Claude Opus 5.5

Typische Einsatzfälle

• Lange agentische Coding-Läufe in großen Codebasen
• Computer-Use, Dokumenten- und Diagrammauswertung
• Wissens- und Finanzanalyse über ganze Vorgänge

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 →58

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 (v4.3)

  57,6

  (max effort; xhigh 56,0, high 53,6, medium 51,2, low 42,3) – höchster Wert der Messreihe vor Fable 5.1 (53,4) und GPT-6 Astra (52,7)

  unabhängigArtificial Analysis (API-Freiroute), abgerufen 2026-09-22

• Kosten je Index-Aufgabe (Artificial Analysis)

  5,98

  $ (max), 3,46 $ (xhigh), 1,82 $ (high), 1,34 $ (medium), 0,55 $ (low); Opus 5: 5,86 $ (max) und 2,19 $ (medium)

  unabhängigArtificial Analysis (API-Freiroute), abgerufen 2026-09-22

• Ausgabe-Token je Index-Aufgabe (Artificial Analysis)

  119.166

  in der höchsten Stufe (83.929 Denk-, 35.237 Antwort-Token), xhigh 65.667, high 35.584, medium 25.745; Opus 5: 72.511 (max), 60.655, 46.239, 28.977 – höchster Wert unter 171 ausgewiesenen Modellvarianten. Siehe Depesche claude-opus-5-5-hoechste-stufe-doppelt-so-viele-denk-token

  unabhängigArtificial Analysis – Modellseite Claude Opus 5.5 (Intelligence Index v4.3.2), abgerufen 2026-09-28

• GDPval-AA v2.1 (reale Berufsaufgaben, 44 Berufe, Elo)

  1846

  (max effort; Fable 5.1: 1735, Opus 5: 1708, GPT-5.6 Sol: 1588, GPT-6 Astra: 1542)

  unabhängigArtificial Analysis (unabhängig gefahren), berichtet in Anthropics Ankündigung, 2026-09-22

• AutomationBench (Zapier)

  40,0 %

  (Fable 5.1: 31,4 %, Opus 5: 26,9 %, GPT-6 Astra: 41,4 %) – ohne Fallback-Modelle gefahren, greifende Schutzmechanismen zählten als Fehlschlag

  unabhängigZapier (Lauf und Bewertung), berichtet in Anthropics Ankündigung, 2026-09-22

• Terminal-Bench 4.0 (agentisches Coding im Terminal)

  66,4 %

  (xhigh; Fable 5.1: 55,8 %, Opus 5: 52,3 %, GPT-6 Astra: 57,9 % laut OpenAI) – Standardfehler ±2,6 Punkte

  AnbieterangabeAnthropic – Ankündigung Claude Opus 5.5, 2026-09-22 (Anbieterangabe, eigener Lauf)

• FrontierCode v1.1 (Hauptset, agentisches Coding)

  54,4 %

  (max) bzw. 54,6 % in der Voreinstellung medium (Fable 5.1: 50,3 %, Opus 5: 48,0 %, GPT-6 Astra: 53,3 %)

  AnbieterangabeAnthropic – Ankündigung Claude Opus 5.5, 2026-09-22 (Anbieterangabe)

• OSWorld 2.0 (Computer-Use, partial)

  81,8 %

  (Fable 5.1: 80,7 %, Opus 5: 74,0 %)

  AnbieterangabeAnthropic – Ankündigung Claude Opus 5.5, 2026-09-22 (Anbieterangabe)

• Humanity's Last Exam (mit Werkzeugen)

  67,7 %

  (Fable 5.1: 65,6 %, Opus 5: 63,6 %, GPT-6 Astra: 57,2 %)

  AnbieterangabeAnthropic – Ankündigung Claude Opus 5.5, 2026-09-22 (Anbieterangabe)

Einordnung

• Direkter Nachfolger von Claude Opus 5 (24.07.2026) und erstes Modell der Reihe Claude 5.5; Sonnet 5.5 und Haiku 5.5 sollen in den kommenden Wochen folgen. Unverändert bleiben 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 → und 128 K Ausgabe, der Wissensstichtag rückt auf Juni 2026. Anthropics Doku empfiehlt Opus 5.5 inzwischen als Einstieg für die meisten Arbeitslasten und Fable 5.1 nur noch für besonders anspruchsvolles Schlussfolgern.Beleg · Primärquelle
• Die unabhängigste Messung am Starttag kommt von Artificial Analysis: 57,6 Punkte im Intelligenz-Index, der höchste Wert unter allen 661 Einträgen der Messreihe. Der von Anthropic beworbene Preisvorteil lässt sich dort je Denkstufe nachrechnen – in der Voreinstellung medium kostet eine Index-Aufgabe 1,34 $ gegen 2,19 $ bei Opus 5 (39 Prozent weniger) bei zugleich 51,2 statt 44,8 Punkten. In der höchsten Stufe kehrt sich das um: 5,98 $ gegen 5,86 $ bei 6,8 Punkten Vorsprung.Beleg · Sekundärquelle
• Anthropic gibt den Preisvorteil als 40 Prozent geringere Kosten bei Standardeinstellungen an – Listenpreis minus 20 Prozent plus geringerer Tokenverbrauch. Belegt sind die Listenpreise (4 $/20 $ je Mio. Token, Zwischenspeicher-Treffer 0,20 $ statt 0,50 $, Cache-Schreibvorgänge 5 $ statt 6,25 $); der Verbrauchsteil ist eine Anbieterangabe. Fast mode kostet mit 8 $/40 $ das Doppelte bei bis zu 2,5-facher Geschwindigkeit, US-Inferenz schlägt 10 Prozent auf.Beleg · Primärquelle
• Sicherheitsseitig ist Opus 5.5 das erste Opus-Modell mit Schutzmechanismen der Fable-5.1-Klasse für Cybersicherheit, Biologie und Distillation. Greifen sie, wird die Anfrage unbemerkt auf ein anderes Modell umgeleitet – bei Cybersicherheitsaufgaben auf Opus 4.8. Das drückt laut Anthropic die eigenen Benchmark-Werte, weil die Läufe mit aktiven Schutzmechanismen stattfanden. Biologie-Arbeit jenseits der Schranke läuft über das Life Sciences Verification Program, Cyber-Arbeit über ein dreistufiges Cyber Verification Program.Beleg · Primärquelle

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• gemischtErklärung aus dem Haus, warum der Schreibstil seit Opus 4.6 als schlechter empfunden wurde: Wer stärker auf Mathematik, Code und das Erklären technischer Themen für andere Modelle trainiere, müsse aktiv gegensteuern und einfache Erklärungen für Menschen belohnen. Claude sei an die „LLM-Psychologie“ angepasst worden; Modelle hätten mehr Arbeitsgedächtnis und nähmen Details feiner auf als Menschen. Opus 5.5 sei das erste Release mit gezielten Verbesserungen bei Satzklarheit und überladenen Informationsblöcken – „I haven’t been as happy about a model's writing since Opus 4.6.“ ⚠️ Eigenaussage eines Beteiligten ohne Messung; die Behauptung, der Stil sei kein Fehler und kein heimlich gedrosseltes Modell, ist damit nicht überprüft.Jackson Kernion (@JacksonKernion), Anthropic – drei Beiträge auf X vom 22. und 23.09.2026 (Wortlaut über die fxtwitter-API geholt: 22.09. 16:38 UTC „I worked on this, and Opus 5.5 is our first model model release with targeted improvements on sentence clarity and overly-dense info dumps“; 22.09. 18:08 UTC „as you train more against math and code and against the ability to explain technical topics to LLMs, you need to actively push back by rewarding simple explanations for human minds“; 23.09. 00:34 UTC „Claudeish was adapted to LLM psychology … But LLMs have way more working memory and take in details at a finer grain“) · Primärquelle, September 2026
• positivUnabhängige Bestätigung des Schreib-Versprechens – von einem erklärten Kritiker des Vorgängers: „They made it cheaper. They made it less bad at writing.“ Als Verhaltensbeleg statt Eindruck nennt der Tester, dass er seine Anti-Slop-Regeln aus der Projektdatei gelöscht habe, um das Modell unbeeinflusst schreiben zu lassen, und sie nicht wieder einsetzen werde. Über Opus 5 sagt er im selben Durchlauf das Gegenteil: Die Mischung aus schwachem Erklärtext und übersehenen Code-Stellen habe das Modell eher zur Haftung gemacht. ⚠️ Ein Tag Nutzung, keine Messreihe; zwei deklarierte Werbeblöcke, fünf eigene Claude-Abos (Kanal-Bias selbst benannt).Theo – t3.gg (YouTube) – „Anthropic Actually Fixed Opus“, 23.09.2026 (per oEmbed verifiziert, gegen das Transkript gelesen) · Community, September 2026
• gemischtPraktischer Nutzungshinweis zur Denkstufe: Zwischen „xhigh“ und „max“ springt der Verbrauch im eigenen SkateBench von rund 330 auf knapp 5.000 Reasoning-Token je Frage – bei rund einem Prozentpunkt mehr Punkten. Ein Lauf sei sechseinhalb Stunden im Kreis gelaufen, bis auf „xhigh“ zurückgeschaltet wurde; Empfehlung: „don’t use Max on this model.“ Deckt sich in der Richtung mit den AA-Kosten je Aufgabe (5,98 $ in max gegen 1,34 $ in der Voreinstellung). ⚠️ Eigenmessung ohne offengelegtes Verfahren – als Kostenbeleg nicht verwendbar.Theo – t3.gg (YouTube) – „Anthropic Actually Fixed Opus“, 23.09.2026 (per oEmbed verifiziert, gegen das Transkript gelesen) · Community, September 2026
• gemischtWiderspruch auf der Design-Achse, am selben Tag: Derselbe Tester hält Fable 5.1 im Frontend weiter für feiner – Opus 5.5 zeige gute Instinkte, die Ergebnisse mit dem offiziellen Design-Skill wirkten aber schablonenhaft. Ein anderer Tester kommt im Fünf-Aufgaben-Vergleich gegen GPT-6 Astra zum Gegenteil: 3:0 für Opus 5.5 bei Website, Animation und Branding, künftig sein Design-Modell. ⚠️ Beide ohne Kriterienraster und mit unterschiedlichem Aufbau (Feinheiten an bestehenden Oberflächen mit Skill gegen Ein-Prompt-Neubauten ohne Skill); der zweite Kanal vermarktet eine Partner-API im selben Video. Am 25.09. hat der erste Tester den Widerspruch aufgelöst – siehe die folgende Stimme.Jack Roberts (YouTube) – „Opus 5.5 vs GPT-6 Astra (No Hype Assessment)“, 23.09.2026, gegen Theo – t3.gg, „Anthropic Actually Fixed Opus“ gelesen (beide per oEmbed verifiziert, gegen die Transkripte gelesen) · Community, September 2026
• positivPraxis-Messung aus einem 24-Prompt-Coding-Durchlauf: Opus 5.5 high erreicht 20 von 20 Punkten über vier Projekte (React/TypeScript, PHP/Laravel, Flutter, Go) und ist damit nach GPT-6 Astra medium das zweite Modell mit voller Punktzahl. Der Kostenvergleich desselben Laufs: 56 Cent je Prompt in der Stufe medium gegen über einen Dollar bei Opus 5; die Laufzeit halbiert sich auf rund zwei Minuten je Prompt. Auffällig: medium schlägt high in der Code-Qualität. ⚠️ Einzelläufe (n = 1 bis 3), Bewertung der Code-Qualität durch ein anderes Modell, kein offengelegtes Protokoll.AI Coding Daily (YouTube) – „I Tested NEW Opus 5.5 on 24 Coding Prompts. WOW.“, 23.09.2026 (per oEmbed verifiziert, gegen das Transkript gelesen) · Community, September 2026
• gemischtAuflösung des Design-Widerspruchs vom 23.09.: Der Unterschied liegt nicht im Geschmack, sondern in der Steuerbarkeit. Ohne Gestaltungsvorgabe falle Opus 5.5 auf wenige Standard-Stile zurück und bleibe hinter Fable 5.1 zurück – am selben Vergleichsprojekt gezeigt, an dem der Tester am Vortag zum gegenteiligen Eindruck kam. Mit ausdrücklichen Vorgaben drehe sich das Bild: „It's much better at going the right direction with design instructions.“ Wirksam seien dabei Negativlisten, nicht Wunschbeschreibungen; ein allgemeines „avoid generic looks“ tausche nur einen Standard gegen den nächsten. Das erklärt auch die Gegenstimme vom 23.09.: Ein-Prompt-Neubauten ohne Vorgabe messen genau den schwachen Fall. ⚠️ Kein Kriterienraster, ein Vergleichsprojekt; ein deklarierter Werbeblock im Video.Theo – t3.gg (YouTube) – „Getting the most out of Opus 5.5“, 25.09.2026 (per oEmbed verifiziert, gegen das Transkript gelesen; er liest dabei einen Opus-5.5-Leitfaden von Addy Osmani vor, der wörtlich sagt „With no design direction, Opus 5.5 falls back on a few default styles“ – die Herausgeberschaft der Seite claude.dev ist dort nicht ausgewiesen und wird deshalb nur als Anbieteraussage referiert) · Community, September 2026
• gemischtModellfamilien beim Code-Review mischen: In einem eigenen Prüfsatz über die Codebasis von t3-code fanden GPT-6 Astra und Grok 4.7 je acht gestützte Verbesserungsstellen, GPT-6 Sol neun (vom Richtergremium schwächer bewertet), Claude Fable 5.1 nur fünf in zwei Läufen. Opus 5.5 sei „almost twice as successful“ wie Opus 5 und habe keine ungestützten oder widerlegten Befunde produziert, Opus 5 dagegen vier gestützte gegen zwei ungestützte. Seine Empfehlung: Opus-Code zusätzlich von einem OpenAI-Modell gegenlesen lassen. ⚠️ Eigener Prüfsatz ohne Protokoll, Bewertung durch ein Modell-Gremium, Einzelläufe.Theo – t3.gg (YouTube) – „Getting the most out of Opus 5.5“, 25.09.2026 (per oEmbed verifiziert, gegen das Transkript gelesen) · Community, September 2026
• gemischtErste Messung zum Schreib-Versprechen: Im Vergleich mit menschlichen Webartikeln zu 9.974 Themen weicht die Wortverteilung von Opus 5.5 19 Prozent weniger von menschlicher Sprache ab als die von Opus 5; Gedankenstriche setzt es 99 Prozent seltener. Typische KI-Formulierungen bleiben aber zahlreich – 2.548 gegen 2.666 bei Opus 5, am auffälligsten „this matters“ (116-mal so häufig wie bei Menschen). Einen gekünstelten Stil benotet die Studie 37 Prozent niedriger als bei Opus 5, aber höher als bei GPT-6 Astra. ⚠️ Ein fester Prompt, nur Webartikel, Stilnoten von Opus 5 vergeben; nicht begutachtete Studie eines Marketingunternehmens (Graphite), Rohdaten offen.Graphite (Five Percent) – „AI Tells: Opus 5.5 Update“, 01.10.2026 · Primärquelle, Oktober 2026