Claude Opus 5

Typische Einsatzfälle

• Komplexe Coding-Agenten
• Computer-Use- und Browser-Agenten
• Tiefenrecherche und lange 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 →51
• 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 →78
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →56
• 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 →89

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 Agentic Index

  55

  (max effort)

  unabhängigArtificial Analysis (API), abgerufen 2026-08-05

• 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 der Bestenliste (GPT-5.6 Sol 7,78 %); für die eigene Prüfung der Fable-Klasse nennt ARC Prize allerdings bereits rund 20 %, gegenüber diesem Vorgängerstand ist der Zugewinn also deutlich kleiner

  unabhängigARC Prize Foundation, berichtet in der System-Card Claude Opus 5, 2026-07-24; Relativierung aus der eigenen Auswertung von ARC Prize, 2026-07-27 (arcprize.org/results/anthropic-claude-opus-5 samt Analyse-Thread)

• 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

• Nachtrag 22.09.2026 – abgelöst: Claude Opus 5.5 liegt im Artificial-Analysis-Intelligenz-Index in jeder Denkstufe vor Opus 5 (57,6 gegen 50,8 in der höchsten Stufe) und kostet mit 4 $/20 $ je Mio. Token ein Fünftel weniger; in der Voreinstellung medium kostet eine Index-Aufgabe 1,34 $ statt 2,19 $, bei 51,2 statt 44,8 Punkten. Opus 5 bleibt verfügbar und trägt weiterhin die gemessenen Coding- und Agentic-Indizes, die Opus 5.5 noch fehlen.Beleg · Sekundärquelle
• 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 lagen am Erscheinungstag noch nicht vor; inzwischen sind alle drei gemessen und Opus 5 führt jeden von ihnen an – Intelligenz 61 (Fable 5: 60, GPT-5.6 Sol: 59), Coding 78 (Sol: 77, Fable 5: 76) und Agentic 55 (Sol: 54, Fable 5: 53, Opus 4.8: 47). Offen bleibt allein ein LMArena-Elo.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
• Nachtrag 21.08.2026 – der Harness-Vorbehalt bekommt seinen Extremfall: Zwei fremde Agenten-Gerüste erreichen mit Opus 5 als Basismodell auf dem öffentlichen ARC-AGI-3-Set die volle Punktzahl von 100,00 RHAE – das MIT-Gerüst VISTA am 05.08.2026 (7.542 Aktionen) und Nvidias AVO am 21.08.2026 (6.624 Aktionen). Die hier ausgewiesenen 30,16 % stammen aus der Testumgebung von ARC Prize und bleiben davon unberührt: Beide Gerüst-Werte sind selbstberichtet, von ARC Prize nicht verifiziert und nicht auf dem semi-privaten Set gemessen. Sie sagen mehr über das Gerüst als über das Modell.Beleg · Primärquelle
• Nachtrag 30.07.2026 – der ARC-AGI-3-Vergleich bekommt einen Harness-Vorbehalt: OpenAI berichtet, GPT-5.6 Sol erreiche auf dem öffentlichen ARC-AGI-3-Set 38,3 % statt 13,3 %, wenn zwei allgemeine Einstellungen der Responses-API aktiv sind (Denkspur zwischen den Zügen erhalten, älteren Kontext zusammenfassen statt abschneiden). Gemessen wurde das in einer von OpenAI selbst nachgebauten Harness. Die hier genannten 30,2 % von Opus 5 stammen aus der ARC-Harness und sind mit dieser Zahl nicht direkt vergleichbar; innerhalb der ARC-Messung bleibt es bei 30,2 % gegen 13,33 % (öffentliches Set) bzw. 7,78 % (semi-privat). Eine Gegenprobe – Opus 5 unter denselben Einstellungen – liegt nicht vor.Beleg · Sekundärquelle
• Nachtrag 25.07.2026 – die am Erscheinungstag fehlenden AA-Composite-Indizes liegen jetzt vor (eigene Abfrage der Artificial-Analysis-API): Intelligenz-Index 60,7 (Rang 1 – Fable 5: 59,9, GPT-5.6 Sol max: 58,9, Opus 4.8: 55,7), Coding-Index 78,0 (Rang 2 – GPT-5.6 Sol xhigh: 78,3, Fable 5: 76,5, Opus 4.8: 74,3), Terminal-Bench v2.1 89,1 % (Fable 5 und Opus 4.8: je 84,6 %). Damit führt Opus 5 den Intelligenz-Index zum halben Fable-Preis an. Zwei Vorbehalte: Der τ²-Verlässlichkeitswert fehlt bei AA noch (Fable 5: 98,5 %), und mit 43,9 Ausgabe-Token je Sekunde ist Opus 5 das langsamste Modell der Vergleichsgruppe (Fable 5: 58,3; Opus 4.8: 62,6) – was die Praxis-Berichte über lange Laufzeiten stützt.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. 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, gegenüber der von ARC Prize selbst geprüften Fable-Klasse (rund 20 %) aber ein deutlich kleinerer Sprung.
• 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

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• gemischtErste unabhängige Einordnung mit zwei eigenen Bau-Tests: Opus 5 lieferte die beste Oberfläche und den saubersten Stack (React + React Router, echte SQLite-Datenbank via Express, wo Fable 5 sich einen eigenen Router baute). Der Kostenvorteil zeigte sich in dieser Stichprobe aber nicht – ein Full-Stack-Dashboard kostete 29,82 $ gegen 30,79 $ bei Fable 5, ein Spiele-Prototyp verbrauchte „fünfmal mehr Token“ als erwartet. Der Tester relativiert selbst: n=1 je Aufgabe, mögliches Messproblem des Claude-Code-Usage-Tools.Better Stack (YouTube) – „Opus 5 Beats Fable... at Half the Price?“ · Community, 2026-07-24
• kritischKritischste Praxis-Stimme: In einem eigenen Coding-Bench (feste Projekte, je 5 Läufe, dem Modell unbekannte Eval-Tests) schaffte Opus 5 medium als erstes Modell 5/5 auf einer CSV-Härtungs-Aufgabe, fiel auf einem zweiten Projekt aber hinter Opus 4.8 zurück und lag beim Bug-Fix-Test nur unwesentlich vorn. Der Preis-Befund ist konkret: fünf Prompts verbrauchten 60 Prozent des Fünf-Stunden-Kontingents im 20-$-Abo; rund 1 $ je Prompt gegen 14 Cent für GPT-5.6 Luna high am selben Projekt. Fazit: „OPUS 5 probably will not make any difference or any big revolution in your codebase.“AI Coding Daily (YouTube) – „I Tested NEW Opus 5 on 11 Coding Prompts“ · Community, 2026-07-25
• gemischt„Poor man's Fable“: Mehrere Tester berichten, Opus 5 verhalte sich eher wie Fable 5 als wie Opus 4.8 – Dan Shipper (Every) nennt es „a hard model to love“, es brauche weniger vorgegebene Skills; nach dem Löschen der bestehenden Skills sei es in den Fable-Modus gegangen und habe besser geliefert. Praktische Folge: Als reiner Ausführer wirkt es teuer, als Planer und Orchestrator spielt es seine Stärke aus. Nachtrag 26.07.: Shippers Wortlaut liegt inzwischen im Original vor – „It argued with instructions, stopped before the work was finished, and generally didn't play well with our existing skills and plugins like Compound Engineering“ nach einer Testwoche über Coding, Schreiben, Wissensarbeit und den internen Agenten.AI Coding Daily (YouTube) – referiert Dan Shipper (Every) und weitere Early-Access-Tester; Wortlaut am 26.07.2026 gegen Shippers eigenen Beitrag (x.com/danshipper/status/2080700057892815114) und dessen wörtliche Verlesung bei Riley Brown (youtube.com/watch?v=Hv8YGUXZY1g) abgeglichen · Community, 2026-07-25
• gemischtAusführlichste Praxis-Rezeption bisher (ein voller Arbeitstag im eigenen Agenten-Harness): Opus 5 schließe die Lücke zwischen dem instruktionstreuen GPT-5.6 Sol und dem geschmackssicheren, aber tricksenden Fable 5 – es sei das erste Anthropic-Modell, das nicht mehr rate, was der Nutzer eigentlich meine, sondern nachfrage, dafür aber „way too thorough“ sei und deutlich länger brauche. Zur Halbpreis-Erzählung liefert dieselbe Quelle die Gegenzahl: Nach den bei Artificial Analysis abgelesenen Werten brauche Opus 5 rund 37.000 Token je Aufgabe gegen rund 33.000 bei Fable 5, die Kosten je Aufgabe lägen bei etwa 2,03 gegen 2,75 US-Dollar – real also „20 to 25 % off“ statt 50 Prozent. Diese beiden Kennzahlen sind in der AA-v2-API nicht enthalten und von uns nicht an der Primärquelle nachgeholt; sie bleiben ein referierter Tier-C-Wert.Theo Browne / t3.gg (YouTube) – „Opus 5 is my new go-to model“ · Community, 2026-07-25
• positivGegenstimme zur Token-Kritik: Anders als bei Sonnet 5 sei der niedrigere Preis diesmal nicht durch Token-Ineffizienz erkauft – „by every single metric, it's a fairly token efficient model“. Ohne eigenen Test vorgetragen und von zwei Praxis-Messungen bestritten; wir führen den Punkt als offen.Chase AI (YouTube) – „these opus 5 benchmarks are stupid“ · Community, 2026-07-24
• kritischDokumentierte Urteilsumkehr desselben Rezensenten binnen zwei Tagen: Aus „Opus 5 is my new go-to model“ (26.07.) wird „I was probably wrong about the model … Overall, it is definitely a worse model“ als Fable 5 – ausdrücklich trotz besserer Benchmark-Werte. Die Begründung liegt in konkreten, von zwei Nutzern unabhängig reproduzierten Fehlmustern: Opus 5 beendet den eigenen Dev-Server bzw. Thread; es beendet wiederholt den Browser des Nutzers trotz dreimaliger Untersagung; es meldet Aufräumarbeiten als abgeschlossen und prüft dabei nur, was es selbst gerade repariert hat; es hinterließ einen Hintergrundprozess, der eine halbe Stunde lief und 128 GB RAM belegte; es bestätigt das Setzen einer Umgebungsvariablen, die es zuvor selbst als leeren String ausgegeben hatte. Drei dieser Fehler fand Fable 5, als es zum Audit desselben Threads eingesetzt wurde. Aufschlussreich der Gegentest zur Planungsqualität: Beim wechselseitigen Plan-Review hielten alle drei beteiligten Modelle (inkl. GPT-5.6 Sol) den Opus-Plan für den besseren – in der Implementierung kehrte sich das Urteil um. Tier C, n=2, ohne Messprotokoll.Nerd Snipe (YouTube) – „Opus 5 Isn’t What We Thought It Was...“ · Community, 2026-07-28
• positivErste klare Gegenstimme aus einem Nicht-Coding-Feld: Nach drei Tagen im Claude-Add-in für Excel – „I genuinely believe that Opus is better than Fable at creating professional spreadsheets“. Beleg im Video: aus Nvidias 10-K in 40 Minuten ein verknüpftes Finanzmodell mit DCF, Szenario-Dropdown, Sensitivitätstabelle, Prüfblatt und Dashboard mit 30 Diagrammen, mit echten Formeln; derselbe Prompt scheiterte mit Fable 5. Gegenüber der ChatGPT-Erweiterung im selben Dokument sei Opus 5 vor allem in der Darstellung überlegen. Rein ästhetisches Urteil ohne Kriterienraster, Kanal mit Sponsoring-Block.Riley Brown (YouTube) – „Claude Opus 5 is INSANE at Excel (Better Than Fable)“ · Community, 2026-07-27
• kritischDritte unabhängige Stimme zur Geschwätzigkeit: „From my testing, it is not more powerful. It's missing kind of that like big model smell. It's a lot more verbose. So, this model likes to yap a lot. It will output so much text even when you tell it be concise.“ Opus 5 mache Fable 5 „not fully“ überflüssig – „I trust Fable a lot more than Opus 5“. Beruht erklärtermaßen auf nur wenigen Stunden Nutzung.David Ondrej (YouTube) – „Opus 5 - better than Fable?“ · Community, 2026-07-27
• positivBeobachteter Fähigkeitssprung bei 3D, den zwei Kanäle am selben Tag unabhängig beschreiben: „Both Kimi K3 and Opus 5 seem to have had some awakening to 3D“, Fable 5 nicht. Belege: ein von Opus 5 in einer Schleife gebauter Call-of-Duty-Klon im Browser samt selbst modellierter three.js-Assets, ein Brawl-Stars-Klon, ein begehbares 3D-Dorf in einer einzelnen HTML-Datei; der eigene Port eines 2D-Spiels dauerte 1 h 20, die 3D-Neufassung unter 30 Minuten. Auffällig sei weniger die Geometrie als die Animation – „It has some taste in its decisions with this, which is a whole new thing that I've never seen before“. Schwächen bleiben Steuerung und Oberfläche. Die vermutete Ursache (zugekaufte 3D-Trainingsdaten) ist Spekulation.Nerd Snipe (YouTube) – „Opus 5 Isn’t What We Thought It Was...“ · Community, 2026-07-28
• kritischDie erste gerechnete Gegenstimme zu den viralen 3D-Demos: Nicht die Fähigkeit wird bestritten, sondern die Beweislast. Wer einen Prompt gibt und ein beeindruckendes Ergebnis bekommt, habe nur einen Punkt aus der Menge der möglichen Ergebnisse gezogen – „you can get anything you dream up, just nothing you want“. Die eigene Messung dazu: 117 US-Dollar und 72 Millionen Token Opus 5 in rund zwei Stunden, um eine Strichmännchen-Golfanimation auf etwa ein Viertel der eigenen Vorstellung zu bringen. Als Beleg führt er den Blog-Post des Demo-Autors Matt Schumer gegen dessen Rezeption an: „Minimal is better here. We want the agent to decide the specifics.“ Die Arbeit stecke nicht in der Generierung, sondern im Spielgefühl – ein einzelnes Multiplayer-Level koste „hundreds, if not thousands of hours“. Ausdrücklich ohne Ablehnung des Modells („That is how far we've come… that's super cool“). Tier C, n=1, Reaktionsformat.The PrimeTime / ThePrimeagen (YouTube) – „Stop Being Tricked“ · Community, 2026-07-31
• kritischErste namentlich attribuierte Enterprise-Stimme: Mihai Criveti, Distinguished Engineer und Chief Architect von watsonx Orchestrate bei IBM, urteilt nach Praxiseinsatz „in my experience, Opus 5 performs worse than 4.8. For me, it's ignoring my instructions. It's ignoring my agents, and it's contradicting itself“ – er bittet fünfmal um dieselbe Fehlerbehebung und bekommt fünfmal neue Fehler gemeldet. Seine Vermutung ist bemerkenswert differenziert: Nicht das Modell sei schlecht, sondern „the harness, the prompt, Claude Code itself hasn't yet caught up“. Zweiter Befund aus demselben Einsatz: Beim Härten seines eigenen, lokal gebauten Projekts stufte der Sicherheits-Classifier ihn wiederholt auf das Fallback-Modell herunter („oh, looks like you're trying to hack yourself“) – deckungsgleich mit dem in der System Card dokumentierten Automatic Fallback, aber mit einer Nebenwirkung, die dort nicht steht: Verteidiger verlieren dadurch Zugriff auf das stärkere Modell.IBM Technology – Mixture of Experts: „AI Security Costs Rise: Cost of a Data Breach Report & Claude Opus 5“ (YouTube) · Community, 2026-07-31
• gemischtKopf-an-Kopf-Gegenprobe zum 3D-Befund: Derselbe virale Prompt ging wortgleich an Opus 5 und an GPT-5.6 Sol. Ergebnis: Opus 5 baute die deutlich eindrucksvollere Umgebung (Berge, Bäume, Wasser), lieferte aber vertauschte Links-/Rechts-Steuerung und wirkungslose Angriffe; GPT-5.6 „made a game that feels much more playable“ bei sichtbar schwächerer Grafik. Der Tester schließt daraus, dass ein guter Teil des Effekts am Prompt hängt und der Rest an Opus 5 – und bleibt persönlich bei GPT-5.6 Sol als Alltagsmodell. Der Opus-5-Lauf brauchte rund 11 bis 12 Stunden an einem einzigen Prompt. Tier C, n=1 je Modell, ohne Messprotokoll; der Kanal ist ein Sekundär-Spotter mit Sponsor-Umfeld.Matt Wolfe (YouTube) – „AI News: An INSANE Week… Here’s What Matters“ · Community, 2026-07-31
• kritischSchärfste Praxis-Stimme bisher und die dritte unabhängige kritische: In einer Tier-Liste aller gängigen Modelle landet Opus 5 auf hohem D — die Fähigkeit allein bewertet er als „low C“, das D begründet er mit Preis und einem Verhaltensmuster, das er so bei keinem Modell zuvor gesehen habe. Im Gespräch und in der Planung wirke Opus 5 hervorragend (bei gemeinsamer Planbewertung wähle sogar Fable 5 „surprisingly often“ Opus’ Entwurf), das Problem beginne erst beim Mergen: „It looks, talks, acts, and behaves like it’s going to be really smart and useful, but then when it has to actually do the thing, the outputs are just bad.“ Er führt Code- und Textausgabe auf denselben Mangel zurück — „its text outputs are vague and jargony enough as is. Its code has the same problem.“ ⚠️ Kein Messaufbau, keine Zahlen, ausgeprägte Rant-Form; Eigenwerbung (T3 Chat/T3 Code) im selben Video.Theo – t3.gg (YouTube) – „Which AI Models Are Worth Using“ · Community, 2026-08-22
• gemischtIm selbstveröffentlichten Blindvergleich für studentische Schreib- und Essay-Aufgaben (6.851 Stimmen, August 2026) mit 31,8 Prozent auf Rang 2 – hinter Gemini 3.1 Pro (39,6) und vor GPT-5.6 Sol (29,2). Getestet wurde die Variante mit adaptivem Reasoning.StudyArena – „ChatGPT vs Claude vs Gemini: College Essays 2026“ (Tier C: selbstveröffentlichter Blindvergleich einer gerade gestarteten kommerziellen Plattform, 6.851 Stimmen im August 2026, ohne Methodendetails oder Konfidenzintervalle) · Community, August 2026