Claude Opus 4.5 SWE-bench: Erstes Modell über 80 %
Das Claude Opus 4.5 SWE-bench Ergebnis, berichtet bei der Veröffentlichung des Modells am 24. November 2025, machte es zum ersten Modell mit mehr als 80 % auf SWE-bench Verified, einem angesehenen Coding-Benchmark. Anthropic setzt den Preis auf 5/25 Dollar pro Million Token und richtet es auf Coding, Agenten und Computernutzung aus. Für Unternehmen heißt das laut frühen Kunden: dieselben Aufgaben mit weniger Token und weniger Fehlern, also niedrigere Kosten pro erledigter Arbeit.
Warum Unternehmen bei Opus-Modellen zögerten
Das Hindernis war der Preis. In Kommentaren, die Anthropic zum Start veröffentlichte, sagte ein Kunde mit frühem Zugang, Jeff Wang, ein Geschäftsführer, Opus-Modelle seien immer „der echte SOTA" gewesen, aber in der Vergangenheit zu teuer.
Das zweite Hindernis war das Gedächtnis. Agenten müssen Codebasen und große Dokumente erkunden und die richtigen Details behalten, und lange Unterhaltungen in den Claude-Apps stießen an eine Wand, wenn das Kontextfenster des Modells voll war.
Was Anthropic am 24. November 2025 veröffentlicht hat
Anthropic hat Claude Opus 4.5 veröffentlicht, das letzte Modell der 4.5-Reihe nach Sonnet 4.5 im September und Haiku 4.5 im Oktober. Das vorherige Opus-Modell, Claude Opus 4.1, erschien im August. Anthropic setzte den Preis auf 5/25 Dollar pro Million Token und machte es in seinen Apps, in der API und auf allen drei großen Cloud-Plattformen verfügbar. Laut CNBC ist es das Standardmodell für die Tarife Pro, Max und Enterprise.
Mit dem Modell erweiterte Anthropic zwei Produkte, die bis dahin im Pilotbetrieb liefen. Claude for Chrome steht nun allen Max-Nutzern zur Verfügung, Claude for Excel Nutzern von Max, Team und Enterprise. Claude Code kam außerdem in die Desktop-App.
Wie das Modell lange Agentenarbeit bewältigt
Opus 4.5 ist für Agentenaufgaben gebaut, bei denen ein Modell führt und andere folgen. TechCrunch beschreibt Aufbauten, in denen Opus als Leitagent eine Gruppe von Haiku-gestützten Unteragenten steuert, was auf Arbeitsgedächtnis angewiesen ist.
Anthropic hat verändert, wie das Modell Gedächtnis über lange Kontexte verwaltet. In den Claude-Apps ermöglicht das für zahlende Nutzer einen „endlosen Chat": Erreicht ein Chat das Kontextfenster, komprimiert das Modell sein Gedächtnis, statt anzuhalten.
„Zu wissen, welche Details man sich merkt, ist wichtig als Ergänzung zu einem längeren Kontextfenster." Dianne Na Penn, Leiterin Produktmanagement für Forschung bei Anthropic
Was das Claude Opus 4.5 SWE-bench Ergebnis und Kundentests zeigen
Bei den Benchmarks berichtete TechCrunch, Opus 4.5 sei das erste Modell mit mehr als 80 % auf SWE-bench Verified, einem angesehenen Coding-Test. CNBC schrieb, es habe Googles Gemini 3 Pro und OpenAIs GPT-5.1 in diesem Test übertroffen. Anthropic sagt, es führe bei 7 von 8 Programmiersprachen auf SWE-bench Multilingual, zeige einen Sprung von 10,6 % gegenüber Sonnet 4.5 bei Aider Polyglot und verdiene 29 % mehr bei Vending-Bench.
Anthropic gab dem Modell außerdem seine Take-home-Prüfung für Bewerber im Performance Engineering. Innerhalb der 2 Stunden Zeitlimit erreichte Opus 4.5 mehr Punkte als jeder menschliche Bewerber zuvor.
Kunden nannten eigene Zahlen, und jede ist die Aussage des jeweiligen Kunden. Ein Kommentar zu GitHub Copilot sagte, frühe Tests hätten den Token-Verbrauch halbiert. Ein anderer Kunde meldete bis zu 65 % weniger Token bei langen Coding-Aufgaben, ein weiterer sah 50 % bis 75 % weniger Fehler bei Tool-Aufrufen sowie Build- oder Lint-Fehlern. Ein Kunde aus der Finanzmodellierung sagte, die Genauigkeit in seinen internen Auswertungen sei um 20 % gestiegen und die Effizienz um 15 %.
Was sich für Softwareteams und Analysten ändert
Für ein Unternehmen ändern sich die Kosten schwieriger Arbeit, die ein Modell erledigt. Mehrere Kunden sagten, Opus 4.5 löse dieselben Aufgaben mit weniger Token und weniger Schritten, was die Rechnung pro Aufgabe senkt und nicht nur den Preis pro Token. Anthropic nennt Coding, Agenten und Computernutzung als Stärken und sagt, das Modell sei deutlich besser bei Tabellen, Folien und tiefer Recherche.
CNBC berichtete, Anthropic sehe professionelle Softwareentwickler und Wissensarbeiter wie Finanzanalysten, Berater und Buchhalter als Hauptnutzer. Der Wettbewerb ist eng: OpenAI veröffentlichte GPT 5.1 am 12. November, Google Gemini 3 am 18. November.
Fragen und Antworten
Welchen Wert erreichte Claude Opus 4.5 auf SWE-bench Verified?
TechCrunch berichtete, Opus 4.5 sei das erste Modell mit mehr als 80 % auf SWE-bench Verified. CNBC berichtete, es habe Gemini 3 Pro und GPT-5.1 im selben Test übertroffen.
Was kostet Claude Opus 4.5?
Anthropic legte den API-Preis auf 5/25 Dollar pro Million Token fest. Entwickler erreichen es über die Claude API, außerdem ist es auf allen drei großen Cloud-Plattformen verfügbar.
Für wen ist Claude Opus 4.5 gedacht?
Laut CNBC sieht Anthropic professionelle Softwareentwickler und Wissensarbeiter wie Finanzanalysten, Berater und Buchhalter als ideale Nutzer.
Die Sicht von MOZGII
Wie wir es bauen würden
Ein Benchmark-Wert sagt einem Team, was ein Modell bei fremden Aufgaben kann. Die nützliche Frage für ein Unternehmen ist, was eine erledigte Aufgabe bei der eigenen Arbeit kostet. Wenn wir ein Modell wie Opus 4.5 in ein Softwareteam bringen würden, starteten wir mit echten Tickets aus dem Backlog des Teams, jeweils mit dem Fix, den ein Entwickler akzeptiert hat, und ließen das Modell dagegen laufen, bevor es etwas Produktives anfasst.
Das größere Modell würde planen und prüfen, kleinere Modelle übernähmen die engen Schritte, so wie Anthropic es beschreibt, wenn Opus Haiku-Unteragenten führt. Jede Änderung liefe durch die vorhandenen Tests des Teams und eine menschliche Prüfung vor dem Merge. Das Modell arbeitete in einer Kopie des Codes ohne Zugriff auf Produktivsysteme oder Geheimnisse.
Scheitern würde es an langen, stillen Fehlern: ein Agent, der auf dem falschen Weg weitermacht, Token verbraucht und eine Änderung liefert, die die Tests besteht, aber den Zweck verfehlt. Gedächtniskompression hilft einer langen Sitzung weiterzulaufen, kann aber ein wichtiges Detail verlieren, deshalb würden wir protokollieren, was der Agent behalten und was er verworfen hat.
Die eine Zahl, die wir beobachten würden, sind die Kosten pro akzeptierter Änderung: verbrauchte Token geteilt durch die Änderungen, die ein Entwickler tatsächlich gemergt hat. Als Nächstes würden wir einen Wochenbericht bauen, der diese Kosten über Modelle hinweg bei denselben Tickets vergleicht.
Quellen
Woher die Fakten dieser Meldung stammen.