Anthropic veröffentlicht Claude Opus 4.6 mit 1 Mio. Token Kontextfenster
Anthropic hat am 5. Februar 2026 das Erscheinungsdatum von Claude Opus 4.6 bekannt gegeben und sein bisher intelligentestes KI-Modell mit nativer Office-Integration vorgestellt. Das Update führt in der Beta-Phase ein Kontextfenster von 1 Mio. Token ein, um komplexe Codebasen und Forschungsdateien zu verarbeiten. Das über API und Webplattformen verfügbare Modell optimiert mehrstufige Enterprise-Workflows ohne Änderung der Grundpreise.
Was das 1-Mio.-Token-Kontextfenster für Unternehmensdaten ermöglicht
Anthropic hat ein Kontextfenster von 1 Million Token in der Beta-Phase für sein Flaggschiffmodell eingeführt. Damit unterstützt erstmals ein System der Opus-Klasse diese Kapazität. Über die API nutzt das System Context Compaction, um seinen eigenen betrieblichen Kontext zusammenzufassen, sodass langlaufende Agenten-Aufgaben ohne Überschreitung der Kontextgrenzen kontinuierlich ausgeführt werden können. Dadurch können Softwareentwicklungs- und Forschungsteams gesamte Codebasen, Finanzhistorien oder juristische Dokumente aus mehreren Quellen in einer einzigen aktiven Sitzung laden. Thomson Reuters berichtete, dass die Leistung bei langen Kontexten es Enterprise-Systemen ermöglicht, wesentlich größere Informationsmengen mit hoher Konsistenz über komplexe Forschungs-Workflows hinweg zu verarbeiten.
Performance-Benchmarks im Vergleich zu konkurrierenden Spitzenmodellen
Im GDPval-AA-Benchmark, der wirtschaftlich wertvolle Wissensarbeit bei juristischen und finanziellen Aufgaben misst, übertrifft das neue Modell das GPT-5.2 von OpenAI um etwa 144 Elo-Punkte. Beim Vergleich von Claude Opus 4.6 vs 4.5 auf derselben Testsuite liegt das aktualisierte Modell 190 Elo-Punkte vor seinem Vorgänger. Das Modell erzielt zudem die beste Bewertung der Branche auf Terminal-Bench 2.0 für komplexes Agenten-Coding, führt alle konkurrierenden Modelle auf BrowseComp für Online-Suchen an, erreicht 90,2% auf BigLaw Bench und verzeichnete einen Leistungszuwachs von 10% in den Enterprise-Benchmarks von Box, womit es von einer Baseline von 58% auf 68% stieg.
Native Office-Integration und Werkzeuge zur Workflow-Automatisierung
Anthropic hat Claude in Excel erheblich aufgewertet und eine Research Preview von Claude in PowerPoint veröffentlicht, um die nativen Produktivitätsfunktionen am Arbeitsplatz zu erweitern. Innerhalb von Cowork führt die KI autonom Multitasking über Tabellenkalkulationen, Präsentationen und Dokumente hinweg aus, ohne dass eine ständige Benutzerführung erforderlich ist. In Figma Make übersetzt das Modell komplexe, mehrschichtige Designs beim ersten Versuch in funktionalen Anwendungscode. Softwareingenieure können in Claude Code dedizierte Agenten-Teams zusammenstellen, um mehrschichtige Aufgaben parallel auszuführen, während Entwickler die operative Latenz und die API-Ausgaben mithilfe des /effort-Steuerungsparameters verwalten, um zwischen hoher und mittlerer Denkstufe zu wechseln.
Was sich für Engineering-Teams in Unternehmen ändert
Für kommerzielle Softwareorganisationen reduziert die Veröffentlichung den manuellen Überwachungsaufwand, da autonome Subagenten langfristige Programmier-, Code-Review- und System-Debugging-Aufgaben über umfangreiche Code-Repositories hinweg ausführen können. Evaluationen von Partnern zeigen erhebliche Effizienzgewinne auf Plattformen wie Asana, Notion, Windsurf und Cursor. Cognition berichtete über höhere Fehlersuchraten in Devin Review, während Bolt.new bestätigte, dass das Modell in einem einzigen Durchgang eine voll funktionsfähige Physik-Engine generierte. Rakuten berichtete, dass das System an einem einzigen Tag autonom 13 GitHub-Issues löste und 12 weitere an die zuständigen Mitarbeiter in sechs Repositories weiterleitete. Bei Cybersicherheitstests von NBIM in 40 Untersuchungen lieferte das Modell in 38 Fällen Spitzenergebnisse mit bis zu neun Subagenten und mehr als 100 Werkzeugaufrufen pro Durchlauf.
Modellverfügbarkeit und Preise für Entwickler
Die offizielle Veröffentlichung erfolgte am 5. Februar 2026 mit sofortigem Zugriff über claude.ai, die Claude-API und große Cloud-Infrastrukturplattformen. Anthropic behielt die Preise bei 5 $ pro Million Input-Token und 25 $ pro Million Output-Token unverändert gegenüber den bisherigen Tarifen bei. Entwickler können das Modell direkt über die API mit der Modellkennung claude-opus-4-6 aufrufen. Laut dem System Card von Anthropic behält das Modell ein Sicherheitsprofil bei, das dem konkurrierender Spitzenmodelle entspricht oder besser ist, und weist in Sicherheitsevaluierungen niedrige Raten abweichenden Verhaltens auf.
Fragen und Antworten
Was ist neu in Claude Opus 4.6?
Das Update führt ein Kontextfenster von 1 Million Token in der Beta-Phase ein, bietet Context Compaction für langlaufende Sitzungen, Orchestrierung von Agenten-Teams in Claude Code sowie native Tools für Excel und PowerPoint. Es ergänzt adaptives Denken mit konfigurierbaren Effort-Einstellungen, um Ausgabequalität, Ausführungsgeschwindigkeit und Token-Kosten abzuwägen.
Wie schneidet das Modell im Vergleich zu GPT-5.2 ab?
Im GDPval-AA-Benchmark für wirtschaftlich wertvolle Wissensarbeit übertrifft das Modell GPT-5.2 um etwa 144 Elo-Punkte. Es übertrifft auch das Spitzenmodell von OpenAI auf Terminal-Bench 2.0 für mehrstufiges Agenten-Coding und führt vor allen Konkurrenzmodellen bei Humanity's Last Exam.
Die Sicht von MOZGII
Wie wir es bauen würden
Um eine Recherche-Engine für Unternehmen rund um ein großes Kontextfenster aufzubauen, würden wir mit strukturierten Quelldateien und einem strengen Token-Management beginnen. Wir würden gesamte Codebasen und Dokumentenarchive in die Long-Context-Sitzung einspeisen und gleichzeitig eine externe Datenbank für die Speicherung der Rohdokumente führen. Wir würden Aufgabenanfragen über die API übergeben und dabei den Effort-Parameter nutzen, um die Denkleistung bei einfachen Anfragen zu senken und bei komplexen Recherchen aus mehreren Quellen zu erhöhen. Wir würden Kontextkomprimierung nutzen, um lange agentische Läufe zusammenzufassen, bevor Token-Limits erreicht werden.
Wir würden menschliche Prüfer an wichtigen operativen Kontrollpunkten einsetzen. Während autonome Subagenten Aufgaben zuweisen oder Pull-Requests prüfen können, würden menschliche Ingenieure Code-Merges und Finanzentscheidungen freigeben. Das System stößt an seine Grenzen, wenn komprimierter Kontext notwendige Grenzfälle verwirft oder wenn Subagenten in parallelen Schleifen laufen, ohne sich auf eine Lösung zu einigen. Wir würden Kosten- und Latenzkontrollen am API-Gateway einrichten, um den Token-Verbrauch pro Ausführung zu deckeln. Die eine Kennzahl, die es zu beobachten gälte, wäre die Aufgabenerfüllungsrate ohne menschliches Eingreifen.
Als Nächstes würden wir einen dynamischen Routing-Supervisor aufbauen. Dieses Modul würde eingehende Support-Tickets, Pull-Requests und Recherche-Briefings analysieren, bevor es sie an das Modell sendet. Es würde je nach Aufgabenkomplexität automatisch zwischen einer Single-Pass-Generierung und einer Orchestrierung mehrerer Subagenten wählen. Dies würde die operative Latenz niedrig halten und gleichzeitig die Denkkapazität für mehrschichtige Arbeitsabläufe bewahren.
Quellen
Woher die Fakten dieser Meldung stammen.