Claude Opus 4.6
Claude Opus 4.6 ist Anthropics stärkstes Opus-Modell für komplexe agentische Wissensarbeit, Coding und tiefes Reasoning. Offiziell angekündigt wurden ein 1M-Kontextfenster in Beta, verbesserte Code-Review-, Debugging- und Langhorizont-Fähigkeiten sowie unverändertes Pricing von $5 Input und $25 Output pro 1M Tokens. Das Modell ist proprietär und über Claude, API und große Cloud-Plattformen verfügbar.
- Proprietär
- Frontier
- API
- General
- Agentic-Orchestrator
- Long-Context
- Interactive
Sovereign Risk: MEDIUM Anthropic ist ein US-Anbieter; die Gewichte sind nicht öffentlich und die wesentlichen Risiken betreffen Cloud-Verarbeitung unter US-Recht.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 76.2
- Routine
- 47.29
- Reasoning
- 28.91
- LLM Judge Avg
- 3.79 / 5
- 100% Coverage
- Avg Task Duration
- 28.08s
- ️ Interactive
- Token Rate
- 47.58tok/s
- Output Rate
- P95 Latency
- 76.81s
- Top 5 %
- Total Tokens
- 85.4K
- Output Volume
- Cost per 1K
- $0.025
- USD / 1K Requests
- Benchmark Cost
- $2.14
- Total · 85.4K tok
Benchmark-Module
7 Module · gewichtet · vs. Modellmedian & Spitzenreiter
Claude Opus 4.6
Bestes Modell
Ø Alle Modelle
Code Quality
84.6
CLI Benchmark
85.67
Logical Reasoning
68.76
UX Writing
71.25
Documentation
82.45
Content Transform.
70.35
Cultural Intelligence
76.3
Benchmark Cost
$2.14
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.