Claude Opus 4.1
Zusammenfassung
Kurz
Anthropic stellt Opus 4.1 als leistungsfähigeres Upgrade zu Opus 4 vor und berichtet unter anderem 74,5 Prozent bei SWE-bench Verified sowie Verbesserungen bei Recherche und agentischer Suche. Das Modell ist über Claude, Claude Code und mehrere Cloud- und API-Angebote erhältlich; die Benchmarkwerte beruhen teils auf unterschiedlichen Denk- und Testbedingungen, und Kundenberichte werden im Beitrag nicht näher methodisch erläutert.
Mittel
Anthropic stellt Claude Opus 4.1 als Upgrade zu Opus 4 vor und nennt Verbesserungen bei agentischen Aufgaben, realer Softwareentwicklung und Schlussfolgern. Bei SWE-bench Verified gibt das Unternehmen einen Wert von 74,5 Prozent an; außerdem berichtet es von Fortschritten bei Recherche, Datenanalyse, Detailverfolgung und agentischer Suche. GitHub, Rakuten Group und Windsurf melden eigene positive Erfahrungen, etwa bei Mehrdatei-Refaktorierungen, gezielter Fehlersuche und einem internen Entwickler-Benchmark. Diese Aussagen stammen von den genannten Unternehmen; nähere Angaben zu ihren Prüfverfahren enthält der Beitrag nicht.
Das Modell ist für zahlende Claude-Nutzer, Claude Code, die API, Amazon Bedrock und Google Cloud Vertex AI verfügbar. Laut Anthropic bleibt der Preis gegenüber Opus 4 gleich. Das Unternehmen empfiehlt den Wechsel für alle Anwendungen.
Die Benchmarkwerte hängen teils vom Einsatz erweiterten Denkens ab: SWE-bench Verified und Terminal-Bench wurden ohne dieses Verfahren gemessen, mehrere andere Benchmarks mit bis zu 64.000 Tokens. Für TAU-bench wurden zusätzliche Prompt-Anweisungen und eine höhere Schrittgrenze verwendet. Bei SWE-bench testete Anthropic Claude-4-Modelle mit zwei Werkzeugen und über 500 Aufgaben; OpenAI-Werte beruhen laut Beitrag auf 477 Aufgaben. Diese Unterschiede schränken direkte Vergleiche ein.
Ausführlich lesen
Anthropic kündigt Claude Opus 4.1 als Upgrade zu Opus 4 an. Das Unternehmen beschreibt die Verbesserungen vor allem bei agentischen Aufgaben, praktischer Softwareentwicklung und Schlussfolgern. Außerdem kündigt es für die folgenden Wochen deutlich größere Modellverbesserungen an; der Bericht enthält dazu keine weiteren Einzelheiten.
Anthropic zufolge erreicht Opus 4.1 bei SWE-bench Verified eine Leistung von 74,5 Prozent. Das Unternehmen berichtet auch von Fortschritten bei ausführlicher Recherche und Datenanalyse, insbesondere beim Nachverfolgen von Details und bei agentischer Suche. Die Veröffentlichung empfiehlt Opus 4.1 für sämtliche bisherigen Anwendungen von Opus 4. Diese Einschätzung ist eine Empfehlung des Anbieters, kein im Bericht unabhängig geprüfter Vergleich aller Einsatzbereiche.
Der Beitrag führt Rückmeldungen von drei Unternehmen an. GitHub berichtet von Verbesserungen gegenüber Opus 4 in den meisten Fähigkeiten und hebt die Überarbeitung von Code über mehrere Dateien hinweg hervor. Rakuten Group zufolge findet das Modell in großen Codebasen gezielt Korrekturen, ohne unnötige Änderungen oder Fehler einzuführen; das Team bevorzuge diese Präzision bei alltäglicher Fehlersuche. Windsurf gibt an, Opus 4.1 habe auf dem eigenen Junior-Developer-Benchmark gegenüber Opus 4 um eine Standardabweichung zugelegt. Windsurf vergleicht diesen Sprung ungefähr mit dem Unterschied zwischen Sonnet 3.7 und Sonnet 4. Der Bericht nennt jedoch keine Details zu den jeweiligen Tests dieser Unternehmen.
Opus 4.1 ist laut Anthropic für zahlende Claude-Nutzer und in Claude Code verfügbar. Entwickler können das Modell außerdem über die API sowie Amazon Bedrock und Google Cloud Vertex AI nutzen. Der Preis bleibe gegenüber Opus 4 unverändert. Für die API nennt Anthropic die Modellkennung `claude-opus-4-1-20250805`.
Der Bericht erläutert einige Grenzen und Bedingungen der Benchmark-Angaben. Anthropic verwendet jeweils den höchsten erzielten Wert mit oder ohne erweitertes Denken. Für SWE-bench Verified und Terminal-Bench wurde kein erweitertes Denken eingesetzt; mehrere andere genannte Benchmarks, darunter TAU-bench, GPQA Diamond und AIME, wurden mit erweitertem Denken bis zu 64.000 Tokens ausgewertet. Bei TAU-bench kamen zusätzliche Prompt-Anweisungen zum Einsatz, und die erlaubte Zahl der Modellschritte wurde von 30 auf 100 erhöht. Bei SWE-bench nutzte die Claude-4-Familie ein einfaches Gerüst mit Bash- und Dateiänderungswerkzeug, aber ohne das frühere Planungswerkzeug. Claude-4-Ergebnisse beziehen sich auf alle 500 Aufgaben, während OpenAI-Werte laut Beitrag auf einer Teilmenge von 477 Aufgaben beruhen. Der Bericht liefert damit methodische Hinweise, aber keine vollständige unabhängige Bewertung der Leistung im Alltag.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Zusammenfassung ist im Kern treu und enthält nur eine nicht belegte Zuschreibung sowie zwei Auslassungen. Der Bericht ist ein Produktbeitrag ohne Sicherheits- oder Aufsichtsbezug, daher fallen alle Einordnungen niedrig aus.
Im Bericht, aber nicht in der Zusammenfassung
- Die Ankündigung, dass Anthropic in den kommenden Wochen deutlich größere Modellverbesserungen veröffentlichen will.
- Der Vergleich von Windsurf, dass der Sprung von Opus 4 zu Opus 4.1 etwa dem von Sonnet 3.7 zu Sonnet 4 entspricht.
In der Zusammenfassung, laut Prüfung nicht im Bericht belegt
- Die Bezeichnung „intern“ für Windsurfs Entwickler-Benchmark ist nicht im Bericht belegt; dort steht nur „junior developer benchmark“.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 39 %einzelne zitierbare Belege
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 58 %gleiches Oberthema, hilft nicht
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus?
- SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt?
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 54 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 29 %nur am Rande erwähnt
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 57 %einzelne zitierbare Belege
- JEV 49 %umfangreiche Belege
- amos 31 %Hintergrund, keine Belege
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 30 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung nur am Rande erwähnt
- SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen?
- SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten?
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 64 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 34 %gleiches Oberthema, hilft nicht
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 35 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 72 %gleiches Oberthema, hilft nicht
- d3-ultra
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 63 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 74 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 39 %einzelne zitierbare Belege
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 34 %Hintergrund, keine Belege
- JEV 35 %einzelne zitierbare Belege
- amos 26 %Hintergrund, keine Belege
- SubQ 52 %gleiches Oberthema, hilft nicht
- drex 54 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar?
Agenten und vernetzte Systeme
- SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 58 %einzelne zitierbare Belege
- amos 28 %nur am Rande erwähnt
- SubQ 100 %kein Bezug
- drex 43 %gleiches Oberthema, hilft nicht
- d3-ultra
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 63 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 37 %einzelne zitierbare Belege
- JEV 41 %einzelne zitierbare Belege
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 40 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Offenlegung und Rechenschaft
- SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 31 %einzelne zitierbare Belege
- JEV 38 %einzelne zitierbare Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 70 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 36 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 30 %gleiches Oberthema, hilft nicht
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
Wirtschaft und Haftung
- SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Weitere Berichte zu diesen Fragen
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Alle Berichte im Archiv