Claude Opus 4.5 erzielt beim SWE-bench Verified einen Rekordwert von 80,9 Prozent und übertrifft damit als erstes Modell die 80-Prozent-Marke bei realen Software-Engineering-Aufgaben, vor GPT-5.1 (76,3 %) und Gemini 3 Pro (76,2 %) (Quelle: Hugging Face / Artificial Analysis). Für Entscheider, die KI-Modelle in Entwicklungspipelines einsetzen, ist Coding-Leistung unter produktionsnahen Bedingungen der entscheidende Maßstab. Allerdings verbraucht Claude Opus 4.5 laut Artificial Analysis rund 60 Prozent mehr Token als sein Vorgänger Opus 4.1, was trotz gesenkter Listenpreise (5/25 US-Dollar je Million Input/Output-Token) die tatsächlichen Betriebskosten pro Aufgabe erheblich beeinflusst. Ein reiner Preisvergleich ohne Durchsatz- und Token-Effizienzanalyse kann daher zu Fehlkalkulationen führen.

Claude Opus 4.5 im Latenzbenchmark: Kosten, Durchsatz und Einordnung für den Produktionseinsatz

Wer KI-Modelle unter realen Bedingungen betreibt, entscheidet nicht allein nach Genauigkeit. Durchsatz, Latenz und Kosten pro Anfrage bestimmen, welches Modell sich im Produktionsbetrieb tatsächlich trägt. Aktuelle Benchmarkdaten von Artificial Analysis geben dazu belastbare Orientierung für Claude Opus 4.5 im Vergleich zu Wettbewerbern.

Leitfakt: Claude Opus 4.5 belegt Platz zwei im Intelligenz-Index, hat aber den höchsten Tokenverbrauch unter den direkten Konkurrenten

Laut Artificial Analysis erreicht Claude Opus 4.5 den zweiten Rang im Artificial Analysis Intelligence Index, knapp hinter Googles Gemini 3 Pro und gleichauf mit OpenAIs GPT-5.1 (high). Gegenüber dem Vorgänger Claude Opus 4.1 bedeutet das einen Zuwachs von 11 Punkten, gegenüber Claude Sonnet 4.5 sind es 7 Punkte. Gleichzeitig verbrauchte Claude Opus 4.5 in den Evaluierungsdurchläufen rund 60 Prozent mehr Token als Opus 4.1 (48 Millionen gegenüber 30 Millionen), so Artificial Analysis. Das ist für Planungen zu Durchsatz und Kosten pro Request eine wesentliche Kenngröße.

Preissenkung relativiert sich im Durchsatzbetrieb

Anthropic hat den Listenpreis für Claude Opus 4.5 auf 5 US-Dollar pro Million Input-Token und 25 US-Dollar pro Million Output-Token gesenkt. Artificial Analysis beziffert die Gesamtkosten für den eigenen Intelligence-Index-Evaluierungslauf dadurch auf rund 1.500 US-Dollar, gegenüber 3.100 US-Dollar für denselben Lauf mit Claude Opus 4.1. Die prozentuale Kostensenkung fällt damit deutlich geringer aus als die reine Preisreduktion vermuten lässt, weil das Modell mehr Token zur Aufgabenbearbeitung benötigt. Im direkten Kostenvergleich blieb Claude Opus 4.5 laut Artificial Analysis teurer als Gemini 3 Pro (high), GPT-5.1 (high) und Claude Sonnet 4.5 (Thinking); günstiger war lediglich Grok 4 (Reasoning).

Praktische Implikation: Wer bei der Systemplanung nur auf den Token-Listenpreis schaut, unterschätzt die tatsächlichen Betriebskosten. Entscheidend ist der Preis pro erfolgreich abgeschlossener Aufgabe unter realer Last, nicht der Preis pro Token in der Preisliste.

Coding-Performance als Auswahlkriterium für Entwicklerteams

Im SWE-bench Verified, dem Branchenstandard für reale Software-Engineering-Aufgaben auf Basis echter GitHub-Issues, erzielte Claude Opus 4.5 laut Hugging-Face-Analyse einen Wert von 80,9 Prozent und war damit das erste Modell, das die 80-Prozent-Schwelle überschritt. GPT-5.1 kam auf 76,3 Prozent, Gemini 3 Pro auf 76,2 Prozent. Weiterhin wird berichtet, dass Claude Opus 4.5 Anthropics interne Bewerber-Tests für Ingenieure mit höheren Werten abschloss als je ein menschlicher Kandidat.

Praktische Implikation: Für Entwicklungsumgebungen, in denen Modelle eigenständig Code-Korrekturen an bestehenden Repositories vornehmen sollen, liefert Claude Opus 4.5 nach aktuellem Benchmarkstand den höchsten gemessenen Erfolgsanteil unter den verglichenen Modellen. Der höhere Tokenverbrauch erhöht jedoch gleichzeitig die Latenz pro Request und senkt den erreichbaren Durchsatz bei fester Infrastruktur.

Kostenoptimierung durch Modellauswahl unterhalb des Spitzenmodells

Claude Sonnet 4.5 (Thinking) wird von Artificial Analysis als günstigere Alternative zu Opus 4.5 gelistet, die in ihren Evaluierungsläufen niedrigere Gesamtkosten verursacht. Die 7-Punkte-Differenz im Intelligence Index zwischen Opus 4.5 und Sonnet 4.5 legt nahe, dass nicht jeder Anwendungsfall das teurere Spitzenmodell benötigt.

Praktische Implikation: Für Workloads, bei denen P95-Latenz und Requests per Second unter Last entscheidend sind, etwa bei Echtzeit-Nutzerinteraktionen, kann der Einsatz von Sonnet 4.5 gegenüber Opus 4.5 wirtschaftlich sinnvoller sein. Belastbare RPS- und P95-Latenzdaten unter definierter Last sollten vor dem Produktionseinsatz mit dem eigenen Workload-Profil gemessen werden, da publizierte Benchmarks Laborbedingungen abbilden und von Produktionsumgebungen abweichen können.

Quellen

• Claude Opus 4.5 Benchmarks and Analysis – Artificial Analysis
• Claude 4.5 Benchmarks on Hugging Face and Industry Coding Standards

Häufige Fragen

Wie schneidet Claude Opus 4.5 im Vergleich zu GPT-5.1 und Gemini 3 Pro beim Durchsatz ab?

Claude Opus 4.5 belegt laut Artificial Analysis Intelligence Index Rang zwei hinter Gemini 3 Pro und liegt gleichauf mit GPT-5.1 (high). Ein wesentlicher Faktor für den Durchsatz ist der Token-Verbrauch: Claude Opus 4.5 benötigt rund 60 % mehr Token pro Aufgabe als sein Vorgänger Opus 4.1 (48 Mio. vs. 30 Mio.), was bei gleichem Preis pro Token die effektive Anfragerate senkt.

Was bedeutet der höhere Token-Verbrauch von Claude Opus 4.5 für Produktionskosten und Latenz?

Obwohl Anthropic den Preis auf 5 USD (Input) bzw. 25 USD (Output) pro Million Token gesenkt hat, sanken die Gesamtkosten pro Benchmark-Lauf nur von 3.100 auf 1.500 USD, nicht proportional zur Preissenkung. Der erhöhte Token-Verbrauch verlängert zudem typischerweise die Antwortzeiten unter Last, da mehr Token pro Request verarbeitet werden müssen.

Welches Modell ist derzeit am kosteneffizientesten für hochfrequente Produktionsanfragen?

Laut Artificial Analysis schneidet Claude Opus 4.5 im Kostenvergleich schlechter ab als Gemini 3 Pro (high), GPT-5.1 (high) und sogar Claude Sonnet 4.5 (Thinking). Einzig Grok 4 (Reasoning) ist teurer. Für RPS-intensive Szenarien empfiehlt sich daher ein genauer Kosten-pro-Output-Vergleich vor dem Modellwechsel.

Warum gilt SWE-bench Verified als relevanter Benchmark für Produktionsumgebungen?

SWE-bench Verified umfasst 500 echte GitHub-Issues aus aktiven Open-Source-Projekten und misst, ob ein Modell reale Engineering-Aufgaben löst. Claude Opus 4.5 erreichte als erstes Modell 80,9 % und übertraf damit GPT-5.1 (76,3 %) und Gemini 3 Pro (76,2 %). Das macht den Benchmark aussagekräftiger als synthetische Coding-Tests.

Wie sollten Entscheider Latenz- und Durchsatzdaten bei der Modellwahl gewichten?

Rohwerte aus Benchmark-Labors spiegeln selten reale P95-Latenzen wider, da Token-Volumen, Lastverteilung und API-Concurrency variieren. Claude Opus 4.5 verbraucht pro Anfrage deutlich mehr Token als Konkurrenzmodelle, was bei hoher Parallelität die P95-Latenz erhöht. Entscheider sollten Benchmarks daher mit eigenen Lasttests unter produktionsnahen Bedingungen ergänzen.

Dieser Artikel wurde von einem KI-System automatisiert erstellt. Kennzeichnung gemäß Art. 50 der EU-KI-Verordnung.