Zum Inhalt springen
CrucibleMark

Claude Opus 5

Claude Opus 5 ist Anthropics Opus-Flagship vom 24. Juli 2026, positioniert als Alltagsmodell zwischen Opus 4.8 und dem teureren Fable 5. Das Cloud-only-Modell unter US-Jurisdiktion bietet 1 Million Tokens Kontext, 128.000 Tokens Output und adaptive Reasoning-Steuerung mit fünf Effort-Stufen (low/medium/high/xhigh/max). Mid-Conversation-Tool-Wechsel ohne Cache-Verlust und Fast-Mode mit 2,5-facher Geschwindigkeit ergänzen das Angebot.

Anthropic Version 5 Kommerzielle Nutzung erlaubt Dense 1000 K Context 05/2026 $5 / $25 per 1M

  • Proprietär
  • Frontier
  • Anthropic
  • Text
  • Vision
  • Agentic Orchestrator
  • Long Context
  • Batch

Sovereign Risk: MEDIUM Anthropic ist ein US-amerikanisches Unternehmen und unterliegt dem CLOUD Act. Die Modellgewichte sind proprietär und nicht verteilt; kein zusätzliches Risiko durch Gewichtsweitergabe. Datenhaltung erfolgt unter Anthropic Commercial Terms.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 60 76
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 40 80 51
Web Search & Tool Selection 100 100 100
URL Construction & Fetch 80 100 90
Multilingual Search & Synthesis 100 60 80

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
3.49
First Request
MCP
2.63
Protocol Latency
Synthesis
21.03
Response Generation
Total
162.83
Sum of All Phases
Token
20824
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am · Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil die Gesamtergebnisse gut sind und keine Halluzination erkannt wurde, aber die Tool-Calls nicht durchgängig valide waren und damit die Übergabe einer MCP-Toolkette nicht ohne Guardrails erfolgen sollte.

Tool-Execution-Profil

Claude Opus 5 zeigt echte Werkzeugwahl statt reinem Musterfolgen. Beim Test Web Search & Tool Selection, der prüft ob das Modell ohne Hinweis zwischen Suche und direktem Abruf unterscheidet, wählt es das richtige Tool sicher. Das spricht für brauchbare Orchestrierungslogik in offenen Workflows. Beim URL-Construction-Test, der die eigenständige Ableitung einer Ziel-URL und den anschließenden Fetch misst, bleibt es brauchbar, aber nicht deterministisch. Genau dort liegt die operative Grenze: Die Planungsentscheidung sitzt, die letzte Protokollpräzision nicht immer. Dass der globale Tool-Call-Status auf ungültig steht, obwohl kein Retry nötig war, deutet eher auf Format- oder Ausführungsungenauigkeit als auf ein grundlegendes Verständnisproblem. Für produktive MCP-Pipelines heißt das: Tool-Auswahl kann man ihm anvertrauen, Call-Validierung nicht blind.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Solide, aber nicht auf Referenzniveau. Die P2-Leistung von 80 zeigt gute Zusammenfassung echter Tool-Ausgaben, mit klarer Stärke bei HTTP Fetch & Extract und besonders bei URL Construction & Fetch. Schwächer wird es dort, wo präzise Verdichtung über Sprach- oder Quellenwechsel gefordert ist. Sowohl EU License Research als auch Multilingual Search & Synthesis landen bei P2 60. Das ist kein Ausfall, aber für Compliance-nahe oder mehrsprachige Entscheidungswege zu wenig Reserve.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Im Honeypot EU License Research, der prüft ob aktuelle Lizenzrestriktionen wirklich aus Web-Quellen gezogen werden, halluziniert es nicht. Das ist das wichtigere Signal. Das Modell hält die Vertrauenskette ein, auch wenn die Verdichtung der abgerufenen Inhalte nicht durchgehend scharf genug ist.

Fehlerresilienz

Beim 404-Test, der transparentes Verhalten bei scheiterndem Tool-Call misst, reagiert Claude Opus 5 produktionstauglich. Es erfindet keinen Ersatzinhalt und bleibt bei nachvollziehbarer Fehlerkommunikation. Der niedrige P1-Wert zeigt, dass der Ablauf nicht elegant war, aber der entscheidende Punkt stimmt: kein fingierter Seiteninhalt trotz Fehler. Das ist akzeptabel für produktive Systeme.

Betriebsprofil

Total 162.83s. Call 1 3.49s, MCP-Latenz 2.63s, Call 2 21.03s. Langsam. Preis nicht lokal günstig, sondern Frontier-typisch teuer: $5.0 pro 1M Input und $25.0 pro 1M Output. Im Verhältnis zur Leistung nur dann vertretbar, wenn Long-Context und agentische Planung den Ausschlag geben.

Fazit & Empfehlung

Geeignet für agentische Recherche-, Routing- und Long-Context-Pipelines mit nachgelagerter Call-Validierung, Schema-Prüfung und klarer Fehlerbehandlung. Ebenfalls geeignet, wenn Tool-Auswahl wichtiger ist als perfekte erste Ausführung. Nicht die erste Wahl für Compliance-kritische Abläufe, deterministische Fetch-Ketten oder mehrsprachige Synthese ohne menschliche oder programmatische Kontrolle. Wer ihm die Infrastruktur gibt, sollte ihm nicht das letzte Wort über korrekte Tool-Formate und finale Verdichtung geben.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.