Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
anthropic5. August 2025 · Q002821

Claude Opus 4.1

anthropic.com · Originalbericht öffnen ↗

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.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

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“.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. 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 offen
    • 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? Luna: Stufe 4 · 22 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. 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 offen
    • Haiku-Prüfung nur am Rande erwähnt

Tempo und Grenzen
Vertrauen in Modelle
  1. 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 offen
  2. 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 offen

Agenten und vernetzte Systeme
  1. 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 offen
Modelle teilen und schützen
  1. 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 offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Offenlegung und Rechenschaft
  1. 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 offen
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →