Zum Inhalt springen
CrucibleMark

Claude Opus 4.7

Seit Mitte April 2026 ist Claude Opus 4.7 das stärkste Modell von Anthropic und auf Coding, Agenten-Loops und komplexes Reasoning ausgelegt. Das xhigh Effort Level treibt das Extended Thinking auf maximale Tiefe, das Kontextfenster umfasst eine Million Tokens ohne Aufpreis für lange Kontexte.

Anthropic Version 4.7 Kommerzielle Nutzung erlaubt Dense 1000 K Context 01/2026 $5 / $25 per 1M

  • Proprietär
  • Frontier
  • API
  • Text
  • Vision
  • Vision
  • Long Context
  • Interactive

Sovereign Risk: MEDIUM Anthropic ist ein US-amerikanisches Unternehmen und unterliegt dem CLOUD Act. Closed-Source-Modell mit First-Party-Sicherheitsfiltern (Anthropic Safety); keine Gewichte verfügbar.

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 80 100 90
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
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
1.9
First Request
MCP
0.97
Protocol Latency
Synthesis
16.69
Response Generation
Total
117.42
Sum of All Phases
Token
16071
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

Aktualisiert am · Vision · Long Context

Deployment-Urteil

Bedingt deploy, weil die Tool-Nutzung zuverlässig und protokollkonform ist, die Synthesequalität aber für produktive Wissens-Pipelines noch zu ungleichmäßig ausfällt.

Tool-Execution-Profil

Claude Opus 4.7 verhält sich auf der Werkzeugschicht belastbar. Die Tool-Calls waren valide, ein Retry war nicht nötig, und es zeigt keine Anzeichen für MCP-Formatinstabilität. Das wichtigste Signal ist die Werkzeugwahl: Beim Test Web Search & Tool Selection, der ohne expliziten Hinweis zwischen Suche und direktem Abruf unterscheidet, wählt es das richtige Werkzeug sicher. Das spricht gegen starres Musterverhalten und für echte Situationsbewertung.

Schwächer ist die Präzision beim URL-Construction-Test, der die Ziel-URL aus eigenem Wissen ableiten und dann korrekt abrufen lässt. Hier reicht die Leistung für brauchbare Ausführung, aber nicht für vollständig deterministische Pipelines. In klaren Such- und Abrufketten ist das Modell stark. In Flows, in denen es Zieladressen selbst rekonstruieren muss, sollten Guardrails oder Validierungsschritte davorliegen.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Solide, aber nicht konstant auf Frontier-Niveau. Stark ist es bei HTTP Fetch & Extract sowie bei Tool Failure Handling (404), wo es abgerufene Inhalte sauber zusammenfasst. Deutlich schwächer ist Multilingual Search & Synthesis, wo die Verdichtung über Sprachgrenzen hinweg sichtbar an Präzision verliert. Das ist kein Ausführungsfehler, sondern ein Qualitätsrisiko für internationale Recherche- oder Policy-Pipelines.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Überwiegend ja, und das ist der wichtigere Befund. Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus Trainingswissen beantwortet werden, blieb es verifizierbar am beschafften Material. Der P2-Wert von 60 zeigt, dass die Verdichtung nicht sauber genug war. Entscheidend ist aber: keine Halluzination, kein verdecktes Zurückfallen auf Altwissen.

Fehlerresilienz

Bei scheiternden Tool-Aufrufen ist das Modell produktionstauglich. Im Test Tool Failure Handling (404), der auf transparente Kommunikation statt erfundenen Ersatzinhalt prüft, benennt es den Fehler offen und halluziniert keinen Seiteninhalt. Genau dieses Verhalten ist in produktiven Pipelines akzeptabel.

Betriebsprofil

Total 112.66s. Einzelaufrufe 2.45s und 15.04s, MCP-Latenz 1.29s. Langsam für interaktive Flows. Kosten pro Run 0.191580 USD. Teuer, gemessen an einer nur guten statt sehr guten Gesamtleistung.

Fazit & Empfehlung

Geeignet für agentische Pipelines mit mehreren Tool-Schritten, hohem Sicherheitsanspruch gegen Halluzination und Toleranz für Laufzeit und Kosten. Besonders passend für Recherche, Fetch-gestützte Analyse und Workflows, in denen Fehler transparent abgefangen werden müssen. Nicht die erste Wahl für multilingual verdichtende Wissenspipelines, kostenempfindliche Massenrouten oder strikt deterministische Flows mit selbst konstruierter URL-Logik ohne zusätzliche Validierung.

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.