Claude Opus 5 vs GPT-5.6 Sol: Benchmarks, Preise und die richtige Wahl

Wenn du in der zweiten Jahreshälfte 2026 ein Modell für agentische Arbeit auswählst, ist die Shortlist kurz – und die beiden Namen darauf sind im Abstand von zwei Wochen erschienen. Anthropic veröffentlichte Claude Opus 5 am 24. Juli, und OpenAI gab GPT-5.6 Sol am 9. Juli allgemein frei. Beide sind Flaggschiffe, beide sind für langlaufende professionelle Aufgaben gedacht, und die Preise sind nahezu identisch.

In diesem Artikel vergleiche ich Claude Opus 5 und GPT-5.6 Sol bei Coding, Reasoning, Computer-Nutzung, Tool-Nutzung, Preisen und Zugang, damit du entscheiden kannst, was am besten zu deinem Workflow passt. Für tiefergehende Informationen zu den einzelnen Modellen findest du hier unseren Claude Opus 5 Guide und unseren GPT-5.6 Family Guide.

TL;DR

• Opus 5 ist der Spezialist für neuartige Schlussfolgerungen und agentische Aufgaben; GPT-5.6 Sol ist der stärkere Generalist für Terminal- und Browsing-Workflows.
• Eingabetokens kosten bei beiden $5 pro Million. Bei der Ausgabe ist Opus 5 um 17% günstiger.
• Nimm Opus 5 für wirklich neue Problemstellungen, Coding und Computer-Nutzung. Nimm Sol für Terminal-Workflows, Browsing-Agents und Verteidigungsarbeit in der Cybersicherheit.

Was ist Claude Opus 5?

Claude Opus 5 ist Anthropics Modell der Opus-Stufe, veröffentlicht am 24. Juli 2026, und liefert ähnliche Ergebnisse wie das höherstufige Fable 5 zum halben Preis. Es ist das neue Standardmodell auf Claude Max und das stärkste Modell auf Claude Pro.

Das unterscheidende Verhalten des Modells ist Ausdauer. Nach Anthropics Lesart überprüft Opus 5 seine eigene Arbeit und iteriert, bis es erfolgreich ist, statt bei etwas Plausiblem stehenzubleiben; außerdem meldet es mit 2,3 die niedrigste Audit-Score für fehlangepasstes Verhalten aller jüngeren Anthropic-Modelle. Der Kontext reicht bis 1M Tokens mit einer Ausgabedecke von 128K, und Thinking ist standardmäßig aktiviert.

Wenn du lieber bauen statt lesen willst, zeigt dir unser Claude Opus 5 API-Tutorial Schritt für Schritt, wie du einen Bugfix-Agenten konstruierst und ihn über alle fünf Aufwandsstufen benchmarkst.

Was ist GPT-5.6 Sol?

GPT-5.6 Sol ist das Flaggschiff der GPT-5.6-Familie von OpenAI, die nach einer begrenzten Vorschau am 9. Juli 2026 allgemein verfügbar wurde. Die Familie umfasst drei Stufen:

• Sol: Flaggschiffmodell mit höchster Performance
• Terra: ausgewogenes Alltagsmodell
• Luna: kosteneffiziente Option

OpenAI beschreibt Sol als State-of-the-Art bei Coding, Wissensarbeit, Cybersicherheit und Wissenschaft – bei geringerem Tokenverbrauch als die Modelle, die es schlägt.

Das Aushängeschild von Sol ist ultra, eine Reasoning-Einstellung, die standardmäßig vier Agenten über parallele Workstreams koordiniert. Außerdem hat OpenAI Programmatic Tool Calling in der Responses API eingeführt, wodurch das Modell kleine Programme schreiben und ausführen kann, die Tools orchestrieren und Zwischendaten filtern, statt jede Tool-Antwort wieder durch das Modell zu leiten.

Mehr zur Familienstruktur und zu den Caveats aus der Vorschauphase findest du in unserer GPT-5.6-Übersicht. Außerdem haben wir über den behaupteten Gegenbeweis von GPT-5.6 Pro zur Dinitz-Garg-Goemans-Vermutung berichtet – bislang das interessanteste Ergebnis mit dieser Familie.

Claude Opus 5 vs GPT-5.6 Sol: Direktvergleich

Hier ist die Zusammenfassung, bevor ich in die einzelnen Dimensionen einsteige.

Neuartiges Reasoning und abstrakte Probleme

Hier gehen die Modelle am deutlichsten auseinander, daher fange ich damit an. ARC-AGI-3 lässt ein Modell Probleme lösen, die es im Training nicht gesehen hat – das kommt einem echten Reasoning-Test am nächsten, nicht dem Abruf von Gelerntem.

Opus 5 erzielt 30,2%. GPT-5.6 Sol erreicht 7,78% und ist damit dennoch das zweitbeste Modell im Leaderboard. Zum Vergleich: Gemini 3.1 Pro Preview schafft 0,42%. Zur Einordnung: Opus 4.8 lag zwei Monate zuvor bei 1,5% – ein Zwanzigfaches Plus innerhalb einer Anthropic-Generation.

Ich will sauber bleiben, was ein 4x-Abstand auf einem Benchmark bedeutet. ARC-AGI-3 ist bewusst gegen Memorierung ausgelegt, und 30,2% sind immer noch überwiegend Fehlschläge. Aber wenn deine Arbeit Probleme umfasst, die in keinem Trainingskorpus vorkommen, ist das die eine Zahl, die am meisten zählt – und sie ist nicht knapp.

Coding und agentische Entwicklung

Beim Coding sind die Ergebnisse geteilt, statt dass ein Modell alles dominiert. Jeder Anbieter führt bei den Benchmarks, die er betont – genau wie zu erwarten und genau deshalb solltest du über die Schlagzeilen hinauslesen.

Das Muster ist klar, wenn du Repository-Arbeit von Terminal-Arbeit trennst. Opus 5 nimmt SWE-Bench Pro mit fast 15 Punkten Vorsprung und mehr als der doppelten Punktzahl von Opus 4.8 auf der Frontier-Bench, die agentische Softwareentwicklung misst – etwa das Rekonstruieren eines Maschinenteils in FreeCAD anhand einer technischen Zeichnung. Anthropics eigenes Beispiel ist zitierwürdig: Ohne eine Möglichkeit, die Zeichnung zu betrachten, schrieb Opus 5 eine eigene Computer-Vision-Pipeline, um die Geometrie aus Rohpixeln zu ziehen; kein anderes Modell löste die Aufgabe in fünf Versuchen.

Sol gehört die Shell, aber der Abstand ist kleiner als früher. Es liegt bei Terminal-Bench 2.1 gleichauf mit Opus 5, steigt jedoch mit aktiviertem ultra auf 91,9%. Sol gewinnt auch DeepSWE v1.1, den Langzeittest auf realen Codebasen, mit 3,9 Punkten Vorsprung – und verbraucht dabei weniger als die Hälfte der Ausgabetokens von Fable 5 und rund ein Drittel weniger Kosten.

Ein Punkt aus unserer Praxis: Als wir mit Opus 5 einen Bugfix-Agenten gebaut und über alle fünf Aufwandsstufen laufen ließen, behebt low den Bug in allen drei Runs, während max in einem von drei Runs scheiterte. Dieser Fehl-Run lieferte einen schema-gültigen, aber inhaltlich leeren Report, ohne Tool-Calls und mit dem Root-Cause-Feld auf \"b0\" gesetzt. Die Lehre: Strukturiere Ausgabe garantiert Struktur, nicht Substanz, und mehr Aufwand ist nicht automatisch besser. Alle Details findest du in unserem Opus 5 API-Tutorial.

Mein Fazit: Wenn deine Agents in einer Shell leben und du dir ultra leisten kannst, hat Sol einen leichten Vorteil. Wenn sie im Repository leben und über Architektur quer durch viele Dateien nachdenken müssen, punktet Opus 5. Keines der Modelle gewinnt \"Coding\" als Kategorie klar – jeder anderslautende Vendor-Claim pickt nur die passenden Benchmarks.

Computer-Nutzung und Browsing

Computer-Nutzung ist entscheidend, wenn du etwas baust, das ein GUI steuert, und die Ergebnisse splitten sich ähnlich wie beim Coding.

Opus 5 gewinnt OSWorld 2.0 mit 70,6% gegenüber 62,6% für Sol – ein Abstand von 8 Punkten. Anthropic behauptet zudem, Opus 5 übertreffe Fable 5s bestes OSWorld-Ergebnis bei gut einem Drittel der Kosten; das ist die interessantere Perspektive, da Fable 5 $10 pro Million Eingabetokens kostet, Opus 5 hingegen $5.

Beim Browsing ist es faktisch ein Unentschieden. Opus 5 meldet 90,8% auf BrowseComp; Sol 90,4%, steigend auf 92,2% mit ultra über sechzehn parallele Agenten. Auch hier macht ultra den Ausschlag.

Sol's OSWorld-Ergebnis kommt mit einer Erwähnung der Token-Effizienz: OpenAI sagt, es übertreffe Opus 4.8 bei 85% weniger Ausgabetokens. Das ist ein Vergleich gegen Anthropics vorherige Generation statt gegen Opus 5, daher nicht direkt auf dieses Duell übertragbar – deutet aber an, dass Sols Computer-Nutzungs-Pfad pro Aufgabe ungewöhnlich günstig ist.

Tool-Nutzung und Automatisierung

Hier wird der abstrakte Fähigkeitsabstand zu erledigten Business-Aufgaben, und Opus 5 führt klar.

Auf Zapiers AutomationBench, die misst, ob ein Modell eine Business-Aufgabe von Anfang bis Ende durchzieht, erzielt Opus 5 26,0% gegen Sols 18,1%. Anthropic berichtet, die Erfolgsquote liege etwa 1,5× über dem nächstbesten Modell bei gleichen Kosten pro Aufgabe, und dass Opus 5 selbst bei geringstem Aufwand mehr Tasks besteht als jedes andere Modell.

Zapier-CEO Wade Foster beschreibt einen konkreten Run: Opus 5 nahm eine rohe Account-Health-Workbook-Datei und fuhr eine Churn-Prevention-Sequenz Ende-zu-Ende, markierte gefährdete Accounts, benachrichtigte die richtigen Owner und lieferte eine Zusammenfassung für Retention Ops. Vorherige Modelle bestanden nicht; Opus 5 traf 100%.

Sol kontert architektonisch statt mit Scores. Programmatic Tool Calling in der Responses API lässt Sol kleine Programme schreiben, die Tools koordinieren, Zwischenergebnisse filtern und die nächste Aktion wählen – dadurch kommen toollastige Tasks mit weniger Modell-Roundtrips voran. Das ist echte Effizienz – aber eine andere Aussage als \"mehr Aufgaben korrekt abschließen\"; und genau Letzteres misst AutomationBench.

Cybersicherheit und Wissenschaft

Hier haben die beiden Anbieter bewusst gegensätzliche Entscheidungen getroffen – für manche Leser entscheidet das allein den Vergleich.

Anthropic hat Opus 5 nicht auf Cyber-Aufgaben trainiert. Klarer Hinweis: Opus 5 treibt Dual-Use-Fähigkeiten nicht voran und bleibt hinter Mythos 5 in Biologie-Forschung und offensiver Cybersicherheit. Auf OSS-Fuzz erkennt Opus 5 Schwachstellen in ähnlicher Rate wie Mythos 5, fällt aber bei ihrer Ausnutzung deutlich zurück. Opus 5s Cyber-Classifier blockieren binary-basierte Schwachstellen-Scans, Penetrationstests und Exploit-Generierung – sollen aber rund 85% seltener eingreifen als bei Fable 5.

OpenAI wählte den Gegenkurs. Sol gilt als OpenAIs stärkstes Cybersecurity-Modell, und die Zahlen sind hoch:

• ExploitBench: 73,5% vs. 47,9% bei GPT-5.5 mit ähnlichem Output-Token-Budget
• ExploitGym: 24,9% unter 2 Stunden, 33,7% unter 6 Stunden, gegenüber 15,1% Peak bei GPT-5.5
• SEC-Bench Pro: 71,2% vs. 45,8% bei GPT-5.5, bei verbesserter Latenz
• Capture-the-Flag: 96,7%

Beide Anbieter schalten das gestaffelt frei. OpenAI leitet erweiterte defensive Fähigkeiten über Daybreaks Trusted Access for Cyber, fordert ab 1. September hardwaregestützte Passkeys für den fortgesetzten Zugriff auf die cyberfähigsten Modelle und sagt, Sols Schutzmechanismen blockierten rund zehnmal mehr potenziell schädliche Aktivitäten als frühere Modelle. Anthropic betreibt ein Cyber Verification Program, das eingeschriebenen Unternehmen und Forschern eine weniger eingeschränkte Opus-5-Build bietet.

In der Wissenschaft schlägt Opus 5 Opus 4.8 bei allen Life-Sciences-Evaluierungen von Anthropic, mit den größten Zugewinnen in organischer Chemie (plus 10,2 Punkte beim Ableiten molekularer Strukturen aus Spektroskopiedaten) und Protein Sequenz-Funktionsvorhersage (plus 7,7 Punkte). Sol meldet 28,7% auf GeneBench Pro gegenüber 12% bei GPT-5.5 und 59,9% auf LifeSciBench. Es gibt keinen gemeinsamen Benchmark, also ist das kein direkter Vergleich, sondern zwei Anbieter mit unterschiedlichen Prüfungen.

Preise

Eingabe- und Cached-Read-Raten sind im Standardkontext identisch – eine Variable weniger für die Entscheidung. Übrig bleibt Sols 20% Ausgabeaufschlag plus ein Langkontext-Zuschlag, den nur Sol erhebt.

Tokenraten im Vergleich

Die gesamte Kostendifferenz im Kurzkontext liegt auf der Generierung, daher wirkt Sols Aufschlag am stärksten bei ausführlichem Reasoning und Longform-Ausgabe. Bei Retrieval-Jobs, die deutlich mehr Eingabe- als Ausgabetokens senden, schrumpft der Unterschied – bis Sols Langkontext-Zuschlag greift.

Beide Modelle bieten jetzt einen Fast Mode zu etwa dem doppelten Standardpreis für rund 2,5× Tempo. OpenAI hat Sols früheres Priority Processing am 30. Juli 2026 in den Fast Mode überführt, daher ist dieser Hebel symmetrisch und kein Unterscheidungsmerkmal.

Was ein echter Workload kostet

Raten pro Million Tokens sind schwer zu budgetieren, und ein fixes Verhältnis verdeckt das Wichtigste: Die Kostenlücke hängt voll vom Workload-Profil ab. Hier sind drei repräsentative Profile zu Standardraten, ohne Caching oder Batch-Rabatte.

Bei generierungs-lastiger Arbeit fließt der 20% Ausgabeaufschlag fast direkt durch, Sol liegt rund 19% darüber. Bei kurzen Retrieval-Jobs schließt sich die Lücke auf etwa 7%, weil die Ausgabe gegen eine identische Eingaberate kaum ins Gewicht fällt.

Die dritte Zeile ist die entscheidende: Sobald eine Anfrage 272K Eingabetokens überschreitet, greift Sols Zuschlag mit 2× Eingabe und 1,5× Ausgabe für die gesamte Anfrage, während Opus 5 bis 1M flat bleibt. Der Aufpreis schrumpft also nicht im großen Kontext – er verdoppelt die Rechnung nahezu. Bei retrieval-lastigen oder großkontextigen Workloads wiegt diese Umkehr schwerer als der nominelle Ausgabeaufschlag.

Warum die gleichen Aufgaben unterschiedlich viel kosten

Zwei Faktoren führen hier zu unterschiedlichen Rechnungen für identische Arbeit – jenseits der Listenpreise:

• Sol's Langkontext-Zuschlag. Jede Anfrage über 272K Eingabetokens wird mit 2× Eingabe und 1,5× Ausgabe für die gesamte Anfrage abgerechnet. Ein zu großer Prompt kippt Sol in eine höhere Preisstufe, die Opus 5 nie hat. Das ist ein Tarifsprung, kein Tokenunterschied, und bereits in der dritten Workload-Zeile oben abgebildet.
• Sol ultra. Ultra hat keinen Tarifaufschlag, es gilt derselbe $5/$30-Preis wie für Sol-Basis. Aber der Multi-Agent-, High-Effort-Modus verbraucht deutlich mehr Tokens pro Aufgabe – ein agentischer Job kann so etwa das Dreifache gegenüber Sol-Basis kosten. Diese Vielfache ist ein Berichtswert, kein gemessener Mittelwert.

Diese Einschränkung gilt generell für die Ausgabe. Die kursierenden Effizienzbehauptungen vergleichen fast immer mit anderen Modellen: Sol soll auf dem Coding Agent Index weniger als die Hälfte der Ausgabetokens von Fable 5 brauchen; Anthropic berichtet, dass Opus 5 bei maximalem Reasoning 26% weniger Tokens als Opus 4.8 generiert. Beides sind Vergleiche mit Vorgängern und ändern die obigen Rechnungen nicht.

Wann du Claude Opus 5 vs GPT-5.6 Sol wählst

Die Dimensions-Ergebnisse lassen sich recht klar auf Workloads abbilden. Hier ist die Entscheidungshilfe, bevor ich auf beide Seiten eingehe.

Wähle Claude Opus 5, wenn ...

• Deine Probleme wirklich neu sind. Die ARC-AGI-3-Lücke ist das größte Einzelergebnis dieses Vergleichs und zahlt direkt auf Forschung und alles ein, wo die Antwort nicht im Trainingskorpus steht.
• Du Agents brauchst, die Aufgaben beenden – nicht nur versuchen. Der Vorsprung bei AutomationBench ist das klarste Signal für Completion statt nur Capability.
• Du mit langen Kontexten arbeitest. 1M Tokens als Standard und Maximum, ohne Zuschlagsstufe, ist eine stimmigere Story als alles, was OpenAI zu Sols Kontexthandling veröffentlicht hat.
• Alignment eine Anforderung ist. Die 2,3 beim Audit für fehlangepasstes Verhalten sind Anthropics bisher bester Wert, mit den niedrigsten Täuschungsraten und der geringsten Anfälligkeit für Missbrauch durch Prompting.

Wähle GPT-5.6 Sol, wenn ...

• Du komplexe Agents in der Shell betreibst. Sols Ultra-Modus schiebt es an die Spitze der 
• Du defensive Security-Arbeit machst. Die Zahlen bei ExploitBench, ExploitGym und SEC-Bench Pro sind groß, und Opus 5 blockiert Exploit-Generierung aktiv – das ist keine knappe Entscheidung.
• Du eingebaute Parallel-Agent-Orchestrierung willst. ultra koordiniert standardmäßig vier Agenten und hob BrowseComp bei sechzehn Agenten auf 92,2%, und die Multi-Agent-Beta in der Responses API lässt dich Ähnliches selbst bauen.

Fazit

Im Abstand von zwei Wochen haben die Anbieter gegensätzliche Wetten platziert: Opus 5 setzt auf neuartiges Reasoning und Task-Completion, Sol auf Terminal-Arbeit, Browsing und defensive Security – mit 20% Ausgabeaufschlag.

Nimm Opus 5, wenn deine Probleme wirklich neu sind, deine Agents Aufgaben beenden müssen statt nur anzusetzen, oder wenn du mit langen Kontexten arbeitest, wo die flachen 1M-Preise von Opus 5 den Sol-Zuschlag ausstechen; nimm Sol, wenn deine Agents in der Shell leben, du Exploit-Reproduktion betreibst, die Opus 5 designbedingt blockiert, oder wenn du dir ultra leisten kannst, um Terminal- und Browsing-Leaderboards anzuführen.

In den meisten anderen Dimensionen ist die Lücke kleiner, als es das Marketing vermuten lässt. Also richte die Wahl am dominanten Workload aus, nicht am Headline-Benchmark.