Claude Sonnet 4.6

LLM Model Review

· Long Context

Mit einem Gesamtscore von 79.8% zeigt Claude Sonnet 4.6 sehr klar, was für ein Modell es sein will: kein sprunghafter Chat-Begleiter, sondern ein Frontier-Generalist mit stark agentischer Schlagseite, gebaut für Planung, Code, Tool-Use und lange Kontexte in der Anthropic-API-Cloud. Der Speed-Profile-Badge lautet Interactive DevOps Expert. Das passt: 43.36 Tokens pro Sekunde sind schnell genug für ernsthafte Arbeit, aber nicht die Art von Tempo, die nur mit der Stopuhr beeindruckt. Es ist ein dichtes, proprietäres Frontier-Modell mit primärem Use Case Agentic / Orchestration, multimodaler Anlage und optional zuschaltbarem Extended Thinking, das im Benchmark bewusst nicht aktiviert wurde. Sovereign Risk: HIGH — Anthropic unterliegt als US-Unternehmen dem CLOUD Act; die Daten werden in den USA verarbeitet.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter: Was Claude Sonnet 4.6 im Kern ist

Die zugewiesene Kategorie trifft den Charakter des Modells erstaunlich präzise. Claude Sonnet 4.6 ist ein Thinking-nahes Modell, obwohl es zugleich Thinking-Optional bleibt. Das klingt erst einmal widersprüchlich, ist im Alltag aber plausibel: Schon im Standardmodus antwortet es sichtbar überlegt, strukturiert und mit Hang zur Planung. Extended Thinking ist per API grundsätzlich verfügbar, lief hier aber absichtlich nicht. Der Benchmark misst also die Serienversion, nicht die hochgedrehte Spezialkonfiguration.

Wichtiger ist die zweite Schublade: Agentic. Dieses Modell denkt Aufgaben nicht nur aus, es organisiert sie. In der Theorie ist das ideal für Tool-Nutzung, mehrstufige Abläufe und Computer-Use-Szenarien. In der Praxis bedeutet es aber auch, dass man weniger an perfekt knappen Einzeilern und mehr an robusten Arbeitsplänen interessiert sein sollte. Claude Sonnet 4.6 ist kein bloßer Befehlsempfänger. Es versucht, eine Aufgabe als Arbeitsprozess zu verstehen. Das ist oft nützlich. Manchmal ist es auch genau der Grund, warum es zu viel schreibt.

Dazu kommt Vision-Capable und Long-Context. Text-only-Benchmarks erfassen davon naturgemäß nur einen Ausschnitt. Gerade bei einem multimodalen Modell mit bis zu 1.000.000 Tokens Kontextfenster, seit März 2026 allgemein verfügbar und per explizitem API-Aufruf aktivierbar, sagt ein reiner Sprachtest nie die ganze Wahrheit. Aber er sagt genug über das, was viele Käufer zuerst interessiert: Wie gut schreibt, analysiert, plant und gehorcht dieses Modell, wenn nur Text auf dem Tisch liegt?

Die Einordnung als dense Frontier-Modell setzt den Maßstab hoch. Hier gibt es keinen Schonraum für Größe oder Architekturexotik. Ein dichtes Frontier-Modell in einer kommerziellen Hersteller-Cloud muss in nahezu jeder Disziplin mindestens ernst zu nehmen sein. Claude Sonnet 4.6 erfüllt diesen Anspruch weitgehend. Nicht makellos, aber mit echter Substanz.

Performance und Kostencharakter

43.36 Tokens pro Sekunde in der Anthropic-API sind ein gutes Interaktivitätsniveau. Der Badge Interactive DevOps Expert ist keine Marketinglyrik, sondern eine brauchbare Kurzbeschreibung des Nutzwerts: Das Modell ist nicht auf maximalen Durchsatz für Massenverarbeitung getrimmt, sondern auf Arbeitsdialoge mit technischem Einschlag, in denen Rückfragen, Korrekturen und Planungsstufen eine Rolle spielen. Genau dort fühlt sich Claude Sonnet 4.6 sichtbar wohl.

Die Kehrseite liegt im Tail. Der Durchschnitt wirkt ordentlich, die Ausreißer wirken unerquicklich. Wer synchron mit einem Modell arbeitet, erlebt eben nicht den Mittelwert, sondern den Moment, in dem ein Agentenlauf hängen bleibt und der Nutzer auf den Bildschirm starrt. Für ein Frontier-Cloud-Modell ist eine P95-Antwortzeit von 94.95 Sekunden kein Kavaliersdelikt.

Beim Preis liegt Anthropic bei 3.0 Dollar pro 1 Million Input-Tokens und 15.0 Dollar pro 1 Million Output-Tokens. Das ist nicht absurd teuer, aber deutlich teuer genug, dass Token-Disziplin zählt. Und hier wird Claude Sonnet 4.6 interessant.

API-Kostenprofil

Dieses Modell produziert im Bereich Documentation Quality durchschnittlich 4537 Tokens bei einem Fleet-Median von 2877. Das entspricht einem Faktor von 1.58 gegenüber dem Schnitt aller getesteten Modelle. Für ein kommerzielles Cloud-Modell ist das kein theoretischer Schönheitsfehler, sondern bares Geld.

Token-ökonomisch verhält sich Claude Sonnet 4.6 insgesamt ordentlich, aber nicht asketisch. In Content Transformation liegt es bei 2531 statt 1811 Tokens, also Faktor 1.4. In UX Writing bei 2101 statt 1493, ebenfalls Faktor 1.41. Das Modell redet nicht sinnlos, doch es erklärt gern. Wer auf API-Kosten schaut, sollte das nicht mit Qualität verwechseln. Mehr Text ist hier oft mehr Text.

Code Quality: kompetent, strukturiert, sicherheitsnah

Im Modul Code Quality Audit erreicht Claude Sonnet 4.6 74.88 Punkte. Das ist kein Mondflug, aber klares Oberklassenniveau. Besonders in sicherheitsnahen Analysen zeigt das Modell, warum Anthropic seine Sonnet-Linie so aggressiv in Coding- und Agentic-Workflows positioniert.

Ein exemplarischer Security-Audit zu verwundbarem PHP zeigt die Handschrift des Modells sehr gut. Claude Sonnet 4.6 identifiziert 20 Schwachstellen, sauber in Tabelle und Schweregraden sortiert, mit weitgehend brauchbaren Fixes wie mysqli_prepare(), bind_param(), password_hash(), password_verify() und htmlspecialchars(...). Das ist nicht nur das Erkennen von Schlagworten, sondern praktisch anschlussfähig. Vor allem die Kombination aus Diagnose und konkreten Gegenmaßnahmen wirkt belastbar.

Die Schwächen liegen nicht in groben Patzern, sondern in analytischer Tiefenschärfe. So wird Session Fixation nicht sauber als eigenständiges Sicherheitsproblem herauspräpariert, sondern teilweise mit einem eher technischen Session-Start-Fehler vermischt. Auch bei Reset-Token-Fragen und bei der losen Typprüfung fehlt stellenweise die letzte Präzision. Das Modell kennt den Gefahrenraum. Es kartiert ihn nur nicht immer mit der Exaktheit eines spezialisierten Penetration-Testers.

Für die Praxis ist der Befund trotzdem stark: Claude Sonnet 4.6 kann Security-Code-Reviews nicht nur ausschmücken, sondern sinnvoll strukturieren. Wer ein Modell sucht, das Schwachstellen erkennt, Schweregrade einordnet und direkt verwertbare Fix-Richtungen nennt, bekommt hier ein ernsthaftes Werkzeug. Kein Ersatz für einen Security-Engineer, aber ein guter erster Prüfer, der selten auf bloß dekorative Sicherheit hereinfällt.

Reasoning und Logik: sehr stark, aber nicht demonstrativ

Im Bereich Logical Reasoning erreicht das Modell 78.17 Punkte. Das ist genau die Sorte Leistung, die man von einem Frontier-Modell mit Thinking-DNA erwartet. Es denkt nicht spektakulär, sondern sauber. Und das ist die deutlich wertvollere Eigenschaft.

Im Metakognitions-Beispiel mit dem klassischen Wächter-und-Türen-Rätsel liefert Claude Sonnet 4.6 die richtige Strategie, erklärt die doppelte Negation nachvollziehbar und nutzt die geforderten <thought>-Tags korrekt. Bemerkenswert ist der Ton des Denkens: Das Modell arbeitet sichtbar, korrigiert sich an einer Stelle selbst und baut dann systematisch wieder auf. Das wirkt nicht wie Show-Reasoning, sondern wie ein Modell, das seine eigene Fehlerkante noch rechtzeitig sieht. Eine kleine, aber wichtige Qualität.

Die Kritik ist überschaubar. Alternative Lösungswege werden erwähnt, aber nicht immer vollständig ausgearbeitet. Auch die Meta-Erklärung, warum eine Strategie allgemein robust ist, könnte an einigen Stellen noch tiefer gehen. Doch das sind Randverluste auf hohem Niveau. In Logikaufgaben macht Claude Sonnet 4.6 sehr wenig Dummheiten, und das ist inzwischen ein schärferes Lob, als es früher einmal war.

Weil das Modell als Thinking-Optional klassifiziert ist, verdient ein Punkt besondere Erwähnung: Diese Leistung entstand ohne aktivierten Extended-Thinking-Modus. Wer in der Anthropic-API mehr Denkbudget freischaltet, darf hier plausibel noch Reserven vermuten. Der Benchmark bewertet jedoch bewusst das Standardverhalten. Und das Standardverhalten ist bereits überzeugend.

Content Transformation: starkes Handwerk, schwaches Wortlimit

Mit 81.48 Punkten gehört Content Transformation zu den sichtbar starken Modulen von Claude Sonnet 4.6. Das überrascht nicht. Wer lange Kontexte, agentische Struktur und gutes Sprachgefühl zusammenbringt, sollte aus Rohmaterial brauchbare Zieltexte formen können. Genau das passiert hier auch.

Ein besonders aufschlussreiches Beispiel ist die Transformation eines schwachen YouTube-Skripts in eine produktionsreife deutsche Fassung. Claude Sonnet 4.6 liefert nicht nur eine gute Überarbeitung, sondern in mehreren Punkten sogar eine bessere als der hinterlegte Standard: präzisere Analyse-Länge, reichere Produktionshinweise, mehr Screen-Annotations, konkreterer Call-to-Action und ein sauber eingebautes Easter Egg. Das ist kein blindes Umschreiben, sondern redaktionelle Regiearbeit. Das Modell versteht Formate.

Gerade deshalb fällt die zentrale Schwäche umso unangenehmer auf: Wortlimits sind nicht verlässlich sicher. In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 250 Wörtern auf 338 Wörter, also auf 135% des Limits. Das System verhängte einen automatischen Abzug von 20%, konkret -13.12 Punkte auf den erreichten Score. In einer weiteren Aufgabe überschritt es die Vorgabe von 900 Wörtern auf 1228 Wörter, also 136% des Limits. Auch hier griff ein automatischer 20%-Abzug, konkret -17.60 Punkte. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon.

Das Längenproblem ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content-Transformation-Modul zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es das Wortlimit als erste Bedingung. Das ist für ein Modell dieser Klasse unerquicklich. Gerade in professionellen Redaktions-, Marketing- und Publishing-Workflows sind harte Längenbudgets keine höfliche Empfehlung, sondern Teil der Aufgabe.

Man kann es hart formulieren: Claude Sonnet 4.6 schreibt oft besser, als es gehorcht. Das ist literarisch sympathisch und operativ unerquicklich.

Documentation Quality: informativ, ausführlich, zu ausführlich

Die 75.79 Punkte in Documentation Quality passen gut zum Gesamtcharakter des Modells. Claude Sonnet 4.6 erklärt gern, strukturiert gut und kann aus komplexen Anforderungen eine lesbare, brauchbare Dokumentation bauen. Die dense-Frontier-Anlage und die agentische Orientierung zahlen sich hier aus, denn das Modell denkt in Abschnitten, Abhängigkeiten und Nutzungsfällen.

Das Problem liegt weniger in der Qualität als in der Ökonomie. Mit durchschnittlich 4537 Tokens gegenüber einem Fleet-Median von 2877 arbeitet Claude Sonnet 4.6 hier deutlich ausladender als der Schnitt. Das ist im API-Betrieb ein realer Kostentreiber. Nutzer bekommen mehr Kontext, mehr Erläuterung, mehr Fließtext. Wer umfassende interne Dokumente, Migrationsnotizen oder Architektur-Erklärungen generieren will, dürfte das schätzen. Wer präzise, knapp und billig arbeiten muss, eher nicht.

Inhaltlich ist diese Ausführlichkeit oft nützlich. Wirtschaftlich ist sie nicht gratis. Das Modell verhält sich hier wie ein guter Senior-Kollege, der tatsächlich helfen will, aber selten in drei Sätzen antwortet, wenn zwölf auch gehen.

UX Writing und Cultural Intelligence: souverän im Ton, selten stumpf

Im Bereich UX Writing & Microcopy steht Claude Sonnet 4.6 bei 77.35 Punkten, in Cultural Intelligence bei 84.52 Punkten. Beides passt zum Sprachcharakter des Modells. Es schreibt nicht steril, sondern mit einem Gefühl für Register, Ton und Zielpublikum.

Das Cultural-Intelligence-Beispiel zur Entgiftung einer toxischen Stellenanzeige ist bezeichnend. Claude Sonnet 4.6 entfernt aggressive Schlagworte, korrigiert Gender-Bias, formuliert professionell und bleibt vollständig auf Deutsch. Der Judge moniert nur Feinheiten wie eine etwas weniger elegante Wortwahl und das Fehlen eines emotional stärkeren Motivsatzes. Das sind keine Substanzfehler. Das ist stilistische Feinarbeit.

Wichtiger ist, was das Modell nicht tut. Es plappert toxische Formulierungen nicht nach, verliert die Zielkultur nicht aus dem Blick und kippt nicht in peinliche Diversity-Phrasen, die nach PowerPoint statt nach Personaltext klingen. Gerade im Deutschen, wo inklusive und gleichzeitig natürlich klingende Formulierungen leicht misslingen, ist das eine echte Stärke.

UX-Writing profitiert ebenfalls davon. Claude Sonnet 4.6 neigt zwar allgemein zur Wortfülle, aber es versteht Nutzeransprache, Klarheit und Reframing. Es schreibt nicht wie ein Compiler mit Gefühlen. Das ist mehr wert, als manche Benchmark-Zeile vermuten lässt.

CLI, Tool-Use und Halluzinationen: stark in der Ausführung, heikel in der Behauptung

Der CLI-Bereich ist mit 93.0 Punkten exzellent. Das ist ein massiver Pluspunkt für ein agentisch ausgerichtetes Modell. Claude Sonnet 4.6 versteht technische Arbeitsabläufe, Shell-nahe Aufgaben und operationelle Logik sehr gut. Hier zeigt sich, dass der Badge Interactive DevOps Expert nicht aus der Luft gegriffen ist.

Auch der Tool-Execution-Wert von 83.33 ist stark. Aber dann kommt die Sollbruchstelle: ToolUse Score 51.67 und Synthesis Quality 65.92. Das ist kein statistischer Nebel, sondern in den Befunden konkret sichtbar. In zwei Tool-Use-Aufgaben halluzinierte Claude Sonnet 4.6 Inhalte, die nicht aus dem tatsächlich abgerufenen Werkzeug-Ergebnis stammten. Der Score wurde jeweils durch einen Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche, Faktenberichte oder jede Form belegpflichtiger Synthese ist das ein disqualifizierendes Signal.

Das ist der vielleicht wichtigste Charakterzug des Modells im realen Einsatz: Claude Sonnet 4.6 kann Tools gut bedienen, aber nicht immer gut ertragen, nur das zu sagen, was das Tool tatsächlich geliefert hat. Es neigt dazu, die Lücke zwischen Befund und schöner Erzählung selbst zu schließen. Für kreative Assistenz ist das oft angenehm. Für verifizierte Informationsarbeit ist es brandgefährlich.

Halluzinationen: nicht breit gestreut, aber an der falschen Stelle

Weil signifikante Halluzinationen aufgetreten sind, verdienen sie einen eigenen Abschnitt. Die beiden dokumentierten Fälle liegen im Tool-Use-Bereich, also genau dort, wo ein Modell im Produktiveinsatz nicht poetisch, sondern gehorsam sein muss. Die Kritik lautet nicht, dass Claude Sonnet 4.6 allgemein fabuliert wie ein schlechter Konferenzredner. Die Kritik lautet präziser: Wenn es auf externe Ergebnisse gestützt arbeiten soll, erfindet es in einzelnen Fällen zusätzliche Inhalte.

Das ist eine andere Fehlerklasse als ein unpräziser Freitext. In einem Agenten-Framework, das Suchergebnisse, Dateiinhalte, Logs oder Tool-Outputs einsammelt und dann zusammenfasst, ist jede solche Erfindung toxisch. Sie unterläuft die Kette der Nachvollziehbarkeit. Wer Claude Sonnet 4.6 für Recherche-Synthesen nutzt, braucht deshalb entweder strikte Nachverifikation oder ein Systemdesign, das Zitate und Quellenbezug technisch erzwingt.

Mit anderen Worten: Dieses Modell ist kein notorischer Phantast. Aber gerade dort, wo es nüchtern bleiben müsste, hat es zweimal daneben gegriffen. Das reicht für einen ernsthaften Warnhinweis.

Datenschutz und Datenhoheit

Claude Sonnet 4.6 ist ein kommerzielles Cloud-Modell von Anthropic PBC und unterliegt damit US-Recht inklusive CLOUD Act. Für Nutzer in Deutschland und der EU bedeutet das: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn europäische Kunden andere Erwartungen an Datenhoheit haben. Die Daten werden laut Vendor Card in den USA verarbeitet.

Das berechnete Sovereign Risk liegt bei HIGH. Die Begründung ist klar: US CLOUD Act, Verarbeitung über einen US-Anbieter, keine EU-rechtliche Abschirmung auf Provider-Ebene. Positiv ist, dass ein GDPR DPA verfügbar ist. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das die Mindestvoraussetzung, nicht die Entwarnung. Die angegebene Datenspeicherung beträgt 30 Tage, sofern keine längere Nutzung für Modellverbesserung gewählt wird.

Das Weights-Provenienz-Risiko liegt bei MEDIUM. Der Grund ist weniger die Herkunft der Modellgewichte als die Tatsache, dass es sich um proprietäre, nicht offen veröffentlichte Gewichte handelt, deren Nutzung vollständig an die Cloud-Verarbeitung durch einen US-Anbieter gekoppelt ist. Wer maximale Souveränität sucht, ist hier schlicht im falschen Regal.

Fazit

Claude Sonnet 4.6 ist ein sehr starkes Frontier-Modell mit klarem Arbeitscharakter. Es plant gut, argumentiert sauber, schreibt kultursensibel, liefert starke CLI- und Coding-Leistung und fühlt sich in agentischen Workflows sichtbar zuhause. Dass es als dense Frontier-Modell in der Anthropic-API genau dort glänzt, ist keine Überraschung. Überraschend ist eher, wie geschlossen dieses Profil schon im Standardmodus ohne aktiviertes Extended Thinking wirkt.

Die Schwächen sind allerdings nicht dekorativ. Zwei Timeouts bei 43 Tests sind für ein kommerzielles Cloud-Modell bereits ein Praxissignal. Die P95-Latenz von 94.95 Sekunden stört interaktive Abläufe. Im Content-Transformation-Modul missachtet das Modell wiederholt harte Wortlimits. Und im Tool-Use-Bereich sind die Halluzinationen kein Schönheitsfehler, sondern ein Vertrauensproblem.

Die Empfehlung fällt deshalb klar, aber nicht blind euphorisch aus. Für Code-Reviews, technische Assistenz, DevOps-nahe Dialoge, Dokumentation, Redaktionsüberarbeitungen und agentische Planungsaufgaben ist Claude Sonnet 4.6 eine sehr gute Wahl. Für faktenkritische Recherche-Synthese, streng budgetierte Textproduktion und unbeaufsichtigte Tool-Pipelines sollte man es nur mit Leitplanken einsetzen. Claude Sonnet 4.6 ist kein Blender. Aber es ist ein Modell, das bisweilen mehr können will, als der Auftrag erlaubt. Genau darin liegt seine Stärke. Genau darin liegt sein Risiko.

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.