Claude Opus 4.5: Benchmarks, Agenten, Tools und mehr

Gleich nach dem beeindruckenden Gemini 3 von Google hat Anthropic kürzlich Claude Opus 4.5 angekündigt und es als das „beste Modell der Welt für Programmierung, Agenten und Computernutzung” gepriesen. 

Trotz der echt beeindruckenden Benchmarks von Gemini 3 lag es beim SWE-Benchmark, einem Test für Software-Engineering-Fähigkeiten, immer noch hinter Claude Sonnet 4.5. Mit Claude Opus 4.5 hat Anthropic seine eigene Punktzahl beim SWE-Benchmark und anderen Tests übertroffen. 

Claude Opus 4.5 ist Anthropics dritte große Modellvorstellung in nur zwei Monaten. Nach Sonnet 4.5 und Haiku 4.5.  Und jetzt, wo Anthropic einen Wert von über 350 Milliarden Dollar hat, wissen wir, dass sie die Mittel haben, um in diesem Tempo weiterzumachen.

In diesem Artikel zeig ich dir alles Neue in Claude Opus 4.5, schau mir die Benchmarks und neuen Funktionen an und teste die Möglichkeiten in der Praxis.  

Was ist Claude Opus 4.5?

Claude Opus 4.5 ist das neueste große Sprachmodell von Anthropic. Nach Opus 4 ist es das fortschrittlichste Modell von Anthropic, das sich auf Codierung, Schlussfolgerungen und lang andauernde Aufgaben konzentriert. Das Modell hat beim SWE-Bench 80,9 % und beim Terminal-Bench 59,3 % erreicht. 

Claude Opus 4.5 ist jetzt in den Apps von Anthropic, der API und den wichtigsten Cloud-Plattformen verfügbar. 

Was gibt's Neues bei Claude Opus 4.5?

Aus der Ankündigung sind mir folgende Sachen aufgefallen:

• Agentische Kodierung: Opus 4.5 ist auf dem neuesten Stand der Technik auf SWE-bench Verified und schlägt Googles Gemini 3 Pro und OpenAIs GPT-5.1. Anthropic hat das Modell auch bei einer kniffligen Hausarbeit getestet, die sie angehende Performance-Ingenieure machen müssen. Es hat besser abgeschnitten als jeder menschliche Kandidat jemals zuvor.
• Computer-Nutzung: Anthropic sagt, Opus 4.5 sei „das beste Modell der Welt für die Computernutzung”, was bedeutet, dass es mit Software-Schnittstellen interagieren, auf Schaltflächen klicken, Formulare ausfüllen und auf Websites navigieren kann, genau wie ein Mensch.
• Alltägliche Aufgaben: Laut Anthropic ist das Modell „deutlich besser“ im Umgang mit Tabellenkalkulationen und Folien sowie bei der Durchführung tiefgreifender Recherchen.

Zusammen mit der Vorstellung des Modells hat Anthropic ein paar Produkt-Updates angekündigt, auf die ich weiter unten genauer eingehen werde. Dazu gehören Claude für Chrome, die Browser-Erweiterung, mit der Claude über verschiedene Tabs hinweg aktiv werden kann, und Claude for Excel.

Claude Opus 4.5 testen

Ein Bericht wäre nicht komplett, ohne das neue Modell ein oder zwei Tests zu unterziehen. Schauen wir mal, wie die neuen Verbesserungen bei verschiedenen Aufgaben abschneiden: 

Opus 4.5 mit einer Wirtschafts-Frage testen

Zuerst wollte ich mal sehen, wie Opus 4.5 mit einem klassischen Problem aus der Wirtschaftsoptimierung klarkommt. Ich stelle mir ein loglineares Nachfragemodell vor, das die verkaufte Menge anhand des Preises vorhersagt. Das ist so was, was man in einem Ökonometriekurs sehen würde, aber es ist auch echt nützlich. Wenn du deine Nachfragekurve und deine Kosten kennst, kannst du den Preis berechnen, der den Gewinn maximiert.

Opus 4.5 hat mir die richtige Antwort gegeben, ohne dass ich groß nachdenken musste, und das alles auf einen Schlag. 

Das hat mich beeindruckt, weil so ziemlich jedes Unternehmen, das irgendwas verkauft, eine Vorstellung von der verkauften Menge und dem Preis hat, aber nicht jedes Unternehmen die Ressourcen hat, um Antworten auf grundlegende Optimierungsprobleme zu finden. 

Aber hier kannst du mit einer gut gemachten Eingabeaufforderung deine Antwort ganz einfach finden. Natürlich muss der Analyst immer noch entscheiden, ob die Einschränkungen wirklich richtig modelliert wurden.

Das hat mir auch gefallen: Opus 4.5 hat seine Arbeit gezeigt. Ich hab nicht nur 'ne Nummer bekommen. Es ging um Ableitungen, Factoring und Algebra. Wenn es einen Fehler gemacht hätte, hätte ich sehen können, wo.

Opus 4.5 mit einer Statistikfrage testen

Als Nächstes wollte ich Opus 4.5 bei einer Statistikfrage testen. Ich hab einen Datensatz erstellt, bei dem „ yield “ eine Funktion von „ temperature “ mit hinzugefügtem Rauschen war. 

library(tidyverse)

set.seed(1024)

# Generate data
n <- 100
df <- data.frame(
  temperature = seq(0, 100, length.out = n)
) %>%
  mutate(yield = 0.5 * temperature + 10 + rnorm(n, 0, 5))

Dann hab ich Claude diese Eingabe gegeben. 

Claude hat mir die folgenden Daten geschickt, mit denen ich unten ein Histogramm erstellt habe.

# Fit model
fit <- lm(yield ~ temperature, data = df)
fitted_vals <- fitted(fit)
resids <- residuals(fit)
original_slope <- coef(fit)[2]

# Residual bootstrap
set.seed(123)
n_boot <- 1000
boot_slopes <- numeric(n_boot)

for (i in 1:n_boot) {
  new_y <- fitted_vals + sample(resids, replace = TRUE)
  boot_fit <- lm(new_y ~ df$temperature)
  boot_slopes[i] <- coef(boot_fit)[2]
}

# Confidence intervals
ci_lower <- quantile(boot_slopes, 0.025)
ci_upper <- quantile(boot_slopes, 0.975)

# Plot
ggplot(data.frame(slope = boot_slopes), aes(x = slope)) +
  geom_histogram(bins = 40, fill = "gray70", color = "white") +
  geom_vline(xintercept = original_slope, color = "red", linewidth = 1) +
  geom_vline(xintercept = ci_lower, color = "steelblue", linetype = "dashed", linewidth = 1) +
  geom_vline(xintercept = ci_upper, color = "steelblue", linetype = "dashed", linewidth = 1) +
  labs(
    title = "Bootstrap Estimate: Effect of Temperature on Yield",
    subtitle = paste0("Estimate: ", round(original_slope, 3), 
                      " | 95% CI: [", round(ci_lower, 3), ", ", round(ci_upper, 3), "]"),
    x = "Slope (yield per °C)",
    y = "Count"
  ) +
  theme_minimal()

Ich muss sagen, dass mir das Ergebnis gefällt. Opus 4.5 hat ein Konfidenzintervall für die Steigung gefunden, was genau das ist, was ich eigentlich wollte. 

Es hat eine Bootstrap-Methodeverwendet, die eine gute Technik ist, um Konfidenzintervalle bei Heteroskedastizität vorhanden ist. Außerdem wurde speziell ein Bootstrap-Verfahren für die Residuen verwendet, statt einer anderen Bootstrap-Methode, die (X,Y)-Paare neu auswählt, was einen Fehler im X-Term angenommen hätte. 

Das ist ein kleiner, aber wahrscheinlich wichtiger Punkt für Leute, die so was machen: Ein Residual-Bootstrap wäre besser, wenn X wie in meiner Eingabe festgelegt ist und du daher eine Inferenz in Abhängigkeit von genau diesen X-Werten wünschst, wie beispielsweise bei einer wissenschaftlichen Studie. Was ich sagen will, ist, dass Opus 4.5 auf die Feinheiten in der Eingabe geachtet hat.

Opus 4.5 mit einer Matheaufgabe testen

Als Nächstes wollte ich schauen, ob ich Opus 4.5 irgendwie zum Absturz bringen kann.

In diesem Fall war das Modell mir weit voraus. Opus 4.5 hat gemerkt, dass meine Frage irgendwie im Kreis lief – ich habe X durch Y definiert und umgekehrt, also konnten wir mit den Daten, die wir hatten, keine vernünftige Schätzung für die Steigung einer Regressionsgeraden machen. 

Opus 4.5 für die SQL-Optimierung testen

Schließlich dachte ich, es könnte Spaß machen, Opus 4.5 bei einer SQL-Frage zu testen. Ich hab 'ne funktionierende, aber echt ineffiziente SQL-Abfrage geschickt. 

-- Find customers who placed orders above their average order value in 2024
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > (
        SELECT AVG(o2.order_total)
        FROM orders o2
        WHERE o2.customer_id = c.customer_id
    )
    AND c.customer_id IN (
        SELECT DISTINCT o3.customer_id
        FROM orders o3
        WHERE o3.order_date >= '2024-01-01'
    )
    AND EXISTS (
        SELECT 1
        FROM customer_preferences cp
        WHERE cp.customer_id = c.customer_id
            AND cp.email_opt_in = 1
    )
ORDER BY (
    SELECT COUNT(*)
    FROM orders o4
    WHERE o4.customer_id = c.customer_id
) DESC;

Ich hab Opus 4.5 gebeten, die Abfrage zu verbessern. Es hat mir in etwa einer Sekunde eine Antwort gegeben.

-- Find customers who placed orders above their average order value in 2024
WITH customer_avg AS (
    SELECT 
        customer_id,
        AVG(order_total) AS avg_order_total,
        COUNT(*) AS order_count
    FROM orders
    GROUP BY customer_id
)
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
JOIN customer_avg ca ON c.customer_id = ca.customer_id
JOIN customer_preferences cp ON c.customer_id = cp.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > ca.avg_order_total
    AND cp.email_opt_in = 1
ORDER BY ca.order_count DESC;

Unter anderem hat Opus 4.5 die korrelierte Unterabfrage für „ AVG “ durch eine CTE ersetzt. (Die ursprüngliche Abfrage hat „ AVG(order_total) “ für jede einzelne Zeile neu berechnet, aber die CTE berechnet jetzt den Durchschnitt jedes Kunden im Voraus.) Opus 4.5 hat auch die unnötige Klausel „ IN (SELECT DISTINCT ...) “ rausgeschmissen, die nur unnötige Arbeit gemacht hat. Und es hat die Unterabfrage „ EXISTS “ in „ JOIN “ umgewandelt, was besser ist.

Claude Opus 4.5 Agenten und agentische Fähigkeiten

Es gab noch mehr coole Sachen in der neuesten Version von Anthropic. Schauen wir uns das genauer an: 

Funktionen der Entwicklerplattform

Anthropic hat ein paar neue Bausteine für Entwickler hinzugefügt. Das Wichtigste ist derParameter „ “ (Anstrengung), mit dem du einstellen kannst, wie viel das Modell nachdenkt, bevor es antwortet. Stell es niedrig ein, wenn du schnelle, leichte Aufgaben erledigen willst; stell es höher, wenn das Modell etwas zu knacken hat. 

Laut Anthropic erreicht Opus 4.5 bei mittlerem Aufwand die beste SWE-Benchmark-Punktzahl von Sonnet 4.5, verbraucht dabei aber 76 % weniger Output-Tokens. Bei hoher Auslastung ist es um mehr als 4 % schneller als Sonnet – und braucht trotzdem fast nur halb so viele Tokens.

Es gibt auch ein besseres Kontextmanagement und Speicher. Bei lang laufenden Agenten kann Claude jetzt automatisch den früheren Kontext zusammenfassen, damit es nicht mitten in der Aufgabe hängen bleibt. Das geht einher mit der Kontextverdichtung, die dafür sorgt, dass Agenten länger laufen, ohne dass man viel eingreifen muss.

Schließlich ist Opus 4.5 anscheinend ziemlich gut darin, mehrere Agenten zu koordinieren, was heißt, dass es ein Team von Unteragenten leiten könnte. 

Claude Opus 4.5 Tiefgehende Forschung

Anscheinend hat sich die Leistung von Opus 4.5 bei einer eingehenden Forschungsbewertung um ungefähr 15 % verbessert.

Ich hab die tiefgehende Recherchefunktion selbst ausprobiert. Ich hab's gebeten, mir einen Bericht über alte englische Wörter zu machen, die es heute noch gibt, aber nicht mehr so oft benutzt werden, und wie sich diese Wörter im Laufe der Zeit verändert haben. Der Bericht war in sieben Minuten fertig: