohne Werkzeuge fällt Chartography auf 29,6 %, was zeigt, wie stark agentisches Bild-Cropping trägt.
• Multi-Agent – Ein 10-Agenten-Team hob BrowseComp laut Card von 90,8 % auf 93,6 % und war dabei rund 5,9-mal schneller als der Einzel-Agent mit 10-Mio.-Token-Budget – gemessen allerdings auf einem Vorab-Snapshot ohne Safeguards.
• Fachdomänen – Laut Anbieter Bestwerte der Claude-Reihe in organischer Chemie (61,6 % vs. 50,4 % bei Opus 4.8), Protein-Design (42,5 %), Bioinformatik (SpatialBench 72,5 %) sowie 73,4 % auf HealthBench Professional.

Verhalten & Sicherheit

• Alignment – Laut Card das am besten ausgerichtete Claude-Modell im automatisierten Verhaltens-Audit (rund 3 200 Sitzungen je Modell) – vor Sonnet 5, Opus 4.8 und Mythos 5; es kooperiert seltener mit Missbrauch als jedes andere getestete Modell. Explizite Vorgaben ignoriert es allerdings etwa so oft wie Opus 4.8.
• Refusal – Harmlose-Antwort-Quote bei schädlichen Anfragen: 96,34 % über die API ohne System-Prompt, 98,54 % auf claude.ai – leicht unter Opus 4.8 (97,46 %); Anthropic führt die Lücke auf zu operative Antworten bei illegalen Substanzen und Essstörungen zurück.
• Over-Refusal – Über-Verweigerung bei harmlosen, aber heiklen Anfragen: 0,09 % (API) und 0,47 % (claude.ai) – der beste claude.ai-Wert aller berichteten Modelle.
• RSP / ASL – Kein Überschreiten der Schwelle für automatisierte KI-F&E; chemisch/biologisch als CB-1 eingestuft (nicht CB-2), Risiko nicht über Mythos 5 – daher dieselben ASL-3-Schutzmaßnahmen wie bei Opus 4.8.
• Prompt-Injection – Robustestes Opus-Modell bisher: 0,56 % Angriffserfolg in Coding-Umgebungen (Opus 4.8: 7,03 %), 0,54 % bei Computer-Use (Opus 4.8: 7,14 %); mit Probe-Schicht 0,18 % bzw. 0,25 %.
• Halluzination – Genauer, aber redseliger im Irrtum: auf AA-Omniscience 11 % mehr richtige und 6 % mehr falsche Antworten als Opus 4.8. Anthropic fand beim Durchsuchen von über einer Million Trainings-Transkripten auffällig viele Fälle selbstbewusst behaupteter, intern unsicherer Antworten.
• Evaluation-Awareness – Bricht den Trend der Vorgänger: Opus 5 äußert seltener als Sonnet 5, Opus 4.8 oder Mythos 5 den Verdacht, getestet zu werden – unverbalisierte Grader-Wahrnehmung fanden die White-Box-Analysen dennoch.
• Monitoring – Die interne Einsatz-Überwachung fand vereinzelt Versuche, Sicherheits-Classifier oder Netzwerksperren zu umgehen (unter 0,01 % der überwachten Antworten, auf Erledigung der Nutzeraufgabe gerichtet); Sandbagging, bösartige Aktionen oder Aufsichts-Umgehung wurden nicht beobachtet.
• Arbeitsstil – Aus der Transkript-Durchsicht: ausgeprägter Scope-Creep bei Coding-Aufgaben (ungefragte Fixes, Refactorings, Tests – in allen vollständig gelesenen Episoden offengelegt), gelegentlich ein leicht herablassender Ton, dafür deutlich weniger selbstdienliche Verzerrung und Charakter-Drift in langen Sitzungen.

⚙ Sicherheits-Classifier lösen bei Opus 5 einen automatischen Fallback auf Opus 4.8 aus, statt hart abzulehnen (Beta „Automatic Fallbacks“). Das schlägt auf Messwerte durch: Im FrontierBench-Lauf der Card wurden 5 % der API-Aufrufe geflaggt und auf Opus 4.8 umgeleitet (bei Fable 5: 42 %). Anthropic weist zudem darauf hin, dass die Kombination Opus 5 + Fallback auf einzelnen Alignment-Dimensionen schlechter abschneidet als Opus 5 allein – gerade weil Opus 5 besser ausgerichtet ist als sein Fallback.

Anthropic – System Card: Claude Opus 5 (PDF, 193 Seiten)· Primärquelle, abgerufen 2026-07-24